Mod Cons

[Xudong Han @Xudong07452910]

🌙 ARIS：让 AI 在你睡觉时继续搞科研的神器！

一个极致轻量的自动科研工具，可以让 Claude Code / Codex / Cursor / Trae / 国��模型自动进入科研工作流：

📚 读论文，找 weakness
💡 生成 idea，设计实验
🧪 跑实验，不断迭代结果
📝 全流程写论文，自动准备 rebuttal
📊 生成 slides / poster

它最有意思的地方是：不是搞一个笨重框架，而是用纯 Markdown skills 把科研流程拆开，无框架、无锁定，换模型也能用。

白天你负责判断方向，晚上 AI 负责疯狂探索。

一觉醒来，论文可能真的升级了。🚀
https://t.co/zTPFp0MYQM
#AI科研 #ClaudeCode #AutoResearch #Codex

[一只小橘呀 @Ellieorange8]

数学系硕士强烈推荐的数学学习资源：awesome-math

其实真正高质量的数学教材、视频、题库，全被整理在一份 GitHub 清单里

Awesome Math，已获 14k+
它把代数、几何、分析、概率、数论等 30+ 领域
全部拆成体系化入口

📌 视频课 + 电子教材 + 练习工具
📌 甚至 MIT、哈佛学生的课程笔记
📌 持续更新，帮你省掉筛选时间

想用数学碾压所有人，直接收藏这份清单：
https://t.co/At3E4YFNbY

[Jason Zhu @GoSailGlobal]

用上了 bypass-paywalls-chrome-clean

看来看外刊不愁了，之前用的那个失效了

给大家找到了chrome插件链接

https://t.co/bcWIZoIqs2

[爱丽丝呀！ @BTCqzy1]

港大又放大招了！

量化投研的门槛，这次被港大开源的 Vibe-Trading 直接干穿。

你不再需要精通 Python、不用手动拉数据、不用自己写回测框架。

只需要用大白话说一句想法，AI 多智能体团队就自动帮你把事情干完。

分享一个我最近一直在用的项目：Vibe-Trading

核心优势：

· 全市场原生打通：加密货币、美股、A股全部支持（OKX、Futu、Tushare、yfinance 等）

· 29 种 AI 交易团队：策略师、技术分析师、基本面研究员、风控官……随便召唤

· 它们会内部辩论、互相挑刺，把 AI 幻觉大幅减少

· 生成策略后可一键导出 Pine Script（TradingView）和 MQL5（MT5）代码，直接复制使用～

实际试了试： 输入【ETH 这周有啥机会？把技术面和资金费率都考虑进去】→ 几个 AI 角色开始吵架，最后给了我一份带收益曲线和风险评估的完整报告。

而且Docker 本地部署，数据不离开自己电脑，安全隐私拉满。

GitHub： https://t.co/jSBlcQPscR

感��趣的朋友们可以跑起来试试～ DYOR

[AI探路者Tim @AIExplorerTim]

有人刚刚开发了一个工具，可以将 PDF 转换为
干��、结构化的 Markdown
速度达到 100 页/秒 🤯

不需要 GPU。
不需要 API 成本。
没有混乱的解析。

只有原始的、可用的数据。

它可以轻松处理的内容：

• 表格 → 完美提取
• 破损布局 → 自动修复
• 嵌套数据 → 结构化清理
• 扫描混乱 → 转换为可读

这不是小升级。

这会在一夜之间消除 90% 的手动数据清理。

这个工具叫 OpenDataLoader

而且……它是开源的。

仓库 → https://t.co/ozdY2rOOcT

[AI Dance @AI_Whisper_X]

翁家翌新 blog：超越梯度的学习

昨天看到翁家翌（前 OpenAI 研究员）新写了一篇 blog《Learning Beyond Gradients》，挺有意思的，分享一些我读下来的感受。

原文较长且偏技术，下面这版做了不少删减和重组，建议感兴趣的同学直接读原文

· · ·

翁家翌：超越梯度的学习

持续学习（Continual Learning）之所以一直很难，很大程度上是因为神经网络的顽疾：灾难性遗忘。那如果我们不���盯着权重更新这一条路呢？

随着 LLM agent 越来越强，写代码这件事变得又快又好。但翁家翌注意到一个更���趣的现象：agent 可以反复读取失败信息、修改策略代码、添加测试、回放录像，让整套程序在不动任何网络权重的情况下持续变强。

· · ·

这个视角让他重新审视了一个老朋友：heuristic，也就是手写规则和程序化策略。之前很多 heuristic 不是没用，而是维护太贵了，而coding agent 改变的正是这条维护曲线。那些曾经用完就扔的一次性补丁，开始变得值得长期拥有。

凡是能被持续迭代的东西，都开始变得更可解，这也恰恰是持续学习一直追求的目标。

它有没有可能成为继 pretraining → RLHF → 大规模 RL/RLVR 之后的下一个范式？

· · ·

翁家翌用 Codex（gpt-5.4）做了实验，纯写规则版本，完全不碰神经网络。结果超出预期：

— Atari Breakout 的打砖块分数从 387 一路升到 864，达到理论最高分；
— MuJoCo 四足和跑步机器人任务中，纯 Python 策略也跑进了常见 Deep RL 结果的量级，HalfCheetah 五轮均值 11836.7；
— 跑完 Atari 全部 57 个游戏后，在相同的环境交互步数下，中位数得分已经远高于 PPO 这类标准算法。

这里被更新的对象早就不是单纯的策略函数了，而是一整套带着记忆、反馈入口和回归机制的软件系统。翁家翌把它叫作 Heuristic Learning（HL，启发式学习）。

（我自己也做过 evolve，但不训练神经网络，纯靠规则约束，感觉系统怎么都智能不起来。其实不管 RL 还是 HL，能不能跑起来都是看一件事，优化结果的评分能不能清晰定义。）

· · ·

Heuristic Learning（HL） 是什么？HL 怎么持续学习？

HL 的核心是用 coding agent 维护一个 Heuristic System（HS）。

和 Deep RL 的差异：
— 反馈来源：不是 loss 函数，而是测试结果、环境奖励、日志、视频、失败模式分析；
— 更新方式：不走反向传播，agent 直接改 policy、状态检测器、测试、配置或记忆结构；
— 维护对象：不止一个 https://t.co/IKUa2llyMc，是整体系统，包含回归测试、golden trace（黄金轨迹）、环境 wrapper 等。

以前怎么没人搞？专家系统 70 年代就有，但人维护起来是噩梦：加一条规则修好 case A，case B 崩了；规则堆到几百条后，除了原作者没人看得懂。

而 coding agent 不怕堆规则。它能同时读所有代码、跑全量测试、对比日志，把维护成本打下来。用翁的比喻说，就像纺纱机改变纺线成本曲线一样：手工纺贵得要死，机器一上来就塌掉了。

· · ·

Heuristic Learning 怎么做 Continual Learning

神经网络把经验压进权重，忘没忘、怎么忘的都是黑箱。HL 的历史则是显式的：版本 diff、回归测试、replay、视频、golden trace 全透明。新增能力前先固化旧能力：跑回归测试、跑固定种子回放。如果新规则破坏旧 case，agent 能直接定位到哪行代码引入的 regression。

但规则叠太多、agent 自己都维护不动的时候，就需要"历史压缩"，把一堆 case-specific 的补丁合并成更通用的逻辑，否则系统迟早变成没人敢碰的代码泥球。

· · ·

当然，HL 不是万能药。因为 Heuristic Learning 并不能做所有神经网络能做的事情。它的上限卡在代码的表达能力：比如复杂感知和长程泛化。翁家翌也坦率地说，他想不出有哪个 agent 能纯靠 Python、不用网络去搞定 ImageNet。

所以真正的问题变成了：怎么把神经网络和 HL 结合起来，同时搞定在线学习和持续学习？

最有希望的方向是：用 HL 快速处理在线数据，把在线经验���成可训练、可回归、可筛选的数据，再周期性地更新神经网络。以机器人为例，借用 System 1 / System 2 的说法，一种可能的分工是：

— 专用浅层 NN 作为 System 1 的一部分：快、便宜，负责感知、分类、物体状态估计；
— HL 也可以当做 System 1 的一部分：负责最新数据处理、规则、测试、回放、memory、安全边界、局部恢复；
— LLM agent 作为 System 2：负责给 HL 提供反馈、改进数据，并周期性把 HL 生成的数据拿过来更新自己。

· · ·

Agentic coding 改变的不仅是写代码的速度，更改变了"哪些代码值得被长期拥有"。过去很多 heuristic 看上去没前途，不是它们太弱，而是维护不起。

coding agent 改变的就是这条维护成本曲线。

规则、测试、日志、记忆和补丁，原来只是散落的工程材料，现在开始能组成一个持续进化的 Heuristic System，去解决在线学习和持续学习一直没搞定的事。

欢迎来到下一个范式。

·

so，skills + instruction following = AGI？

https://t.co/9aqPZyoO6w
https://t.co/cdANuNrKMD

[艾略特 @elliotchen100]

Anthropic 的 Thariq 昨天那篇 HTML 的文章爆了，1.5M 阅读。

看上去在讲格式审美，其实他在讲一套全新的工作流。

挑几个最有技术含量的点。

第一，HTML 不是文档，是 throwaway editor。

他举的例子很经典。30 个 Linear ticket 要重排优先级，让 Claude 生成一个 HTML，每�� ticket 做成可拖拽卡片，分 Now / Next / Later / Cut 四列。结尾加一个「copy as markdown」按钮，把最终顺序导出来贴回 Claude Code。

这个模式可以套到所有「用文字很难描述」的场景。调动画缓动曲线，调颜色，调 cron，调 regex，全都比纯文本表达高效一个量级。

第二，用 HTML 网做 spec，不再用单个 Markdown plan。

他的流程是：先让 Claude 生成 6 个不同方向的方案，平铺在一个 HTML 里横向对比。挑一个深入做 mockup 和数据流图。最后写实施计划。开新 session 的时候把整个 HTML 网络当 context 喂回去。

verification agent 也读这堆 HTML。这意味着 spec 不再是给人看的过渡产物，而是 multi agent 协作的共享内存。

第三，SVG 是被严重低估的输出格式。

让 Claude 把 token bucket 限流逻辑画成 SVG 流程图，关键代码片段做内联注释，加一个 gotchas 段落。一张图比 200 行 Markdown 解释清楚一个数量级。

第四，他诚实承认了代价。

HTML 比 Markdown 生成慢 2 到 4 倍，diff 也更难 review。但是在 Opus 4.7 的 1MM context window 下，多出来的 token 在 context 里几乎不可见。这是他做出取舍的关键。

讲到底就一句话：

Markdown 的隐含假设是「人会从头读到尾」。HTML 的隐含假设是「人只想扫重点和动手改」。

后者才符合 AI 时代人和机器协作的真实形态。

[GOLD @Honcia13]

开源TTS已经卷到这个程度了？
园区诈骗又有新武器了？

清华 OpenBMB 放出 VoxCPM2 —— 20亿参数，
用200万小时多语言数据训练，48kHz录音棚级音质，直接把传统TTS打爆！
最大杀手锏：不用Tokenizer！
传统方法先把音频切成离散token再生成，信息损失大。
VoxCPM2直接在连续潜空间做扩散自回归，音色、情感、细节保留完整得多。
硬核指标拉满：
支持30种语言 + 9种中文方言
RTX 4090 实时率0.13，流式输出几乎无延迟
用自然语言描述就能凭空生成声音（无需参考音频）
声音��隆可调情绪、语速、口癖

「终极克隆」模式：
一段参考音频+文本，连呼吸节奏都能复刻
Apache 2.0协议，商用友好

GitHub已破万星，连续霸榜Trending。
播客、有声书、游戏配音、短视频旁白……
开源方案已经完全够用，甚至更强。
GitHub：https://t.co/wJd7fXNesO

[GitHubDaily @GitHub_Daily]

搞医学研究的朋友应该深有体会，从文献检索、方案设计到数据分析、论文写作。

每个环节都想借助 AI 提效，但普通 AI 缺乏严谨的医学逻辑，用起来总觉得不太靠谱。

最近看到 AIPOCH Medical Research Skills 这个项目，提供了 500 多个专为医学研究设计的 AI 智能体技能库。

它把医学研究拆成证据洞察、方案设计、数据分析、学术写作四大模块。

每个技能都内嵌了专业的医学研究逻辑，比如文献真实性约束、研究类型识别等。

GitHub：https://t.co/aA32tMXjDG

技能之间可以自由组合，从单任务执行到多步骤流水线都能搭建。

还提供一套质量评估框架，会在技能上线前进行全面的质量审核，确保输出的可靠性。

如果你正在用 AI 辅助医学研究，这个技能库值得试试，目前还在持续更新中。

[Ding @dingyi]

这个音频组件库做得太完美了。

https://t.co/BLZeynU7kq

[GOLD @Honcia13]

年薪百万的律师和法务，也要开始慌了！

GitHub上这个 AI Legal Assistant，直接把合同审查拉到AI时代。
把合同扔进去，60秒���完整分析报告，5个Agent并行工作，硬核程度拉满：
📊 合同安全评分（0-100分）
🚨 风险仪表盘 + 条款分级（高危/中危/低危）
📝 每一条款用大白话解释，不用看天书般的法律术语
🔍 找出合同里缺失的保护条款
📅 义务时间线梳理——什么时候该做什么，一目了然
⚖️ 监管合规问题标记
🎯 优先级排序的谈判建议

还能一键生成：
NDA、保密协议、服务条款、隐私政策、商业合作合同等。
支持Claude Code，一行命令安装，Python 3.8+就能跑。

适合谁：
→ 自由职业者——接单前先扫一遍客户合同
→ 小公司——没有法务团队，AI先帮你初筛风险
→ AI自动化服务商——包装成交付给客户的工具

⚠️ 项目声明写得很清楚：不构成法律建议，正式签约前还是要找律师过一遍。但作为第一道筛查，够用了。

⭐ 182 | 🍴 72
🔗 https://t.co/6DlUcoUtOQ

[灰狐 @huihoo]

对半导体芯片处理器感兴趣的朋友
可围绕 Open Source EDA 展开学习、实验、仿真

虽然开源 EDA 和 EDA 三巨头的商业产品还存在较大差距
但开源 EDA 给了我们一个学习和实验的绝佳途径与平台

这些开源EDA解决方案配合模拟仿真软件和形式化验证，形成统一开源方案，正在把不同的工具结合一个集成化设计环境（IDE）

背景知识：
原子物理学、半导体物理学、RISC-V、量子力学、量子计算
量子理论应用：量子化学、量子光学、量子计算、超导磁体
发光二极管、激光器、晶体管和半导体如微处理器等

需多关��
HDL,RTL（寄存器传输级）
C++/SystemC,VHDL,GHDL,Verilog,SystemVerilog,Clash,Chisel/FIRRTL
IEEE 1076 VHDL
IEEE 1666 SystemC
IEEE 1800 SystemVerilog
IEEE 1850 Property Specification Language (PSL)

KiCad 就是这样的开源 EDA IDE

附图是我在 Mini M4 上运行 KiCad 10.0.1 的效果

这是 Antmicro Jetson AGX Thor 底板
为 [NVIDIA Jetson AGX Thor (T5000)] 系统模块设计的底板的开源硬件设计文件，包括的开源组件也发布至 GitHub
https://t.co/PYYmvkcOC3

类似这样结合开源软硬件设计、实验、仿真的学习实践思路大家可参考

[灰狐 @huihoo]

量子力学是晶体管半导体发展的基础
半导体物理学的研发严重依赖于量子力学
晶体管半导体是集成芯片里的基本单元

量子力学在电子器件中有着广泛应用
现代计算机��基础，微处理器，由上亿个半导体晶体管集成
且随着晶体管数量的增加，晶体管中的量子效应越来越明显
量子力学对于解释和模拟半导体器件中的电学、光学、热学性质等尤其重要

还有量子计算，量子计算机就使用量子位作为基本单位
量子位由不同的电子态叠加形成

《半导体物理学》+ 量子理论（量子力学）
可以作为研究和学习方向，半导体芯片产业的巨大市场

买了本《半导体物理学 (第七版)》（二手书）

附件是教学 PPT 幻灯片，大家可直接下载参考学习
https://t.co/596pQAaqti

个人兴趣学习方向也从开源软件转向软硬件结合：
机器人、电子器械、芯片、半导体等

希望在未来生活压力没那么大时
能更多投入到数学和物理的学习中

[GitHubDaily @GitHub_Daily]

辅导孩子练习英语口语，找外教太贵，用 APP 大多数又要付费订阅开通会员。

最近看到 HiKid 这个开源工具，专门给小朋友做的 AI 英语陪练，所有对话和语音处理都在本地完成，完全离线可用。

孩子对着麦克风说英语就行，不用打字，AI 会耐心地陪聊天、讲故事、玩单词游戏，界面做成了卡通风格，小朋友一看就喜欢。

GitHub：https://t.co/yiDPS7cvPb

语音识别、语音合成、对话生成全部跑在本地，录音和对话数据不会上传到任何服务器。

而且 AI 不怕孩子说得慢、说得简单，随便聊什么话题都能接住。

目前只支持 macOS 系统，Windows 和 Linux 版本还在计划中。

如果家里有小朋友正在学英语，想找个安全、免费的练口语工具，可以试试看。

[0x鸣人 @LuBtc888]

Claude Code 实战中文教程来了！

Anthropic 官方原版课程《Claude Code in Action》完整汉化版正式上线！

从基础指令到真实项目落地，全程一步步教你用 Claude 高效写代码、做开发。
翻译精准、笔记清晰，跟着学上手超快。

官方原版（英文）：https://t.co/v9YObrveUW

中文学习版：https://t.co/Gblxh0sp2d

想真正吃透 Claude 编程能力的，直接冲这套就对了。

[Mr Panda @PandaTalk8]

176 页，50 万次下载，一本能装进手机的深度学习教科书。

日内瓦大学教授 François Fleuret 写的 The Little Book of Deep Learning，是我见过信息密度最高的 AI

入门读物：
Part I 基础——机器学习、损失函数、梯度下降、反向传播、Scaling Laws
Part II 模型——卷积网络、注意力机制、Transformer、GPT、ViT
Part III 应用——图像分类、目标检测、语音识别、文本生成、图像生成

每一页都配图解，每个概念点到即止，不废话。

最适合两类人：
想系统补一遍 AI 底层知识的从业者，
以及被千页教材劝退过的初学者。

它做一件事：把深度学习从 CNN 到 Transformer 到 GPT
的完整脉络，压缩到了一个人能在一周内读完的体量，同时没有牺牲任何数学严谨性。

作者 François Fleuret 的原则很简单——不追求穷尽一切，只讲理解核心模型所必需的知识。

如果你一直想系统学一遍深度学习但被大部头劝退过，这本书可能是最好的起点。

免费：https://t.co/B7JnBnsNAt

[tiantian @wherecall1]

说个做 PPT 的痛点。

市面上大多数 AI PPT 工具，生成出来的都是图片或者网页截图。看起来挺好看的，但想改一个字？改不了。

PPT Master 不一样。

它输出的每个元素都是真实的 PowerPoint 形状——可以点击，可以编辑，可以直接发给老板。

5,780 星，开源，免费。

怎么用？

1. 下载项目：git clone https://t.co/pwZA3cTiF2
2. 安装依赖：pip install -r requirements.txt
3. 把 PDF、DOCX、Markdown 丢进 projects/ 目录
4. 告诉 AI："请用这个文件生成 PPT"
5. 坐等导出，文件在 exports/ 目录

配合 Claude Code 使用，文件不用上传服务器，整个处理在本地跑。

金融从业者 Hugo He 做投行咨询，每天审阅几百张 PPT，受不了"导出图片"的方案，自己写了这个工具。

不是概念，是真正解决实际问题。

#AI工具 #开源 #PPT

[Yi Liang @Shy_L777]

@binghe 国内已经在内测了，前两周小二刚打电话沟通邀请测试，叫千牛claw

[冰河 @binghe]

阿里巴巴，你丫的！

好东西不在国内发布，在海外发。。

我们做电商的人，就需要这玩意儿啊。。。自动分析市场潜力、计算加价倍率与毛利润，并生成文案、图片和标签。

完全不懂跨境电商的人，一条龙服务直接就能上线了。。

上千万的老外都知道了，我才知道。。我真 OUT。。。

[Web3老吴 @laowu3677]

马斯克03年在斯坦福，45分钟闭门演讲

不是泛泛而谈的成功学，是他亲自拆解如何从0创办一家公司

这场演讲，被在场的人称为创业者的教科书

因为那45分钟里，顺便讲了自己干的三家公司是怎么活下来的