华丽

Building: of unplugin-devpilot, vue-hook-optimizer, tour-master.

[Jina AI @JinaAI_]

Announcing jina-ocr-v1, our new visual document parser with 3.4B total parameters and 570M active parameters, with speculative decoding built in. Throw PDFs, scans, tables, charts, or invoices at it and get clean markdown back. Available on 🤗 & Jina Reader `x-respond-with` today

[Thorsten Ball @thorstenball]

Time to leave one `amp --no-tui` running on your Mac mini and forget about it.

It now serves every repo on the machine, and keeps itself updated.

https://t.co/czmkFVBH9G

[Xuanwo @xuanwo]

基于 @lancedb 和 @typesafeai Jev，我们完全可以构建这样的应用：用一句话说出你想要的住处，几秒钟读完上千条真实住客评论，告诉你哪家房源真的名副其实。

[陈成 @chenchengpro]

也试了下 jev，让它玩贪吃蛇，每走一步问它一次，200 个请求才 $0.02，1 美元能走一万步。

[宝玉 @dotey]

智谱用 GLM-5.3 自己优化了自己的推理系统

智谱今天披露，GLM-5.3-Flash 的全部生产推理已运行在超过 10 万块国产 AI 加速器上。从模型首次跑通到上线生产，不到两周，端到端吞吐量提升了 3.2 倍。完成大量优化工作的不是工程师团队，而是一个由 GLM-5.3 驱动的 AI 智能体。

智谱 CEO 唐杰发推说，他反复想的一件事是：干活的主力是模型自己。一个模型在帮忙优化运行它自己的系统。

部署条件很苛刻。国产加速器显存容量和带宽有限，软件生态不成熟，很多该有文档的地方只能靠猜。GLM-5.3-Flash 还要支持 100 万 token 上下文和多模态请求。每一步优化都是在做交换：用计算换显存（ReplaySSM），用通信换显存（节点内张量并行），用精度换容量（INT8/FP8/BF16 混合缓存），用架构分离换调度自由度（编码-预填充-解码分离）。最终国产芯片的单 token 成本对标了主流英伟达 GPU。

但唐杰说，最重要的经验不在任何一个具体优化上。

智能体卡住的时候，几乎从来不是因为它写不出代码，而是因为它不知道事情为��么变差了。"吞吐量下降了 20%"告诉你出了问题，但不告诉你问题在哪一层、该验证什么假设、下一步该测什么。用强化学习的话说，这是一个稀疏奖励加信用分配的问题。而一次端到端基准测试要跑好几个小时，试错成本极高。

资深工程师能定位问题，靠的是脑子里一套隐性的"过程奖励"——知道什么时候该看执行时间线，什么时候该跑微基准测试，该对比哪一层的输出。

智谱做的事情是把这套隐性经验显性化，他们叫"密集反馈"：构建一套分层验证接口让智能体直接调用。正确性反馈回答"算对了吗"，系统行为反馈回答"时间花在了哪"，性能反馈回答"哪个方案在什么条件下更优"。每类信号都要求足够局部、获取成本低、可客��验证。

靠这套机制，智能体发现并修复了三个真实的工程问题。

第一个是精度漂移。KDA 内核在上下文并行路径中，TF32 的舍入误差通过链式状态矩阵合并不断累积，上下文越长漂移越大。修复已合并到开源项目 Flash Linear Attention。

第二个是并发瓶颈。KV 缓存传输本该和计算并行，但智能体发现两者从未重叠。它沿调用链追到 Python 和 C++ 的边界，发现 DeepEP 的节点内路径没有释放全局解释器锁（GIL），传输线程一直拿不到执行权。修复后开销从超 30% 降到 1% 以下。

第三个是重复计算。一个解码内核因分块方式把同一归一化运算重复做了四遍。智能体重组了计算结构，加速 1.71 倍。优化思路来自它阅读 SGLang、FLA、DeepGEMM 等项目的内核代码后提炼出的"优化骨架"。

唐杰强调了边界：目标设定、反馈环境搭建、高风险变更审查仍然由人负责。但工程师的角色正在变化——从解决问题的人，变成设计反馈的人。

他还指出一层更深的含义：一个建立在真实基础设施任务上的分层可验证反馈环境，恰恰是训练下一代模型最需要的东西。智能体完成的每一个任务，都可以成为它后继者的训练素材。

唐杰说：“我们离递归自我改进还很远，但最小的闭环已经存在了。模型优化系统，系统运行模型。”

有兴趣可以看看他们官方的文章：《Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure》https://t.co/P7CATfobkW

[VueUse @VueUse]

VueUse v15 is out! 🚀

✨ New useWebMCP, useLiveAnnouncer & useTemporalNow
⚡ Better tree-shaking
🐞 Lots of fixes

Breaking: Node.js 20 dropped; deprecated APIs removed
https://t.co/HUHeMvsJyT

[Nythis @Nythis110929]

Curious Cat 😼
High res link in bio

[TypeSafe AI @typesafeai]

Jev is now available on the @vercel AI Gateway https://t.co/KUUSJdotIy

[KC @ScarletKc]

破案了，Union Alpha 居然是多个模型一起回答的

Cloudflare 文档写得很直接：每次请求都会并行调用多个语言模型，再综合成一个答案，支持文字和图片输入，通过同一个 API 返回。

我前面连续用了几个小时，就开始怀疑这些回复可能根本不来自同一个模型，还专门补了条评论，猜是不是后台偷偷做了路由。按这份介绍，它做得比我猜的还进一步，每次请求都有多个模型参与，最后再整合回答

前面一直在猜 GPT、GLM、Llama、NVIDIA、Mistral，可能一开始就把问题想简单了。不过具体用了哪些模型，这段介绍还没说。现在我更想知道，谁负责最后整合答案，以及正式上线以后，还能不能维持现在这个表现和价格

[Fuli Luo @_LuoFuli]

Nearly half a year of silence. We spent it studying one problem: how far RL can scale.

MiMo-V2.6 is in the middle of its RL run right now. Three things we scaled: compute (~2B tokens per step, 1568 prompts × 16 rollouts, fully async), environments and harnesses (multi-task agentic RL, mixed across multiple harnesses in one run), and grader compute (agentic in-group credit assignment, with test-case and rubric-based rewards). We'll open-source the details piece by piece over the coming weeks.

Streaming the run: https://t.co/ZSxahzJRju

[QuiverAI @QuiverAI]

Introducing Arrow 2

Our latest and most advanced models for generating precise, editable vector graphics.

Higher quality. Faster outputs. Available now in App and API.

[华丽 @yeahmetro]

@Fei2411 256k，怀疑是 seed

[华丽 @yeahmetro]

@tualatrix 是这样的。可以开始尝试让她自己拿着点东西啃，会比较愿意坐着

[面条 @miantiao_me]

https://t.co/QpAJ47VPvV

[📦Acbox @AcboxLiu]

怀着激动的心情，Memoh 的正式版现已上线了！
Memoh 是一个 cloud-first 的多 agent 平台，我们给了每个 agent 一个云电脑和独立的云桌面，你可以使用 memoh agent 或托管你自己的 codex, claude code 到云电脑上，在一个UI里使用！
为了��持云电脑的低成本，我们通过在世界各地的数据中心托管机器来自建我们的sandbox集群，8c16g的配额在Memoh订阅中一个月仅需5美元
现在你可以去 https://t.co/gLiVpv8l1t 下载我们最新的桌面端

[华丽 @yeahmetro]

我现在基本都是让 deepseek flash ���开发，然后配一个 k3 做 review ，改一轮之后人工验收，非常舒服

[yetone @yetone]

@object_nullll 你会主要用它来做开发吗？

[Anthony Fu 🦋 @antfu.me @antfu7]

It's been a while...

Introducing Devframe v1.0 🚀

The framework for building DevTools that can run everywhere, for any meta-framework, for both humans and agents.

Check out the announcement post and join our Discord 👇
https://t.co/IbZeGwemRe

[Barret李靖 @Barret_China]

Team 的运转离不开三类人。第一，能够持续去定义问题，做什么，不做什么。第二，对结果负责的 owner，他能够牵引团队，以正确的方式拿到结果。第三，领域专家，他的技能是确保团队在复杂任务之下，依然可以良好运转。AI 很容易让这三类特性同时落在一个人头上，因此出现了大量的超级个体、OPC。

[Anthony Fu 🦋 @antfu.me @antfu7]

Updates in recent Node Modules Inspector:

- Better module type detection (now it recognizes binary packages)
- Colorizing the charts by module type, published age, or duplicated versions to find them easily

[Yuri @yuri4gen]

和房东的猫一起唱《云烟成雨》。
一首很多人已经很熟悉的歌，
这一次，我也有幸走进了它。
有点奇妙。