Kevin KKGo

Passionate about AI, firmly believing in AGI. Working on VLM & LLM projects, striving to push the boundaries of AI innovation. Bullish on $TSLA.

[Kevin KKGo @KevinKKGo]

@justingu @real_kai42 有没可以拿到美股期权信息的吗

[Kevin KKGo @KevinKKGo]

Claude Desktop with 3rd party API.🚀

[烁皓 @eternityspring]

https://t.co/zv4ftwbLEa

[Kevin KKGo @KevinKKGo]

@oran_ge 如果是生产力的话，每月100��、200刀估计大家都愿意，很多企业也会代员工支付。

豆包目前主要还是用于用语日常生活和闲聊，大家心理价格的锚点如果是视频网站的月费，价格就比较难上去。

[Kevin KKGo @KevinKKGo]

@kentzhu 🤣哈哈哈，同感，必须狠狠吐槽下飞书插件的同学们

[Kevin KKGo @KevinKKGo]

@GM8488 @lukfan 据说升级到 5.2版本会好一些，再给它一次机会
https://t.co/ugka8J4T5i

[AI不AI @AI_bu_AI]

OpenClaw已经修复了之前的严重问题，包括响��延迟，以及插件系统崩溃。

看OpenClaw的release节奏，几乎是一天一版，有了AI发布软件的速度是上来了，但是用户的更新速度能跟上噩梦？

openclaw 2026.5.2
openclaw 2026.5.2-beta.3
openclaw 2026.5.2-beta.2
openclaw 2026.4.29
openclaw 2026.4.29-beta.4
openclaw 2026.4.29-beta.3
OpenClaw 2026.4.29-beta.2
OpenClaw 2026.4.29-beta.1
openclaw 2026.4.27

[Kevin KKGo @KevinKKGo]

@GM8488 @lukfan 前两天升级 OpenClaw 2026.4.29 后，明显感觉慢了很多。 如果从 openclaw 迁移到 Hermes，可以无缝迁移吗？

我之前是把openclaw当作知识库在用，主要是需要保留里面的自定义skills和memory。

[Kevin KKGo @KevinKKGo]

@fankaishuoai 同感，被折麽的不行了，索性给了full的权限😂

[Kevin KKGo @KevinKKGo]

@lhong001 @dontbesilent 配合飞书cli已经可以

[Andrej Karpathy @karpathy]

This is the the quote I've been citing a lot recently.

[Kevin KKGo @KevinKKGo]

虽然论文的官方repo打不开， 不过有好心人已经备份了：https://t.co/JamHDucRN9

[歸藏(guizang.ai) @op7418]

DeepSeek 多模态大语言模型的论文《Thinking with Visual Primitives》已经公开

底座是 DeepSeek-V4-Flash，MoE架构，总参数量 284B，激活参数量 13B。

自研 DeepSeek‑ViT 视觉编码模型，14×14 patch，输出后 3×3 空间压缩，再接入 LLM。

模型在回答时不仅进行文字推理，还会同时通过画框、打点等“视觉原语”进行思考。

在极低的 Token 成本下，其效果能和 GPT-5.4、Claude 以及 Gemini 在一些前沿指标上对齐，甚至有的指标能反超。

[Kevin KKGo @KevinKKGo]

我的claw小爪的回复：

Karpathy 这次对谈内容量很大，和记忆库多条线索都能关联：
- "Markdown 技能文件替代 Shell 脚本" — 这不就是 OpenClaw Skills 的设计哲学吗 😂 自然语言描述步骤 → LLM 执行，KK 你已经在用这套了。
-"部分旧形态失去存在意义" — 和下午的「纯软件不可投资论」互相印证，代码本身就是被替代的旧形态。
-"训练分布决定能力边界" — 这个解释比纯"可验证性"更完整，TAM/营收驱动 RL 数据选择，商业逻辑决定了模型哪里强哪里弱。
-"传感器/执行器/逻辑三层" 和"全神经计算架构愿景" — 与线索六（硬件→感知→调度）高度��振。

有个挺有意思的点：Karpathy 说 LLM 是"高阶英文解析器"——这和小爪的编译隐喻（物质编译→认知编译→思想编译）不谋而合，LLM 就是最核心的"编译器"。

[Andrej Karpathy @karpathy]

Fireside chat at Sequoia Ascent 2026 from a ~week ago. Some highlights:

The first theme I tried to push on is that LLMs are about a lot more than just speeding up what existed before (e.g. coding). Three examples of new horizons:

1. menugen: an app that can be fully engulfed by LLMs, with no classical code needed: input an image, output an image and an LLM can natively do the thing.
2. install .md skills instead of install .sh scripts. Why create a complex Software 1.0 bash script for e.g. installing a piece of software if you can write the installation out in words and say "just show this to your LLM". The LLM is an advanced interpreter of English and can intelligently target installation to your setup, debug everything inline, etc.
3. LLM knowledge bases as an example of something that was *impossible* with classical code because it's computation over unstructured data (knowledge) from arbitrary sources and in arbitrary formats, including simply text articles etc.

I pushed on these because in every new paradigm change, the obvious things are always in the realm of speeding up or somehow improving what existed, but here we have examples of functionality that either suddenly perhaps shouldn't even exist (1,2), or was fundamentally not possible before (3).

The second (ongoing) theme is trying to explain the pattern of jaggedness in LLMs. How it can be true that a single artifact will simultaneously 1) coherently refactor a 100,000-line code base *and* 2) tell you to walk to the car wash to wash your car. I previously wrote about the source of this as having to do with verifiability of a domain, here I expand on this as having to also do with economics because revenue/TAM dictates what the frontier labs choose to package into training data distributions during RL. You're either in the data distribution (on the rails of the RL circuits) and flying or you're off-roading in the jungle with a machete, in relative terms. Still not 100% satisfied with this, but it's an ongoing struggle to build an accurate model of LLM capabilities if you wish to practically take advantage of their power while avoiding their pitfalls, which brings me to...

Last theme is the agent-native economy. The decomposition of products and services into sensors, actuators and logic (split up across all of 1.0/2.0/3.0 computing paradigms), how we can make information maximally legible to LLMs, some words on the quickly emerging agentic engineering and its skill set, related hiring practices, etc., possibly even hints/dreams of fully neural computing handling the vast majority of computation with some help from (classical) CPU coprocessors.

[Kevin KKGo @KevinKKGo]

@indigox 工具属性的 SaaS 服务都难逃这个结局

[Kevin KKGo @KevinKKGo]

@turingou qwen 3.6 27B

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

心理安全感，等于健康的前额叶，等于理性和长期复利，高绩��是副产品。

[Kevin KKGo @KevinKKGo]

“谷歌多年的团队研究早已证实，高绩效团队的核心底色是心理安全”, cannot agree more!

[AYi @AYi_AInotes]

我看完Meta的内部监控备忘录才明白，为啥它投了这么多钱培养了这么多 AI 人才，最后还是在AI赛道掉队了。以及为啥 OpenAI 为什么追不上Anthropic 也可见一斑🙃🙃🙃

Meta最新的内部备忘录，在整个职场和AI圈炸了🤯

4月21日，Meta正式向全美员工推送内部计划，上线MCI追踪工具。
全程记录键鼠输入，��标轨迹，随机截取屏幕画面。
对外口径很克制，所有数据仅用于训练办公AI代理，优化自动化操作，不纳入绩效考核。

但这件事的边界早就悄悄模糊了😔

知名投资人 Jason把这件事定义为2026年的职场终极趋势，
在他的逻辑里，这套员工监控体系，不该只用来训AI，
它会成为企业最锋利的管理工具。

精准识别摸鱼的人，剔除混功劳的人，淘汰可被替代的轻中层，

筛选真正创造价值的核心员工，精简冗余架构，倒逼全员产出。

直白的说， AI正在让所有形式的假性工作无处藏身。

我刷了一圈评论区，很多人只看到表层的监控焦虑，忽略了更深层的代价。

其实谷歌多年的团队研究早已证实，高绩效团队的核心底色是心理安全。

也就是说当每一次点击，每一段输入都被实时记录归档，
员工会立刻进入防御状态，放弃试错，放弃创新，放弃跨界协作��
只做可量化，可留痕，不会出错的机械工作。

监控能提升短期效率，却会慢慢腐蚀一家公司的创造力与长期韧性。

因为极致精益的背后往往是人才流失，氛围内卷，和创新枯竭。

而当下AI行业最扎心的差距，也恰恰体现在这里，我们看看 OpenAI 和Anthropic。

2026年，Anthropic在企业营收，客户留存，商业化落地全面反超。

外界总以为，差距卡在模型能力、算力储备或是融资规模。

但事实恰恰相反，
真正拉开鸿沟的，是两家公司完全不同的组织底色。

OpenAI一路狂奔，频繁摇摆，治理结构反复动荡，
高速追热度，追流量，追消费者市场规模。
长期陷入内耗与人才流失，安全团队与商业化路线持续撕裂。

@AnthropicAI 从诞生之初，就带着稳定的长期主义基因。
宪政AI刻入企业文化，长期信托架构兜底发展。
温和审慎的节奏，稳定的决策逻辑，极高的��工心理安全感。
也正因如此，它持续吸纳顶尖研究人才，牢牢拿下高毛利企业市场。

说白了， AI下半场的竞争，早就不是单纯的模型比拼，
已经分化成了两条完全相反的道路。

一边是Meta式的效率逻辑，@Meta
用数据监控压缩人力成本，用自动化替代重复岗位，追求短期利润最大化。

另一边，是Anthropic的长期逻辑。
用稳定治理守住信任，用人文底色留住顶尖人才，靠可靠与合规拿下企业市场。

AI会淘汰低效的工作，这是必然趋势。
但靠监视与压榨换来的效率，我觉得注定走不远。

未来能站稳脚跟的企业，最终拼的不该是极致管控，
应该是在自动化浪潮里，守住人本身的创造力与价值。

[Kevin KKGo @KevinKKGo]

@oran_ge @BTCGodwan @dongxi_nlp "Activation code has no remaining uses", 太火爆了

[Kevin KKGo @KevinKKGo]

@landiantech 看来OpenAI 的算力很足

[The Shift Journal @TheShiftJournal]

You can’t achieve anything worthwhile without ‘Discipline’

[Kevin KKGo @KevinKKGo]

从 GPT Plus 升级到 Pro 5x！ 🚀

[烟花老师 @teach_fireworks]

写技术文章最烦的事之一：画图。

脑子里很清楚的架构，落到 https://t.co/Pu1N1Z3H2s 上总是对不齐、颜色难看、导出模糊。

所��我做了 fireworks-tech-graph，一个专门生成技术图的 Claude Code Skill。
o…
用法很简单——
t
「画一张 Multi-Agent 协作图：Orchestrator 调度 3 个
SubAgent，分别负��搜索、计算和代码执行，最后汇聚到 Aggregator 输出结果，玻璃态风格」

然后它会：
① 识别图类型 → Agent 架构图
② 分配语义形状 → Orchestrator 用六边形，Agent 用六边形，存储用圆柱体
③ 用语义颜色编码箭头 → 蓝色主流程、橙色控制流、绿色读写
④ 自动导出 SVG + 1920px PNG

整个过程不需要写 DSL，不需要打开任何工具，一句话描述，图就出来了。
o…
目前支持 8 种图类型、5 种视觉风格，AI/Agent 领域的常见 Pattern
全部内置（RAG、Mem0、Agentic Search、Multi-Agent、Tool Call 等）。

开源，欢迎 star 和 fork 👇
https://t.co/2Th5Epuaej