hankin

INTJ | Petroleum Engineer specializing in on-site solutions and technical sales. I focus on using AI tools to streamline company operations, enhance efficiency,

[hankin @yuhaijun]

CopilotKit 官方已经明确采用两层模式：
开源核心；
CopilotKit Intelligence，负责持久会话、实时同步、检查台、多租户等高级能力。
未来改变核心代码许可证：中等风险。
CopilotKit 继续强化 Intelligence 商业边界：高概率，官方已经明确采用这种产品模式。
OpenBot 依赖 Intelligence 导致无法独立运行：当前已经是现实，不是潜在风险。

[hankin @yuhaijun]

@KalinJunYAI @miles_mazy 新号充值直接封掉了。不知道是绑定的问题还是别的问题。

[hankin @yuhaijun]

@Ryrenz 两个月之前玩过，我买了ESP32-S3，效果很不稳定，基本上抖动非常明显。主要卡点是语音转换的两个来回， STT和TTS。总体的延迟感受明显比全双工的GPT Voice要差的非常多。

[hankin @yuhaijun]

@Vincent_AINotes pro 试过，额度 2%，大概 luna 能坚持一天多

[hankin @yuhaijun]

@Fei2411 google最近节点要求严格了

[hankin @yuhaijun]

@rionaifantasy 感谢分享，试了一下，存在比较明显的同一新闻重复问题。我已经让Codex自己去完善了，谢谢。

[hankin @yuhaijun]

codex has been reset without any notifications !!!amazing !!! @thsottiaux

[hankin @yuhaijun]

重新整理了这次 Qwen3.8-27B 单卡实测：120 tok/s 只是半个答案。

HumanEval 92.7%、IFEval 80.0%；但默认 xhigh 会在部分题目中耗尽 12K 甚至 24K 预算。15 题探索性配对里，medium 为 14/15，xhigh 为 11/15，medium 的输出 token 中位数约低 59%。

完整数据、限制与部署来源：https://t.co/egt4w8dZK9

[hankin @yuhaijun]

@Khazix0918 而且降智明显，昨天睡前让他修一个小 bug，就 1 小时在修，修完了自己跑了 9 小时测试，这还是各种约束之后

[hankin @yuhaijun]

我复现了 syv-ai/qwen38-27b-rtx3090 的单卡方案：

RTX 3090 上，Qwen3.8-27B 的 MTP 实测 120.0 vs 52.7 tok/s（2.28×），64K 可用；真正的坑是默认 xhigh 会在部分推理题上烧完 12K/24K 输出预算。

完整实测、边界与部署来源：
https://t.co/LKxJUHMEjb

[hankin @yuhaijun]

https://t.co/Omn2fyVUoc

[hankin @yuhaijun]

@aehyok 80 并发吗，别逗了，我就是 3090，你就说可能吗

[hankin @yuhaijun]

@shangdu2005 @zjp73 昨天就没了，现在要是重置，就真是表演性重置，没有任何意义。

[hankin @yuhaijun]

@felix98813 昨天剩 2%，今天蹬了一天 luna max，目前还能用，只是不能做主力工作，真不限量啊

[hankin @yuhaijun]

@Zai_org @ZixuanLi_ 算了，已换豆包输入法，体验断层领先，勿念

[hankin @yuhaijun]

智谱输入法越来越离谱了，前两天按下能看到思考过程有英文，今天直接把我中文翻译为英语输出了，太离谱了@zai_org
@ZixuanLi_

[hankin @yuhaijun]

@BruceBlue @YuLin807 看工况吧，codex要是大量并行测试开发或者本地模型跑起来，也烫手。m2max 32

[hankin @yuhaijun]

@XuYang2026 还有一点我本地模型主要用来跑隐私工作流，目前体感够用了，我反正觉得grok4.5都不太聪明，不指望本地模型能写代码

[hankin @yuhaijun]

刚完成一轮 Qwen3.8-27B 本机实测：MTPLX 对比 OMLX，在 512/4K/8K 上下文、512/1024-token 输出、首问与第二问共 12 个场景全部更快。连续第二问最高减少 48.2% 等待时间。测试方法、曲线和质量边界整理在文章里👇

https://t.co/MBOr5V9uNK

#LocalLLM #Qwen3 #MLX