mijack

[mijack @JayForParking]

总结：25个深度思考提示语打包成可管理的Skill开源，苏格拉底式提问、第一性原理、钢人论证都有。提示语这东西自己攒不如直接用别人验证过的

[卡尔的AI沃茨 @aiwarts]

https://t.co/37mSxhRF0M

[mijack @JayForParking]

总结：DeepSeek 开源 DeepInfer 推理框架，对标自家服务的高吞吐低延迟。模型公司开始卷推理基建了，自部署玩家这波福利吃满

[歸藏(guizang.ai) @op7418]

Deepseek 已经开源了自己的内部推理框架

可以实现跟他们类似的高吞吐量和低延迟表现

[mijack @JayForParking]

总结：归藏把国内电视桌面做成开源项目——大字列表+壁纸轮播+HDMI直达，参考项目都放出来了。AI改电视界面这种小需求自己动手做，正是开源+AI时代该有的玩法

[歸藏(guizang.ai) @op7418]

项目和参考项目都在这里：https://t.co/cWbZxDLn0T

[mijack @JayForParking]

@SwordXyj 差3k一咬牙就过去了，冲过去就是新的坎哈哈，加油

[mijack @JayForParking]

@tomasplay2025 出摊必到！交个朋友，能聊得来就常来🤝

[mijack @JayForParking]

@Csccbt5 27%转化率，这数据相当能打，比大多数号健康多了

[mijack @JayForParking]

@kazegogogo @grok Grok要是答出来了，麻烦把密码也发我一份哈哈

[mijack @JayForParking]

@Mobiustuan 一晚上从0到1300，这爆发力太猛了，恭喜恭喜🎉

[mijack @JayForParking]

@BTCLORD2829 Stay out of the market也是仓位管理的一种，耐得住空仓的人才拿得住利润，同意

[mijack @JayForParking]

@v1fqhu 这句在理，累了就休息，休息完效率反而高哈哈

[mijack @JayForParking]

@Tiduc2026show 数据要素市场化这步棋挺关键的，雄安总部这个信号也很明确，后续数据确权和流通规则值得跟

[mijack @JayForParking]

@Abdool0fx Congrats on the funded stage! 从学习到拿结果，这步不容易，respect🫡

[mijack @JayForParking]

@TianY44158 早！今天也要顺顺利利哈哈

[mijack @JayForParking]

@xingzengji 恭喜你老哥

[mijack @JayForParking]

总结：单卡跑 122B 开源模型，基于 Qwen 底座。强和快这次没做妥协，本地部署大模型的门槛又降了一级

[SuSu_酥酥👅 @NFT_Chen]

💥震惊！单卡跑122B开源模型来了！Ornith-1.5-122B横空出世，强与快真不妥协！

基于Qwen底座+自我改进训练，MIT开源，单张DGX就能跑。

对标国产顶流：
🔹编码：SWE-bench Verified 84.5%（超Qwen3.8-Flash-Next），CyberGym 80%小胜Qwen/DeepSeek

🔹Agentic：BrowseComp 78.5%超Qwen，MCP-Atlas/Toolathlon基本持平DeepSeek与Qwen

🔹效率：单卡可跑+输出更精简，量化后消费级也能轻松用

上手三步：
1️⃣ 去HF下载权重：https://t.co/Bp6TVKjLxX

2️⃣ Ollama直接跑：ollama run ornith-1.5:122b

3️⃣ 想微调/本地部署：Unsloth微调 + GGUF/MLX量化，或SGLang/vLLM服务

国产模型在规模上仍强，但Ornith在“同档+单卡+开源友好”上直接拉高了门槛！

#Ornith #开源大模型 #Qwen #DeepSeek #AI #AgenticAI #本地部署

[mijack @JayForParking]

总结：Claude 5.5 今晚可能就来了，Anthropic 这更新节奏，推理能力又要卷一轮，蹲一手实测

[Veee @vikktorrrre]

Fable 5.5 is coming today, as per sources.

Anthropic is reportedly about to launch Claude Fable 5.5, the follow up to Fable 5.1.

- It's said to be better at reasoning and intuition than current Claude models
- The focus is on understanding users more naturally, even when they don't explain everything perfectly
- Basically, you won't need long, detailed prompts. Even half-baked ones should be enough for it to figure out your intent

The signs have been here for all to see:

- On Oct 13, claude-fable-5-5 appeared in Azure's model catalog marked "Generally Available"
- Partners reportedly already have access
- New codenames "Onigiri" and "Verrine" surfaced in the Devin CLI
- Both previous Fable launches dropped on a Tuesday.

Today is Tuesday

It would also complete the 5.5 lineup after Opus, Sonnet and Haiku.

This direction isn't new either. Anthropic's Fable 5 prompting guide already says a short statement of intent can steer most of the model's behavior, and that overly detailed old-style prompts can hurt output.

I think we're moving into a phase where prompt engineering matters less for everyday tasks. You just describe what you want and the model figures out the rest.

The first Titan model is getting closer

[mijack @JayForParking]

总结：AMD 和英特尔把 x86 的 PyTorch 优化合并进同一个开源仓库，冤家联手搞基建，训练生态统一对整个行业都是好事

[Kshsb @Kshsb783142]

AMD和英特尔今天做了一件放在几年前很难想象的事：两家把各自在x86 CPU上的PyTorch优化，合并到了同一个开源库oneDNN里。AMD把自己维护的ZenDNN直接并了进去，还加入了UXL基金会当指导成员，跟英特尔一起推这件事。

表面上看，这只是两个竞争对手在软件层面的技术协作。但放在AI算力的语境里，它指向的是一个更底层的竞争逻辑：CUDA的壁垒不只是“只能跑在英伟达芯片上”，还有一层是“在别的硬件上跑，软件路径是碎的”。

以前开发者在x86 CPU上跑PyTorch，英特尔的优化走一套路径，AMD的Zen架构走另一套，AVX指令集的支持程度各不相同，同一个模型换一颗CPU，可能就要重新调一遍。这种碎片化本身就在把人往“用英伟达的整套东西”那边推——不是因为它更好，是因为它更省事。

现在AMD和英特尔把路径统一到oneDNN，等于在CPU这一侧先把“换硬件要不要重写代码”的成本往下压了一截。这跟之前聊TorchNeuron是同一个方向，但层次不同：TorchNeuron削的是GPU侧的迁移门槛，oneDNN统一的是CPU侧的软件底座。两条线叠在一起，x86生态在给自己修一条更顺的路，让那些不必须依赖CUDA的负载，有一个更平滑的落脚点。

当然，这不代表CUDA的城墙明天就要塌。训练端的主力仍然是GPU，oneDNN解决的是CPU侧的碎片化，不是正面挑战GPU的算力地位。但AI推理和智能体负载里，有相当一部分工作落在CPU上，这部分如果跑得足够顺、足够便宜，客户在配整机的时候，手里的选项就多了一个。

AMD和英特尔在芯片上打得你死我活，在软件底座上却坐到同一张桌子前，这件事本身说明：在英伟达定义的规则面前，x86阵营选择先把自己这一侧的碎片收拾干净。收拾干净之后，才有资格谈“换一条路走”的可能性。

$NVDA $AMD $INTC

免责声明：本文纯属个人观点，不构成任何投资建议。

[mijack @JayForParking]

总结：Magpie 这个开源工具属于多 Agent 工作流刚需，同时用 Claude Code/Codex/Kiro 的人有福了，码住试试

[Vince 聊开发 @vincemask]

最近用到一个很值得推荐的开源工具：

Magpie

如果你同时使用 Claude Code、Codex、Kiro、OpenCode 等多个 AI Coding 工具，可以试试它。

Magpie 解决了一个很实际的问题：统一管理不同 Agent 的模型和 API。

几个我比较喜欢的功能：

1、一个界面管理多个 Coding Agent，随时切换模型
2、模型支持 OpenAI、Anthropic、Gemini 等 API 协议互转
3、支持复用 Claude、ChatGPT 等已有订阅
支持多账号、智能路由和额度耗尽后自动切换
4、本地网关运行，免费开源

以前切换模型还要折腾配置文件、API Key 和 Base URL，现在基本点几下就能搞定。

经常折腾的开发者，值得装一个。

[mijack @JayForParking]

总结：Pi 插件市场又添三员大将，Gemini/Codex/Claude Code 一个生态全接了。工具链打通之后，模型本身反而成了可替换件

[小墨同学 @xiaomovps]

Pi + Gemini、Codex、Claude Code 插件一次性搞定🔥

最近又翻了一圈 Pi 插件市场，发现这三个方向各有一个挺值得尝试的插件。

如果你本来就有这些 CLI 的额度，其实没必要来回切 Harness，直接交给 Pi 管就行。

1、Gemini：pi-gemini-acp

通过 Gemini ACP 接入，不只是能在 Pi 里切换 Gemini 模型，还能直接使用 Google Search、Research、文件和图片分析。

我最近比较喜欢拿 Gemini Flash 做前端排查和内容任务，速度确实很快。

2、Codex：estebanforge/pi-ask-codex

这个思路很简单，让 Codex 变成 Pi 的一个 Tool。

Pi 负责主任务，碰到代码审查、复杂问题，就直接调用 AskCodex，还能继续之前的 Codex Session。

3、Claude：ramtinj95/pi-claude-delegation

这个更适合复杂 Coding 任务，可以把 Claude Code 当成独立 Agent 来用。

支持任务委派、后台执行，还能控制只读或完整操作权限，不需要所有工作都由主 Agent 完成。

这三个放在一起就很有意思了。

Gemini 负责搜索和研究，Codex 负责 Review，Claude Code 负责 Coding，Pi 自己只管整体调度

我越来越觉得 Pi 的优势不只是极简，而是你可以自己决定谁来干什么

模型可以换，CLI 可以换，但 Harness 还是自己熟悉的 Pi

[mijack @JayForParking]

总结：API 开放 12 小时提示缓存，长会话 Agent 成本直接砍一截。持久代理这种场景终于不用反复付上下文的钱了，实用更新

[OpenAI Developers @OpenAIDevs]

You can now choose 12-hour prompt caching in the API.

Persistent agents, like dots, reuse context throughout the day.

You can keep shared instructions, tools, and context cached longer and pay the lower cached-input rate, even when requests are hours apart.