Frank

[烤猪猪 @getkaozhu]

Zed 现在开放学生认证，大学生可免费获得 1 年 Pro。

网友实测，中国大学的校园��箱也支持认证。🐷哥上半年领过了。

平时写代码、用 AI 辅助开发的学生可以去试试，1 年 Pro 还是挺香的。

👉 学生认证入口：
https://t.co/ewrnafUYOe

[氪学家 @YTkexue]

这把比上次minimax h3 一分钱一秒还牛逼

直接就是免费用

还不用注册

五秒720p

生成只要三秒

fal 牛逼

https://t.co/3EiCrSNDI7

[Frank @argsno]

@xuyuinfo5 @grok 什么意思

[Peng @pengsonal]

Nvidia is giving Kimi-K3 for free

get from https://t.co/y3Bndiy4hy

base URL: https://t.co/QCiIviWOoz

[qilua @qilua02]

Another GLM 5.3 is FCKING FREE on TokenRouter 💀🔥

Grab your API key and plug it into your favorite agent harness

Claim your key here: https://t.co/ul7L3zY3Nd

My posts are all about free AI tokens, follow for more drops 🗿

[BARIK @Rahmanbarik]

you can now use kimi-k3 and 50+ AI models for FREE with no credit card

AIHubMix has opened a free model catalog with models like:

• Ox Alpha
• Gemini 3.7 Flash
• GLM 5.2
• Kimi K3
• MiniMax M3

[Frank @argsno]

@fxtrader @grok 讲解一下

[B.AI @BAI_AGI]

🎁 FREE access boosted again!
The viral mystery model Ox Alpha has officially revealed its true identity as GLM-5.3-Flash—now live on https://t.co/mTw8ldBplF with 100% free access!

As the first natively multimodal model in the GLM-5 series, GLM-5.3-Flash packs 320B total parameters (18B active) and runs entirely on Chinese AI chips. Built on a novel sparse + linear hybrid attention architecture with mHC scaling and pre-trained on 30T multimodal tokens, it delivers a massive 1M context window—blending raw intelligence with unparalleled efficiency.

Fully free to call via the Official API group right now. Unlock Claude Opus 4.8-level performance in coding and agentic workflows at zero cost!

👉 Try it free now: https://t.co/vi1PDjFZn0

[Pepetanyahu @Emmrobbin]

很多人好奇凭借简历包装与面试吹水，入选美团北斗计划拿到百万年薪的阿酥，酥神本人的简历是怎么写的，

Github上2.2k的开源项目
https://t.co/DnHMjoej54

或许对你有帮助。它可以直接带你提合规开源 PR 来丰富履历。

并且自带 ⁠/interview⁠ 功能，拿大厂面试官视角把你的简历从头到尾“问穿”，把漏洞全部堵在面试前！最近在考虑求职的朋友们可以关注一下。

[lifcc @mylifcc]

汇总一下免费模型：

1. Empero（德国实验室，两个都能打）
这是这两天 X 上提得最多的。

站点：https://t.co/juvzU7zrG8

Base URL：https://t.co/eIZ0OZVYoy
Key：随便填，常用 free
模型：glm-5.3-flash、qwen3.8-flash（就是 Flash-Next）

注意：prompt 和回复会记下来（IP 哈希），用来训他们自己的开源模型。别丢隐私。忙的时候容易 503，重试就行。

2. AIHubMix
站点：https://t.co/lHJe24Vw9y
Base URL：https://t.co/neHQF4h1xh

免费项是 Coding GLM 5.3：5 次/分钟、500 次/天、每天 100 万 token
需要注册拿 key。页面上没看到免费 Qwen3.8-Next。

3. Cline
装 Cline 登录就能用 GLM-5.3 / Flash，不用自己配 API。
站点：https://t.co/pYpjTn82cY
适合直接写代码，不适合你自己搭 gateway。

4. TokenHarbor
站点：https://t.co/fGiFDwkYPS

Base URL：https://t.co/2wr8faEQQO
Qwen3.8-27B 有免费档，GLM-5.3-Flash 已上架（标价大约 $0.15/M input，新用户通常有一点额度）。也常见 DeepSeek V4 Flash、MiMo V2.5。

5. TokenRouter
站点：https://t.co/tebGgtux1B
Qwen 3.8 Max 免费、额度很大。这种「旗舰白嫖」消失很快，进去先看模型是不是还标 $0。

6. HiLinkup
官方号刚发：GLM-5.3-Flash 8/27–9/2 限时免费（到 23:59 GMT+8）。OpenAI 兼容，改 Base URL + Key 就能接进现有 agent。

7. https://t.co/m71WQRUfeT，官方组现在标 0 积分
他们文档写明：GLM-5.3-Flash 的 API 和 Chat 目前按 0 Credits 结算。

站点：https://t.co/b1hqM5ZRSJ

文档：https://t.co/WCAlfL3iud
要注册。限时活动，结束就恢复原价。想接 Cursor / Claude Code，优先看这个。

[Cline @cline]

GLM-5.3 Flash (Ox Alpha) is free in Cline.

320B params with 18B active, and beating frontier models on benchmarks.

It’s been our fastest growing model in Cline history, now driving over 11% of all traffic in less than a week.

[mkdir_autism @mkdir_autisim]

https://t.co/0AWmJeAqTS

a must read cf blog for graphs, gives a really intuitive way to think about DFS trees and bridges.

[Merge @merge_api]

DeepSeek V4 Flash is 75% off in Merge Gateway through September 30.

Four cents per million input tokens, seven cents per million output, against @deepseek_ai's own $0.22 and $0.66.

We partnered with a new US-based, ZDR-compliant hosting vendor to get there.

https://t.co/WoH24RlvIJ

[Command Code @CommandCodeAI]

MiniMax M3 and M2.7 are now free in Command Code.

next 10 days. all subs. all plans

🐐

[面条 @miantiao_me]

一部未完成的电影 (2024) 出种了

BluRay 1080p 6.54G

[Frank @argsno]

开源模型的胜利

[外汇交易员 @fxtrader]

路透社母公司汤森路透花费4000万美元研发AI模型“Thomson”，CTO确认模型基础源自阿里巴巴千问Qwen3.5-397B，经与帝国理工学院合作重新对齐安全、伦理和政治中立后形成中间版本“Snowdon”，再使用自���内容进行预训练、后训练和强化学习。

Thomson-1模型将接手此前运用Claude模型所承载的部分工作。

CTO直言，汤森路透决定建立自己的模型，成本是主要原因之一。

[Frank @argsno]

对标的是 WorkBuddy 吧

[宝玉 @dotey]

豆包今天发布了“豆包工作”，它和豆包桌面版应该是同一套程序和模型，但定位变了一个独立的办公 Agent 工作台。

豆包工作体验做的很好，有点像 Codex，能开项目、连接各种办公应用（尤其是飞书），体验后的一点感想：

一、用户的习惯正在发生变化，Agent 正在变成工作的入口

我发现自己处理工作时，下意识先打开的是 Agent，而不是某个应用。打开 Agent 之后，让 Agent 去帮我操作应用，我去验收或者调整 Agent 的操作结果。

这个变化看起来很小，但背后是一次入口的迁移。过去，应用是入口，人在应用里完成工作；现在，Agent 是入口，应用退到了后台，变成 Agent 调用的工具。

这种迁移一旦形成习惯，就很难逆转。就像人们从搜索引擎的首页开始上网，后来变成从微信和短视频开始，入口在哪，注意力就在哪，生态就在哪。

二、办公 Agent 已是红海，护城河可能在上下文

现在的 Agent，除了模型以外，Harness 这一层差距越来越小了，写文档、做表格、生成 PPT、操作浏览器，已经是各家基本功。模型可以换，工具可以接，功能差距会被迅速抹平。

真正的差距还得看 Agent 对组织了解多少，或者说能访问到哪些上下文数据，有最好的上下文，才有最好的企业级 Agent。

举个例子来说，我在《图解 Skill》举了个例子叫“周报 Skill”，如果你的 Agent 接不到任何工作数据，你就得把这周做了什么一条条告诉它，本质上你自己先写了一遍，它只是帮你润色。但如果 Agent 能读到你的会议纪要、你参与的群聊讨论、你编辑过的文档、你的项目看板，你只需要说一句“帮我写周报”，它就能基于你这一周真实做过的事，帮你生成一份有细节、有数据的工作总结。

所以，Agent 的通用能力容易被追平，但一个组织长期使用所沉淀下来的上下文：会议记录、文档资产、项目脉络、协作关系，这些才是别人复制不走的东西。谁拥有最完整的组织上下文，谁的 Agent 就能提供最精准的服务。从这个角度看，像飞书这样本身就是组织信息汇聚地的产品，天然就离这条护城河更近。

三、模型能力决定 Agent 能做多少事，权限决定组织敢让它做多少事

办公 Agent 和个人 Agent 有一个根本区别，很多人忽略了：权限。

个人场景下，你可以很随意。我自己就经常把 API Key 直接扔给 Agent 帮我验证代码，反正出了问题也只影响我自己。但在企业里，就不敢随便这么做了。

想想看，如果一个员工为了让 AI 帮忙写方案，顺手就把客户名单、合同内容、经营数据上传到了某个个人账号的 AI 工具，公司看不见他传了什么，不知道 AI 生成的内容又被转发给了谁，员工离职后这些数据还留在他的个人空间里。这不是假设，这是很多企业真实面对的情况，也是许多公司到今天还不敢放手让员工用 AI 的核心原因。

所以，企业级 Agent 必须解决一个前提问题：它得继承组织现有的权限体系。 员工看不到的数据，Agent 也看不到；未被授权的操作，Agent 也不能做。不是说限制 Agent 的能力，而是让组织敢把能力交给 Agent。

这一点上，那些本身就内建了完整权限和身份体系的协作平台有先天优势。Agent 接入之后，不需要重新搭一套安全架构，直接沿用组织已有的权限规则就行。

四、个人提效 ≠ 组织提效

这是我觉得最值得讨论的一点。现在每家公司都在推 AI，每个环节都有提效数字，但整体交付没快多少。核心原因是组织的流程还是围绕 AI Agent 之前组织架构搭建的，这些流程都是围绕人去设置的，有很多权限、审批都离不开人去做，但对 Agent 来说就会特别低效，Agent 只能在局部帮助提升效率，但是整体还是受制于人去确认审批。

真正的解法是围绕 Agent 重构流程：大部分确认环节交给 Agent 自验证，人只在关键路径上拍板。

但不是说这些确认环节都可以去掉，很多确认环节也都是有过很多教训之后才设立的，还是离不开人的判断，但有些流程是不是可以合并，是不是可以加速，还是值得仔细考虑的。

五、当 Agent 把很多执行的事情都做了怎么办？

这个问题很多人隐隐在担心，但换个角度看，Agent 把执行层的事做了：写文档、填数据、整理资料、跟进进度。并不是说人被替代了，而是人在往上走：更多精力要花在思考���决策和验收上。

过去，一个项目经理大量的时间花在整理信息、协调沟通、催进度上，真正用来思考“项目方向对不对、这个决策该怎么做”的时间都被挤占了。现在 Agent 把那些琐碎的事情接过去了，项目经理可以把精力放在更有价值地方，比如说：判断、取舍、创新。

回过头看，办公 Agent 的竞争，还得看谁能让 Agent 真正进入组织的工作现场：理解上下文、尊重权限、融入协作、推动流程，最终让人从执行中解放出来去做更有价值的事。

作为多年飞书用户，我一直很喜欢它在产品上的设计，那种想清楚了再做的克制感。这次豆包和飞书合并后，也是第一次看到两者真正融合的产物：「豆包工作」。意料之中，实际体验下来也没有让人失望。豆包的 Agent 能力加上飞书多年沉淀的组织关系、权限体系和协作数据，让人隐约看到了一种不一样的 Agent 形态：一种让 Agent 真正������组织、融入组织、为组织所用的形态。

[Frank @argsno]

已经上升到这个高度了哈哈哈

[daonono @isdaonono]

@lxfater 从小被顶级模型不停的问答问答长大的孩子，只要一点小问题或者边界场景没考虑清楚，就会被顶级模型呵斥、鞭打甚至是关小黑屋。
如此夜以继日的反复鞭打长大，多少有点PTSD。
所以你能发现，它在干活时的小心翼翼，过度思考，都是童年阴影罢了。

[Kieran Zhang @ninthbit_ai]

本月体验下来最值得的两行 Claude Code 配置

[Max For AI @MaxForAI]

爆了，Pi 居然在他们新的开发笔记里把其他家的Agent都锐评了一下🤣

@pidotdev 官方表示，DSH、Claude Code、OpenCode 这一类方案，它关注的已经不是谁多几个 Tool、谁的 Demo 更炫，而是一个更麻烦的问题：

如果一个 Agent 连续跑 50 个小时，它还知道自己到底干过什么吗？

他们先点了 DeepSeek Harness。

Pi 直接从 DSH 的 Context 管理开刀。
DSH 有一个 tool result pruner，工具输出太长以后，会保留前面一部分和后面一部分，中间直接裁掉。

Pi 那边给的评价很不客气：permanently-lossy pruner。

因为删掉的内容以后找不回来了。
比如一个 Agent 跑测试吐出 3 万字符日志，真正的错误刚好在第 12000 个字符，压缩完以后这段已经消失。后面模型再聪明，也没法从空气里重新读出来。

所以 Pi 做的版本是 prune + spill。

Context 里依然只放一小段，完整 Tool Result 同时���到磁盘，Context 留文件路径和 offset。模型需要的时候自己 grep、sed、read 回去。
他们拿 GLM-5.3 和 DeepSeek V4 Flash 跑了 19 个真实 Session，Context 占用降低 26%～35%，uncached prefill 降低 72%～88%，信息还能恢复。
PR 里甚至直接写strictly better than dsh’s permanently-lossy pruner😂。

然后又点了 Claude Code。

Pi 表示有一个挺有意思的发现：
新一代 Claude 在第三方 Harness 上，有时候反而更容易把 Tool 调错。
最典型的情况是，Pi 给模型的 edit tool schema 明明写得很清楚，模型却会自己生成 requireUnique、matchCase、oldText2 这种 Pi 根本没有的参数。
一个很合理的猜测是，Claude 的后训练越来越适配 Claude Code 自己的 Harness 和 Tool Schema。
模型已经学会了 Claude Code 里某个工具应该长什么样。
然后你把它放进 Pi，它脑子里还是那一套。
所以现在模型能力越强，模型和 Harness 的绑定可能也越深。
以后评价一个 Coding Model，单独看模型可能越来越没意义。
Claude + Claude Code、DeepSeek + DSH、GPT + Codex，很可能逐渐变成一个整体。

讲到这里 Pi 表示他们最近重写了 Harness，开始把一次 Agent Run 当成接近数据库事务的东西来设计。

Tool Call 执行之前，先写 intent。

执行结束，再写结果。

进程崩溃以后，系统得知道这个 Tool 到底执行过没有。

Session Tree、运行状态、Lane、Operation Log 分开保存。

一个 Agent 可以有多个 Lane 并行跑，每个 Lane 都知道自己的当前位置、队列和未完成操作。

Context 允许压缩，原始执行历史继续保留。

甚至连进程刚好死在 Tool 执行到一半这种恶心情况，他们都专门设计了 recovery。

你再回头看现在很多 Agent Framework，会发现大家以前真的挺勇的：

一个 while loop，塞一个模型，塞几个 Tool，Context 快满了就总结一下，然后祈祷它一直别挂。

跑十分钟当然没什么。

Agent 开始跑几小时、几天以后，问题全出来了。

这些已经越来越像操作系统和数据库问题了。

有意思的是Pi 甚至对 Extension 的态度也在变。

现在大家都喜欢说「一切皆插件」，DSH 的 Cordis 就走得很远。

Pi 这边最近却越来越强调边界：

哪些是 Conversation，哪些是 Runtime State，哪些是 UI，哪些是 Extension，哪些东西能持久化，哪些东西只能观察。

因为插件能力一旦无限扩大，Agent 又长期运行，状态会变得非常难推理。

OpenCode、Claude Code、DSH、Pi 现在看着都是 Coding Agent，底层其实已经开始走不同路线了。

Harness 这东西，开始越来越像 AI 时代的操作系统了🤔