wulaoda

[卡颂 @kasong2048]

@mekal_z 火的顺序是：
1. superpowers
2. gstack
3. compound
4. grill

[余温 @gkxspace]

发现一个开源的语音识别 FunASR，中文识别准确率很高，部署要求很低，能直接跑本地语音转写，全程离线。

而且它不只是转文字，多人说话的时候能自动分清楚是谁在说（说话人识别），断句、时间戳、标点一次性全配好，这个功能对付会议记录、多人访谈这种活是真好用。

正好前两天发的有道那个 TTS，FunASR 负责听懂，两个凑一块，本地就能搭一套完整的语音输入输出，都不用碰云 API 了。

爽了～

https://t.co/bcncljBLR5

[Amto @XAMTO_AI]

做自媒体的朋友，这次真来了个狠角色。

冲上 GitHub Trending 的 AiToEarn，目前已经拿到 9.3k Star，像是把一套变现流程直接封装好了。

以后不用再没日没夜剪视频、刷后台、一条条回评论、愁怎么变现。它一个工具就把创作→多平台发布→互动运营→赚到钱整个串了起来，形成闭环。

四个核心能力👇

1️⃣ 变现方式
内置交易市场，接商家任务按 CPS/CPE/CPM 结算
线下场景也能用，推广餐厅、健身房、民宿等拿佣金
结果是实打实的收入，不是画大饼
2️⃣ 多平台一键发布
支持抖音、小红书、快手、B站、TikTok 等 10+ 平台
做一次排期，系统自动分发，省时省力
3️⃣ 自动化互动
通过浏览器插件自动完成点赞、收藏、关注
智能识别评论中的“求链接”“怎么买”等高意向内容并自动回复
实时追热点，从被动等流量变成主动养流量
4️⃣ 内容生产
丢一个需求进去，自动完成视频生成、翻译、剪辑
图文内容也能批量输出，方便矩阵号快速跑量

五种上手方式👇
👉 最简单：评论区直接点网址试试
👉 AI玩家：一句话指令调用所有功能
👉 接任务型：通过 OpenClaw 无缝对接任务
👉 团队自用：三行 Docker 命令就能部署
👉 开发者：MIT 协议全开源，随意改
别观望了，GitHub 地址给你放这了
🔗 https://t.co/xqQRny0phN

[wulaoda @wula_oda]

@oran_ge 写作和思考这个要求很高么？ 为啥非claude不可

[AI最严厉的父亲 @dashen_wang]

https://t.co/W18kJkKKu0

[Gloria @changloria0816]

用视奸前任白月光的思维方式学任何学科！！

很多人可以连续研究前任或者在意的女生几个小时：
她关注了谁。
谁给她点赞。
她发过什么。
她和谁互关。
她有哪些共同好友。
但面对一个知识点，却坚持不了二十分钟。

后来我发现，这两件事本质上在做同一件事：

寻找信息
建立关系
判断哪些信息重要
判断哪些信息是重复的

于是我发现有人把这个离谱想法整理成了一个 GitHub 项目：
「用视奸前任白月光的方式学任何学科」

目前已经写了：
• 线性代数
• 文科
• 导数
• 设计思维
• 历史
• 商科
还在持续更新...
这可能是我看到过最奇怪的开源项目🤣

https://t.co/WoDlZXbYzc

[老王霸 AI Lab @laowangbabababa]

https://t.co/SWf7tCvo2P

[wulaoda @wula_oda]

@stevencheng @oragnes 你这个回复一股AI味。bot？

[Berryxia.AI @berryxia]

这速度真特么离谱啊！卧槽！

最新开源的Unlimited-OCR能一次性处理几百页文档，而且速度还很稳。

而这个模型来自百度刚刚在hugging face 发布，其核心创新是R-SWA（Reference Sliding Window Attention）。

它让模型在解码时KV Cache保持恒定，不会随着文档页数增加而爆炸式增长。

结果就是：一张图或者一本多页PDF，直接扔进去就能一次性解析完，速度和稳定性都比传统逐页处理的方式好很多。

在OmniDocBench上拿到了93分，比DeepSeek-OCR高出6个百分点。

这已经不是简单的准确率提升，而是把长文档OCR的工作流从“分块+外部调度器拼接”变成了真正的端到端一镜到底。

以前做多页文档最头疼的就是上下文断裂和格式不一致，现在模型能一次性看到整篇文档的结构、布局和逻辑关系，输出质量自然上了一个台阶。

这其实是把OCR从“认字工具”往“长文档理解引擎”又往前推了一大步。

技术路线很清晰，也很实用。
果然百度现在OCR独树一帜，遥遥领先了。

模型地址见评论区～ 👇

[Derek Nee @DerekNee]

Ultra-long-term autonomy requires a new management framework.

We invented the Agentic OKR system: a hierarchical loop that ensures complex, multi-step goals remain clear, trackable, and verifiable.

[wulaoda @wula_oda]

@zzxwill 什么叫清华以上

[wulaoda @wula_oda]

@LTChives token消耗量又上升量级，大模型公司喜闻乐见

[小盖 @xiaogaifun]

https://t.co/sshHthPn3R

[wulaoda @wula_oda]

@FUCK_CCTV @latepostnews 跟他们沟通不了的。推友们热衷于看到的都是无痛暴富的神话

[wulaoda @wula_oda]

@rexuejianghu1 @DujunX 这种花钱买个包装。各个大学的盈利模式

[Amto @XAMTO_AI]

ElevenLabs这下怕是真要坐不住了🤯

每月从你兜里掏5到99刀，企业版直接干到1320刀的AI语音克隆，现在被一个开源项目直接掀了桌子。

3秒音频就能克隆任何人声音，还100%本地跑，白嫖到底不花一分钱。

1️⃣ 支持646种语言，ElevenLabs才32种，碾压局
2️⃣ 性别、年龄、口音、情感、方言随便调
3️⃣ 丢个YouTube链接，转录翻译配音直接出MP4
4️⃣ 还能在Claude、Cursor里直接调用
7.2k stars了，这条护城河，怕是真没了。
https://t.co/h3hntHtNHm

[AI探路者Tim @AIExplorerTim]

牛逼，又一个华人 AI 团队拿到融资！

世界模型的 GPT 时刻快到了

LLM 的血统是 Transformer + Scaling Law。Aether 走的是另一条路：Causal Discovery。更冷门、更硬核、更数学

黄碧薇的履历确实很牛，齐聚了各路大神：CMU、Max Planck、Schölkopf、Glymour、Kun Zhang（都是泰山北斗级的人物）

Clark Glymour 和 Peter Spirtes 是 causal discovery 早期奠基人
Kun Zhang 和 Schölkopf 后来把非高斯、非平稳、机器学习全拉进了因果

这些背景很硬，都是国际上的学术大牛

Aether AI 🔗https://t.co/PAQpTWH3DD 的因果论必须关注一下

[Ju_Jason @Ju_Jason_2024]

https://t.co/tL9Rq6qC56

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[wulaoda @wula_oda]

@solider1394 @gloridust1024 这个真商业化了 估计容易被搞