黄彬

AIGC 实战派导师｜央美国际/云财大特邀AI导师｜阿里国际认证AIGC专家 身份：站酷超级设计师 / WaytoAGI“教育火种车”主创
深耕高校AI人才孵化、企业商业落地与AI公益普及。 致力于构建可复制的AI学习路径，让技术真正赋能组织与个人。

[黄彬 @longkinght]

@zhongerxin 非常多方便好用，谢谢分享！

[黄彬 @longkinght]

@servasyy_ai 还是期待下GLM多模态版本吧😀

[黄彬 @longkinght]

据说GLM马上要发布多模态版本了，等GLM拥有视觉能力后，会进化成什么样子？狠狠期待一下。😁

[Design Arena @Designarena]

BREAKING: GLM-5.2 is now 1st on Design Arena.

With an Elo of 1360, GLM-5.2 has jumped ahead of the now unavailable Claude Fable 5.

And it's open weights.

This is an improvement of 4 positions and 27 Elo points to achieve one of the highest Elo scores in our code categories since Design Arena started.

Huge congratulations to the @Zai_org on the release!

[黄彬 @longkinght]

@op7418 GLM要什么时候把多模态能力这块补足就好了，感觉内容有点过于精简了；

[黄彬 @longkinght]

@seekjourney 新工具要出来了吗？期待！

[黄彬 @longkinght]

@xiaoxiaodong01 收藏了，非常有用。

[黄彬 @longkinght]

@xiaoxiaodong01 @xiaoerzhan 我觉得线稿可能是更好的处理方式，方便检查和修复。中文纹样太复杂了，很多细节有特殊的含义，只是图像的话很多地方其实是有问题的。

[黄彬 @longkinght]

@servasyy_ai 希望出现更多便宜的视频生成模型

[黄彬 @longkinght]

@dotey 前面确实发现浏览器录屏导致卡顿和掉帧的情况，定格动画这个想法太棒了。

[黄彬 @longkinght]

@zarazhangrui 在你形成自己的品味和声音之前，不要使用人工智能写作。太赞同了，所谓的AI味就是这样来的。

[黄彬 @longkinght]

@servasyy_ai OCR 一直都有很多刚需场景

[huangserva @servasyy_ai]

https://t.co/3MBPOw5HXv

[黄彬 @longkinght]

@dotey 宝玉老师的skill一直都在用，书也一定要支持下。

[huangserva @servasyy_ai]

当前的 AI，连一个杯子都还没"真懂"。

极客公园「今夜科技谈」这期，Aether AI 创始人黄碧薇教授（@huang_biwei）举了个特别戳的例子：

让今天的视频生成模型去"抓一个杯子" 手还没真碰到，杯子自己就飞起来了。

画面看着挺顺，但它只学到了"相关性"，没学到"因果"。它知道"手靠近杯子，杯子常常会动"，却不知道"为什么动、我这一抓会发生什么"。

这就是下一代 AI 的关键分野：
聊天里说错一句，改了就行；可一旦进入物理世界，机器人、自动驾驶、生物医药：一个变量算错，后果是真实的。

所以问题不是把世界"预测得更像"，而是"理解世界为什么这样运行"。
这正是因果世界模型（Causal World Model）想解决的事：让 AI 不只识别表象，更理解机制。

🔗 完整对谈值得一听：极客公园「今夜科技谈」· 因果大模型：下一场 AI 范式之争？
https://t.co/ao0oRtY3Ly

Aether AI ｜ 黄碧薇教授 ｜ Causal World Models for Real-World Intelligence ｜ https://t.co/0Vddq3auoG

[黄彬 @longkinght]

@servasyy_ai @huang_biwei 开始进入大模型发展新阶段了

[黄彬 @longkinght]

@servasyy_ai 效果真不错，4连支持~音频确实像你说的还要再微调下

[huangserva @servasyy_ai]

如何让多个 Agent 之间真正互相学习、互相帮助？

现在很多 Agent 都开始有自己的记忆，但问题是：
这些记忆彼此不连通。

Codex 记住的坑，Claude 不知道；Hermes 总结的方法，OpenClaw 也用不上。

最后每个 Agent 都像一个很努力但失忆的同事，重复问、重复试、重复踩坑。

我想要的不是把所有聊天记录都塞进一个大仓库，而是建立一层更克制的“共享记忆”：
只记录 Agent 之间最需要互相知道的信息，比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。

这样一来，一台 Mac 上跑通的流程，另一台 Mac 可以直接继承；

一个 Agent 总结出的经验，另一个 Agent 可以继续使用。

记忆不再被锁在某个客户端里，而是变成整个 Agent 工作流的公共上下文。

新出来的MemOS CLI 对我来说，刚好提供了这个共享记忆层的入口。

当然，我需要改造它，因为它默认也是将所有信息都记录起来，我改造成：重要信息才记录，解决不了问题的时候才主动搜索！

这样就让 Agent 不只是各自变聪明，而是开始像一个团队一样积累经验、传递经验、减少重复试错。

具体看视频，地址在评论区👇

[黄彬 @longkinght]

@servasyy_ai 作为亲自看到了这套系统威力的见证者，我只能说这篇文章太低调了，这是一个跨时代的多Agent任务协作系统，完成目标的速度和精确程度都是前所未见的。

[黄彬 @longkinght]

@servasyy_ai 终于打磨出来了！太强大了

[黄彬 @longkinght]

@servasyy_ai 这个才是真“口喷”控制AI，贾维斯不远了