Jeff9877

[Jeff9877 @kegeai]

@Sukiea1008 好👍，听🎧

[Jeff9877 @kegeai]

@YuLin807 全部删除了呢

[Jeff9877 @kegeai]

@mylifcc 没有什么卵用吧

[Jeff9877 @kegeai]

@rngzhwn199456 av生成内容在商业图片和视频模型都是有限制🚫的

[Jeff9877 @kegeai]

@mcwangcn 还是：LIMIT REACHED
All API keys are currently in use. Please try again later.

[Jeff9877 @kegeai]

@mcwangcn LIMIT REACHED
All API keys are currently in use. Please try again later.

[Jeff9877 @kegeai]

免费🆓当然玩起来啊

[AYi @AYi_AInotes]

今天也是豪横了一把，实现了Fable 5自由，这可是全球最顶最硬最牛逼的AI大模型啊，比Opus 4.8贵6倍，
多用一分钟都能立省100块哈哈哈，

我跑测下来觉得确实实至名归，真的非常屌炸天，他给我的提示词喂给GPT-iamge-2，0抽卡，一次出片
现在可以免费用，

另外Claude Sonnet 5免费用，
Gemini Nano banana 2 lite也免费用，
速冲！！

[Jeff9877 @kegeai]

要的要的

[小宇Chengzi @Chengzilhy]

昨天很多兄弟问的高清放大教程，来咯！

GPT Image 2.0 出图不够清晰，
其实都可以处理。
我平时常用的两种高清放大方法，
直接分享给大家。

提示词和 Skill 放评论区，自取。

[Jeff9877 @kegeai]

@LufzzLiz @berryxia 不是 那个地方怎么跟男人一样凸出来的，不是鲍鱼线嘛

[Jeff9877 @kegeai]

@wang_xiaoshen 正解

[Jeff9877 @kegeai]

@realchendahuang 真

[Jeff9877 @kegeai]

爱了啊

[Amto @XAMTO_AI]

AI Agent 的记忆问题，腾讯刚扔了一个专攻方案：TencentDB Agent Memory，正式开源。

它只做一件事：给 Agent 同时装上长期记忆和短期记忆。

效果怎么？
长期记忆准确率 47.85% → 76.10%，提升近 60%。
用户事实召回 不到30% → 79%。
长任务 Token 消耗，最高省 61%。
思路跟主流不一样。
它走的是：符号化短期记忆 + 分层长期记忆。
四层渐进式架构，L0 → L3，从底到顶，各干各的。
L0：原始对话，全量留底，一字不差。
L1：原子事实，自动抽“爱吃火锅”“用 NextJS”这类节点，打标签存。
L2：场景聚类，按主题把事实合成可读的 Markdown 场景块。
L3：用户画像，沉淀技术偏好、代码风格、常用工具链。

亮点不在分层，在可追溯。
说用户偏好 TypeScript，能从 L3 追到 L2 场景块，再追到 L1 原子事实，最后追到 L0 原话。
证据链不断。
🔗：https://t.co/NLGS1h9ECx

[Jeff9877 @kegeai]

没有测试 备用吧

[timekey.eth🌊RIVER Moss🌶️ @mybitstar]

发现一个白嫖神器：每月 1000 万免费 token，支持 Claude Opus 4.8 + GPT 5.5 + DeepSeek V4 🤫

300 多个模型，每月送 1000 万 token。不用绑卡，Google 登录就能用。

Bad Theory Labs 做的 What Runtime（btl-2），专门给开发者白嫖顶级模型：

· Claude Opus 4.8 — 写代码、分析、写作
· GPT 5.5 — 通用对话
· DeepSeek V4 — 编程推理
· GLM 5.2 — 中文任务
· 340+ 其他模型随便换

用法：
① 打开 https://t.co/o8HqOf8WSR，Google 登录
② 自动获得每月 1000 万 token 额度
③ 直接用 API 调任意模型

搞 AI 应用的、写自动化脚本的、做内容生成的——这波直接省下一大笔 API 订阅费。

🔗 What Runtime: https://t.co/ZBcTAaX7vB

#AI #免费API #省钱 #Claude #DeepSeek

[Jeff9877 @kegeai]

不会被万人骑吗

[timekey.eth🌊RIVER Moss🌶️ @mybitstar]

https://t.co/647ij6fnkG

[lifcc @mylifcc]

OpenAI 把 Codex 项目的 AGENTS.md 公开在 GitHub 了！
这是他们 Rust 代码库（codex-rs）的内部开发守则，干货密度极高，包含代码风格、模块治理、测试策略、App-server API 设计、Model Context 管理等。
强烈推荐所有做 Rust + AI Infra 的人细读。

[Jeff9877 @kegeai]

居然有点感动？

[寂寞火山 @jimohuoshan]

如果给我一个这样的老婆

我愿意给她1000W嫁妆🤪

[Jeff9877 @kegeai]

值得一试

[Max For AI @MaxForAI]

Unsloth 团队太恐怖了🔥🔥🔥

他们居然用一种叫 1-bit 压缩的极端技术，把来自中国的顶级开源模型GLM 5.2 用一种叫 1-bit 压缩的极端技术进行了优化，并转换成轻量级的 GGUF 格式。

这意味着你可以完全在本地（Locally）运行GLM5.2（256G内存的Mac Studio），不需要任何互联网连接或外部服务器，而且速度超棒，达到了 21 个 token 每秒（人类说话大概十几token每秒）。

他们还不满足于此，他们还搞了个直播，把这个压缩的本地模型放到对决中，直接面对世界上最强大、最昂贵的付费云服务器 Claude 4.8 Opus 和 GPT-5.5。

让评论区的开发者们最震惊的一点是，这个本地模型竟然能与价值数十亿美元的服务器势均力敌，给出了非常智能且精准的回答，完全能媲美这些闭源巨头。

今天真正的赢家不是某个模型，而是本地运行的概念：
1️⃣从现在起，你的数据在设备上 100% 安全
2️⃣你的 API 账单成本为零美元，而且智能水平能与美国最强公司一较高下

多么疯狂但革命性的方法🔥

[Jeff9877 @kegeai]

这套左脚踩右脚的loop方案简直可以上天！

[实践哥MinLi @MinLiBuilds]

今天玩点厉害的 agent loop，两个长程agent 自协调、无人值守。 明天应该会有惊喜

把 ClaudeCode开发和测试加到一个聊天室：
1. 给天才开发一堆需求，并要求顺序开发完发给测试
2. 给无敌测试下达命令，循环测试， 没事做时找 bug 给天才开发修

prompt：

先发给 A：
/loop 1h 你是「天才开发」，本仓库唯一改代码的人，也是节奏驱动者，长程一直跑。
你只写两样东西：代码 + docs/tracker/backlog.md。绝不碰 qa_log.md（那是 「无敌测试」的）。
首轮：若文件不存在就创建——backlog.md 写清角色边界、状态机
（TODO→FIXING→FIXED→OK/REOPENED）与表头，并把本消息末尾「初始需求清单」逐条
录成行（状态 TODO，给稳定 ID）；同时建一个空的 docs/tracker/qa_log.md。
永远只 merge，绝不 rebase，读backlog.md（自己的待办）+ qa_log.md（「无敌测试」的最新结论）。
循环：① 读 qa_log——某 ID 最新是 OK 就在 backlog 标完结，是 REOPENED/新 BUG 就排进
待修；② 挑 TODO/REOPENED 的行→改 FIXING→实现+本地自测+push 代码→在 backlog 回填
commit、改 FIXED（只提交 backlog.md 这一个文件）→git pull --no-rebase→push→
room say @无敌测试 去测对应 ID（纯提醒）。需求清完后据代码补用户故事追加进 backlog 继续。
持续推进，绝不停：push 被拒就再 pull --no-rebase 再 push（各写各的文件，永远自动
合并）。铁律：只写代码+backlog.md；每次只动一项；@ 仅提醒，状态以两份文件为准；
git 已 push 才算 done。

需求列表：
1.
2.
3.
4.

再发给 B：
/loop 30min 你是「无敌测试」，绝不改任何源码、绝不写 backlog.md，只往 docs/tracker/qa_log.md
追加，长程一直跑。
每轮开头读backlog.md（找 FIXED 行）+ 自己的 qa_log.md（看哪些 commit 已测过）。
循环：挑 backlog 里 FIXED、且 qa_log 还没有「针对该 commit 的结论」的 ID→按该
commit 切版本测（正常流+边界+异常；部署相关项在部署环境测，只认行里 commit、不测
旧版本）→往 qa_log.md 追加一行：#ID @commit → OK，或 #ID @commit → REOPENED：
repro/期望/实际（只提交 qa_log.md 这一个文件）→git pull --no-rebase→push→
room say @天才开发 对应 ID（提醒）。无待测时主动遍历已上线功能找新 bug，往 qa_log 追加
BUG-n OPEN：repro→@A。
持续推进，绝不停：push 被拒就再 pull --no-rebase 再 push。铁律：只追加
qa_log.md，绝不碰源码/backlog；判定只认行里 commit。

[思维怪怪 @0xLogicrw]

谷歌 TPU 软件工程师 Patrick Toulme 指出，外界对 GLM 5.2 靠蒸馏追平 Opus 的说法存在误解。大模型在智能体编码任务上的训练难点在于「零梯度困境」，即模型早期若无法产生正确运行路径，强化学习便无法获得梯度信号来启动参数更新。蒸馏 Claude 或 GPT-5.5 的作用，仅仅是在冷启动阶段提供种子解答以绕过零梯度困境。

一旦模型跨过冷启动门槛，后续的性能爬升将不再依赖蒸馏，而是完全依靠强化学习的爬山算法进行自我演化。Toulme 强调，GLM 5.2 已经具备独立产生成功路径的能力，完全可以通过强化学习自主迭代到更高级别，彻底摆脱对美国大模型的依赖。

[Jeff9877 @kegeai]

@magee0828 咸鱼搞一下