Soong

[Elon Musk @elonmusk]

New Roadster is
beyond movies,
beyond imagination,
beyond human,
yet still made
by humans
on Earth

[Elon Musk @elonmusk]

The new Tesla Roadster is a candidate for greatest product demo of all time

[Soong @SoongYeee]

@CryptoDaJin 互助

[Soong @SoongYeee]

@CryptoDaJin 还可用27次
新鲜邀请码：GRZUCR
互助，祝大家发大财！

[维易 @WeiYi88890]

我靠！考虑到没有护照的人！

我去试了一下德区的kraken

全程用中国身份证注册就行了

连地址证明都可以搞到正规的

开户完全免费！
等我出个教程！
krak会成为大陆用户的下一张全民U卡吗

[Fernando. @ContaFer_1]

Instagram parece un universo completamente diferente. todos están viajando, comiendo en restaurantes elegantes y viviendo como si no tuvieran trabajos. mientras tanto, X se siente mucho más como la vida real, gente sin dinero, trabajos normales y dramas de barrio jajaja.

[Mo Elgaraihy @EngMoElgaraihy]

🚨 إيلون ماسك سحب أطفاله من المدرسة عام 2014 وبنى مدرسته الخاصة داخل سبيس إكس!

اسمها أد أسترا. مدرسة صغيرة داخل الشركة. لا درجات. فقط مشاكل تحتاج إلى حل.

سببه في المقطع: المدارس تعلّم الأداة لا المشكلة. مثل دورة كاملة عن مفكات البراغي دون أن تُريك المحرك أبداً.

الدماغ مبرمج على نسيان ما يشعر بأنه عديم الفائدة. لذا معظم ما تعلمته في المدرسة ذهب بالفعل.

والآن الالتواء: الذكاء الاصطناعي يمكنه أخيراً تعليم كل طفل "لماذا". لكن معظم الأطفال يستخدمونه لتخطي المشكلة ونسخ الإجابة.

الأداة أصبحت أذكى. التعليم لم يتغير.

بنينا أفضل مدرس في التاريخ.. واستخدمناه كمفتاح إجابات.🧵👇

[小龙先生 @Dragonhau66]

知名投资基金公司的老板但斌转发了一张图，很有意思。

五种人的一生财富曲线：体力劳动者、脑力管理者、资本积累者、资源掌握者、家庭人脉主导者。

他为什么转发这张图？

因为他自己，就是那条“资本积累者”曲线本身。

早期靠脑力积累本金。中期靠资本复利放大。后期财富增长，几乎完全由资产定价驱动。

但斌是这样。段永平也是这样。

这条曲线最反直觉的地方在于：前20年，几乎贴着地面走。

大多数人根本熬不过这段“死寂期”，就转头回去拼体力了。

但这条曲线的后期斜率，是前两条曲线的指数级碾压。

原因不复杂：
前两条，卖的是时间。
资本曲线，卖的是时间本身。

这张图最容易被误读成“普通人只能认命选一条线”。

但它是配置题，不是选择题。

20到30岁：体力加脑力，积累第一桶金。
30到40岁：资本加资源，开始配置。
40岁之后：资本复利加人脉底盘，逐步接管。

真正拉开差距的，不是你在哪条曲线上。
是你什么时候，开始从“卖时间”，切换到“让资产替你工作”。

这五条曲线，放在交易里，就是五种交易员。

体力型交易员： 每天开单，盯盘12小时，靠次数换钱。
脑力型交易员： 有系统，但还在靠手动执行。
资本型交易员： 有自己的资金池，靠复利，前期看不出效果。
资源型交易员： 能调动别人的信任和资金。
人脉型交易员： 别人愿意跟他一起下单。

大多数人，一辈子只活在前两条曲线里。

而交易员的终极形态，是从“卖时间”，切换到“让资金和信任，替你工作”。

兄弟姐妹们，对号入座看看，你是哪种曲线的人？

[Soong @SoongYeee]

@zzzXiao_guai 哈哈哈哈哈哈哈🤣

[Elon Musk @elonmusk]

@RealNickMugalli Micron has been reasonable regarding future memory prices, while others have been extortionate, which is something today’s customers won’t forget …

Micron is making is the smart move for long-term customer loyalty.

[SpaceX @SpaceX]

Falcon 9 launches the CRS-35 mission to the @Space_Station

[FeiZ @Fei2411]

正式介绍开源的 DeepSeek Bot ！（非官方）

DeepSeek Bot ( 简称ds bot ) 是一款基于 DeepSeek Harness ( 简称 dsh ) 的开源插件，让你能够拥有一组持久化的 Bot，使用你自己的 API Key。你可以和你的 Bot 聊天、工作，或者做任何你想做的！

你可以为 ds bot 接入任何你想接入的模型，甚至在未来，你可以直接接入你的本地 agent，这意味着你可以使用自己已有的 ai 订阅。

ds bot 继承了 dsh 的“一切皆插件”理念，未来将会有更多可拓展性，迫不及待想看到会发生什么！

仓库地址：https://t.co/qMw3z9QYT4
安装：在dsh desktop插件页输入: ds-bot

更多详细信息见评论区↓

[情酱 @qingj1314]

一直很喜欢 Grok Bot 的移动端

感谢 @Fei2411 开源，我给 DS Bot做了个移动端

电脑上的 Bot 在手机上直接聊、拉群、点审批

开源地址： https://t.co/ixq2aPQR0O

[宝玉 @dotey]

Meta 发布 Muse Wonder：开发者今天能用，普通用户还要等

Meta 10 月 12 日发布新一代大模型 Muse Wonder，一共两个版本：Muse Wonder 主打速度，Muse Wonder Full 是完整版。扎克伯格说，这个模型让 Meta 进入了“前沿”梯队，也就是和 OpenAI、Anthropic、Google 最强模型同一档。

做这个模型的是 Meta 超级智能实验室（Meta Superintelligence Labs）。按 Meta 的说法，14 个月前它把 AI 业务推倒重来，从底层技术栈重新搭起，第一代成果是 Muse Spark 系列。Muse Wonder 比 Muse Spark 大得多，在 Meta 吉瓦级的 Prometheus 数据中心训练。

【谁能用，怎么用】

开发者今天就能用 Muse Wonder：通过 Meta Model API（Meta 的大模型接口平台）调用，或者在 Meta 的 AI 编程工具 Muse Code 里用。

完整版 Muse Wonder Full 目前只开放给 Muse Code 的订阅用户。官方博客只写了它在 Muse Code 里可用，没提 API。

普通用户用的 AI 助手 Muse，官方博客写的是“很快”接入 Muse Wonder，先给订阅用户。扎克伯格在 X 上说的是“今天订阅就能用 Muse Wonder 驱动你的 Muse”，两边说法有出入。免费用户什么时候能用，Meta 只说会逐步把这个水平的能力带给所有人，以后还会用 Muse Wonder 开发专门的模型给所有 Muse 用户，没给时间表。

模型卡写的规格：上下文 100 万 Token，够一次放进一个中大型代码仓库；能读文字、图片、视频和音频，输出只有文字。

【和 Claude、GPT 比怎么样】

下面的成绩都来自 Meta 自己公布的对比表，对手是 Claude Opus 5.5、Claude Fable 5.1 和 GPT-6 Astra，全部按最高推理强度测。其中个人超级智能指数、MemoryBench、FocusBench 是 Meta 自建的测试。对手的成绩有一部分是 Meta 自己跑的，模型卡也写明，这些跑法未必为对手模型调到了最优。

Muse Wonder Full 领先的主要是三类任务。

一是替人办事的智能体任务。Meta 自建的个人超级智能指数，Muse Wonder Full 59.1 分，Claude Opus 5.5 55.2，GPT-6 Astra 54.5；跑完整业务流程的 AutomationBench，45.4 对对手最高的 41.6。

二是长时间写代码。DeepSWE 79.0，对手最高 74.2；做大型软件项目的 SWE-Marathon 57.5，对手最高 46.3。

三是法律。法律 AI 公司 Harvey 的智能体测试 13.1，对手最高 8.6。这个测试要求交付物每一项都达标，所有模型的通过率都很低。

落后的项目也不少，大多输给 Claude Opus 5.5：终端编程（Terminal-Bench）57.1 对 59.6，从零写一个完整程序（ProgramBench）59.0 对 70.5，操作电脑（OSWorld）78.4 对 81.8，健康问答 62.3 对 65.6。专业文档任务 GDP.pdf 输给 GPT-6 Astra，33.2 对 34.2。

Meta 博客里也放了第三方机构 Artificial Analysis 的综合智能指数：Claude Opus 5.5 以 58 分排第一，Muse Wonder Full 56 分排第二。开发者现在能通过 API 调用的是 Muse Wonder，它是 52 分，低于 Claude Fable 5.1、GPT-6 Astra 和 Google 的 Gemini 4 Argon（都是 53 分）。

按 Meta 给的数据，让 AI 长时间替你干活、跨对话记住你的情况，是 Muse Wonder 领先的地方；比综合能力，它还排在 Claude Opus 5.5 后面。

【Active Memory 和 Active Focus 是什么】

这是 Meta 给两项能力起的名字，也是这次发布的卖点。

Active Memory（主动记忆）：跨对话记住和你有关的重要信息，做新任务时自己判断哪些旧信息用得上，主动调出来。Meta 用自建的 MemoryBench 测这项能力：在 6.4 万到 10 万 Token 的长对话里掺进干扰内容，还有和前文矛盾、后来又更新的信息，看模型最后能不能记对关键细节。Muse Wonder 85.6 分，Muse Wonder Full 85.5，Claude Opus 5.5 81.5。

Active Focus（主动专注）：盯着一个难目标持续干下去，一条路走不通就换一条，遇到卡点自己想办法，情况变了跟着调整；需要时会问你，做重要操作前先跟你确认。Meta 用自建的 FocusBench 测这项能力，任务涉及租房、旅行、IT、理财等，模型要在多轮交互里应付各种现实障碍。

Meta 的演示里，Muse Wonder 直接在浏览器和多个 App 之间操作，根据用户的个人偏好和情况排出一份周六跑步计划。

【官方没说的】

价格：博客和模型卡都没写 API 怎么收费，也没写 Muse、Muse Code 的订阅多少钱。

开源：没说会不会开放模型权重。模型卡只提到，开发和部署期间按 Meta 的权重安全计划保护模型权重。Meta 过去的 Llama 系列是开放权重的，这次没有任何相关说法。

安全：Meta 说这一代模型防范化学、生物、放射性、核武器和网络攻击滥用的措施是它迄今最强的，同时保留了用于网络防御的能力。完整的安全评估报告“很快”发布。

[Andrej Karpathy @karpathy]

Dusting off this tweet from April because this gap in shared understanding of LLM capability is *widening*. It's now less "two groups of people speaking past each other" and more a sharp funnel.

- Napkin math somewhere around 6B people (~75% of the population) have barely come in contact with LLMs at all.
- Around 1-2B (~20%) are casual and infrequent users of free-tier ChatGPT-like products. This group sees derpy chatbots and treats them a bit like a better Google search, a writing aid, or etc. Maybe an agent tries to book you a flight. I have non-tech friends who (reasonably, imo) say they have not much use for it at all. Even many professionals outside of math&code are in this tier. For example, execs and many other functions spend a lot of their time talking to other people, so while they understand what is happening intellectually, it is still second-hand and a bit abstract.
- Now we get to professional use of frontier-grade LLMs in math&code. Somewhere around 20M people (0.2%) see first-hand that large, complex projects that used to take them weeks/months can now be completed by agents with a prompt. Building apps, copying apps, translating apps, decompiling apps from binaries... This has all happened very quickly and recently - less than 1 year ago, I was writing code manually by hand, typing memorized computer code commands into a code editor character by character, occasionally pressing Tab to autocomplete a little chunk of code.
- And finally we get to the ~5,000 people (~0.00006%) with access to frontier-grade systems internally. The external world has seen the preview. It looks like swarms of thousands of agents collaborating over weeks on software mega projects: minting zero days, running cyber attacks and defenses at machine speeds, discovering new science, advancing the frontier of mathematics. Things that would have taken top professionals in the industry years of work. Meanwhile, human review and comprehension are starting to fall behind. For example, people are still involved in the "archeology" of the OpenAI-HF incident from many months ago. Mathematicians may be poring over the 722 manuscripts on frontier mathematics for a while.

The funnel is driven by a combination of factors:
1. The impact scales with ambition, problem size, and horizon. A question with a paragraph answer barely stresses the system. You need a reservoir of big, difficult problems that you really care about. This aspect drives the consumer / professional dimension of the funnel.
2. The jaggedness of the system (which I have written about a lot separately). Capability peaks in domains that are digital, verifiable and economically valuable. This is because LLM capability emerges from reinforcement learning on verifiable rewards on a curated environment mixture driven by revenue potential. This aspect primarily drives the area (e.g. math&code) dimension of the funnel.
3. Access. Free-tier, paid-tier, internal.

So this is the weirdness of the moment. The general public has mostly not interacted with these systems. When they have, it looks like a derpy chatbot. The majority of professionals still see only a modest uplift. And a small sliver of professionals are experiencing the vertigo of the curve going vertical. And it is all happening at the same time.

[小墨同学 @xiaomovps]

免费白嫖 Cursor Pro，不用学生认证🔥

MLH 这周的 Global Hack Week 在送福利，官方原话是配合 Grok Bot 开发挑战直接送 Cursor Pro 兑换码，门槛很低，年满 13 岁就行

手动领取 3 步：

1、打开 https://t.co/CcWQFypIaB，登录并报名 Hacktoberfest 挑战

2、等 MLH 官方发来的兑换码邮件

3、到 Cursor 官网控制台（Billings & Invoices）输入兑换码，升级 Pro

懒人做法，直接把下面这段喂给 Grok Bot：

打开 https://t.co/CcWQFypIaB 帮我报名 MLH Global Hack Week: Hacktoberfest，涉及登录、邮箱验证码和勾选协议请暂停让我手动输入，不要替我授权，也不要向我索取密码，完成后截图反馈

截止时间：10 月 16 日 01:00（北京时间），想要的抓紧

[AYi @AYi_AInotes]

Scale AI创始人，Meta首席AI官Alexandr Wang在聊马斯克、扎克伯格和拿破仑的共同点时，把一套顶级操盘手的心智模型说得极其透彻，
从两百年前的欧洲战场，到今天硅谷最激进的技术实验室，真正成大事的人竟然在用同一套心智模板，

真相非常反直觉，原来绝大多数人一辈子做不成大事，不是因为能力不够，而是被那种平均主义的避险思维生生拖垮了，

很多时候我们以为顶级统帅和今天的科技狂人靠的是某种神秘的天命。

但当Alex 把他们身上最坚硬的骨骼一层层剔出来的时候，你会发现他们几乎共享着同一套冷酷到极致的底层心智。

第一个被很多人轻视的常识，是马斯克用肉身证明过无数次的事实：
庞大的官僚层级除了制造沟通损耗，对突破边界没有任何帮助。

只要你手里有一支极小、技术密度极高、完全扁平且带着某种疯狂偏执的团队，执行的烈火就能在极短的时间里把一切所谓的行业壁垒烧穿。

更让我回味了很久的，是他讲到扎克伯格身上的那种风险观。

他在很早的时候就已经把对失败的恐惧彻底剥离掉了。

大部分人在日常里活得谨小慎微，生怕做错一步被惩罚，但他脑子里的算盘完全不一样：
失败是有物理上限的，亏完也就那么多；但赢的时候，回报是没有上限的。

所以最大的风险，从来不是冲出去犯了错，而是在一个每秒都在巨变的世界里，以为自己呆在原地就绝对安全。

原地不动，才是唯一注定沉船的宿命。

而拿破仑在两百年前留下的原则，给这套逻辑焊上了最后一颗铆钉：
犹豫永远是致命的。

做决定之前，要像学者一样极度冷静、从各个角度反复推敲推演，把棋盘的每一条生路和死路全部摸透；
可一旦确认自己踩在正确的路上，就要毫不犹豫地把弹夹全部打空。

慢慢想，快快干。

决定前把所有的退路算绝，决定后绝不在半山腰回头看一眼。

这种近乎暴烈的决断力，才是穿越漫长周期时，人身上最性感的品质！

[Geek Lite @QingQ77]

我感觉 ESP32 要变成神器了

[Donald J. Trump @realDonaldTrump]

Your work will never be in vain if you work for a cause that is greater than yourself.