北京炸酱面

[lifcc @mylifcc]

我去！德国独立实验室 Empero刚把新出的 Qwen3.8-Flash-Next 挂成免费 API，随便用。

接口：https://t.co/zA53i1vuaG
兼容 OpenAI SDK，任意 API Key 都行，客户端非要填的话写 free
号称不限 token
模型名：Qwen/Qwen3.8-Flash-Next-FP8（也认 qwen3.8-flash-next 这类别名）
这不冲？

[Rainier @mtrainier2020]

学习了。😅

[SpaceXAI @SpaceXAI]

Grok Voice Think Fast 2.0 is now #1 on the Artificial Analysis Speech-to-Speech Index.

This index measures whether voice agents can reason over the speech it hears, resolve real customer issues, and correctly complete tasks using agent tools.

[月球大叔 @uncle_moon_x]

避免跟以下3种朋友深入沟通，对双方的长久友谊和体面有好处

- 刚刚拿到不错学校offer的
- 刚刚拿到不错公司offer的
- 刚刚拿到不错融资的

多数情况下，前几个月，这些朋友容易陷入长缨在手，天下我有的骄傲状态，任何深入探讨都不成立

但殊不知，这些状态只是上个阶段的小总结，对于下个新阶段，还是小菜鸟，仍旧要被困难教育

人之祸也，非傲即惰，自省自省，切记切记

[Matthew Berman @MatthewBerman]

My full interview with Tibo (@thsottiaux)

0:45 Tibo's Lessons from Google DeepMind
4:22 Building OpenAI’s Relentless Culture
7:23 Astra & Next Gen Models
11:18 How Fast AI Changes Developer Workflows
14:27 ChatGPT & Codex Merging
20:25 OpenAI vs. Anthropic
23:37 Why OpenAI Keeps Resetting Limits
30:25 Recursive Self-Improvement
32:00 Dangers That Caused "The Pause"
34:13 Will Ultra Fast Become the Default?
43:20 Why Everyone Needs to Try AI

[Kundan Kumar @kundan2510]

In my ~14 months at @OpenAI, one of the most surprising and genuinely wonderful things about it, has been the full leadership support for full-duplex models (gpt-live series), even when it seemed deeply improbable that they would work.

And yet, if they did work, it was obvious how magical they could be. I am quite sure this is not an exception but a general rule for research projects at @OpenAI.

There were so many moments when the problem felt impossibly hard. But one thing kept being true: it was never clear why it shouldn’t work. And almost every time we understood the problem a little better, it became a little easier to solve.

I’m pretty sure there are very few environments in the world where a bet like this could have been made and sustained. So grateful to be part of this wonderful place.

[Paul Graham @paulg]

Someone asked what I'd do if I were 17. I'd learn how to build LLMs from scratch, and then train ones as powerful as I could with whatever hardware I could get access to.

[月球大叔 @uncle_moon_x]

人真的是个纯环境生物。

跟职场上的兄弟们聊天，就是那点儿包裹，面试和斗争，越聊精力越丧失。

跟拿到结果的兄弟们聊，就是专注，价值，团结，提升自我，纯粹，越聊越起劲儿。

每天就那么几个小时，一定要慎重的选择出门的社交环境

[鲑鱼哥 ｜Salmon Bro 🐟 @Salmonbro]

男同胞女同胞们，不要再执迷不悟了

[Yuanhao @yuanhao]

斯坦福已经开课专门讲自进化 / 自我优化（Self-Improving AI Agents）的智能代理了，CS329A。

授课老师之一 Azalia Mirhoseini，就是最近爆火的 LLM-as-a-Verifier 论文的作者之一，对这个感兴趣的重点关注第三部分「 Robust Verification」

课程核心内容：
* LLM 自我提升技术（Constitutional AI、Verifier、Test-time Scaling、RL）
* Agent 工具使用、代码执行、记忆
* 多步推理与规划
* 深度研究型 Agent
* Agent 评估与长程任务

适合想了解能自我迭代的下一代 AI Agent的人。

链接：https://t.co/yJhhDpEzK0

[范师傅 @FanShifu]

很多人觉得大厂都在推内置 Voice 功能，做语音类 SaaS 必死。套壳 Whisper 没技术壁垒，必死。

今天挖到一款独立开发者产品 Voicy，打破了我的成见。这个 Voicy 靠极简架构（Groq + Whisper V3），做成了全平台通用的轻量化输入插件。

看完这个项目有点破防，我们天天研究怎么搭复杂的 Agent 工作流，人家靠一个插件月入 20000 美金。😂

拆解后发现他的打法极其务实：

1️⃣长尾 SEO 矩阵抓精准流量。针对 Gmail、Outlook、Word、Claude Code 的使用场景埋关键词落地页，搜索意向词进来的全是高付费意愿的刚需用户。

2️⃣买断制反击订阅疲劳。竞品清一色每月 $12 订阅，他直接掏出 $8.49/月 和 $260 终身买断，转化率和前期现金流拉满。

3️⃣Groq 低延迟低成本。用云端 LPU 算力实现低延迟，单次成本几乎可以忽略，一人开发就能维持超高毛利。

做产品千万别有技术洁癖，前沿技术可以是开发者的执念，但是想变现，最终得看谁把成熟技术包装得足够便宜、顺手、低摩擦。

[Cell 细胞 @cellinlab]

这个创意好酷啊！

用 AI 把《红色警戒 2》变成了 22 分钟的史诗电影🎬

[实践哥MinLi @MinLiBuilds]

以前搞 LLM Infra 的那帮人，为啥没早点把这玩意搞出来？

模型权重和推理 runtime 终于被拆开了。

部署过大模型的人都知道，改个参数，模型重启动都要十几分钟。

SGLang 和 AntLing这次直接让模型权重常驻 GPU。

就像边开车边换轮胎、换刹车、换离合器，不用每次重新装发动机。

官方测试：权重加载 495 秒 → 0.63 秒。

而且一份权重还能给多个 Engine 共用。

100G 的模型，A/B/C 三套配置一起跑，权重还是只占 100G。

这个对本地部署非常实用：

改配置快、调参数快、崩了重启也快。

看完最大的感觉就是：

卧槽，这不是早就应该这么干吗？ 🫡

[Balder @Balder13946731]

事实证明，如果一个大公司（趋势和业务没有问题的情况下）在低IV percent的情况下Leap call，再参考历史IV和HV做过滤，胜率会非常高。

[美股观察笔记 @usstock_notes]

很认同，Coding 其实是一个非常特殊的 AI adoption case。

它不只是有 GitHub 这种海量公开数据，更重要的是数据跨公司高度通用、eval 又极其便宜直接。模型 general capability 到了以后，Codex / Claude Code 做出来，几乎不需要 FDE，就可以迅速铺到整个行业。

但我自己做其他行业的 post-training，感受完全不同：真正有价值的数据大量是 company-specific 的，质量也远不如 code；eval 更难，很多时候连“什么叫做对”都要先和客户一起定义，还需要来回反复迭代。

所以即使 A 公司把一个 use case 做通了，B 公司往往还是要重新走 data、eval、integration、deployment 这一套。这也是为什么现在需要这么多 FDE 一家一家往里扎。

法律 research、medical knowledge search 这类 shared state 比较大的 workflow，可能相对容易出现 Harvey / OpenEvidence 这种横向复制；但大量 enterprise AI 并不是这样。

所以我现在越来越不敢把 Coding 的 adoption curve 线性外推到整个 AI。

Coding 让我们看到了 deployment friction 接近于零时 AI 可以跑多快，但它也可能恰恰是一个 outlier。

[林悦己Cheer @cheerselflin]

B站霸榜第一的短剧
4天拿下千万播放
Seedance 2.5制作
如果按照30s 720p 一条大概花费$8.8
总花费在 $932.8～$1865.6
2000美金不到
搞定一部完成度极高且不需要任何门槛的视频内容
seedance 2.5 带来的是 创作的自由，创作者的门槛降低
建议大家都尝试尝试

https://t.co/IthaF2zbJI

[Amto @XAMTO_AI]

想系统学网络安全却不知道从哪下手？

这个仓库直接给你 70 个实战项目，从零基础到进阶全覆盖。

按难度分层：Foundations / Beginner：端口扫描、凯撒密码、Keylogger、DNS 查询、漏洞扫描器……

Intermediate：API 安全扫描、SIEM 仪表盘、Docker 安全审计

Advanced：AI 威胁检测、加密 P2P 聊天、Bug Bounty 平台、蜜罐网络……

每个项目都有完整源码 + 详细学习文档（概念、架构、实现、挑战），还能直接当参考或二次开发。

附带10 条认证职业路线图（SOC、渗透、安全工程师等）和资源清单。

开源免费，动手学安全最实用的宝库。
https://t.co/0ZRtOh82wh

[YoMii @Gas1688]

发现腾讯开源的那个翻译模型，连丐版Mac mini都能在本地跑起来。

Hy-MT2，1.8B参数规模，用自研的1.25-bit极端量化技术压到了440MB，推理速度比上一代快了一半。轻量版的质量已经盖过了微软和豆包的主流商业API，7B和30B版本更是把DeepSeek-V4-Pro这些开源对手甩在了身后。

不用联网、不花钱、本地跑，质量还扛打——这才是真正值得普通人盯住的方向。
🔗 https://t.co/tIX7HXYdH1

[管四 @guansi]

今天在实验室内网，把 Qwen-3.8-27B 部署起来了。

我们的环境是其实挺寒酸的V100，已经是快被淘汰的老卡了。以前上面跑的是 BF16 的 Qwen-3.6-27B，布起来很不容易，能用，但速度和体验一直差点意思。

这几年开源社区确实太猛了。各种推理框架、量化方案、兼容优化不断往前拱，现在居然能想办法在 V100 上用 vLLM 跑起 FP8 模型。换成 Qwen-3.8-27B 以后，一方面模型明显更聪明了，另一方面速度至少比原来快了三倍。我甚至还没开始折腾 MTP、DFlash 这些进一步加速的方案。

我们实验室因为内网限制，不能直接用外面的模型。现在把自己的 Harness 接上 Qwen-3.8-27B 以后，整个体验一下就变了。代码、文档、分析任务直接往里扔，已经不是以前那种“勉强能用”的感觉了。
居然有种把codex接到内网环境的错觉。
以前我们推广内网 AI，总有点像在后面抽鞭子：大家用一下啊，这东西挺先进的。

今天我第一次明显感觉，这个阶段可能快过去了。

当模型够聪明，速度够快，Harness 也真正接上工作流以后，AI 就不再是一个需要推广的新技术了，根本不用催，大家自己就会来抢。

[AI最严厉的父亲 @dashen_wang]

深度好文。

部署本地算力可以参考。