人生马拉松

Caiji developer

[人生马拉松 @LifeMarathoner]

从 https://t.co/Q8HL0ih82l 看收益超过20$了

[人生马拉松 @LifeMarathoner]

vibe coding逐步上强度，@codex plus 5h额度用完了

[人生马拉松 @LifeMarathoner]

vibe coding逐步上强度，@codex plus 5h额度用完了

[人生马拉松 @LifeMarathoner]

@Jason_Young1231 @pengchujin 牛，等明天更新使用！

[人生马拉松 @LifeMarathoner]

@xingzengji 试过了，提示这个

[人生马拉松 @LifeMarathoner]

实测gmail可以用，但是邮件同步有延迟，需要自己手动刷新，收验证码比较慢

[Melooo/资源记录库 @BlackMelooo]

我发现很多人居然不知道！ ！ ！

把gmail或者Yahoo等需要VPN的邮箱登录到iPhone自带的邮件App！可以不要VPN就可以收发邮件。

[Melooo/资源记录库 @BlackMelooo]

我发现很多人居然不知道！ ！ ！

把gmail或者Yahoo等需要VPN的邮箱登录到iPhone自带的邮件App！可以不要VPN就可以收发邮件。

[人生马拉松 @LifeMarathoner]

@ItsRealAlec DUO

[人生马拉松 @LifeMarathoner]

@liumengxinfly 恭喜！

[人生马拉松 @LifeMarathoner]

@RonVonng 羡慕，身在大陆账号都不能注册

[NadeshikoManju@ゆるキャン△ SEASON４ 2027 放送予定 @Manjusaka_Lee]

昨天深夜和 CTO 随便有一搭没一搭闲聊的时候，我给他聊了聊最近我学 MLSys 的进度（我说我过段时间准备自己从头写个小模型的推理服务）。他给我推荐了新的学习资料。

他突然说，你要以 @antirez 作为榜样。我说是的，他是我的榜样。

过了一会儿，我说“我觉得我最终的目标其实就是一个，在我，40, 50, 60岁的时候，还是很想去学习新的东西”

我一直试图给我自己定的一个标准，叫作保持少年感。

少年感有很多含义，有好的，有坏的，你可能会保持年少的热血与热情，也可能因为实际上因为你的毛刺在不经意间伤到很多人

我其实不算一个脾气很好的人，所以我一直隔三岔五都会向 CTO 和其余同事寻求反馈，看我有没有因为自己的毛刺伤到人（其实也还是会伤到人）

除去性格上的磨炼以外，我觉得少年感最大的一点就是对于新事物的好奇与新鲜感。

过去很多年，我经历了很多，有好的，有坏的，也都牢记在心。但是最值得品味的莫过于许许多多的第一次，LED 第一次被我点亮，第一个生产服务上线，在出差路上第一次自己完整解出一道 Hard

我渴望一直进步，一直能获取新的东西，这时常会让我陷入一种时不我待的紧迫感中。虽然我在31岁生日也说过，“摆烂一念起，刹那天地宽”。但是依然会因为自己能力还是太菜而感到焦虑。

可能唯一感到的庆幸的一点是，我回顾过去这些日子，我还是在缓缓的往前走，有些时候很慢，有些时候快，但是终归是还是保持了一点点初心

我时常会问自己，“saka 你是个好人吗”，“saka 你是个合格的工程师吗”，“saka 你还能继续的摄入新的东西吗”

坦白说我不知道，这些问题可能在我坚持不下去退出这一行时估计也不会有答案。可能只有我被装在小盒子里时，方能盖棺定论，我们才知道求知者 saka 的一生终究是走向何方。

愈是时不我待，愈是需刚勇前行。

愿我接下来很多多年，依然能保持初心，保持少年感。毕竟美好的仗尚未结束，应走的路还未走完，应信守的道亦还未能坚守到终。

[人生马拉松 @LifeMarathoner]

awesome

[RadixArk @radixark]

We've heard the community's feedback. Our intent was to make sure the credits reached the people who supported SGLang along the way, and we couldn't be here without you. We're updating the offer to better reflect that.

RadixArk's platform is open for beta, and we're offering $200 in compute credits to get you started
→ Sign up at https://t.co/MVDvcvkFGX and repost this so we can get you set up.
→ Limited spots, first come first serve. Open through May 13, 2026 (AoE).
→ Credits will be granted after we verify the repost.
(If you already reposted our earlier announcement, that counts too; no need to do it again.)

And if SGLang has been useful in your work, consider giving it a star on GitHub. It's a small gesture that means a lot to the people maintaining it. We're in this together, and we're grateful to be building it with you 🧡

[RadixArk @radixark]

We've heard the community's feedback. Our intent was to make sure the credits reached the people who supported SGLang along the way, and we couldn't be here without you. We're updating the offer to better reflect that.

RadixArk's platform is open for beta, and we're offering $200 in compute credits to get you started
→ Sign up at https://t.co/MVDvcvkFGX and repost this so we can get you set up.
→ Limited spots, first come first serve. Open through May 13, 2026 (AoE).
→ Credits will be granted after we verify the repost.
(If you already reposted our earlier announcement, that counts too; no need to do it again.)

And if SGLang has been useful in your work, consider giving it a star on GitHub. It's a small gesture that means a lot to the people maintaining it. We're in this together, and we're grateful to be building it with you 🧡

[Jianyang Gao @gaoj0017]

The TurboQuant paper (ICLR 2026) contains serious issues in how it describes RaBitQ, including incorrect technical claims and misleading theory/experiment comparisons.

We flagged these issues to the authors before submission. They acknowledged them, but chose not to fix them. The paper was later accepted and widely promoted by Google, reaching tens of millions of views.

We’re speaking up now because once a misleading narrative spreads, it becomes much harder to correct. We’ve written a public comment on openreview (https://t.co/nDVjmNhATM).

We would greatly appreciate your attention and help in sharing it.

[GitHubDaily @GitHub_Daily]

Ilya Sutskever 曾断言，只要读懂那 30 篇奠基论文，就能掌握人工智能 90% 的精髓。但面对枯燥的数学公式，大多数人很难将其转化为可运行的代码。

最近在 GitHub 上发现 Sutskever 30 这个开源项目，用纯 NumPy 实现了 Ilya Sutskever 推荐的 30 篇奠基性论文，全部完成。

每个实现都不依赖深度学习框架，只用 NumPy 从零构建，配合 Jupyter Notebook 交互式学习，还自带合成数据可以直接运行。

GitHub：https://t.co/IZyKQ8I7i2

涵盖从 RNN、LSTM 到 Transformer、ResNet 的核心架构演进，包括注意力机制、残差连接、图神经网络等关键技术，还有 VAE、神经图灵机、CTC 损失等高级主题。

值得一提，项目还实现了 Kolmogorov 复杂度、MDL 原理、通用人工智能(AIXI)等理论基础，以及 RAG、长文本分析等现代应用。

如果你想从底层理解深度学习的核心机制，而不是只会调用框架 API，这个项目值得收藏学习。

[西里森森 @sirisensen]

田渊栋的年终总结，这两天在圈子里传得挺广。

很多人转发的时候，关注点都放在了他被裁这件事上。

毕竟他在Meta干了十多年，是做强化学习的知名华人科学家，年初还被调去给Llama4救火，结果忙活大半年，10月份人被裁了。

但最近，我把他的这份年终总结反复读了几遍，看到他在总结里提出了一个大多数人会很陌生，但非常关键的概念——费米能级。

他说，AI时代的人才价值分布，会越来越像物理学里的费米能级。

先给不熟悉的朋友简单介绍一下田渊栋。

本科交大，博士CMU，毕业后先加入了Google无人驾驶团队。
后转入了Facebook的AI研究院，一待就是十多年。

他主要做的是强化学习方向，发过很多篇重要的论文。

这样的履历，让田渊栋前半段职业生涯过得很舒服。

他自己也说，在公司待久了，最近一两年做事说话都抱着一种让公司赶紧把我开了吧的心态，反而越来越放得开。

2023年底休长假的时候差点就走了，但最后没签离职的字。

但转折发生在2025年1月底，他被调去给Llama4救火。
作为一个做强化学习的老手，他在去之前还专门画了一个2乘2的回报矩阵，把各种可能性都算了一遍。

去帮忙，项目成了，皆大欢喜。
去帮忙，项目没成，至少问心无愧。
他算来算去，觉得去是最稳妥的选择。

结果最后发生的是他完全没算到的第五种可能：去帮忙，人被裁了。
一夜之间，他从大厂的首席科学家，变成了失业人员。

现在我们回到他写的年终总结。
其实他几乎没花什么篇幅在被裁员的情绪上，反而用大量的文字，写了一个他观察到的现象。

他说，以前我们理解职场，基本是这样一个模型：工作经验越多，能力越强，回报越大，是个单调递增的曲线。
所以大厂有职级，职级随年限晋升，越老越香。

但现在，情况变了。

现在评估一个人的价值，不再是看你本人能产出多少，而是看你能不能提高AI的能力。

「你加上AI的产出，要大于AI单独的产出，这样你才有存在的价值。」

AI的供给只会越来越便宜。
在很长一段成长期内，大多数人的能力是比不过AI的，所以这段时间里，人本身是没有价值的。
只有当人的能力强到一定程度，能够辅助AI变得更强，才开始有价值。

而且跨过这个门槛之后，厉害的人对AI的加成，会远远高于普通人。

因为普通人只会对AI的具体产出修修补补，而厉害的人能提出系统性的解决方案，让AI变得更强，这种效应会被几何级数放大。

这就像物理学里电子在材料中的分布：低于某个能级的电子遍地都是，高于这个能级的电子指数级减少。
这个能级，就是AI洪水的水位线。

田渊栋把它叫做「人类社会的费米能级」。

他看到AI时代的底层逻辑是：低于费米能级的职业，可能在一夜之间被颠覆。就像地震一样，前一天还是岁月静好，后一天整个行业被端掉了。
而且这条水位线还会一直往上涨。

他举了自己的例子。
他说，以前做项目，招人是很重要的一环。

但现在脑子里的第一个问题是：还需不需要人？

几个Codex进程一开，给它们下各种指令，它们就可以24小时不间断干活，速度远超任何人类。
而且随便PUA，永远听话，毫无怨言。

和AI工作，他现在最担心的是工作量有没有给够，有没有用完每天的剩余token数目。

然后他说：这每个月交给OpenAI的20块钱，一定要榨干它的价值。我突然意识到，就因为这区区20块钱，我已经成为了每个毛孔里都滴着血的肮脏资本家。

他能这么想，全世界最聪明和最富有的头脑，也一定会这么想。
所以他说：请大家丢掉幻想，准备战斗吧。

那在这种情况下，普通人应该怎么办？
田渊栋用了一个很有画面感的说法。

他说，未来的世界不再是传统故事里描绘的那样，人们为了争夺稀缺的武功秘籍或者寻找唯一的阿拉丁神灯而展开冒险。

相反，这将是一个遍地神灯的时代。
每一个AI都像是一个神灯，能力超群，渴望实现别人的愿望。

「在这种环境下，真正稀缺的不再是实现愿望的能力，而是愿望本身。」

大模型提供了极其廉价的思考结果，这种便利会让很多人逐渐失去思考的动力，久而久之丧失原创能力，思想被生成式内容绑架和同化。

最终变成一具空壳，连许愿的能力都失去了。

这就是新时代对懒人的定义：不是体力上的懒惰，而是精神上没有空闲去思考，没有能力去构思独特的东西。

他在总结的最后写下了一段话。

「如果将来的孩子立志要去土卫六开演唱会，或者想在黑洞边缘探险，千万不要打压这样看似荒诞的志向。因为这份宏大的愿望，或许正是他们一辈子主动思考的根本源泉，也是让他们始终屹立于费米能级之上的关键。」

田渊栋这篇年终总结想说的或许是：只要你还在主动思考，你就没有真正被淘汰。

用思考对抗同化，用目标对抗迷茫。
这或许才是AI时代，一个人最深的护城河。

[indigo @indigox]

真正的世界级成功，往往来自缓慢、多样的早期积累，而不是童年的“闪耀”✨

[PyTorch @PyTorch]

🎉 Congrats to the #PyTorch Contributor Award 2025 winners! 🎉

Honoring community members who power innovation, collaboration, and the PyTorch spirit🔥

🏅 Zesheng Zong — Outstanding PyTorch Ambassador
🏅 Zingo Andersen — PyTorch Review Powerhouse
🏅 Xuehai Pan — PyTorch Problem Solver
🏅 Jonathan Dekhtiar — PyTorch Innovator
🏅 Justin Silver — PyTorch Trail Blazer
🏅 Aaron Gokaslan — PyTorch Rock Turner
🏅 Jiawei Li — PyTorch Ecosystem Champion
🏅 Irakli Salia — PyTorch Newcomer
🏅 Eikan Wang — PyTorch Pacesetter
🏅 Mingfei Ma — PyTorchbearer
🏅 Vincent Moens — PyTorch Superhero

#OpenSourceAI #PyTorchCommunity

[Andy Stewart @manateelazycat]

给你们分享我从查理芒格那里偷师的工作方法

查理芒格老先生已经西去了，两年前我从他那里学到的工作智慧超级受用

其实很简单

1. 大量阅读：查理芒格和巴菲特都是大量阅读材料的人，他们投资一样东西读的书可能比那个行业90%专业人士读的书都还多，当读书到一定级别，投资决策是100%专业知识下的决策，而不是投机

2. 不要和猪打架：猪乐在其中，你一身泥，这是我这几年学习最深刻的一句话，非常浅显易懂，但是真的节约了我好多和猪打架而浪费的时间。所以，现在我的时间大量被 “识别🐷、拉黑🐷” 这一方法论拯救，因为不内耗，就有更多的学习时间

3. 飞行员清单：这个最重要，我会把我每天脑袋里想的所有事情记录下来：

3.1 重要但不紧急的事情：比如硬件要怎么做设计，我有什么想法，但是没有彻底想清楚，我就会长期挂在那里，没事就看一下。因为硬件是折腾周期特别长的事情，一定要想全面，没有想全面，几百万就打水漂了

3.2 马上要做的事情：比如早上起来写营销的内容，这些事情要尽快就做完，不想做也得逼迫自己快速做完

3.3 灵感类的：比如要怎么设计一个新型的软件，一个新的界面设计，一个新的营销方式，这些都是没有固定形态，但是却可以做到二两拨千金的事情，记录一下长期思考，不求有啥结果，只求持续刺激，让潜意识去做深入思考，说不定哪天早上洗澡就想到解决方案了

最后，你们明白了吧，因为有懒猫清单帮我每天记录各种各样的想法，加上我拉黑了价值观不一样的人。所有没有人和事情可以对我产生内耗，我就可以非常专注和纯粹的做事情，自然而然效率就要比大多数人高很多

精力旺盛的背后是专注，专注的背后是事无巨细的记录和无内耗思考

[LeRobot @LeRobotHF]

We just released a free online robotics course! Let's make everyone robotics AI builders thanks to open-source! 🦾🦾🦾

The course will take you on a journey, from classical robotics to modern learning-based approaches, in understanding, implementing, and applying machine learning techniques to real robotic systems.

It is based on the Robot Learning Tutorial, which is a comprehensive guide to robot learning for researchers and practitioners.

It bridges theory and practice in Robotics. It's designed for people interested in understanding how machine learning is transforming robotics. Whether you're new to robotics or looking to understand learning-based approaches, this course will guide you step by step.

At the end of this course, you'll understand:
- how robots learn from data
- why learning-based approaches are transforming robotics
- how to implement these techniques using modern tools like LeRobot

🦾🦾🦾

[near @nearcyan]

Unitree G1 robot has a root exploit via BLE using a hardcoded AES key shared across all robots

data is continually sent to overseas servers despite GDPR; as there are full lidar, audio, and video sensors, the data/surveillance potential is large

arxiv: https://t.co/3Y8QZQdeus