waybo--f/acc

😙f/acc, f(uck) both d&e/acc，
May the Fuck be with you，this is the way

[waybo--f/acc @waybo]

@mtrainier2020 jb，建议发动对标 鸦片战争 的＂空调圣战＂，武力打开欧盟大门! ! 硬起来(/拳头)

[waybo--f/acc @waybo]

@mtrainier2020 大清也阻挠过铁路的修建, 晚美

[响马 @xicilion]

我为什么建议用 PlantUML 来写规划和文档呢？比如这个架构图用文字来写，人说不明白，AI 也看不明白，AI 写明白了，人看一遍也费脑子。改成 PlantUML，大家都没有废话。只需要使用文字描述的不到 1/5 到 1/6 的 token，就能精准传递描述。
使用 https://t.co/m5NU23B0iM 可以在 markdown 里随时查看。

[waybo--f/acc @waybo]

@thsottiaux please put Pro version GPT into codex, only can use them in web is so fuck and dumb

[Phoenix Yin @Phoenixyin13]

🚨 震撼！来自英伟达和剑桥大学等团队的这篇 Red Queen Gödel Machine 绝对是我近期认为最重要的 AI 论文之一。

这次，论文直接针对自我改进 AI 的核心瓶颈：

以前，评估器一旦固定不变，就会导致代理钻空子或者快速停滞不前的问题。

这篇论文通过 Red Queen 共进化机制，让代理和评估器一起演化，从而实现了更可持续的递归自我改进。

无论在理论层面继承 Gödel Machine 的思路，还是在实际实验中，比如代码任务、论文写作和奥林匹克证明等方面，都展现出明显提升。

在可验证的代码任务上，它用更少的 token 就超过了现有 SOTA，还额外引入了 agent-as-judge 的 review 信号。

在论文写作和奥林匹克证明上，co-evolved 的 writer 和 grader 都取得了明显提升，尤其把 AI 生成内容的过审 bias 压了下来。

论文提供了一个可控的 utility evolution 框架，既保留了改进的安全性，又打开了动态目标的可能。

短期内，我相信我们就能看到它对 agent 研究和自动化科研的巨大推动。

文章中，英伟达等团队不只提了概念，还设计了 controlled utility evolution 机制，既保证了每个 epoch 内的改进安全性，又允许跨 epoch 的目标动态演化。
这种可控开放式进化思路，为后续 self-improving systems 提供了重要的方法论参考。

在当前 agentic AI 热潮中，它代表了一种AI 自我驱动进化的关键信号。
如果这个方向被更多实验室跟进和放大，有可能显著加速通往更强 AGI 的进程。同时，也提醒AI界需要提前思考评估系统共同进化带来的安全与对齐挑战。

启发性，前瞻性，开拓性，是我认为的这篇Red Queen Gödel Machine的关键词。

这种进化需要共同适应环境的生物学智慧已经被系统性地带进了 AI 自我改进领域，值得研究者和从业者重点关注和跟进。

[waybo--f/acc @waybo]

从时间维度来看的话，你和AI的所有thread 都是同一个session，那么，如何在时间维度上表达，组织所有的这些thread？

[Evis Drenova @evisdrenova]

my ideal AI interface is a single never-ending chat thread.

i don't want to think about the concepts of sessions, context windows, worktrees, mcp servers or really anything else.

The harness should automate everything transparently.

[waybo--f/acc @waybo]

@daimajia 复制粘贴

[yibie @yibie]

推荐这篇，交大和清华的团队系统测评了 12 种 Agent 记忆系统。不是那种"我们的模型更好"的论文，而是从数据管理的角度拆解记忆系统怎么选——什么时候该用 RAG、什么时候该用向量数据库、什么时候该用知识图谱。

Agent 的长期记忆怎么做？12 种记忆系统的系统对比

论文：Are We Ready For An Agent-Native Memory System?
上海交大 × 清华 × MemTensor，6 月 23 日提交

核心框架
把 Agent 记忆拆成 4 个模块：表示与存储 → 提取 → 检索与路由 → 维护。每个模块独立评测。

关键发现
• 没有一种架构在所有场景下都最优。记忆结构跟 workload 瓶颈的匹配程度决定了效果
• 局部维护（只更新受影响的部分）比全局重构省得多，效果也不差
• 12 个系统跑 5 个 benchmark（11 个数据集）的端到端评测，差异主要在 retrieval precision 和 long-horizon stability 上

实操意义
如果你在搭需要长期记忆的 Agent：
• 简单问答场景 → 向量检索就够了
• 需要多跳推理 → 需要知识图谱层
• 频繁更新知识 → 局部维护优于全局重建

论文：https://t.co/WxYZ2kOBAp
代码：https://t.co/SM4z8w0nKW

#Agent #长期记忆 #系统评测

[waybo--f/acc @waybo]

@dongxi_nlp 标准不该是好坏质量高低吗，硅基或者硅碳混种论文里就完全没有比之前纯碳基水论文强的？

[waybo--f/acc @waybo]

@yuyy614893671 Codex computer use？ 试试让它来干呢

[Phoenix Yin @Phoenixyin13]

字节Seed 的Cola DLM 与MIT何恺明的ELF 几乎同时发布的研究，确实都在尝试打破离散 Token 的枷锁。
事实上，语言本身的离散性是客观存在的，这两篇论文的核心贡献，是把离散到连续的步骤推迟到了最后一刻。

结合我之前提到的苹果《The Illusion of Thinking》的讨论，这两篇论文的落地，提供了一些更底层的认知碰撞。

现有的自回归模型像是在进行爵士乐即兴口嗨。它每说出一个字，这个字就变成了不可更改的历史事实，它必须在这个事实的基础上下注、续写下一个字。这种机制导致它缺乏全局规划能力，一旦中间一步走错就会引发链式崩溃，这也是幻觉和推理复杂度墙的底层原因。
但是，Cola DLM 和 ELF 代表的连续扩散范式，更像是人类动笔前的脑部构思。它在连续的语义空间里，是在整体性地、模糊地揉搓和精炼一段语义。
对比之下，后者当然更能允许信息双向流动、允许自我修正，直到整段话的骨架和语义在空间里坍缩稳定了，才最终落笔变成具体的文字。这在理论上无疑为真正的全局规划提供了更优雅的数学载体。

我现在思考的问题是，如果文本生成自己主动降级或者说进化成连续的 Latent 向量空间建模，那么文本、图像、视频、音频在底层就实现了真正同质的连续信号对齐。
这样来看，我们可以设想的未来在于，大模型不需要再套厚重的 Tokenizer，多模态之间的转换，就像是在同一个连续水流里的不同涟漪，信息密度的交互会产生质的飞跃。

看完这两篇论文，我如是思考着。

[waybo--f/acc @waybo]

@dotey 能连vps 上的 Codex cli 了嘛

[waybo--f/acc @waybo]

Cursor get 50% off first month!!!!!!
https://t.co/gmWOTL5BBz

[waybo--f/acc @waybo]

@XianyuLi 一种从动物继承来的求偶本能，和孔雀开屏一个底层机制

[waybo--f/acc @waybo]

灵魂:
一个存在之所以还是它自己的那种内在连续性。

by GPT 5.5 and me

[渡边君 @JiaweiShen2568]

大家能看到的迈克尔杰克逊那个thriller MV
非常高清
但那不是AI修复
迈克尔杰克逊当初开创性地使用35mm胶片拍摄
它的修复上限就会很高
轻松应对4K画质
只需要把当年的原始底片从片库拿出来
放到现在的4K或者8K扫描仪上
重新扫描一遍，就可以了
标准35mm胶片的物理信息量
等效于现在的4K到6K的解析度

[waybo--f/acc @waybo]

@QTz6nq sh

[AlexZ 🦀 @blackanger]

以这个视角看“HTML vs Markdown 谁更适合 AI ”这个讨论话题，等价于，我们还在讨论“用马具的什么材质来控制汽车”。

阶段特征：

1. 范式锚点还在人类侧。一切围绕”如何让 AI 更好地处理人类格式”，而非”AI 之间应该用什么格式”
2.优化目标还在适配层。讨论的是 LLM 对 HTML 的 tokenization 效率、对 Markdown 的语义保真度，而非”是否需要这一层”。
3.解决方案空间还在已有标准内。HTML 和 Markdown 都是 W3C 或事实标准，讨论被锁在”现有格式选哪个”，没人问”应该发明什么”。
4.价值评估还是人类视角。评判标准是”AI 处理得准不准”，而非”Agent 之间协作效率高不高”。

这是典型的早期适配阶段。新物种还在用旧物种的语言。

HTML/Markdown 承载的是”给人看的内容”。

新物种要承载的，是 Agent 时代信息流动的真实需求。

我列五条，每条都是 HTML/Markdown 做不到或做得很差的：

1. 类型化的语义而非视觉化的标记。即，这个内容是什么类型的对象：是一个 Price、一个 Decision、一个 Commitment、一个 Question。类型本身携带可被推理的语义，而不是依赖人脑从视觉中重构语义。

2. 状态而非快照。HTML/Markdown 是某一刻的快照。新物种需要表达这个对象现在是什么状态、它接下来可能变成什么、谁有权改它。

3. 来源可追溯、可验证。每条信息要能回答：谁说的、什么时候说的、依据是什么、置信度多少、是否被后续修正过。这是 Markdown 永远做不到的，它没有”出处”这个原语。

4. 可被部分订阅、部分更新。不是”重新发一份新文档”，而是”这个对象的第三个字段从 A 变成了 B”。订阅方只接收差量。这是流式协作的基础。

5. 可执行 / 可承诺。内容不只是描述，可以是操作图。“比如，下面这五步会按顺序发生，每步失败时会自动回滚到上一个稳定状态”。

总之，现在有分歧，就代表着两个格式都不满足需求。未来HTML 和 Markdown 的替代者不是另一个文件格式，而是一套以「类型化主张 + 状态流 + 来源链 + 可执行承诺」为核心的分层协议栈。

当然，以上的判断有一个大前提： 人类不在 loop 里，人类只关注意图与结果。

[Rob Williams / AI for Founders @newolddlowen]

Building something related. Looks less planned, but it evolves, connects, and keeps neighborhoods coherent. This is ai thinking about my thinking. It tells me what I need to know, not what I want to hear. It pushes back based on my own evidence, connects months and years of my thinking.

Current ai only agrees with you, this degrades human thinking. This is the opposite. This is the future.

[Mathelirium @mathelirium]

A neural network can begin as a flat sheet and learn the shape of hidden data

A self-organizing map turns learning into geometry. Each data point pulls one winning neuron toward it, but nearby neurons move too, and so the whole lattice bends without losing its neighborhood structure.

The strange part is that the network is not given the roll shape. It discovers the shape through competition and local cooperation.

Paper: Self-Organized Formation of Topologically Correct Feature Maps
Authors: Teuvo Kohonen
Year: 1982