uncle shark

A father of two. Full-stack developer and a fan of ReactJS and LLM.The person who has written the world's longest and best technical article on React Hook.

[Berryxia.AI @berryxia]

兄弟们，“每个人都可以部署”的Kimi K3 1bit 量化版来了😂

直接让他可以在Mac Studio128g 运行～

Kimi K3现在能本地跑了，Unsloth团队台太卷了，直接把它压到了594GB。

原本体量1.56TB的2.8T模型，用1-bit量化后体积减少62%，准确率还保留了约78.9%。

在Mac Studio + 128GB内存的配置下就能跑起来。他们直接称这是目前最强的开源模型，并放出了完整指南和GGUF权重。

这已经是短时间内第二次有人把K3往个人高端设备上塞：之前有流式加载+专家剪枝压到350GB，现在Unsloth用极端量化也做到了可本地推理。

地址见评论区👇

[宝玉 @dotey]

OpenAI 开源了 Codex Security

Codex Security 是一个命令行工具（CLI）加 TypeScript 开发工具包（SDK），用 AI 自动扫描代码仓库里的安全漏洞。它能找到问题、验证问题是否真实存在，还能生成修复补丁。

这个工具之前一直以 Codex 插件的形式存在，但是闭源的。

六月底就有人在 GitHub 上开了 issue 要求开源，理由是安全不该被藏着。现在 OpenAI 把它拆成了独立项目，以 Apache-2.0 协议开源，项目地址： https://t.co/YZDFXg885w。

Codex 插件版和独立版有什么区别？

插件适合在你的 Codex 项目中，直接调用插件做安全扫描。

独立版是给安全团队用的，能批量扫整个组织的所有仓库，支持历史记录、扫描结果去重、误报追踪，还能接进 CI 流水线。

技术细节方面，默认使用 gpt-5.6-sol 模型做高推理强度扫描，需要 Node.js 22+ 和 Python 3.10+，支持 macOS、Linux 和 Windows。扫描结果可以导出为 SARIF、CSV 或 JSON 格式。还有个 install-hook 命令，可以在每次 git commit 前自动扫描改动过的代码，发现高危问题直接拦住提交。

在公开测试阶段，Codex Security 扫描了超过 120 万次提交（commit），在 OpenSSH、GnuTLS、PHP、Chromium 等开源项目中发现了 792 个严重漏洞和 10561 个高危漏洞。有第三方测试对比过，在 16.2 万行生产代码上，Codex Security 的真阳性率是 74%，Snyk 是 28%，Semgrep 是 20%。OpenAI 开源了 Codex Security

[uncle shark @littlepoolshark]

@chenchengpro kimi3 都出来，大家并不是非他不可了吧？

[宝玉 @dotey]

MCP 协议今天推出了第五个大版本（版本号 2026-07-28），核心变化：从有状态双向协议变成了无状态的请求/响应协议。

这是 MCP 社区呼声最高的改动。

之前的 MCP 客户端连上来要先握手，服务端要给你一个会话 ID（session ID），后续每次请求都得带着这个 ID。这意味着你的请求被限制在了某一台服务器实例上，不方便做负载均衡。

现在每个请求都是独立的，自带协议版本和客户端信息，可以负载到任何一个实例上。也就是说 MCP 服务器终于可以像普通 HTTP 服务一样部署了，serverless、边缘计算、或者 CDN 后面放一排实例。

那如果业务确实需要跨请求的状态呢？协议的建议是：由工具自己生成一个句柄（handle），让模型在工具调用之间传递。状态放在业务层而不是协议层，模型能看到这个句柄，也能理解要怎么用它。

【其他变化】

MRTR（多轮往返请求）解决中途需要用户输入确认的问题。

比如 Supabase 的 MCP 服务器想在创建项目前告诉你费用，或者在执行删除操作前让你确认。以前这需要维持一个双向流不断开，现在服务端返回“需要输入”状态，客户端带上用户的回答重新发请求即可。

请求头里新增了 Mcp-Method 和 Mcp-Name 两个字段，网关和防火墙可以直接根据请求头做路由和鉴权，不用解析 JSON 请求体。

授权方面做了几项加固，包括要求验证授权服务器的 issuer 参数（堵上了一个授权服务器混淆漏洞）。动态客户端注册（DCR）正式废弃，改用客户端元数据文档（CIMD）。

Roots、Sampling、Logging 三个功能标记为废弃，但至少还能用 12 个月。旧版 HTTP+SSE 传输同样进入废弃轨道。协议首次引入正式的废弃策略，保证最少 12 个月过渡窗口，这对生产环境的团队来说很实际：你可以排期升级，不用被动救火。

【生态与迁移】

四个一级开发工具包（SDK）同步更新：TypeScript、Python、Go、C#。Rust SDK 以 beta 状态跟进。MCP 目前月下载量接近 5 亿次，TypeScript 和 Python SDK 各自累计下载量都超过了 10 亿。

AWS（Amazon Bedrock AgentCore）、Microsoft（Foundry）、Cloudflare（Workers）、Google Cloud 等都已宣布支持新规范。Figma、Supabase、Honeycomb 等工具厂商也在跟进。

新规范有破坏性变更，依赖会话标识符的实现需要改造。SDK 团队表示根据早期测试反馈已经简化了迁移流程，但具体成本因项目而异。如果你现在在生产环境跑着 MCP 服务器，建议先看一遍完整的 changelog 和迁移指南，评估影响面再动手。

[AYi @AYi_AInotes]

这是@Kimi_Moonshot K3开源后我见过最狠的帖子。
一个Baseten的工程师，@waterloo_intern 老哥花48小时喝了40罐气泡水，把K3的建模代码扒了个底朝天。
128万浏览，6000多收藏，
最后得出一个结论，
一个K3里能塞下22580个2019年的GPT-2，
七年时间参数涨了两万两千多倍，
但这根本不是堆参数堆出来的。

从GPT-2到线性注意力，到DeltaNet，到门控DeltaNet，再到Kimi自己的KDA注意力。

每一步迭代，都在精准解决上一代的具体bug。

内存不够，信息干扰，
无法选择性遗忘，残差稀释，
没有一步是多余的。

这才是开源最可怕的地方啊兄弟们，
代码放出来第一天，
全世界最聪明的工程师，
已经在帮你把七年的技术脉络理得明明白白，
而你的闭源模型，永远享受不到这个待遇。

[alan酱 @alanshen144905]

我单方面宣布，Joy-Con 才是 Voice Coding 的最佳神器，没有之一。

[uncle shark @littlepoolshark]

@alanshen144905 上市了吗？哪里可以买？

[uncle shark @littlepoolshark]

认同推主的观点

[Gorden Sun @Gorden_Sun]

原推作者是OpenAI未来战略负责人，他说的话完全是出于OpenAI立场和利益来讲的。

他的观点：
1. Kimi 的实力是真的，不像简单蒸馏出来的。
在智能体编程任务里，Kimi已经接近 2026 年第一季度最强的公开模型。不过它很“吃 token”，实际推理成本未必像宣传中那么便宜。
2. 中国继续开放权重，可能不是因为特别支持开放，而是现实选择。
作者猜测，一方面中国政府没有那么相信 AGI 风险；另一方面受算力限制，中国公司难以长期承担大规模云端推理服务，所以更适合把模型权重放出去，让别人自己部署。对企业来说，开源也是追赶者获取用户和影响力的办法。
3. 开源模型看似“加速”，实际上可能抑制 AI 投资。
模型一旦可以免费下载、复制和部署，商业公司就更难靠模型本身赚钱，资本也会更谨慎地投入下一代模型训练。因此作者认为，开源模型本质上反而具有“减速主义”效果。
4. 开源模型的终点，可能是国家补贴的“AI 公共品”。
如果企业无法靠前沿模型持续盈利，最终可能变成政府出钱建设算力中心、训练模型，再以公共基础设施的形式提供 AI。作者把这种未来称为“AI 共产主义”，并对此非常反感。
5. 美国可能不会直接禁用中国开源模型，而是制造合规风险。
比如监管机构发布安全提示，暗示中国模型可能存在后门、数据泄露或供应链风险。即使证据不充分，只要让银行、医疗、金融等受监管企业感到不安，它们就会主动避开。
6. 当前风险可能有限，但未来能力越强，风险会突然跨过临界点。
今天开放一个强模型，世界可能只是“稍微危险一点”；但当模型具备更强的网络攻击、生物设计或自主复制能力时，开放权重的后果就可能非常明显。（原推还影射了新冠疫情）

我的观点：
OpenAI显然是慌了，开源模型开始削弱单纯靠“卖模型能力”赚钱的空间。对于OpenAI、Anthropic这种前沿模型公司而言，强大的开源模型必定会降低他们的投资回报；但对于创业公司、科研机构和中小公司而言，开源模型能显著提高创新能力。强大的开源模型，让创新重心从少数模型实验室扩散到更广泛的应用和基础设施生态。

曾经浏览器、Linux、安卓都把底层能力免费化，真正赚钱的部分转移到了云服务、硬件、应用、数据和生态。未来基础模型可能也会变成类似操作系统的东西：底座越来越便宜，利润向上层迁移。

[uncle shark @littlepoolshark]

@chribjel seriously？

[uncle shark @littlepoolshark]

@ewind_dev 赞啊，雪碧兄仍然对技术抱有赤子之心，中国软件界就是缺少你这一类人。respect！

[余温 @gkxspace]

DMIT 终于又补货了！！！！！！

之前没抢到的兄弟快去抢一个。

我换到 DMIT 之后，就再也没出过网络问题，这钱花的值。

上次很快就卖光了，这次有需要就抓紧：
https://t.co/b006jVsQOl

[Fred-New @Fred834567]

我认识一个高中生，靠平台搬运内容，一个多星期就赚了40多万

就靠这三招

第一招：主动获取第一手信息
他每天固定时间刷 Reddit、Product Hunt、Medium、Substack 等海外平台。这些国外最新的趋势、产品、观点和玩法，国内大多数人根本刷不到。

第二招：深度加工，本地化重构
他不做翻译，做重组。表达按国内用户的习惯重写，再往里塞自己的案例和判断。搬运的活儿，他干成了创作。
大多数人做内容的思路是“拿到了什么就发什么”，他多走了一步：先问自己三个问题——这条信息国内用户最缺的是哪个角度？
哪个情绪点能让他们停下来看完？
我能不能提供一个他们没想到的视角？
同样的素材，别人发一遍就沉了，他发完还有人在评论区追问。

第三招：全平台矩阵分发
同一份内容，他会做成不同形式投放到多个平台：
抖音 / 视频号 → 主攻口播短视频，真人出镜涨粉快
小红书 → 主攻高质量图文，用户愿意收藏和反复回看
头条 / 公众号 → 主攻长文章，沉淀深度内容和搜索流量
X（推特）/ 小红书 / 视频号 → 主攻长文或推文串，信息密度高、传播快

现在有了 AI 加持，效率直接起飞。
一份核心素材，可以轻松做到一鱼五吃：
视频、图文、长文、音频、短剪辑，极大降低了创作成本。

所以，很多人说“赚不到钱”，主要卡在两点：

认知的问题 —— 不知道哪里有信息差，更不知道如何利用；

执行力的问题 —— 知道也不去做，既不愿意思考，也不愿意行动。

但是，多数人其实是两头不占，既没看清的脑子，也没动手的胆子，卡在中间还觉得自己只是缺个机会。

[uncle shark @littlepoolshark]

@ewind_dev 李彦宏现在就是一个笑话

[uncle shark @littlepoolshark]

@Stephen4171127 $199 ，牛逼

[uncle shark @littlepoolshark]

@Fennoai 你们怎么保证不是以假乱真或者掺水呢？

[Guillermo Rauch @rauchg]

Kimi K3 is the best performing model on https://t.co/aporqgIfIh, ahead of Fable, reaching a comparable success rate in less time.

This is the first time that an open model is ahead of all proprietary ones for this comprehensive web engineering benchmark.

Notes:

▪️ Benchmarks don’t always tell the full story, although this is important signal, adding to mounting evidence that this could be a breakthrough moment for open models

▪️ No model as of yet has reached 100% completion on this set of evals. The top performer peaks at 92% and 96% “with help”

[Wayen @wayen_ai]

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 上发现一个叫 Sutskever 30的开源项目，用纯 NumPy 把 Ilya 推荐的 30 篇奠基性论文全部实现了一遍，已 100% 完成。

每个实现都不依赖深度学习框架，只用 NumPy 从零构建：
1.配合 Jupyter Notebook 交互式学习，随时改代码看效果
2.自带合成数据，打开就能直接跑，无需下载数据集
3.覆盖 RNN、LSTM、Transformer、ResNet、VAE、RAG、Scaling Laws 等全部核心架构

GitHub：https://t.co/n4uWTnRPGX

只需要装好 NumPy 和 Jupyter，就能挨个 notebook 跑通，从字符级 RNN 一路看到通用人工智能理论。

想真正吃透 AI 底层原理、不再只会调包的朋友，建议直接 Star 收藏，跟着敲一遍代码，比看一百篇解读文章都管用。

[uncle shark @littlepoolshark]

k3, 2.8T 训练参数，最大 1M 上下文。mark！

[Kimi.ai @Kimi_Moonshot]

Introducing Kimi K3: Open Frontier Intelligence

🔹 2.8 Trillion Parameters, 1 Million Context, Native Multimodal
🔹 Kimi Delta Attention enables up to 6.3x faster decoding in million-token contexts
🔹 Attention Residuals deliver ~25% higher training efficiency at <2% additional cost
🔹 Built for long-horizon agentic coding and self-evolving workflows

Kimi K3 is now live on on https://t.co/zrk6zZxZUo, Kimi Work, Kimi Code, and the Kimi API.
Open Weights by July 27, 2026.

🔗 API: https://t.co/XCrgjXAqMw
🔗 Tech blog: https://t.co/YTfiMSNM1f

[uncle shark @littlepoolshark]

前提条件是你有足够的 token 预算

[Yuvi（起飞坠机起死复生版） @Li665508Li]

卧槽，天才啊

严肃学习