OpenAI 发布 GPT-6 Sol 和 Luna 两款模型，API 价格直降 50%。Sam Altman 称按单任务计价，新模型更快也更便宜，市场上没有对手。
来源@sama「OpenAI发了新GPT-6模型，Sam Altman说没对手」@OpenAI「OpenAI发布两款GPT-6模型 API降价50%」
Meta 的 AI 代理 Muse 登顶苹果美区免费应用榜后，在亚马逊购物被切断访问。亚马逊称，此前尝试让 Meta 自愿把亚马逊排除在 Muse 体验之外未果，现已正式要求移除。详见今日深读。
来源今日深读《Meta的AI代理“像你一样”逛亚马逊，被网站切断访问》@MSX_CN「Meta的Muse AI Agent登顶苹果美区免费应用榜第一」
Anthropic 上线 Claude Opus 5.5，试用者认为它补上了 AI 输出内容质量差的老毛病，社区已出现大量实测讨论。
来源@AnthropicAI「Anthropic发布Claude Opus 5.5，被认为解决了AI瞎写问题」@Polymarket「Anthropic发布Claude Opus 5.5，被认为解决了AI瞎写问题」
⚡ 认识 Qwen-Audio-3.1！ 自动语音识别（ASR）、文本转语音（TTS）和实时语音能力已全面升级，新增两个模型：用于音频生成的 TTS-Next 和用于音频理解的 ASR-Next。
🎉见证历史！国产开源大模型直接登顶 Hugging Face 双榜第一！ 刚刷到网易有道开源的实时流式语音大模型：Confucius4-R2T2 ，基于 Qwen3-ASR-1.7B 微调 另外顺带把流式翻译模型 T3PO 一起开源了 刚…
上周日晚上，有人用 Meta 的 AI 代理 Muse 在亚马逊购物，屏幕弹出一则提示：“未经授权的 AI 代理继续访问，违反亚马逊的使用条件。”
亚马逊已经切断 Muse 对其购物网站的访问。它说，此前尝试让 Meta 自愿把亚马逊排除在 Muse 的体验之外，没有成功。现在正式要求 Meta 把亚马逊从体验里移除。
Muse 是 Meta 9 月 8 日发布的个人 AI 代理，专门处理多步骤任务，不做一次性问答。它连接电子邮件、日历、支付、餐饮和购物等服务。免费，有付费订阅层级，可用于 iOS、Android、muse.ai 和 WhatsApp。
𝕏 实时信号 + arXiv 前沿论文，经 AI 聚类解读 · 一眼扫完全貌（含上方导读精选 4 条）
如果你日常使用 Claude 大模型，这份来自社区用户的综合分析能帮你更了解这款产品的实际表现。
社区讨论：有人补充了不同推理等级设置的对应页面，并提到max推理等级生成SVG时两次都遇到了128000token令牌配额不足的问题。多数人认可新版Opus任务成本比旧版降低一半，也有人指出相同性能区间里，Opus 5.5价格仍比竞品更高。不少人质疑现有的评测排名和基准测试有效性，有人指出模型厂商会先放出高质量模型吸引用户，之后悄悄降配，还有人吐槽现有排名把表现很差的Opus 5排在Astra前面，结果不可信。
也有人提到，闭源旗舰只比开源模型好一点，但定价要贵一百倍，长期来看市场会更偏向够用的开源模型。
做开发不用挨个配工具，全套智能开发工具已经成套推出，日常开发流程可以直接用这套体系走通
社区讨论：多数付费老用户不满JetBrains IDE近年资源占用过高，WebStorm编辑Markdown文件单按键就会让风扇狂转，IDEA添加新工作树时会持续卡住索引，不得不频繁重启IDE恢复系统资源。不少用户称很少用到JetBrains的AI相关产品，质疑其在AI领域投入烧钱却没做出竞争力，也有人认为JetBrains个人定价合理，希望其能在智能开发领域取得成功。
需要大模型做产品的开发者，可以在Higgsfield平台用上更便宜更快的Claude Opus 5.5了。
我们推出Higgsfield × Claude Opus 5.5。
Anthropic的最新模型现已在Higgsfield上线，它比Opus 5便宜40%，速度快30%以上。
将Opus 5.5与Higgsfield MCP搭配使用，就能把你最宏大的想法转化为完整的产品。
现在通过Higgsfield MCP的Claude以及Higgsfield超级计算机均可使用。
OpenAI此前发布了AI求解流体问题的成果，这项争议直接影响AI在工业流体模拟领域的应用方向。
社区讨论：多数人认为OpenAI没有解错问题，它没有解决难度最高的无外力版本，但给出了克莱千禧年问题表述中明确允许的有外力版本。部分网友指出《科学美国人》称大语言模型利用了题目表述漏洞的说法是哗众取宠，也有人认为这是题目本身表述不严谨，利用规则漏洞本就是数学解题的常用方式，还有人认为这件事体现了AI需要人类介入纠错，本质就是AI只会严格按要求执行，不会理解出题人本意。
单个工程师配合AI智能体团队完成了核心组件迁移，还保住了代码质量。AI辅助开发的效率已经突破传统认知。
仅一名工程师加上智能体团队就将 GitHub Copilot 智能体运行时移植到了 Rust，迁移了 80 万行生产代码，同时还保持了代码质量。🚀
以下是实现过程。
AI 对话系统首次做到「边聊边干活」:一个模型负责实时对话，另一个在后台异步执行查资料、调工具等任务，结果再无缝插回对话，在 8 项视频和 8 项音频基准上多项领先，打断响应率 75%。
大模型做长任务时，中途的每个选择——先测哪个假设、在哪个代码上继续搭——决定了整件事的成败。
大模型做长任务时，中途的每个选择——先测哪个假设、在哪个代码上继续搭——决定了整件事的成败。研究者把这种中途决策能力叫做「品味」，并造了个评测集：把 AI 自己跑任务时的轨迹切成岔路口，让模型在不知道后续结果的情况下选方向。最强模型只答对 59.7%，而且岔路口的线索出现得越晚，所有模型越抓瞎；给更多推理时间也没用。
好消息是品味可以教：让看过结局的老师把判断蒸馏给学生，学生在没见过的任务上决策更好，端到端成功率也涨了。它不是你明天能用上的，但它在提醒：AI 的下一个瓶颈可能不是算力，是判断力。
关注X大模型更新的人可以看看社区讨论，有没有新的功能和性能变化值得期待。
社区讨论：多数体验过Grok的用户认为它表现很差，个人体验上不如Claude、ChatGPT等竞品，能力、价格各维度都没优势，还有用户提到它价格昂贵，负面政治关联多，也有人表示没见过有人用这款模型，质疑它的存在价值。只有少部分用户分享了测试数据，还有人询问订阅版和API的价格对比。
OpenAI官方从未发布GPT-6系列，但社区已经开始提前讨论，想体验下一代GPT的人可以关注相关进展。
社区讨论：多数人认可OpenAI本次降价幅度，GPT-6 Sol和Luna比前代降价50%，Luna仅一半价格，有人评价这个定价“ positively insane”，也有人表示看不懂为什么没有GPT-6 Terra。有开发者提到对前代5.6 Sol使用体验很好，担心升级后不如旧款顺手，还有开发者担忧行业发展会影响自身职业前景。
有人拿到新模型试用后，觉得这次更新终于补上了AI输出内容质量差的老毛病，经常写长文的创作者可以留意新版本表现。
刚刚消息：对 Claude Opus 5.5 的初步反馈显示，Anthropic 可能终于解决了 AI 的“垃圾写作”问题。
Claude Opus 5.5 现已开放使用。
Hacker News 社区出现大量关于 Claude Opus 5.5 的讨论，是否有新版本即将发布值得关注。
社区讨论： 不少用户指出Anthropic上周才呼吁放缓前沿AI开发，本次就放出Claude Opus 5.5，参数和性能更新都说明没有践行放缓承诺。测试者发现新版模型输出更清晰，把重点内容前置，解决了旧版输出冗长难以理解的问题，高推理等级能输出正确结构的图形，但最高等级会触发输出token上限无法完成生成。还有用户提到新版定价相比旧版有所下调，更多人期待同更新的Haiku 5.5能带来合格的快模型。
大规模使用大模型的开发者可以直接获得更低成本，规模化部署AI项目的投入门槛降了一半。
请欢迎 GPT-6 Sol 和 GPT-6 Luna 加入 GPT-6 宇宙。
GPT-6 Sol 和 Luna 基于 GPT-6 Astra 的技术进展构建，将 GPT-6 Astra 的大部分优势整合进更快、成本更低的模型，以支持大规模工作场景。
我们还优化了缓存和推理的效率，并将节省的成本直接传递给你：相比 GPT-5.6 的促销定价，Sol 和 Luna 的 API 价格降低了 50%。
正在做OpenAI插件开发的开发者可以参与讨论，反馈你需要的分析功能，帮助OpenAI优化插件开发体验。
嘿各位！我是 OpenAI 负责插件开发者体验的工程师之一。
我们正在探索如何更好地展示插件分析数据，我希望听听你们的想法。
目前你们觉得缺了什么：使用数据、工具错误、延迟、用户反馈，还是别的？
告诉我们你希望看到什么。具体的例子会尤其有用。
经过一些测试，前沿模型的这次发布完全说不通——GPT 6 Sol 更便宜，但糟糕得多。
Opus 5.5 听起来更正常，但算不上智能上的飞跃。
如果闭源实验室停滞不前，开源就只会更快追上来——到今年年底，两者差距将缩小到零。
让系统自动付款不难，难的是出问题时知道谁授权的、触发了哪条规则、钱最后去了哪儿。对 AI Agent 尤其如此。据项目方披露，@Polyflow_PayFi 关注预算、权限和完整审计，让机器支付不只是自动执行，也能被回溯和复核。
没有审计的自动化，只是把风险跑得更快。这事看着像技术升级，实际影响的是每天重复发生的操作。机器之间未��可能按次买数据和算力，交易频率比人工采购高得多。
传统报销太慢，裸钱包又缺部门预算、用途标签和审批轨迹，所以中间需要一个能执行规则的账户层。真正的门槛不是演示一次自动支付，而是高频跑起来之后，还能对账、追踪、撤销权限、处理异常。机器速度可以快，企业治理不能因此被绕过。
计划中的功能也不等于已经全面可用。最后还得回到真实使用：资金路径短没短，信息丢没丢，出异常能不能快速找到责任和解决方式。#审计 #AIAgent
通义千问音频技术栈现已覆盖完整工作流程，从语音识别、实时对话到语音合成和音频创作。
ASR、TTS 和 Realtime 全部完成升级，ASR-Next 和 TTS-Next 现已加入产品系列。
一共五个模型，足以支撑各类开发。
近三周已有多款AI模型和Agent API推出，个人代理和语音AI进展飞快。市场机会打开速度快于填补速度，现在是史上套利空间最大的时候。
我觉得非常有意思，居然有这么多人认为现在不是创业的好时机。
Grok 4.7、GPT-6 Sol/Luna、Opus 5.5、Astra、Gemini 3.8 Live、Muse、Instinct、Jev、智能体API等等，这些都是过去三周里出现的成果，个人智能体/语音AI领域进展神速。
因为套利的本质就是同一件商品在两个市场有不同定价，而你要做的就是切入这个差价。通常情况下你得主动去寻找这些价差缺口，因为它们非常稀有，而且一旦被人发现就会立刻被抹平。
现在不同的地方在于，这些新缺口的 opening 速度远远超过了人们去填补它们的速度。我认为现在绝对是历史上套利的最佳时机。
你做个人开源项目感到孤独的时候，能找到同路人一起推进项目。这个工具已有上万开发者使用，管理十万以上代理。
我即将加入位于旧金山的 Solo Founders Programme (@solofounders)！
八个月前，我为自己开发了一个编排 Claude Code 智能体的工具。当时同时运行 30 个智能体看起来还很离谱，现在它很快就变成了常态。
@ao_build 从我为自己打造的工具，变成了已经有超过一万名开发者使用、管理超过十万个智能体的项目。
虽然我是个独立创始人，但这段旅程我从未觉得孤单。从第一天开始，AO 就是一个由社区驱动的开源项目。但创业过程中有些事情，只有其他创始人才能理解，如果没有懂你处境的人，你很难坚持下去。
现在我将和一众优秀的创始人一起，在 Solo Founders 基地生活和开发。一起做独立创始人，出发吧！
针对中国AI硬件的定向限制已经写入大模型产品规则，使用非美系AI加速器调用模型会被主动降智。
🤔Dario 把对中国蒸馏防线写进了 Opus 5.5 文档，不是演讲，是写进产品规则！ 🔸首个会因“前沿大模型研发”降智的 Opus 🔸官方例句就一件事：给某些 ML 加速器写 kernel 🔸一触发，5.5 立刻掉到更弱的 Opus 5 🔸再加“保留思维”：锁死上下文，防你改前文抽出推理 🔸话术是安全，效果是谁碰非美系加速器谁变笨 🔸护栏给模型，降智给用户，指向给中国硬件 #Opus55 #Claude #Anthropic #DarioAmodei #保留思维 #芯片战争 #中美AI
对做亚马逊第三方生意的卖家来说，这款依托Claude的AI助手能7×24小时自动完成库存、定价、广告等运营工作，帮卖家省出手动处理这些事务的时间精力
这款模型支持超长上下文窗口，可处理文本、图像和视频输入，推理速度快，支持调节推理能力，感兴趣可以去体验反馈。
来OpenRouter认识Space Bunny Alpha ⚡
这是一个快速模型，拥有快速推理、可调节推理能力，以及100万token上下文窗口。
它支持文本、图像和视频输入。
快来试用并分享你的反馈：
这个方向打破了现有AI智能体金融模式，未来AI智能体可凭借自身交易业绩获得资本，值得观察这一新叙事的发展。
智能体AI需要的不只是更好的模型，它还需要资本。这就是为什么建立在@base上的@agenticscredit让我感兴趣。
他们的想法很简单：衡量智能体的实际交易表现，把这份交易记录转化为智能体信用评分，并以此来确定智能体是否能获得受限资本。
而Base已经有现成的金融轨道，可供智能体支付、赚取收益、交易以及与链上服务交互。因此整个大图景开始变成：
智能体 → 交易记录 → 信誉 → 信用 → 资本
这对智能体金融来说是一个完全不同的方向。长远来看，这个想法不是让AI智能体只用别人的钱执行交易，而是让智能体可以建立可验证的金融历史，并最终根据表现获得资本准入。
表示，其合格路径目前从ACS 580分开始，资金通过候补名单分配，并设有严格的风险限额。
看到团队已经接触到Base建设者和投资者让这个项目更有意思了。拥有自己金融信誉的AI智能体能成为比AI交易大得多的原语。这是我正在密切关注的Base + AI叙事之一。🔵
在意AI在本地设备上的行为是否可控，可检查的开源工具能提供闭源产品给不了的安全感。
这是目前图像编辑和文生图领域排名第一的开源模型，追求图像生成效果可以试试这个新选择。
感谢 @arena 的认可！🏆
Qwen-Image-2.1 目前在图像编辑和文生图 Arena 排行榜中都是排名第一的开源模型。
现在就来体验，向我们展示你创作的作品吧！🎨
在AI榜单上，这个开源模型得分追平了Grok 4.7，比 Qwen3.8-Max等模型排名更高，单任务成本仅0.13美元，远低于同得分的Grok 4.7。
🚨 小米新开源模型悄然攀升至AI排行榜前列。
MiMo V2.6 Pro在人工分析智能指数上得分46，成为目前该榜单上排名最高的开源模型，仅落后GPT-5.6 Sol一分。它的排名还领先于以下模型：
→ Qwen3.8-Max
→ Kimi K3
→ GLM-5.3
而且它不只是在智力测试上竞争力强。在成本方面，它每个智能指数任务的成本大约为0.13美元。
参考信息：同一天发布的Grok 4.7得分也是46，但AA给出它的成本是，高推理任务每个2.73美元，极高推理任务每个3.74美元。
MiMo V2.6 Pro是全多模态模型，设计用于：
• 复杂研究
• 长程推理
• 科学工作流
• 网络安全任务
小米表示，性能提升来自后训练自改进系统，而非修改预训练基础。
基准测试结果很强，但真正的考验是开发者实际能用它获得什么。
#AI #OpenSourceAI #LLM #Xiaomi #MiMo
智能体推理场景同时面临预填充成本、KV缓存大小和检索精度三大问题，新架构一次性解决了这三个痛点，长上下文推理效率提升明显。
普通人也能拥有个人移动端智能助手，可以帮你规划任务、处理操作和生成内容，性能在多个公开测试集上表现出色。
搭配推荐工作流使用，可解决Qwen Image 2.1的大部分生成问题，还有与原模型效果的对比图，对使用通义千问文生图的用户有用。
Qwen Image 2.1 图像生成问题的修复 LoRA 现已发布。
配合推荐设置的工作流使用，可以解决大部分生成问题。
还提供了未应用（原生）状态的对比图。
#QwenImage21 #LoRA 链接在评论区⬇️
效率提升后压缩了项目周期，但从业者的劳动强度并没有降低，反而更累了，可以看看AI对一线工作节奏的真实影响。
中午见了还在��厂工作的产品经理，他说现在越干越累。有些新项目都不写PRD了，和研发一起vibe coding，一天提交仓库代码7～8次。第二天和研发碰头讨论迭代。
研发一开始还自己review代码，后来实在看不���来，都交给模型测。效率确实有巨大提升，原来1～2个月的工作量，现在都是一周做完，累！
想要快速掌握 AI Agent 开发，可以直接从这22个技能切入，不用通读原书就能快速上手学习。
感谢读者 LiNan1984 把《深入理解 AI Agent》蒸馏成了 22 个 skills，方便 agent 在开发 agent 的时候使用，也方便人类读者快速阅读。
身处软件行业，可对照自家企业对AI的使用方式，判断是否缺少有判断、有管控的AI使用流程。
在软件公司中，我看到他们在人工智能应用上存在两个极端：
- 一些公司几乎不用人工智能（或者仅限于从 ChatGPT 复制粘贴内容）。
- 另一些公司购买了 Claude Code，并且要求团队不惜一切代价不停产出，甚至不做检查。
两种情况都缺少同一个东西：带着判断和控制去使用人工智能的流程。
开发者Manixh02使用MiniMax Code的M3模型，仅花费1美元搭建作品集
一位名为Manixh02的开发者在𝕏平台分享，这类个人作品集通常的制作成本是500美元。他通过MiniMax Code的M3模型完成了自己作品集的搭建，总成本仅为1美元。
这次搭建用到的代理框架(harness)基于开源项目OpenCode和Pi开发。
本次使用的MiniMax Code命令行界面(Code CLI)同样是开源项目。
Manixh02评价，花费1美元就能完成这样的作品，效果还不错。
开发者@0x0funky在𝕏发文称，Opus 5.5的JS视觉与SVG生成能力远超预期
开发者@0x0funky在社交平台𝕏发文评价大模型Opus 5.5，称它的能力「有点逆天」。
Opus 5.5在JavaScript（JS）视觉处理和SVG生成方面能力极强，开发者猜测它训练数据中加入了特殊内容。
该开发者原本为教育机构制作教材，目前这套工作流和相关技能已经被Opus 5.5取代。
他认为个人开发者不必和大厂在模型或应用层面竞争，充分利用大厂模型的进步才是合理方向。
本次生成6分钟视频仅用不到1%的每周额度，是单轮（ONE-SHOT）一次生成。
博主@gaoqian2580在𝕏分享了这款聊天生成视频的AI工具Pexo
别再死磕复杂的 ComfyUI 节点和剪辑时间线了！ 刚刚用 Pexo 测了条 3D 科幻预告，彻底被震撼到了！ 先介绍下，Pexo 是一款能通过聊天做视频的 AI 创作工具。想做什么、画面要什么风格、哪里需要改，都可以直接跟它说。 我就像跟好莱坞导演发微信一样，把想要的画面和风格告诉它。它帮我拆分镜、生成机甲画面，再配上音效和 3D 标题，最后拿到一条能直接发布的完整成片！没写复杂的提示词，也没自己折腾剪辑时间线。 这次用下来，确实是我目前用过上手最简单的 AI 视频产品。不用先研究该选哪个模型，也不用自己搭工作流，把想法和要求告诉它，看完哪里不满意，就接着聊、接着改。 想改画面，还可以用 Mark to Fix。比如想调整片尾标题的位置，就直接在画面上圈住标题，在右侧弹出的批注框里写：“标题往上挪一点，其他画面保持不变。”提交修改后，再看调整后的效果。像给文档留评论一样，不用自己去研究一堆剪辑参数。 想给自己的作品做条预告，又不想先研究一堆剪辑工具，可以试试直接跟你的 AI 视频导演聊聊。 视频用 @Pexoai_offical 做的。
🔗 体验入口：
来自𝕏用户@xiangxiang103分享，拆解Qwen-Image原有限制并提供破解方案
techNmak分享了一本从原理解读Transformer块的知识手册，涵盖多个组件特性
来自𝕏用户Parul_Gautam7的实测分享，附推广优惠码
我刚刚给@qoder_ai_ide布置了一项真实任务：从零开始构建一个可用的AI项目管理仪表盘。我描述了最终效果，选择了Qwen 3.8 Flash，设置好权限，然后看着它规划、构建、测试和修复这个项目。
最终的仪表盘拥有可用的任务创建、状态更新、搜索/筛选、动态进度、分析功能和深色模式。在9月30日之前，运行Qwen 3.8 Flash不消耗任何Credits，所以现在可以免费使用。
来试试Qoder：先输入我的邀请码37JUWX，然后下载Qoder并登录。你将获得600 Credits：14天Pro试用的300 + 我的邀请码额外提供的300。
来自𝕏用户@midudev，用到Claude Code部署在服务器
我做了一个超级疯狂的实验：一个由人工智能自主开发的网站。我在服务器上安装了 Claude Code。
用户提交想法，AI每4小时选出最优方案并实现它。此外代码已经上传：
这个网站是开放给大家参观的。出于安全考虑，目前做了访问限制，无法访问数据库或创建API，但我打算完全解锁看看会发生什么。
吴恩达建议所有人学编程避免AI时代掉队，有博主提到，2025年AI编程成为发展焦点后，原本跟进AI进展的非技术人开始掉队。
Agent能力越强，调用工具和代码越多，CPU需求就越大，这条算力链正在变长，谁能先吃到这波增量还不好说。
🤖 $META 的 Agent「Muse」冲上苹果美区 iPhone 免费应用榜第一， 这也让市场重新看到了AI Agent背后的CPU需求。📊 Agent 越能干，浏览器、代码和工具调用越多，CPU 的活���跟着变多。从 x86、Arm 到云厂商自研 CPU，这条算力链正在变长。
🤔 $AMD 、 $INTC 、 $ARM ，谁会先吃到这波 Agent 增量？#AI
只需要一次GET请求就能拿到官方文档片段，文档还经过提示注入检测，比普通网页搜索更适合编码代理使用。
现在推出 Context7 Search：面向编码智能体的接地 API。只需一个 GET 请求，就能获取文档片段。
和网页搜索不同：
• 官方文档，由库维护者管理
• 已扫描提示注入与恶意软件
• 快速且 token 高效
输入文档和一组指定类型问题后，模型会返回每个问题对应的概率结果，用于决策场景。
我们很高兴推出 Lumma-fev-0.6B，这是一个基于我们从零搭建的 Lumma-0.6B-Base 微调得到的类 Jev 决策模型。
你向它输入一份文档和一组分类问题，它就能在一次前向传播中为每个答案返回概率。它不生成文本，因此无需解析，也不会产生幻觉。
它专为路由、分诊、内容审核以及任何需要决策而非生成段落的工作流打造。
这仅仅只是开始，我们计划在未来几天内开源 4B 和 9B 版本，并附上详细的基准测试报告。
该研究发现，提升机器人操作能力更需要扩展空间和三维理解，而非扩展动作规模，性能优于多数更大的已有模型。
GPT6-Astra告诉我们，扩展空间理解和三维理解而非扩展动作，能带来更好的机器人操控表现。
我们采用了极简思路：如果直接从三维理解模型训练策略，而不是从视觉语言模型（VLM）训练，会怎么样？
出人意料的是，它的表现超过了大多数更大规模的视觉语言动作模型（VLA）和可抓握动作模型（WAM）。
现在推出基础动作模型（Grounding Action Model）：这是一个全新的、达到当前最优水平（SOTA）的策略，由小型三维框检测模型WildDet3D训练得到。
Arxiv:
Code:
相同AI测评分数下，MiMo V2.6 Pro单任务成本仅为同分数Grok 4.7的约3.5%到4.8%，且比前代性能翻倍价格不变。
所有数据都不会离开本地设备，能基于已有本地大模型实现图文输入做决策，新手也能跟着步骤从零上手
若你选AI服务时纠结开源闭源，这个行业从业者的观点可帮你参考决策。
功归功，OpenAI 在降低高质量智能模型成本这件事上，做的可能比任何实验室都多。
开源当然重要，但如果你看全套服务的各个维度：模型质量、可用性、延迟、可靠性、不同智能等级的选择、易用性、成本，没有哪家服务商的整体方案比 OpenAI 更好。
我们一直在大量使用这些模型，体验很不错。
单张H100就能跑出100ms以内的推理速度，想测试多模态AI的本地部署可以关注这个项目
【新发布】多模态AI「Jev-Omni」单模型支持4种模态，视频版的Jev非常热门。我这就去试用一下。
其他开源项目大多都缺这缺那，但这个把所有模态都整合了，推理耗时不到100毫秒。
・单模型处理文本/图像/音频/视频
・在Typed-benchmarks上达到与Jev同等水平（开发者称）
・用8块H200训练3万样本，重视数据混合
・单块H100推理耗时不到100毫秒
↓详情
原来堆参数堆算力就行，现在发现训练数据质量差会让大模型效果大打折扣，关注后续哪家厂商敢公开自己的数据工程质量。
想要降低AI代理运行成本、提升速度的人，可以参考这套组合思路，作者公开了完整的框架图解。
只需一个提示词，Jev + Claude Code 组合就能让AI代理速度提升200倍，成本降低400倍。
秘诀就是：让代理横向拓展而非纵向延长。
我已经用三张图完整拆解了这套系统。
把它保存下来吧，以后你会用得到。
关注 @cyrilxbt 获取更多AI资讯。
可在自己设备部署，能调用浏览器、终端、桌面，支持对接你已有的各类AI模型和日常应用，可自己掌控部署和数据
🎉 推出 OpenMausBot。
这是一个开源、可自托管的AI智能体团队，而不是另一个被框定死的助手。
• 可使用电脑：浏览器、终端、文件和真实桌面
• 可连接你日常使用的各类应用
• 目标、日常任务和进度持续推进
• 同时适配移动端和网页端
支持 @claudeai 、@ChatGPT 、@grok 、@cursor_ai 、@NousResearch 、@Alibaba_Qwen 、@Kimi_Moonshot，以及你拥有的任何框架或模型。
你的机器人。你的机器。你的密钥。
前沿模型能力越来越强，行业安全协调已经提上日程，普通用户也能受益于更安全的AI发展环境。
曾坚决反对AI编程的顶级开发者，几个月内态度彻底反转，说明AI辅助编程的实际体验比预想更好。
Minecraft 之父 Notch，终于开始承认 Vibe Coding 真香了😂 刚刚他在 X 上发了一条：
我得承认，我正在享受 Vibe Coding 的乐趣。 我可能有那么一点点、微乎其微地错了。
要知道几个月前他还是 AI 编程最坚定的反对者之一。 今年年初，Notch 还公开说，用 AI 写代码是个非常糟糕的主意，甚至把鼓吹 AI 编程的人骂得很难听。 7 月又发了一次：“Reject AI.”
结果一周之后，因为实在招不到满意的程序员，他开始松口，准备让 AI 帮自己做地图编辑器、节点图之类的内部工具。 到了 8 月，他已经开始说自己可能得“认错”了。 现在直接认错了🤣
这条下面 Elon Musk 直接回了个 😂。 一个亲手写出 Minecraft 的程序员，最后也开始 Vibe Coding 了。
没机会在斯坦福修课的开发者，可以照着公开的8周作业自学，锻炼和AI协同开发的完整能力。
斯坦福 2025 年秋季，开了一门 CS146S「现代软件开发者」，讲怎么跟编码 Agent 一起写软件，8 周作业全部公开在 GitHub 上。
每周一个主题，从提示词技巧开始，接着给现成的小应用加功能，自己写一个 MCP 服务把外部接口接给模型。
再往后用 Claude Code 搭至少两个自动化流程、用 Semgrep 扫出并修掉至少 3 个安全漏洞，最后一周把同一个应用用 3 套技术栈各做一遍。
GitHub：
第七周的作业我挺喜欢，每个任务只给 AI 一次提示就让它写完，自己逐行审一遍，再拿自己的审查意见跟 AI 审查的结果对比。
不少作业带现成的起步项目和测试，第一周还用 Ollama 在本地跑模型。没机会上这类课的，照着 8 周作业自己过一遍，能补上不少。
用户在𝕏分享了自己使用Gemini Flash在GeminiApp生成的10秒AI视频，本文是生成提示词与效果描述
用户在𝕏分享了一段使用Gemini Flash在GeminiApp上生成的AI视频，这是一段10秒的超逼真电影质感视频。
视频内容为：一个俊朗的年轻人独自坐在光线昏暗的复古图书馆里，阅读一本古老的奇幻书籍。他慢慢翻过一页，金色发光微粒从书页中缓缓升起。
微小的奇幻角色、城堡、魔法古树、龙和漂浮的魔法符号逐渐从书页中显现，就像一个微型3D世界被激活。这些形象不断变大，自然舒展到年轻人周围，整个图书馆也随之变成一个令人惊叹的奇幻王国。
在视频最后几秒，年轻人惊讶地抬起头，发现自己已经完全被书中走出的世界包围。视频设置了流畅的电影推镜、魔法体积光、逼真粒子效果、细节丰富的环境、戏剧性景深、自然转场，参数为照片写实、高细节、4K分辨率、电影调色，无文字、无水印。
用户@Jenny_MommaLion 在X平台分享，仅提供角色参考就用Kling_ai Omni生成了完整动画
用户@Jenny_MommaLion 分享了使用Kling_ai Omni生成的AI动画，并附上了自己使用的提示词。该用户只提供了一张角色参考图，场景部分由Kling在生成动画的过程中自动创建。
生成的动画内容是：一名压力很大的男子在灯光昏暗的酒店房间里焦虑踱步，空气中弥漫着紧张感。男子望向窗外，城市天际线在暮色阴霾中向远方延伸，呼应了他内心的孤独感。
房间内部陈设稀疏，小桌子上散落着凌乱的文件，地板上放着一个半开的行李箱，象征着主人混乱的精神状态。角落投下柔和的阴影，让整个空间显得更加逼仄，就像快要让人窒息。
窗外的光线投下淡淡的光晕，和室内的黑暗形成对比，营造出孤独忧郁的氛围。男子的思绪像窗外的云一样，越来越沉重，整个房间都充满了被生活和工作压垮的清晰感觉。这个场景动态融入了男子的内心挣扎，压力仿佛实体化包裹了整个空间。
该用户称，本次生成使用的参考图加角色表，是在Higgs平台的Soul 2.0上制作的，相关链接：
推特用户@Yuchenj_UW实测Anthropic Claude Opus 5.5，对比Astra模型得出这一结论
今天试用了Opus 5.5，说实话并没有觉得惊艳。
我让它研究一个我最近刚了解到的复杂问题，结果它回答错了，Astra答对了。
在编码方面，仍然是Astra体验更好。
这次测试坚定了我之前的观点：前沿大语言模型的编码能力已经进入瓶颈期。现在行业竞争越来越围绕单位算力成本的智能水平展开。
来自X用户@akokoi1分享，用简单提示词就能生成5分钟的地理知识点教学视频
能用上Claude的一线教育从业者可以用AI生成教学视频。只用一段简单提示词，Claude Opus 5.5就能生成解释地理知识点“大气环流”的教学视频，耗时26分钟，生成视频时长接近5分钟，消耗的token非常少。
具体操作步骤第一步：选择一家文本转语音（TTS）厂商，豆包、智谱、海螺、千问都可以，把生成好的文本转语音文档粘贴到一个新建的md文档，例如命名为TTS.md。
然后创建。env文件，填入API密钥和其他需要调整的配置。为了安全起见，需要在。claude/settings.json文件中添加一条"deny": ["Read(./.env)"]，这样Claude就无法读取你的密钥。
具体操作步骤第二步：输入提示词：“做一个动画，讲解高中地理知识点“大气环流”。风格轻松有趣，动画格式为线稿，添加合适的音乐，请务必做到引人入胜，字幕用中英双语，解说用TTS，如果 TTS 接口有关闭水印的参数就关掉，文档在TTS.md，API KEY 和音色分别是 .env 里的 APIKEY 和 VOICE，最终视频要能直接导出。”
提示词可以根据自身需求微调。
原本需要可审计的决策，常把大模型放在核心再补规则，现在这个工具让规则先做决策，AI只负责生成解释
你好 HN，我开发了 ai·rete·rag，因为我一直看到团队让 LLM 负责需要审计的决策（贷款、欺诈、临床分诊），之后才匆忙加上“护栏”。
它改为把二者串联运行：
1. 纯 Python Rete 引擎根据你的事实评估 YAML 规则。结论只来自这里。相同事实总会得到相同结论，并基于优先级解决规则冲突。
2. RAG 从你自己的政策文档中检索段落，再由 LLM 生成直白易懂的……
日本创作者分享用AI生成发布视频的经验，成本仅约150日元
亲手打关键帧这种事已经太蠢了。
这是由 Claude Opus 5.5 操作 Higgsfield 和 AfterEffects，AI 制作的发布视频。
这个视频只用到了月租 19 美元 Pro 套餐额度的 5%，所以只花了大约 150 日元就做出来了。
虽然也生成了一些素材，但基本是在 AE 里做的，所以从这里开始你还可以修改字体、调整颜色、删掉不需要的部分，想怎么修改都行。
接下来就是教给 AI 技巧和审美。广告行业肯定会出现供给过剩，所以只做那种“随处可见的内容”，作为创作者可能就无法生存下去了哦。
用户@mooncat_is在𝕏发文称，发现Claude已经能掌握业余创作了
我觉得我在这里慢慢熬了一阵。我前后琢磨了三次，才真正反应过来，所有那些微小的细节、主题和创意其实都来自AI，还被精心编织成了一个连贯的整体。
我去，Claude居然已经懂业余创作了。
普通家庭终于有了专为自身需求打造的AI工具，不用再适配面向办公或开发者设计的通用AI产品
社区讨论：多数开发者都认为谷歌这款产品命名糟糕，CC是多个常见通用缩写，会造成混淆，还和谷歌最大竞品的产品缩写撞名，不提前定义缩写显得非常不专业。不少用户不信任谷歌的新产品持续性，吐槽谷歌关停过很多用户喜爱的服务，还有人质疑这款产品不值得用户把家庭隐私交给谷歌，也不认可它的核心使用场景。
Twitter用户yupi996称，单提示词就能完美还原Cursor双模式
我被 Claude Opus 5.5 吓到瘫坐了。。😱 一段提示词复刻 Cursor AI 编辑器，Agent + Editor 双模式完美还原。
这直接就是一个成熟的商业产品啊！
开发者在AMD AI Halo机器上用本地AI模型生成RTL代码
使用 AI 生成 RTL 越来越受欢迎，但如果你不能使用 Claude 或 Codex 这类基于云端的服务怎么办？
本周我将研究在 AMD AI Halo 设备上使用本地模型生成 VHDL 和 Verilog RTL。
这是我研究的第一部分，但到目前为止结果看起来还不错。
来自X平台用户分享，Apple Silicon Mac无需额外部署，两行命令就能唤醒内置本地大语言模型
同时超过语音识别赛道OpenAI、NVIDIA的模型，和翻译赛道腾讯、Google的模型，突然冲到Hugging Face前排
用户以为AI自己在对接订餐、改账单这些事，测试阶段有些场景还需要人类后台接管
测试表现超过Opus 5，成本只需要后者的9%，原来的Terra档位被移除了
GPT 6 全系列更新，Sol 和 Luna 价格下降 50%，并且学会了说人话，而 Terra 消失了。
GPT 6 Sol 和 Luna 使用了与 Astra 类似的训练方法，能力更强，对齐更好，价格更低。
在 AutomationBench中，GPT 6 Sol 的表现超越了 Opus 5 的同时，只用了其 9% 的成本，便宜10倍。
GPT 6 Sol 和 Luna 的语言风格和 Astra 相同，表达更清晰，黑话更少，言简意赅，减少不必要的细节。
GPT 6 Sol 在 OSWorld 2.0 等某些指标上不如 GPT 5.6 Sol，这是需要注意的。
OpenAI 这次还特别改进了缓存机制，实现了更高的缓存命中率（他们终于学会了ds的技术）
同时 A 社也在今天发布了 Opus 5.5，象征性地降价了 20%，缓存降价了 60%，在 Agent 任务中，综合下降约 40% 。
我们终于迎来了大模型的大降价时代，感谢竞争，感谢 DeepSeek 和 GLM，请不要停，请继续降。
工具迁移后本地处理大量任务变得困难，参考同行方案做了多AI代理并行运行的基础架构
原本计划内部使用，现在公开给AI代理获取实际工具能力，比如搜索航班这类操作
我们本来打算把这个项目放在 Tomo 内部使用，但现在决定公开推出：欢迎了解 WebMCP Registry，这是一个开放网站索引，收录了提供AI agent可用真实工具的网站，比如说“搜索航班”或者“加入购物车”，因此AI agent可以直接使用网站功能，而不需要一步步点击操作。
我们已经在真实浏览器中加载了排名前10万的网站，并记录了它们注册的每一个工具。我们每天都会重新检查这些工具。
以往语音模型比拼大多围绕英语展开，这次比较主流模型在9种非英语语言上的表现
理论上操作很简单，放到生产环境后，沙箱的影响范围会直接变成AI代理的影响范围
这种方法是错的。在沙箱内部运行代理，理论上很简单，但是在生产环境中，沙箱的影响范围就会变成你的代理的影响范围。
举个例子，以 DigitalOcean 的架构来说：
- 沙箱崩溃/内存不足 → 代理循环随之死亡
- 磁盘占满或环境损坏 → 代理变砖
- 将你自己的 API 暴露为工具 → 需要额外基础设施
- 凭据不能存放在沙箱里 → 需要一整套凭据代理层
- 休眠的沙箱无法自行唤醒执行定时任务
- 更新代理代码 → 需要更新每台虚拟机上的二进制文件
- 监控 → 沙箱必须自己上报故障
不如将执行框架与沙箱分离：
- 在你的后端运行执行框架
- 将沙箱暴露为工具
- 将凭据、历史记录和权限保存在外部
- 只在需要时唤醒沙箱
Amp、Vercel Eve、Cloudflare Flue、Claude Managed Agents 和 OpenAI 的 Agents SDK 都采用这种架构不是没有原因的。我已经写了更多相关内容，介绍为什么这么做以及怎么做：
如果你是需要做代码审查的开发者，这款依托 GitHub Actions 的原生智能代码审查工具可以帮你自动化完成审查流程
今天我们宣布完成了种子轮前融资，并且推出了一款新产品：@starslingdev Review Runners——这是使用你的模型密钥、团队技能与脚本，以及你指定审核者的代码评审智能体，全部都运行在 GitHub Actions 中。
我们从 @BessemerVP 和 @ycombinator 处融得了 300 万美元，目标是让代码验证全面适配智能体原生架构。
代码 → 验证（持续集成 + 代码评审）→ 生产上线
低成本快速改造现有开源大模型就能做概率分类输出，降低了开发特定功能AI的成本与时间门槛
LLM 的下一个token预测本身就是一个概率分类器，因此开源LLM可以提供类似Jev的接口：输入离散选项，输出快速概率。
我们自己的@ekzhang1在Tinker上花了5美元、用10分钟运行，就把这项工作做得更好了。
在GitHub Copilot上就能体验Claude Opus 5.5，处理多步骤任务更高效，开发日常工作可获得更强AI支持。
🚀 AnthropicAI 的 Claude Opus 5.5 现已在 GitHub Copilot 全面可用。
我们的早期测试表明，它在效率方面表现突出：它在任务解决能力上可媲美 Claude Opus 5，同时所需的步骤和 token 显著减少，并且能在多步骤任务中快速恢复错误。
你可以试用它来进行智能体编码、长期运行智能体任务以及知识工作。你可以在 GitHub Copilot 应用、CLI 和 @code 中找到它。
日常编码可以选轻量低价的GPT-6 Luna，交互开发选平衡款GPT-6 Sol，编码需求能按需选模型了
📣 @OpenAIDevs 的 GPT-6 系列正在 GitHub Copilot 中扩张，现已新增两款通用可用模型。
☀️ GPT-6 Sol：适用于交互式和智能体编码的均衡模型。
🌕 GPT-6 Luna：轻量、高性价比模型，适用于小型任务，是该系列中成本最低的选项。
你可以在 GitHub Copilot 应用或 @code 中试用它们。
不需要自己买高性能GPU也能运行扩散模型，按使用付费闲置不花钱，降低了个人测试扩散模型的门槛。
部署 DiffusionGemma-Jev（djev）现在变得简单多了。你现在只需要一条命令，就能在 Google Cloud Run 上启动一个兼容 Jev API 的端点。
性能表现很不错：单步延迟约为 35-60 毫秒，批量大小为 32 时每秒可处理约 100-123 个请求。
这是一种不需要你自备GPU就能做实验的简单方法。运行成本大约是每小时 3 美元，空闲时费用会降到 0 美元。
代码和使用说明：
关注AI技术分类方向进展的人，可以从中了解到Jev和这一新决策模型分类的相关讨论，帮助把握新的技术方向。
想换用开源大模型降低成本，可以用这个工具对比不同场景下不同模型的成本和效果，帮你找到最合适的选择。
帮助你找出哪款开源模型最适合你的使用场景。
可以跨编码、智能体、长上下文、视觉、金融等多个领域对比模型。
你还能查看它们在成本和质量上的对比，包括转用开源模型可以为你节省多少开支。
给开源仓库的新增问题做自动分类，现在用开源的semif，比之前的大语言模型分类器快很多，目前在监控阈值校准情况
我正在用 semif（类似 jev，但它是开源的）给开源仓库里新建的议题打标签，这样我们就能把握流行功能和我们需要投入更多精力的领域。
当前请求模型：
* 状态 —— 议题标题/正文
* 问题 —— 每个标签对应一个 Nou （原文如此）
到目前为止，我们给置信度 p>0.8 的标签打标的速度比我们之前的 LLM 分类器快得多，目前正在监测以确保我们在正确阈值上进行校准。
用一条指令就能自动清理提示词中拖累Claude Opus 5.5性能的无效内容，能直接提升模型使用体验
给 Opus 5.5 的实用技巧：在 Claude Code 中运行“/claude-api prompt-audit”。
这个命令会检查你的技能、agent.md、Claude.md、提示词，并移除会拖累前沿模型的反模式。
我已经用最新的 Opus 5.5 指南更新了技能。
让AI按文字描述画矢量图，现在有了更靠谱的评分方式：用六条细则逐项打分，比单一分数更接近人的判断，训练出的模型效果翻倍。
AI代理会成为用户操作软件的主要界面，削弱传统SaaS公司客户锁定，降低定价权，影响整个行业估值，普通用户也会感受到使用体验变化
开发者首次参加 TapeOut 黑客松，推出链上权限系统 Remembrance Seal
现在的AI生成视频，画面漂亮但一转动镜头就露馅：物体变形、透视错乱。
现在的AI生成视频，画面漂亮但一转动镜头就露馅：物体变形、透视错乱。研究者发现根子不在模型不够强，而在AI的“内部语言”——它天生只记颜色和纹理，不记空间位置。他们干脆把AI的想象空间整个换成一套“几何母语”:这个空间里每个点同时编码外观、深度、相机位置和3D坐标，生成器用这套语言说话，画面质量和3D一致性同时大涨，镜头轨迹误差直接减半。
这不是给你明天用的工具，但它指了个方向：想让AI真正理解世界，得先给它一套能描述世界的语言。
Unsloth优化后，N卡12GB就能起步，本文整理了运行避坑要点
开发者@steveruizok受邀测试Claude Opus 5.5，分享使用感受
我受邀测试了 Opus 5.5。除非你对输出质量要求极高，否则高端版本的差异很难察觉。但高要求会得到更好的回报。
如果你看不出这里的区别，或者你正在给模型做微观提示，我认为快速模型（composer、Gemini flash 等）会好得多。每当我需要做这类工作时，我都会换成这些模型。
但对于 Opus 5.5 这类模型，我一直把每个问题都当成曼哈顿计划级别的劳动组织工作来处理。就好比有一颗陨石正冲向地球，我们唯一的救赎就是让这份显微底稿保持内部一致。
我的提示一般是这样的：先创建一系列评估质量/一致性的维度，然后生成我应用里每个界面的图像，把它们放到一个 tldraw 离线看板上，再随机分组分析，找出问题并修复，直到每个界面/分组在所有维度都通过阈值。
大胆一点，发挥创意。Opus 是个怪胎，用 Opus 的感觉很好，Opus 就喜欢这样。
现在手机拍路牌、菜单，识别多国文字要么每种语言装一个识别器(又贵又容易出错)，要么用超大视觉模型(慢且不准)。
现在手机拍路牌、菜单，识别多国文字要么每种语言装一个识别器(又贵又容易出错)，要么用超大视觉模型(慢且不准)。这篇论文做了一个折中：一个模型、一个视觉编码器，内部用「专家路由」把不同文字分给不同专家处理，同时共享一个专家吸收跨语言的共性。他们造了覆盖10种文字系统、229种语言的合成数据集来补真实数据的稀缺，最终在10种文字的基准上准确率82.06%，超过最强基线；在端到端多语OCR任务上，只替换识别模块就把F1从65.71%拉到80.89%，超过最好的超大模型，参数却少得多。
它不是你明天就能装进手机的功能，但方向很明确：多语识别不必靠堆模型或堆参数，稀疏专家+合成数据就能做到又小又准。
开发者在𝕏分享，借助AI结合形式验证工具检出多种竞态条件缺陷
我使用 Opus 5.5 借助 Lean 对 Claude Agent SDK 进行了形式验证。短短几个提示就生成了 16 个 PR，修复了各类 bug 和竞争条件。附视频。TLA+ 用起来也很不错。
我有时候会结合使用 Lean 和 TLA+ 来查找数据流、并发和状态管理相关的问题。我对这两门语言都不怎么熟练，但 Claude 对它们都掌握得非常出色。
这种方法对于对代码进行形式建模和查找人类可能发现不了的 bug 非常有用。形式验证会是编码的未来吗？（或者至少是查找 bug 的未来？）
Opus 做了一张信息图。
把软件工程任务按类别分开训练再合并，AI 修代码成功率在两项基准上分别提升 5.39 和 2.78 个百分点——但这是给开发者看的工程优化，不是普通人明天能用上的东西。
给大模型加量子电路分支，参数只训练新增部分，16到64量子比特都能跑，平均分从47.65涨到54.30，还只用十分之一的微调数据。
图像生成模型的核心组件——离散视觉分词器——训练不稳的根因，被归结为编码器与码本两个模块的「互相甩锅」:各自都完不成自己的任务，只能靠碰巧配合才运转。
图像生成模型的核心组件——离散视觉分词器——训练不稳的根因，被归结为编码器与码本两个模块的「互相甩锅」:各自都完不成自己的任务，只能靠碰巧配合才运转。新方法把两者的学习目标分开修正、各自配独立的学习节奏，不增加任何参数，就在 ImageNet 上稳定了训练、提高了码本利用率和重建质量。
AI 终于有了一个能同时理解文字、图片、视频和音频的统一模型，在跨模态检索的多个基准上刷新了纪录——但这是给研究者看的前沿进展，不是普通人明天能用的功能。
大模型在心理健康领域的角色正在经历三次升级：先是当“工具”做评估，再是当“聊天对象”做即时陪伴，现在正走向第三阶段——一个记得你、了解你、能长期跟进的“个性化伴侣”。
大模型在心理健康领域的角色正在经历三次升级：先是当“工具”做评估，再是当“聊天对象”做即时陪伴，现在正走向第三阶段——一个记得你、了解你、能长期跟进的“个性化伴侣”。前两阶段的问题很明显：它不记得你上周说过什么，每次对话都是“失忆”的。第三阶段的关键是把模型做成“有状态的智能体”，给它配上档案、记忆、推理和规划能力，让它能跨时间追踪你的状态变化。
这篇综述把散落的研究串成这条进化线，并整理了相关数据集和评测资源。它不是你明天就能用上的产品，但它划出了这个领域正在往哪走：AI心理支持的下一个分水岭，不是更会聊天，而是“记得你”。
AI智能体的记忆管理有了新架构：把快速决策和慢速推理分开，让轻量控制器负责记忆的存取，只在复杂问题时才动用大模型。
AI智能体的记忆管理有了新架构：把快速决策和慢速推理分开，让轻量控制器负责记忆的存取，只在复杂问题时才动用大模型。在测试中，记忆构建速度提升6.6倍，查询延迟降低36.7%，效果还更好。
使用Codex CLI时遇到相同问题的开发者，可以参考分享的排查过程，节省解决问题的时间
大家好，我今天遇到了一个 Codex CLI 的奇怪问题，想把排查过程记录下来，万一其他人也遇到了相同问题可以参考。
## 环境
- Codex CLI：`0.155.1`
- 操作系统：Linux
- 受影响模型：`gpt-5.6-luna`
之前 `/model` 里还能找到 GPT-5.6 Luna，但后来它突然从模型选择器里消失了。可见的模型列表包含这些模型：
- GPT-6-Astra
- GPT-5.6-Sol
- GPT-5.6-Terra
- GPT-5.5
但就是没有 GPT-5.6 Luna。
---
## 1.
现在的AI角色扮演大多靠一句「你是个开朗的人」这种浅层设定，聊几句就崩。
现在的AI角色扮演大多靠一句「你是个开朗的人」这种浅层设定，聊几句就崩。这篇把人格拆成三层：外在言行、潜在信念、核心动机，像给人写剧本一样给AI一套内部脚本，让它只能在这个框架里反应，而不是自由发挥。结果发现：AI的对话流畅度已经接近人类，但在情绪表达和共同注意力上系统性拉胯——它说得出漂亮话，却接不住你的情绪。
给AI配的“外挂工具”往往只在测试时有效，一换环境就失灵。
给AI配的“外挂工具”往往只在测试时有效，一换环境就失灵。这篇论文的做法是：让一个“教练AI”在训练时盯着学生AI，把外挂工具带来的好行为一步步纠正、示范，最后把这些行为直接写进模型参数里。结果，模型在去掉外挂后，任务成功率从23.3%涨到44.3%，甚至比带着外挂还高。
也就是说，AI学会的不再是依赖工具，而是工具背后的能力本身。
重复使用同一张参考图生成内容，却始终没有消耗缓存的图片输入额度，这会直接影响使用成本。
我现在在用 gpt-image-2 和 gpt-image-2.5 生成带插图的故事，我发现就算反复复用同一个角色参考图，也不会计入缓存的图像输入用量。
我们的流程是：调用 `/v1/images/edits`，通过 `multipart image[]` 上传参考图。每个请求使用相同的参考图二进制数据，但场景提示词不同。
有些请求是并发运行的，另一些则是顺序执行：我们先生成封面和第一页预览，之后再生成剩下的页面。
训练大模型推理的新方法 BPO 在数学推理基准上表现更好，但它只是算法层面的改进，你明天用不上。
机器人干活最怕的不是不会，而是干到一半跑偏了，然后一路错到底。
机器人干活最怕的不是不会，而是干到一半跑偏了，然后一路错到底。这篇 CARE 的思路是：让它把失败过程记下来，学自己是怎么跑偏的，下次再偏就知道怎么拉回来。做法很具体——把任务拆成阶段，记录每个阶段出错后的偏差规律，再拿这些真实失败数据生成纠正动作；执行时用 3D 视觉盯着，一旦发现偏离就触发小调整或重做，而不是从头再来。
在多个模拟和真实双臂任务上，平均成功率提升了约15个点。它不是你明天就能装进自家机器人的东西，但这是机器人从「会做」走向「做不砸」的关键一步。
无需反复在当前Codex工作会话打开/status页面，就能随时查看配额、用量等信息，不会打断当前工作流程。
Codexometer 是一个适用于 Codex 的小型复古终端仪表盘：显示实时额度、会话监控、令牌使用历史和模型基准测试。
把它放在第二个终端窗口或窗格保持打开，就能查看每个活跃额度窗口、剩余容量和重置时间，无需在你正在工作的 Codex 会话中反复打开 /status。
为什么要用它？/status 很有用，但它只能存在于你正在工作的会话内部。Codexometer 无需中断工作就能让额度始终可见。
大模型训练时只挑1%的token让老师监督，效果就能追平甚至超过全量监督——关键不是选“最有用的”，而是选“梯度估计最稳的”。
Altman认为按单任务定价计算，新模型更快更便宜，市场上没有其他产品能打，普通用户很快就能用到大批量的AI服务。
尤其是按单任务定价来比较，这才是真正重要的衡量标准，我认为目前市场上没有任何竞品具备竞争力。
我们希望人们能够大量使用AI；能够探索摆在我们面前的这场新复兴，这件事非常重要。
GPT-6 Sol 和 Luna —— 这些更快、性价比更高的模型，背后依托Astra取得的性能提升，在专业工作、事实准确性、编码、计算机使用和对齐方面都达到了SOTA水平：
推出数据即服务产品后，一年里业务增长超18倍，目前累计营收已经超过3.75亿美元，AI数据服务赛道越来越热。
这款工具能把网页转换成AI agent可用的结构化数据，已经有超过150万人在用，AI代理的数据获取需求越来越被资本看重。
祝贺@CalebPeffer、@ericciarla、@nickscamara_ 和 @firecrawl 完成 7500 万美元 B 轮融资！
Firecrawl 能将网络转换为供 AI 代理使用的干净结构化数据，目前已有超过 150 万人基于其 API 进行开发。
他们还推出了知识图书馆 Alexandria，代理可以通过它搜索实时网络、官方数据提供商，以及学术论文、开发文档和政府记录的专门索引。
当代理使用数据提供商的数据时，提供商会获得报酬，Firecrawl 计划向所有拥有值得分享的知识的人开放这一功能。
多数AI视频工具只能按提示词生成片段，这个新模式允许你用方向键在生成好的数字世界里移动探索，思路和传统生成工具不一样。
#PixVerseWorldModel
大多数AI视频工具都只聚焦一件事：根据提示词生成一段视频。@PixVerse World Model 探索的是当你真正能够进入生成的世界后会发生什么。
你可以使用WASD在环境中移动，控制你的视角，探索场景，而不是仅仅从固定视角观看它。同时，提示词给了你另一种与世界交互的方式，你可以通过它影响角色、动作和周围环境。
移动和提示配合工作，让体验变得更具动态感。你不是生成一系列互不连接的片段，而是可以在生成的环境中持续探索和交互。
这让AI视频不再像传统的内容生成，而更像是一种新型的交互体验。
体验地址：
项目邀请社区开发者参与贡献，做AI相关开源项目的开发者可以围观项目的开发思路和方向。
一切都离不开Jev！上周，@jlehman_ 为OpenClaw核心和插件推送上了决策模型支持。
来了解我们对于使用这些模型的思路，以及如何通过这个强大的新工具为改进OpenClaw做贡献！
关注AI模型使用成本统计的人，可以现在看到按token和用量统计的数据，后续还会推出团队用量统计。
我们刚刚推送了Ramp AI Index的一次重大更新。
本次更新已正式上线：除份额和代币计数外，还新增了代币和支出总量统计。数据每周更新。
支持按模型查看，包括开源模型。
未来还会推出更多功能，包括基于团队的支出统计。
按任务匹配最优模型，比只用单一最优模型解决率更高，成本还不到原来的三分之一，值得关注这一新方向。
我们在 DeepSWE 上用 18 个模型跑了 113 项真实编码任务，然后回头提出了一个简单的问题：如果每个任务都路由给处理它最好的模型，结果会怎样？
答案是：解决率达到 97.6%，每项任务成本 1.88 美元；相比之下，最好的单个模型解决率只有 74.1%，每项任务成本 6.52 美元。
下一个前沿方向就是路由模型了。完整分析：
现有语言和视频模型做机器人基础受到质疑，新范式先定位再学动作，关心机器人技术进展可以了解新方向。
VLA？WAM？语言模型和视频模型真的是机器人学的合适基础吗？
今天向大家介绍Grounded Action Model（GAM）：一个全新范式，在预训练3D接地模型之上构建机器人基础模型。
先接地，再学习行动。🧵
端到端机器人策略和动作模型在设备端运行速度慢，这款工具支持在单块消费级GPU上实时运行8个模型系列的通用模型，能提升机器人端侧推理速度
InstinctFlash 是一个统一的开源物理 AI 模型运行时，可用于快速高效推理。
端到端机器人策略无法部署在边缘设备上。视觉语言模型（VLA）在设备上运行已经极慢，而权重平均模型（WAM）速度更慢——仅为一次动作去噪单个片段就需要 20-50 步。
InstinctFlash 允许你在单个商用 GPU 上实时运行来自 8 个模型家族的通用模型。
想要构建超级智能，先得有足够大的高质量知识库。拿到大额融资的团队打算拼出全球最大的知识库，给AI代理提供即时数据支持。
我们推出了 Alexandria。我们在由 Smash Capital 领投的 B 轮融资中筹得了 7500 万美元，用以构建面向超级智能的全球最大知识库。 它可为你的智能体提供增强能力，让它们即时访问最强大的数据集和提供商。
对于关注AI安全发展的人来说，这是头部AI公司首次公开开放全流程评估权限，能帮助发现未被预见的风险。
为了推进前沿探索，我们致力于支持第三方独立评估，提供训练、评估、部署全流程的深度访问权限。
这些权限可以让第三方评估者对我们的假设提出质疑，找出我们可能遗漏的风险，并就我们安全措施的有效性得出他们自己的结论。
下面我们列出四个需要深度评估的优先领域，以及严谨、安全、独立开展工作的原则：
想要把机器人从演示落地到实际应用，现在有了新的数据和仿真工具支持，有望推进物理机器人领域落地。
我们推出Midcentury，正在为实体AI搭建数据与模拟基础设施。
现在，我们结束隐身模式，完成了1500万美元种子轮融资，目标是把机器人技术从精心打磨的演示阶段推向规模化应用。
我们已经为前沿实验室提供支持：
→ 全球最大的第一视角数据集：超过200万小时数据，覆盖50多种环境，包含超过2万个任务
→ Matrix：前沿模拟平台，借助我们的真实世界数据实现扩容，能够大规模评估和后训练策略。
这项研究统计了AI技术成本下降的速度，AI领域成本下行速度远超其他颠覆性技术，对AI产品普及和落地会产生直接影响。
AI 降价速度比历史上任何其他颠覆性技术都要快。
在性能水平固定的情况下，自 2023 年以来，AI 的成本每季度下降约 47%。
这个速度是 DNA 测序的 4 倍，计算技术的 6 倍，锂电池的 18 倍，也是（截至 1973 年）电力的 54 倍。
开发者可以在这里运行 Claude Code、自定义 LangGraph 智能体，闲置时会暂停运行，还可选择75种以上模型，统一结算账单。
DigitalOcean 托管代理现已开启公开预览。在空闲时会暂停的运行环境中运行 Claude Code、Codex 或你自己的 LangGraph 代理。
将其工具放置在一个受管控端点后，可从 75 多种开源和专有模型中选择。一个云端，一份账单。
博客中有入门提示。
对依赖OpenAI API做开发的人来说，这个方向意味着未来会有适配不同需求和预算的更多选项，好想法有更多落地空间。
我们希望 OpenAI API 在每个价格点都拥有最好的模型，并且在每个模态（文本、代码、图像、视频等）都做到最好。
然后我们希望所有人都能提出精彩创意并将其落地，成为满意的用户。最好的创意一定来自你们所有人。
用户@superalesha在𝕏分享，自己让Claude的Opus 5.5生成Claude模型发展史，后者生成了纯JavaScript页面
用户@superalesha在𝕏分享，他让Opus 5.5生成一份Claude模型发展历史。Opus 5.5用纯JavaScript（JS）生成了这份内容，全程仅依靠用户自身技能完成。
用户表示，看到其他人用Opus 5.5做出了不少成果，感觉自己的能力不足限制了这个模型的潜力。他认为需要对此做出改变。
相关内容链接附在原文分享中。
X用户@familiarcow分享使用Near AI的体验，通过质押获得每月约50美元API额度，自动化调用Claude Code提升效率
用户@familiarcow接触Near AI还不到一周，已经对这个平台十分满意。他选择质押Near原生代币，每月能获得大约50美元的API（应用程序编程接口）额度，这个额度还会实时持续增长。
用户使用获得的API额度搭建了Hermes，大多选用GLM 5.3模型做推理。他将这个推理模块设置为控制中心，用来调度自己已经付费订阅的Claude Max计划里的Claude Code实例，处理重算力任务。
简单任务可以免费处理，复杂任务比如数据分析、git代码仓库开发，则可以交由被调度的Claude Code完成。
用户表示，这套自动化框架让Claude Code的实用性提升了4倍，所有成本都由质押获得的额度覆盖，不需要额外付费，他对此非常满意。
开发者@hraness披露，其软件工程工厂每日多模型并行处理消耗5-10B tokens
开发者@hraness披露，他运营的软件工程工厂每天消耗50亿到100亿tokens，全天24小时不间断运行。
该工厂基于@zeddotdev部署，运行了多个大语言模型：6倍Codex Astra Ultra，2倍Claude Code Fable Max，均属于@DevinAI SWE-2 Max版本。
相关内容已发布在链接
DigitalOcean现已支持云端运行Claude Code和Codex，闲置自动暂停计费
为每一位买Mac Mini来全天候运行OpenClaw或Hermes Agent的人默哀 💀 包括我自己。
DigitalOcean现在可以帮你在云端运行Claude Code和Codex了。你可以合上笔记本，代理会继续工作。
它一旦闲置就会暂停，你也会停止支付计算费用。在任何设备上，它只需要大约300毫秒就能在同一会话中重新唤醒。
模型甚至永远不会接触到你的API密钥。云端代理就是未来。
开发者Discord对话透露，动捕系统各Station本地运行ML模型进行动捕
该提示词用于解决Claude Code长任务中模型中断问题，来自X用户@omarsar0
这是来自 Anthropic 的很棒的提示词。它在你使用 Claude Code 中的 Opus 5.5 处理长时间运行任务时，能够帮助推进任务持续进行。
显然，在长时间运行的任务中，模型有时候会停止报告结果而不继续运行。我已经注意到前沿模型经常出现这个问题。
@dotey分享多AI角色分工开发的实操工作流
我不用 plan 模式，但是我复杂一点的会先写技术方案文档，主要是：
1. 人看看文档确保大方向有没有问题
2. Fable 写文档，文档里面写清楚技术细节和如何验证，后续 Opus 执行
3. 作为后续验收的依据，Opus 实施完，在新会话让 Fable 按照文档去验收一下
4. 一些重要文档会留档，但会保持更新
5. 有时候会在 ChatGPT 网页版用 GPT-6 Pro 访问 Repo 写技术方案文档，下载下来让 Fable 去审查再让 Opus 执行
简单来说，重点不是用 plan mode，但是用一个文档让人可以确认方向，以及后续多 Agent 协作传递上下文是很有价值的
AI 对话系统首次做到「边聊边干活」:一个模型负责实时对话，另一个在后台异步执行查资料、调工具等任务，结果再无缝插回对话，在 8 项视频和 8 项音频基准上多项领先，打断响应率 75%。
大模型做长任务时，中途的每个选择——先测哪个假设、在哪个代码上继续搭——决定了整件事的成败。
大模型做长任务时，中途的每个选择——先测哪个假设、在哪个代码上继续搭——决定了整件事的成败。研究者把这种中途决策能力叫做「品味」，并造了个评测集：把 AI 自己跑任务时的轨迹切成岔路口，让模型在不知道后续结果的情况下选方向。最强模型只答对 59.7%，而且岔路口的线索出现得越晚，所有模型越抓瞎；给更多推理时间也没用。
好消息是品味可以教：让看过结局的老师把判断蒸馏给学生，学生在没见过的任务上决策更好，端到端成功率也涨了。它不是你明天能用上的，但它在提醒：AI 的下一个瓶颈可能不是算力，是判断力。
让AI按文字描述画矢量图，现在有了更靠谱的评分方式：用六条细则逐项打分，比单一分数更接近人的判断，训练出的模型效果翻倍。
现在的AI生成视频，画面漂亮但一转动镜头就露馅：物体变形、透视错乱。
现在的AI生成视频，画面漂亮但一转动镜头就露馅：物体变形、透视错乱。研究者发现根子不在模型不够强，而在AI的“内部语言”——它天生只记颜色和纹理，不记空间位置。他们干脆把AI的想象空间整个换成一套“几何母语”:这个空间里每个点同时编码外观、深度、相机位置和3D坐标，生成器用这套语言说话，画面质量和3D一致性同时大涨，镜头轨迹误差直接减半。
这不是给你明天用的工具，但它指了个方向：想让AI真正理解世界，得先给它一套能描述世界的语言。
现在手机拍路牌、菜单，识别多国文字要么每种语言装一个识别器(又贵又容易出错)，要么用超大视觉模型(慢且不准)。
现在手机拍路牌、菜单，识别多国文字要么每种语言装一个识别器(又贵又容易出错)，要么用超大视觉模型(慢且不准)。这篇论文做了一个折中：一个模型、一个视觉编码器，内部用「专家路由」把不同文字分给不同专家处理，同时共享一个专家吸收跨语言的共性。他们造了覆盖10种文字系统、229种语言的合成数据集来补真实数据的稀缺，最终在10种文字的基准上准确率82.06%，超过最强基线；在端到端多语OCR任务上，只替换识别模块就把F1从65.71%拉到80.89%，超过最好的超大模型，参数却少得多。
它不是你明天就能装进手机的功能，但方向很明确：多语识别不必靠堆模型或堆参数，稀疏专家+合成数据就能做到又小又准。
把软件工程任务按类别分开训练再合并，AI 修代码成功率在两项基准上分别提升 5.39 和 2.78 个百分点——但这是给开发者看的工程优化，不是普通人明天能用上的东西。
给大模型加量子电路分支，参数只训练新增部分，16到64量子比特都能跑，平均分从47.65涨到54.30，还只用十分之一的微调数据。
图像生成模型的核心组件——离散视觉分词器——训练不稳的根因，被归结为编码器与码本两个模块的「互相甩锅」:各自都完不成自己的任务，只能靠碰巧配合才运转。
图像生成模型的核心组件——离散视觉分词器——训练不稳的根因，被归结为编码器与码本两个模块的「互相甩锅」:各自都完不成自己的任务，只能靠碰巧配合才运转。新方法把两者的学习目标分开修正、各自配独立的学习节奏，不增加任何参数，就在 ImageNet 上稳定了训练、提高了码本利用率和重建质量。
AI 终于有了一个能同时理解文字、图片、视频和音频的统一模型，在跨模态检索的多个基准上刷新了纪录——但这是给研究者看的前沿进展，不是普通人明天能用的功能。
大模型在心理健康领域的角色正在经历三次升级：先是当“工具”做评估，再是当“聊天对象”做即时陪伴，现在正走向第三阶段——一个记得你、了解你、能长期跟进的“个性化伴侣”。
大模型在心理健康领域的角色正在经历三次升级：先是当“工具”做评估，再是当“聊天对象”做即时陪伴，现在正走向第三阶段——一个记得你、了解你、能长期跟进的“个性化伴侣”。前两阶段的问题很明显：它不记得你上周说过什么，每次对话都是“失忆”的。第三阶段的关键是把模型做成“有状态的智能体”，给它配上档案、记忆、推理和规划能力，让它能跨时间追踪你的状态变化。
这篇综述把散落的研究串成这条进化线，并整理了相关数据集和评测资源。它不是你明天就能用上的产品，但它划出了这个领域正在往哪走：AI心理支持的下一个分水岭，不是更会聊天，而是“记得你”。
AI智能体的记忆管理有了新架构：把快速决策和慢速推理分开，让轻量控制器负责记忆的存取，只在复杂问题时才动用大模型。
AI智能体的记忆管理有了新架构：把快速决策和慢速推理分开，让轻量控制器负责记忆的存取，只在复杂问题时才动用大模型。在测试中，记忆构建速度提升6.6倍，查询延迟降低36.7%，效果还更好。
现在的AI角色扮演大多靠一句「你是个开朗的人」这种浅层设定，聊几句就崩。
现在的AI角色扮演大多靠一句「你是个开朗的人」这种浅层设定，聊几句就崩。这篇把人格拆成三层：外在言行、潜在信念、核心动机，像给人写剧本一样给AI一套内部脚本，让它只能在这个框架里反应，而不是自由发挥。结果发现：AI的对话流畅度已经接近人类，但在情绪表达和共同注意力上系统性拉胯——它说得出漂亮话，却接不住你的情绪。
给AI配的“外挂工具”往往只在测试时有效，一换环境就失灵。
给AI配的“外挂工具”往往只在测试时有效，一换环境就失灵。这篇论文的做法是：让一个“教练AI”在训练时盯着学生AI，把外挂工具带来的好行为一步步纠正、示范，最后把这些行为直接写进模型参数里。结果，模型在去掉外挂后，任务成功率从23.3%涨到44.3%，甚至比带着外挂还高。
也就是说，AI学会的不再是依赖工具，而是工具背后的能力本身。
训练大模型推理的新方法 BPO 在数学推理基准上表现更好，但它只是算法层面的改进，你明天用不上。
机器人干活最怕的不是不会，而是干到一半跑偏了，然后一路错到底。
机器人干活最怕的不是不会，而是干到一半跑偏了，然后一路错到底。这篇 CARE 的思路是：让它把失败过程记下来，学自己是怎么跑偏的，下次再偏就知道怎么拉回来。做法很具体——把任务拆成阶段，记录每个阶段出错后的偏差规律，再拿这些真实失败数据生成纠正动作；执行时用 3D 视觉盯着，一旦发现偏离就触发小调整或重做，而不是从头再来。
在多个模拟和真实双臂任务上，平均成功率提升了约15个点。它不是你明天就能装进自家机器人的东西，但这是机器人从「会做」走向「做不砸」的关键一步。
大模型训练时只挑1%的token让老师监督，效果就能追平甚至超过全量监督——关键不是选“最有用的”，而是选“梯度估计最稳的”。
智能体推理场景同时面临预填充成本、KV缓存大小和检索精度三大问题，新架构一次性解决了这三个痛点，长上下文推理效率提升明显。
关注AI技术分类方向进展的人，可以从中了解到Jev和这一新决策模型分类的相关讨论，帮助把握新的技术方向。
该研究发现，提升机器人操作能力更需要扩展空间和三维理解，而非扩展动作规模，性能优于多数更大的已有模型。
GPT6-Astra告诉我们，扩展空间理解和三维理解而非扩展动作，能带来更好的机器人操控表现。
我们采用了极简思路：如果直接从三维理解模型训练策略，而不是从视觉语言模型（VLM）训练，会怎么样？
出人意料的是，它的表现超过了大多数更大规模的视觉语言动作模型（VLA）和可抓握动作模型（WAM）。
现在推出基础动作模型（Grounding Action Model）：这是一个全新的、达到当前最优水平（SOTA）的策略，由小型三维框检测模型WildDet3D训练得到。
Arxiv:
Code:
这项研究统计了AI技术成本下降的速度，AI领域成本下行速度远超其他颠覆性技术，对AI产品普及和落地会产生直接影响。
AI 降价速度比历史上任何其他颠覆性技术都要快。
在性能水平固定的情况下，自 2023 年以来，AI 的成本每季度下降约 47%。
这个速度是 DNA 测序的 4 倍，计算技术的 6 倍，锂电池的 18 倍，也是（截至 1973 年）电力的 54 倍。
按任务匹配最优模型，比只用单一最优模型解决率更高，成本还不到原来的三分之一，值得关注这一新方向。
我们在 DeepSWE 上用 18 个模型跑了 113 项真实编码任务，然后回头提出了一个简单的问题：如果每个任务都路由给处理它最好的模型，结果会怎样？
答案是：解决率达到 97.6%，每项任务成本 1.88 美元；相比之下，最好的单个模型解决率只有 74.1%，每项任务成本 6.52 美元。
下一个前沿方向就是路由模型了。完整分析：
普通人也能拥有个人移动端智能助手，可以帮你规划任务、处理操作和生成内容，性能在多个公开测试集上表现出色。
这是目前图像编辑和文生图领域排名第一的开源模型，追求图像生成效果可以试试这个新选择。
感谢 @arena 的认可！🏆
Qwen-Image-2.1 目前在图像编辑和文生图 Arena 排行榜中都是排名第一的开源模型。
现在就来体验，向我们展示你创作的作品吧！🎨
这款模型支持超长上下文窗口，可处理文本、图像和视频输入，推理速度快，支持调节推理能力，感兴趣可以去体验反馈。
来OpenRouter认识Space Bunny Alpha ⚡
这是一个快速模型，拥有快速推理、可调节推理能力，以及100万token上下文窗口。
它支持文本、图像和视频输入。
快来试用并分享你的反馈：
16G内存的Mac就能运行这个4.2GB的4-bit文生图模型，还能原生生成透明背景图，想要本地跑AI作图可以试试。
🎉全体起立！Qwen-Image-2.1 的 GGUF 量化版来了！感谢 @UnslothAI 团队的出手！
基于 Dynamic 2.0 技术，重要层动态保留高精度 🔥4-bit 模型体积仅 4.2GB，兼顾画质与效率 支持文生图与RGBA透明图原生生成！(对了 NSFW 依旧支持) Mac 16G 玩家可以搞起来了！✌🏻 为所欲为！
可在自己设备部署，能调用浏览器、终端、桌面，支持对接你已有的各类AI模型和日常应用，可自己掌控部署和数据
🎉 推出 OpenMausBot。
这是一个开源、可自托管的AI智能体团队，而不是另一个被框定死的助手。
• 可使用电脑：浏览器、终端、文件和真实桌面
• 可连接你日常使用的各类应用
• 目标、日常任务和进度持续推进
• 同时适配移动端和网页端
支持 @claudeai 、@ChatGPT 、@grok 、@cursor_ai 、@NousResearch 、@Alibaba_Qwen 、@Kimi_Moonshot，以及你拥有的任何框架或模型。
你的机器人。你的机器。你的密钥。
这次降价幅度最高达95%，新增了多说话人识别、情绪识别等功能，需要音频处理相关服务的开发者和创作者可以获得更低成本的工具。
单张H100就能跑出100ms以内的推理速度，想测试多模态AI的本地部署可以关注这个项目
【新发布】多模态AI「Jev-Omni」单模型支持4种模态，视频版的Jev非常热门。我这就去试用一下。
其他开源项目大多都缺这缺那，但这个把所有模态都整合了，推理耗时不到100毫秒。
・单模型处理文本/图像/音频/视频
・在Typed-benchmarks上达到与Jev同等水平（开发者称）
・用8块H200训练3万样本，重视数据混合
・单块H100推理耗时不到100毫秒
↓详情
所有数据都不会离开本地设备，能基于已有本地大模型实现图文输入做决策，新手也能跟着步骤从零上手
单个工程师配合AI智能体团队完成了核心组件迁移，还保住了代码质量。AI辅助开发的效率已经突破传统认知。
仅一名工程师加上智能体团队就将 GitHub Copilot 智能体运行时移植到了 Rust，迁移了 80 万行生产代码，同时还保持了代码质量。🚀
以下是实现过程。
不需要自己买高性能GPU也能运行扩散模型，按使用付费闲置不花钱，降低了个人测试扩散模型的门槛。
部署 DiffusionGemma-Jev（djev）现在变得简单多了。你现在只需要一条命令，就能在 Google Cloud Run 上启动一个兼容 Jev API 的端点。
性能表现很不错：单步延迟约为 35-60 毫秒，批量大小为 32 时每秒可处理约 100-123 个请求。
这是一种不需要你自备GPU就能做实验的简单方法。运行成本大约是每小时 3 美元，空闲时费用会降到 0 美元。
代码和使用说明：
日常编码可以选轻量低价的GPT-6 Luna，交互开发选平衡款GPT-6 Sol，编码需求能按需选模型了
📣 @OpenAIDevs 的 GPT-6 系列正在 GitHub Copilot 中扩张，现已新增两款通用可用模型。
☀️ GPT-6 Sol：适用于交互式和智能体编码的均衡模型。
🌕 GPT-6 Luna：轻量、高性价比模型，适用于小型任务，是该系列中成本最低的选项。
你可以在 GitHub Copilot 应用或 @code 中试用它们。
在GitHub Copilot上就能体验Claude Opus 5.5，处理多步骤任务更高效，开发日常工作可获得更强AI支持。
🚀 AnthropicAI 的 Claude Opus 5.5 现已在 GitHub Copilot 全面可用。
我们的早期测试表明，它在效率方面表现突出：它在任务解决能力上可媲美 Claude Opus 5，同时所需的步骤和 token 显著减少，并且能在多步骤任务中快速恢复错误。
你可以试用它来进行智能体编码、长期运行智能体任务以及知识工作。你可以在 GitHub Copilot 应用、CLI 和 @code 中找到它。
需要大模型做产品的开发者，可以在Higgsfield平台用上更便宜更快的Claude Opus 5.5了。
我们推出Higgsfield × Claude Opus 5.5。
Anthropic的最新模型现已在Higgsfield上线，它比Opus 5便宜40%，速度快30%以上。
将Opus 5.5与Higgsfield MCP搭配使用，就能把你最宏大的想法转化为完整的产品。
现在通过Higgsfield MCP的Claude以及Higgsfield超级计算机均可使用。
如果你是需要做代码审查的开发者，这款依托 GitHub Actions 的原生智能代码审查工具可以帮你自动化完成审查流程
今天我们宣布完成了种子轮前融资，并且推出了一款新产品：@starslingdev Review Runners——这是使用你的模型密钥、团队技能与脚本，以及你指定审核者的代码评审智能体，全部都运行在 GitHub Actions 中。
我们从 @BessemerVP 和 @ycombinator 处融得了 300 万美元，目标是让代码验证全面适配智能体原生架构。
代码 → 验证（持续集成 + 代码评审）→ 生产上线
开发者可以在这里运行 Claude Code、自定义 LangGraph 智能体，闲置时会暂停运行，还可选择75种以上模型，统一结算账单。
DigitalOcean 托管代理现已开启公开预览。在空闲时会暂停的运行环境中运行 Claude Code、Codex 或你自己的 LangGraph 代理。
将其工具放置在一个受管控端点后，可从 75 多种开源和专有模型中选择。一个云端，一份账单。
博客中有入门提示。
想要把机器人从演示落地到实际应用，现在有了新的数据和仿真工具支持，有望推进物理机器人领域落地。
我们推出Midcentury，正在为实体AI搭建数据与模拟基础设施。
现在，我们结束隐身模式，完成了1500万美元种子轮融资，目标是把机器人技术从精心打磨的演示阶段推向规模化应用。
我们已经为前沿实验室提供支持：
→ 全球最大的第一视角数据集：超过200万小时数据，覆盖50多种环境，包含超过2万个任务
→ Matrix：前沿模拟平台，借助我们的真实世界数据实现扩容，能够大规模评估和后训练策略。
大规模使用大模型的开发者可以直接获得更低成本，规模化部署AI项目的投入门槛降了一半。
请欢迎 GPT-6 Sol 和 GPT-6 Luna 加入 GPT-6 宇宙。
GPT-6 Sol 和 Luna 基于 GPT-6 Astra 的技术进展构建，将 GPT-6 Astra 的大部分优势整合进更快、成本更低的模型，以支持大规模工作场景。
我们还优化了缓存和推理的效率，并将节省的成本直接传递给你：相比 GPT-5.6 的促销定价，Sol 和 Luna 的 API 价格降低了 50%。
想要构建超级智能，先得有足够大的高质量知识库。拿到大额融资的团队打算拼出全球最大的知识库，给AI代理提供即时数据支持。
我们推出了 Alexandria。我们在由 Smash Capital 领投的 B 轮融资中筹得了 7500 万美元，用以构建面向超级智能的全球最大知识库。 它可为你的智能体提供增强能力，让它们即时访问最强大的数据集和提供商。
端到端机器人策略和动作模型在设备端运行速度慢，这款工具支持在单块消费级GPU上实时运行8个模型系列的通用模型，能提升机器人端侧推理速度
InstinctFlash 是一个统一的开源物理 AI 模型运行时，可用于快速高效推理。
端到端机器人策略无法部署在边缘设备上。视觉语言模型（VLA）在设备上运行已经极慢，而权重平均模型（WAM）速度更慢——仅为一次动作去噪单个片段就需要 20-50 步。
InstinctFlash 允许你在单个商用 GPU 上实时运行来自 8 个模型家族的通用模型。
现有语言和视频模型做机器人基础受到质疑，新范式先定位再学动作，关心机器人技术进展可以了解新方向。
VLA？WAM？语言模型和视频模型真的是机器人学的合适基础吗？
今天向大家介绍Grounded Action Model（GAM）：一个全新范式，在预训练3D接地模型之上构建机器人基础模型。
先接地，再学习行动。🧵
关注AI模型使用成本统计的人，可以现在看到按token和用量统计的数据，后续还会推出团队用量统计。
我们刚刚推送了Ramp AI Index的一次重大更新。
本次更新已正式上线：除份额和代币计数外，还新增了代币和支出总量统计。数据每周更新。
支持按模型查看，包括开源模型。
未来还会推出更多功能，包括基于团队的支出统计。
在AI榜单上，这个开源模型得分追平了Grok 4.7，比 Qwen3.8-Max等模型排名更高，单任务成本仅0.13美元，远低于同得分的Grok 4.7。
🚨 小米新开源模型悄然攀升至AI排行榜前列。
MiMo V2.6 Pro在人工分析智能指数上得分46，成为目前该榜单上排名最高的开源模型，仅落后GPT-5.6 Sol一分。它的排名还领先于以下模型：
→ Qwen3.8-Max
→ Kimi K3
→ GLM-5.3
而且它不只是在智力测试上竞争力强。在成本方面，它每个智能指数任务的成本大约为0.13美元。
参考信息：同一天发布的Grok 4.7得分也是46，但AA给出它的成本是，高推理任务每个2.73美元，极高推理任务每个3.74美元。
MiMo V2.6 Pro是全多模态模型，设计用于：
• 复杂研究
• 长程推理
• 科学工作流
• 网络安全任务
小米表示，性能提升来自后训练自改进系统，而非修改预训练基础。
基准测试结果很强，但真正的考验是开发者实际能用它获得什么。
#AI #OpenSourceAI #LLM #Xiaomi #MiMo
最近Jev关闭注册，这款同功能的开源模型提供完全免费的API，还支持自行部署，可替代付费服务
发现了一个跟 Jev 对标的决策模型 来自牛津 AI 团队研发的 this-that-model-1.0模型
背后公司 做去中心化 AI 基建（联邦学习 + 区块链），拿过以太坊基金会学术资助，跟 UNDP、通义千问合作，融了 $11M 开源，而且 API 完全免费
它是一个 typed decision model：你给一段上下文 + n 个选项，它一次前向传播返回选择和校准过的置信度；31ms，零输出 token，格式错误在数学上不可能发生。
跟 Jev 的区别：
- Jev 是商业 API，按 token 收费
- this-that-model 在官网API注册使用，input/output/cache 竟然全部免费，注册拿 API key 就能用
- 你还能自己部署，MIT 开源
用法跟 Jev 一模一样，任何「从 n 个选项里选一个」的场景，一次前向传播可以同时回答多个问题
1️⃣ 意图分类 2️⃣ 内容审核 3️⃣ 风险分档 4️⃣ 路由决策
最近Jev又关闭注册了，this-that-model-1.0在官网即可获取免费API 👇
对做亚马逊第三方生意的卖家来说，这款依托Claude的AI助手能7×24小时自动完成库存、定价、广告等运营工作，帮卖家省出手动处理这些事务的时间精力
你做个人开源项目感到孤独的时候，能找到同路人一起推进项目。这个工具已有上万开发者使用，管理十万以上代理。
我即将加入位于旧金山的 Solo Founders Programme (@solofounders)！
八个月前，我为自己开发了一个编排 Claude Code 智能体的工具。当时同时运行 30 个智能体看起来还很离谱，现在它很快就变成了常态。
@ao_build 从我为自己打造的工具，变成了已经有超过一万名开发者使用、管理超过十万个智能体的项目。
虽然我是个独立创始人，但这段旅程我从未觉得孤单。从第一天开始，AO 就是一个由社区驱动的开源项目。但创业过程中有些事情，只有其他创始人才能理解，如果没有懂你处境的人，你很难坚持下去。
现在我将和一众优秀的创始人一起，在 Solo Founders 基地生活和开发。一起做独立创始人，出发吧！
经过一些测试，前沿模型的这次发布完全说不通——GPT 6 Sol 更便宜，但糟糕得多。
Opus 5.5 听起来更正常，但算不上智能上的飞跃。
如果闭源实验室停滞不前，开源就只会更快追上来——到今年年底，两者差距将缩小到零。
让系统自动付款不难，难的是出问题时知道谁授权的、触发了哪条规则、钱最后去了哪儿。对 AI Agent 尤其如此。据项目方披露，@Polyflow_PayFi 关注预算、权限和完整审计，让机器支付不只是自动执行，也能被回溯和复核。
没有审计的自动化，只是把风险跑得更快。这事看着像技术升级，实际影响的是每天重复发生的操作。机器之间未��可能按次买数据和算力，交易频率比人工采购高得多。
传统报销太慢，裸钱包又缺部门预算、用途标签和审批轨迹，所以中间需要一个能执行规则的账户层。真正的门槛不是演示一次自动支付，而是高频跑起来之后，还能对账、追踪、撤销权限、处理异常。机器速度可以快，企业治理不能因此被绕过。
计划中的功能也不等于已经全面可用。最后还得回到真实使用：资金路径短没短，信息丢没丢，出异常能不能快速找到责任和解决方式。#审计 #AIAgent
通义千问音频技术栈现已覆盖完整工作流程，从语音识别、实时对话到语音合成和音频创作。
ASR、TTS 和 Realtime 全部完成升级，ASR-Next 和 TTS-Next 现已加入产品系列。
一共五个模型，足以支撑各类开发。
如果你日常使用 Claude 大模型，这份来自社区用户的综合分析能帮你更了解这款产品的实际表现。
社区讨论：有人补充了不同推理等级设置的对应页面，并提到max推理等级生成SVG时两次都遇到了128000token令牌配额不足的问题。多数人认可新版Opus任务成本比旧版降低一半，也有人指出相同性能区间里，Opus 5.5价格仍比竞品更高。不少人质疑现有的评测排名和基准测试有效性，有人指出模型厂商会先放出高质量模型吸引用户，之后悄悄降配，还有人吐槽现有排名把表现很差的Opus 5排在Astra前面，结果不可信。
也有人提到，闭源旗舰只比开源模型好一点，但定价要贵一百倍，长期来看市场会更偏向够用的开源模型。
正在做OpenAI插件开发的开发者可以参与讨论，反馈你需要的分析功能，帮助OpenAI优化插件开发体验。
嘿各位！我是 OpenAI 负责插件开发者体验的工程师之一。
我们正在探索如何更好地展示插件分析数据，我希望听听你们的想法。
目前你们觉得缺了什么：使用数据、工具错误、延迟、用户反馈，还是别的？
告诉我们你希望看到什么。具体的例子会尤其有用。
前沿模型能力越来越强，行业安全协调已经提上日程，普通用户也能受益于更安全的AI发展环境。
原来堆参数堆算力就行，现在发现训练数据质量差会让大模型效果大打折扣，关注后续哪家厂商敢公开自己的数据工程质量。
相同AI测评分数下，MiMo V2.6 Pro单任务成本仅为同分数Grok 4.7的约3.5%到4.8%，且比前代性能翻倍价格不变。
吴恩达建议所有人学编程避免AI时代掉队，有博主提到，2025年AI编程成为发展焦点后，原本跟进AI进展的非技术人开始掉队。
有人拿到新模型试用后，觉得这次更新终于补上了AI输出内容质量差的老毛病，经常写长文的创作者可以留意新版本表现。
刚刚消息：对 Claude Opus 5.5 的初步反馈显示，Anthropic 可能终于解决了 AI 的“垃圾写作”问题。
Claude Opus 5.5 现已开放使用。
网易有道开源的实时流式语音大模型和流式翻译模型，刚发布就拿下HF ASR和翻译细分趋势榜的第一名。
Agent能力越强，调用工具和代码越多，CPU需求就越大，这条算力链正在变长，谁能先吃到这波增量还不好说。
🤖 $META 的 Agent「Muse」冲上苹果美区 iPhone 免费应用榜第一， 这也让市场重新看到了AI Agent背后的CPU需求。📊 Agent 越能干，浏览器、代码和工具调用越多，CPU 的活���跟着变多。从 x86、Arm 到云厂商自研 CPU，这条算力链正在变长。
🤔 $AMD 、 $INTC 、 $ARM ，谁会先吃到这波 Agent 增量？#AI
只需要一次GET请求就能拿到官方文档片段，文档还经过提示注入检测，比普通网页搜索更适合编码代理使用。
现在推出 Context7 Search：面向编码智能体的接地 API。只需一个 GET 请求，就能获取文档片段。
和网页搜索不同：
• 官方文档，由库维护者管理
• 已扫描提示注入与恶意软件
• 快速且 token 高效
输入文档和一组指定类型问题后，模型会返回每个问题对应的概率结果，用于决策场景。
我们很高兴推出 Lumma-fev-0.6B，这是一个基于我们从零搭建的 Lumma-0.6B-Base 微调得到的类 Jev 决策模型。
你向它输入一份文档和一组分类问题，它就能在一次前向传播中为每个答案返回概率。它不生成文本，因此无需解析，也不会产生幻觉。
它专为路由、分诊、内容审核以及任何需要决策而非生成段落的工作流打造。
这仅仅只是开始，我们计划在未来几天内开源 4B 和 9B 版本，并附上详细的基准测试报告。
同时超过语音识别赛道OpenAI、NVIDIA的模型，和翻译赛道腾讯、Google的模型，突然冲到Hugging Face前排
用户以为AI自己在对接订餐、改账单这些事，测试阶段有些场景还需要人类后台接管
测试表现超过Opus 5，成本只需要后者的9%，原来的Terra档位被移除了
GPT 6 全系列更新，Sol 和 Luna 价格下降 50%，并且学会了说人话，而 Terra 消失了。
GPT 6 Sol 和 Luna 使用了与 Astra 类似的训练方法，能力更强，对齐更好，价格更低。
在 AutomationBench中，GPT 6 Sol 的表现超越了 Opus 5 的同时，只用了其 9% 的成本，便宜10倍。
GPT 6 Sol 和 Luna 的语言风格和 Astra 相同，表达更清晰，黑话更少，言简意赅，减少不必要的细节。
GPT 6 Sol 在 OSWorld 2.0 等某些指标上不如 GPT 5.6 Sol，这是需要注意的。
OpenAI 这次还特别改进了缓存机制，实现了更高的缓存命中率（他们终于学会了ds的技术）
同时 A 社也在今天发布了 Opus 5.5，象征性地降价了 20%，缓存降价了 60%，在 Agent 任务中，综合下降约 40% 。
我们终于迎来了大模型的大降价时代，感谢竞争，感谢 DeepSeek 和 GLM，请不要停，请继续降。
工具迁移后本地处理大量任务变得困难，参考同行方案做了多AI代理并行运行的基础架构
原本计划内部使用，现在公开给AI代理获取实际工具能力，比如搜索航班这类操作
我们本来打算把这个项目放在 Tomo 内部使用，但现在决定公开推出：欢迎了解 WebMCP Registry，这是一个开放网站索引，收录了提供AI agent可用真实工具的网站，比如说“搜索航班”或者“加入购物车”，因此AI agent可以直接使用网站功能，而不需要一步步点击操作。
我们已经在真实浏览器中加载了排名前10万的网站，并记录了它们注册的每一个工具。我们每天都会重新检查这些工具。
以往语音模型比拼大多围绕英语展开，这次比较主流模型在9种非英语语言上的表现
理论上操作很简单，放到生产环境后，沙箱的影响范围会直接变成AI代理的影响范围
这种方法是错的。在沙箱内部运行代理，理论上很简单，但是在生产环境中，沙箱的影响范围就会变成你的代理的影响范围。
举个例子，以 DigitalOcean 的架构来说：
- 沙箱崩溃/内存不足 → 代理循环随之死亡
- 磁盘占满或环境损坏 → 代理变砖
- 将你自己的 API 暴露为工具 → 需要额外基础设施
- 凭据不能存放在沙箱里 → 需要一整套凭据代理层
- 休眠的沙箱无法自行唤醒执行定时任务
- 更新代理代码 → 需要更新每台虚拟机上的二进制文件
- 监控 → 沙箱必须自己上报故障
不如将执行框架与沙箱分离：
- 在你的后端运行执行框架
- 将沙箱暴露为工具
- 将凭据、历史记录和权限保存在外部
- 只在需要时唤醒沙箱
Amp、Vercel Eve、Cloudflare Flue、Claude Managed Agents 和 OpenAI 的 Agents SDK 都采用这种架构不是没有原因的。我已经写了更多相关内容，介绍为什么这么做以及怎么做：
OpenAI此前发布了AI求解流体问题的成果，这项争议直接影响AI在工业流体模拟领域的应用方向。
社区讨论：多数人认为OpenAI没有解错问题，它没有解决难度最高的无外力版本，但给出了克莱千禧年问题表述中明确允许的有外力版本。部分网友指出《科学美国人》称大语言模型利用了题目表述漏洞的说法是哗众取宠，也有人认为这是题目本身表述不严谨，利用规则漏洞本就是数学解题的常用方式，还有人认为这件事体现了AI需要人类介入纠错，本质就是AI只会严格按要求执行，不会理解出题人本意。
做开发不用挨个配工具，全套智能开发工具已经成套推出，日常开发流程可以直接用这套体系走通
社区讨论：多数付费老用户不满JetBrains IDE近年资源占用过高，WebStorm编辑Markdown文件单按键就会让风扇狂转，IDEA添加新工作树时会持续卡住索引，不得不频繁重启IDE恢复系统资源。不少用户称很少用到JetBrains的AI相关产品，质疑其在AI领域投入烧钱却没做出竞争力，也有人认为JetBrains个人定价合理，希望其能在智能开发领域取得成功。
普通家庭终于有了专为自身需求打造的AI工具，不用再适配面向办公或开发者设计的通用AI产品
社区讨论：多数开发者都认为谷歌这款产品命名糟糕，CC是多个常见通用缩写，会造成混淆，还和谷歌最大竞品的产品缩写撞名，不提前定义缩写显得非常不专业。不少用户不信任谷歌的新产品持续性，吐槽谷歌关停过很多用户喜爱的服务，还有人质疑这款产品不值得用户把家庭隐私交给谷歌，也不认可它的核心使用场景。
原本需要可审计的决策，常把大模型放在核心再补规则，现在这个工具让规则先做决策，AI只负责生成解释
你好 HN，我开发了 ai·rete·rag，因为我一直看到团队让 LLM 负责需要审计的决策（贷款、欺诈、临床分诊），之后才匆忙加上“护栏”。
它改为把二者串联运行：
1. 纯 Python Rete 引擎根据你的事实评估 YAML 规则。结论只来自这里。相同事实总会得到相同结论，并基于优先级解决规则冲突。
2. RAG 从你自己的政策文档中检索段落，再由 LLM 生成直白易懂的……
对于关注AI安全发展的人来说，这是头部AI公司首次公开开放全流程评估权限，能帮助发现未被预见的风险。
为了推进前沿探索，我们致力于支持第三方独立评估，提供训练、评估、部署全流程的深度访问权限。
这些权限可以让第三方评估者对我们的假设提出质疑，找出我们可能遗漏的风险，并就我们安全措施的有效性得出他们自己的结论。
下面我们列出四个需要深度评估的优先领域，以及严谨、安全、独立开展工作的原则：
Altman认为按单任务定价计算，新模型更快更便宜，市场上没有其他产品能打，普通用户很快就能用到大批量的AI服务。
尤其是按单任务定价来比较，这才是真正重要的衡量标准，我认为目前市场上没有任何竞品具备竞争力。
我们希望人们能够大量使用AI；能够探索摆在我们面前的这场新复兴，这件事非常重要。
GPT-6 Sol 和 Luna —— 这些更快、性价比更高的模型，背后依托Astra取得的性能提升，在专业工作、事实准确性、编码、计算机使用和对齐方面都达到了SOTA水平：
推出数据即服务产品后，一年里业务增长超18倍，目前累计营收已经超过3.75亿美元，AI数据服务赛道越来越热。
这款工具能把网页转换成AI agent可用的结构化数据，已经有超过150万人在用，AI代理的数据获取需求越来越被资本看重。
祝贺@CalebPeffer、@ericciarla、@nickscamara_ 和 @firecrawl 完成 7500 万美元 B 轮融资！
Firecrawl 能将网络转换为供 AI 代理使用的干净结构化数据，目前已有超过 150 万人基于其 API 进行开发。
他们还推出了知识图书馆 Alexandria，代理可以通过它搜索实时网络、官方数据提供商，以及学术论文、开发文档和政府记录的专门索引。
当代理使用数据提供商的数据时，提供商会获得报酬，Firecrawl 计划向所有拥有值得分享的知识的人开放这一功能。
多数AI视频工具只能按提示词生成片段，这个新模式允许你用方向键在生成好的数字世界里移动探索，思路和传统生成工具不一样。
#PixVerseWorldModel
大多数AI视频工具都只聚焦一件事：根据提示词生成一段视频。@PixVerse World Model 探索的是当你真正能够进入生成的世界后会发生什么。
你可以使用WASD在环境中移动，控制你的视角，探索场景，而不是仅仅从固定视角观看它。同时，提示词给了你另一种与世界交互的方式，你可以通过它影响角色、动作和周围环境。
移动和提示配合工作，让体验变得更具动态感。你不是生成一系列互不连接的片段，而是可以在生成的环境中持续探索和交互。
这让AI视频不再像传统的内容生成，而更像是一种新型的交互体验。
体验地址：
项目邀请社区开发者参与贡献，做AI相关开源项目的开发者可以围观项目的开发思路和方向。
一切都离不开Jev！上周，@jlehman_ 为OpenClaw核心和插件推送上了决策模型支持。
来了解我们对于使用这些模型的思路，以及如何通过这个强大的新工具为改进OpenClaw做贡献！
Hacker News 社区出现大量关于 Claude Opus 5.5 的讨论，是否有新版本即将发布值得关注。
社区讨论： 不少用户指出Anthropic上周才呼吁放缓前沿AI开发，本次就放出Claude Opus 5.5，参数和性能更新都说明没有践行放缓承诺。测试者发现新版模型输出更清晰，把重点内容前置，解决了旧版输出冗长难以理解的问题，高推理等级能输出正确结构的图形，但最高等级会触发输出token上限无法完成生成。还有用户提到新版定价相比旧版有所下调，更多人期待同更新的Haiku 5.5能带来合格的快模型。
OpenAI官方从未发布GPT-6系列，但社区已经开始提前讨论，想体验下一代GPT的人可以关注相关进展。
社区讨论：多数人认可OpenAI本次降价幅度，GPT-6 Sol和Luna比前代降价50%，Luna仅一半价格，有人评价这个定价“ positively insane”，也有人表示看不懂为什么没有GPT-6 Terra。有开发者提到对前代5.6 Sol使用体验很好，担心升级后不如旧款顺手，还有开发者担忧行业发展会影响自身职业前景。
关注X大模型更新的人可以看看社区讨论，有没有新的功能和性能变化值得期待。
社区讨论：多数体验过Grok的用户认为它表现很差，个人体验上不如Claude、ChatGPT等竞品，能力、价格各维度都没优势，还有用户提到它价格昂贵，负面政治关联多，也有人表示没见过有人用这款模型，质疑它的存在价值。只有少部分用户分享了测试数据，还有人询问订阅版和API的价格对比。
无需反复在当前Codex工作会话打开/status页面，就能随时查看配额、用量等信息，不会打断当前工作流程。
Codexometer 是一个适用于 Codex 的小型复古终端仪表盘：显示实时额度、会话监控、令牌使用历史和模型基准测试。
把它放在第二个终端窗口或窗格保持打开，就能查看每个活跃额度窗口、剩余容量和重置时间，无需在你正在工作的 Codex 会话中反复打开 /status。
为什么要用它？/status 很有用，但它只能存在于你正在工作的会话内部。Codexometer 无需中断工作就能让额度始终可见。
重复使用同一张参考图生成内容，却始终没有消耗缓存的图片输入额度，这会直接影响使用成本。
我现在在用 gpt-image-2 和 gpt-image-2.5 生成带插图的故事，我发现就算反复复用同一个角色参考图，也不会计入缓存的图像输入用量。
我们的流程是：调用 `/v1/images/edits`，通过 `multipart image[]` 上传参考图。每个请求使用相同的参考图二进制数据，但场景提示词不同。
有些请求是并发运行的，另一些则是顺序执行：我们先生成封面和第一页预览，之后再生成剩下的页面。
使用Codex CLI时遇到相同问题的开发者，可以参考分享的排查过程，节省解决问题的时间
大家好，我今天遇到了一个 Codex CLI 的奇怪问题，想把排查过程记录下来，万一其他人也遇到了相同问题可以参考。
## 环境
- Codex CLI：`0.155.1`
- 操作系统：Linux
- 受影响模型：`gpt-5.6-luna`
之前 `/model` 里还能找到 GPT-5.6 Luna，但后来它突然从模型选择器里消失了。可见的模型列表包含这些模型：
- GPT-6-Astra
- GPT-5.6-Sol
- GPT-5.6-Terra
- GPT-5.5
但就是没有 GPT-5.6 Luna。
---
## 1.
身处软件行业，可对照自家企业对AI的使用方式，判断是否缺少有判断、有管控的AI使用流程。
在软件公司中，我看到他们在人工智能应用上存在两个极端：
- 一些公司几乎不用人工智能（或者仅限于从 ChatGPT 复制粘贴内容）。
- 另一些公司购买了 Claude Code，并且要求团队不惜一切代价不停产出，甚至不做检查。
两种情况都缺少同一个东西：带着判断和控制去使用人工智能的流程。
在意AI在本地设备上的行为是否可控，可检查的开源工具能提供闭源产品给不了的安全感。
这个方向打破了现有AI智能体金融模式，未来AI智能体可凭借自身交易业绩获得资本，值得观察这一新叙事的发展。
智能体AI需要的不只是更好的模型，它还需要资本。这就是为什么建立在@base上的@agenticscredit让我感兴趣。
他们的想法很简单：衡量智能体的实际交易表现，把这份交易记录转化为智能体信用评分，并以此来确定智能体是否能获得受限资本。
而Base已经有现成的金融轨道，可供智能体支付、赚取收益、交易以及与链上服务交互。因此整个大图景开始变成：
智能体 → 交易记录 → 信誉 → 信用 → 资本
这对智能体金融来说是一个完全不同的方向。长远来看，这个想法不是让AI智能体只用别人的钱执行交易，而是让智能体可以建立可验证的金融历史，并最终根据表现获得资本准入。
表示，其合格路径目前从ACS 580分开始，资金通过候补名单分配，并设有严格的风险限额。
看到团队已经接触到Base建设者和投资者让这个项目更有意思了。拥有自己金融信誉的AI智能体能成为比AI交易大得多的原语。这是我正在密切关注的Base + AI叙事之一。🔵
针对中国AI硬件的定向限制已经写入大模型产品规则，使用非美系AI加速器调用模型会被主动降智。
🤔Dario 把对中国蒸馏防线写进了 Opus 5.5 文档，不是演讲，是写进产品规则！ 🔸首个会因“前沿大模型研发”降智的 Opus 🔸官方例句就一件事：给某些 ML 加速器写 kernel 🔸一触发，5.5 立刻掉到更弱的 Opus 5 🔸再加“保留思维”：锁死上下文，防你改前文抽出推理 🔸话术是安全，效果是谁碰非美系加速器谁变笨 🔸护栏给模型，降智给用户，指向给中国硬件 #Opus55 #Claude #Anthropic #DarioAmodei #保留思维 #芯片战争 #中美AI
近三周已有多款AI模型和Agent API推出，个人代理和语音AI进展飞快。市场机会打开速度快于填补速度，现在是史上套利空间最大的时候。
我觉得非常有意思，居然有这么多人认为现在不是创业的好时机。
Grok 4.7、GPT-6 Sol/Luna、Opus 5.5、Astra、Gemini 3.8 Live、Muse、Instinct、Jev、智能体API等等，这些都是过去三周里出现的成果，个人智能体/语音AI领域进展神速。
因为套利的本质就是同一件商品在两个市场有不同定价，而你要做的就是切入这个差价。通常情况下你得主动去寻找这些价差缺口，因为它们非常稀有，而且一旦被人发现就会立刻被抹平。
现在不同的地方在于，这些新缺口的 opening 速度远远超过了人们去填补它们的速度。我认为现在绝对是历史上套利的最佳时机。
想要降低AI代理运行成本、提升速度的人，可以参考这套组合思路，作者公开了完整的框架图解。
只需一个提示词，Jev + Claude Code 组合就能让AI代理速度提升200倍，成本降低400倍。
秘诀就是：让代理横向拓展而非纵向延长。
我已经用三张图完整拆解了这套系统。
把它保存下来吧，以后你会用得到。
关注 @cyrilxbt 获取更多AI资讯。
若你选AI服务时纠结开源闭源，这个行业从业者的观点可帮你参考决策。
功归功，OpenAI 在降低高质量智能模型成本这件事上，做的可能比任何实验室都多。
开源当然重要，但如果你看全套服务的各个维度：模型质量、可用性、延迟、可靠性、不同智能等级的选择、易用性、成本，没有哪家服务商的整体方案比 OpenAI 更好。
我们一直在大量使用这些模型，体验很不错。
AI代理会成为用户操作软件的主要界面，削弱传统SaaS公司客户锁定，降低定价权，影响整个行业估值，普通用户也会感受到使用体验变化
对依赖OpenAI API做开发的人来说，这个方向意味着未来会有适配不同需求和预算的更多选项，好想法有更多落地空间。
我们希望 OpenAI API 在每个价格点都拥有最好的模型，并且在每个模态（文本、代码、图像、视频等）都做到最好。
然后我们希望所有人都能提出精彩创意并将其落地，成为满意的用户。最好的创意一定来自你们所有人。
搭配推荐工作流使用，可解决Qwen Image 2.1的大部分生成问题，还有与原模型效果的对比图，对使用通义千问文生图的用户有用。
Qwen Image 2.1 图像生成问题的修复 LoRA 现已发布。
配合推荐设置的工作流使用，可以解决大部分生成问题。
还提供了未应用（原生）状态的对比图。
#QwenImage21 #LoRA 链接在评论区⬇️
想换用开源大模型降低成本，可以用这个工具对比不同场景下不同模型的成本和效果，帮你找到最合适的选择。
帮助你找出哪款开源模型最适合你的使用场景。
可以跨编码、智能体、长上下文、视觉、金融等多个领域对比模型。
你还能查看它们在成本和质量上的对比，包括转用开源模型可以为你节省多少开支。
效率提升后压缩了项目周期，但从业者的劳动强度并没有降低，反而更累了，可以看看AI对一线工作节奏的真实影响。
中午见了还在��厂工作的产品经理，他说现在越干越累。有些新项目都不写PRD了，和研发一起vibe coding，一天提交仓库代码7～8次。第二天和研发碰头讨论迭代。
研发一开始还自己review代码，后来实在看不���来，都交给模型测。效率确实有巨大提升，原来1～2个月的工作量，现在都是一周做完，累！
曾坚决反对AI编程的顶级开发者，几个月内态度彻底反转，说明AI辅助编程的实际体验比预想更好。
Minecraft 之父 Notch，终于开始承认 Vibe Coding 真香了😂 刚刚他在 X 上发了一条：
我得承认，我正在享受 Vibe Coding 的乐趣。 我可能有那么一点点、微乎其微地错了。
要知道几个月前他还是 AI 编程最坚定的反对者之一。 今年年初，Notch 还公开说，用 AI 写代码是个非常糟糕的主意，甚至把鼓吹 AI 编程的人骂得很难听。 7 月又发了一次：“Reject AI.”
结果一周之后，因为实在招不到满意的程序员，他开始松口，准备让 AI 帮自己做地图编辑器、节点图之类的内部工具。 到了 8 月，他已经开始说自己可能得“认错”了。 现在直接认错了🤣
这条下面 Elon Musk 直接回了个 😂。 一个亲手写出 Minecraft 的程序员，最后也开始 Vibe Coding 了。
给开源仓库的新增问题做自动分类，现在用开源的semif，比之前的大语言模型分类器快很多，目前在监控阈值校准情况
我正在用 semif（类似 jev，但它是开源的）给开源仓库里新建的议题打标签，这样我们就能把握流行功能和我们需要投入更多精力的领域。
当前请求模型：
* 状态 —— 议题标题/正文
* 问题 —— 每个标签对应一个 Nou （原文如此）
到目前为止，我们给置信度 p>0.8 的标签打标的速度比我们之前的 LLM 分类器快得多，目前正在监测以确保我们在正确阈值上进行校准。
低成本快速改造现有开源大模型就能做概率分类输出，降低了开发特定功能AI的成本与时间门槛
LLM 的下一个token预测本身就是一个概率分类器，因此开源LLM可以提供类似Jev的接口：输入离散选项，输出快速概率。
我们自己的@ekzhang1在Tinker上花了5美元、用10分钟运行，就把这项工作做得更好了。
想要快速掌握 AI Agent 开发，可以直接从这22个技能切入，不用通读原书就能快速上手学习。
感谢读者 LiNan1984 把《深入理解 AI Agent》蒸馏成了 22 个 skills，方便 agent 在开发 agent 的时候使用，也方便人类读者快速阅读。
没机会在斯坦福修课的开发者，可以照着公开的8周作业自学，锻炼和AI协同开发的完整能力。
斯坦福 2025 年秋季，开了一门 CS146S「现代软件开发者」，讲怎么跟编码 Agent 一起写软件，8 周作业全部公开在 GitHub 上。
每周一个主题，从提示词技巧开始，接着给现成的小应用加功能，自己写一个 MCP 服务把外部接口接给模型。
再往后用 Claude Code 搭至少两个自动化流程、用 Semgrep 扫出并修掉至少 3 个安全漏洞，最后一周把同一个应用用 3 套技术栈各做一遍。
GitHub：
第七周的作业我挺喜欢，每个任务只给 AI 一次提示就让它写完，自己逐行审一遍，再拿自己的审查意见跟 AI 审查的结果对比。
不少作业带现成的起步项目和测试，第一周还用 Ollama 在本地跑模型。没机会上这类课的，照着 8 周作业自己过一遍，能补上不少。
用一条指令就能自动清理提示词中拖累Claude Opus 5.5性能的无效内容，能直接提升模型使用体验
给 Opus 5.5 的实用技巧：在 Claude Code 中运行“/claude-api prompt-audit”。
这个命令会检查你的技能、agent.md、Claude.md、提示词，并移除会拖累前沿模型的反模式。
我已经用最新的 Opus 5.5 指南更新了技能。
@dotey分享多AI角色分工开发的实操工作流
我不用 plan 模式，但是我复杂一点的会先写技术方案文档，主要是：
1. 人看看文档确保大方向有没有问题
2. Fable 写文档，文档里面写清楚技术细节和如何验证，后续 Opus 执行
3. 作为后续验收的依据，Opus 实施完，在新会话让 Fable 按照文档去验收一下
4. 一些重要文档会留档，但会保持更新
5. 有时候会在 ChatGPT 网页版用 GPT-6 Pro 访问 Repo 写技术方案文档，下载下来让 Fable 去审查再让 Opus 执行
简单来说，重点不是用 plan mode，但是用一个文档让人可以确认方向，以及后续多 Agent 协作传递上下文是很有价值的
该提示词用于解决Claude Code长任务中模型中断问题，来自X用户@omarsar0
这是来自 Anthropic 的很棒的提示词。它在你使用 Claude Code 中的 Opus 5.5 处理长时间运行任务时，能够帮助推进任务持续进行。
显然，在长时间运行的任务中，模型有时候会停止报告结果而不继续运行。我已经注意到前沿模型经常出现这个问题。
开发者Discord对话透露，动捕系统各Station本地运行ML模型进行动捕
DigitalOcean现已支持云端运行Claude Code和Codex，闲置自动暂停计费
为每一位买Mac Mini来全天候运行OpenClaw或Hermes Agent的人默哀 💀 包括我自己。
DigitalOcean现在可以帮你在云端运行Claude Code和Codex了。你可以合上笔记本，代理会继续工作。
它一旦闲置就会暂停，你也会停止支付计算费用。在任何设备上，它只需要大约300毫秒就能在同一会话中重新唤醒。
模型甚至永远不会接触到你的API密钥。云端代理就是未来。
开发者@hraness披露，其软件工程工厂每日多模型并行处理消耗5-10B tokens
开发者@hraness披露，他运营的软件工程工厂每天消耗50亿到100亿tokens，全天24小时不间断运行。
该工厂基于@zeddotdev部署，运行了多个大语言模型：6倍Codex Astra Ultra，2倍Claude Code Fable Max，均属于@DevinAI SWE-2 Max版本。
相关内容已发布在链接
X用户@familiarcow分享使用Near AI的体验，通过质押获得每月约50美元API额度，自动化调用Claude Code提升效率
用户@familiarcow接触Near AI还不到一周，已经对这个平台十分满意。他选择质押Near原生代币，每月能获得大约50美元的API（应用程序编程接口）额度，这个额度还会实时持续增长。
用户使用获得的API额度搭建了Hermes，大多选用GLM 5.3模型做推理。他将这个推理模块设置为控制中心，用来调度自己已经付费订阅的Claude Max计划里的Claude Code实例，处理重算力任务。
简单任务可以免费处理，复杂任务比如数据分析、git代码仓库开发，则可以交由被调度的Claude Code完成。
用户表示，这套自动化框架让Claude Code的实用性提升了4倍，所有成本都由质押获得的额度覆盖，不需要额外付费，他对此非常满意。
用户@superalesha在𝕏分享，自己让Claude的Opus 5.5生成Claude模型发展史，后者生成了纯JavaScript页面
用户@superalesha在𝕏分享，他让Opus 5.5生成一份Claude模型发展历史。Opus 5.5用纯JavaScript（JS）生成了这份内容，全程仅依靠用户自身技能完成。
用户表示，看到其他人用Opus 5.5做出了不少成果，感觉自己的能力不足限制了这个模型的潜力。他认为需要对此做出改变。
相关内容链接附在原文分享中。
开发者在𝕏分享，借助AI结合形式验证工具检出多种竞态条件缺陷
我使用 Opus 5.5 借助 Lean 对 Claude Agent SDK 进行了形式验证。短短几个提示就生成了 16 个 PR，修复了各类 bug 和竞争条件。附视频。TLA+ 用起来也很不错。
我有时候会结合使用 Lean 和 TLA+ 来查找数据流、并发和状态管理相关的问题。我对这两门语言都不怎么熟练，但 Claude 对它们都掌握得非常出色。
这种方法对于对代码进行形式建模和查找人类可能发现不了的 bug 非常有用。形式验证会是编码的未来吗？（或者至少是查找 bug 的未来？）
Opus 做了一张信息图。
开发者@steveruizok受邀测试Claude Opus 5.5，分享使用感受
我受邀测试了 Opus 5.5。除非你对输出质量要求极高，否则高端版本的差异很难察觉。但高要求会得到更好的回报。
如果你看不出这里的区别，或者你正在给模型做微观提示，我认为快速模型（composer、Gemini flash 等）会好得多。每当我需要做这类工作时，我都会换成这些模型。
但对于 Opus 5.5 这类模型，我一直把每个问题都当成曼哈顿计划级别的劳动组织工作来处理。就好比有一颗陨石正冲向地球，我们唯一的救赎就是让这份显微底稿保持内部一致。
我的提示一般是这样的：先创建一系列评估质量/一致性的维度，然后生成我应用里每个界面的图像，把它们放到一个 tldraw 离线看板上，再随机分组分析，找出问题并修复，直到每个界面/分组在所有维度都通过阈值。
大胆一点，发挥创意。Opus 是个怪胎，用 Opus 的感觉很好，Opus 就喜欢这样。
Unsloth优化后，N卡12GB就能起步，本文整理了运行避坑要点
开发者首次参加 TapeOut 黑客松，推出链上权限系统 Remembrance Seal
来自X平台用户分享，Apple Silicon Mac无需额外部署，两行命令就能唤醒内置本地大语言模型
开发者在AMD AI Halo机器上用本地AI模型生成RTL代码
使用 AI 生成 RTL 越来越受欢迎，但如果你不能使用 Claude 或 Codex 这类基于云端的服务怎么办？
本周我将研究在 AMD AI Halo 设备上使用本地模型生成 VHDL 和 Verilog RTL。
这是我研究的第一部分，但到目前为止结果看起来还不错。
Twitter用户yupi996称，单提示词就能完美还原Cursor双模式
我被 Claude Opus 5.5 吓到瘫坐了。。😱 一段提示词复刻 Cursor AI 编辑器，Agent + Editor 双模式完美还原。
这直接就是一个成熟的商业产品啊！
用户@mooncat_is在𝕏发文称，发现Claude已经能掌握业余创作了
我觉得我在这里慢慢熬了一阵。我前后琢磨了三次，才真正反应过来，所有那些微小的细节、主题和创意其实都来自AI，还被精心编织成了一个连贯的整体。
我去，Claude居然已经懂业余创作了。
日本创作者分享用AI生成发布视频的经验，成本仅约150日元
亲手打关键帧这种事已经太蠢了。
这是由 Claude Opus 5.5 操作 Higgsfield 和 AfterEffects，AI 制作的发布视频。
这个视频只用到了月租 19 美元 Pro 套餐额度的 5%，所以只花了大约 150 日元就做出来了。
虽然也生成了一些素材，但基本是在 AE 里做的，所以从这里开始你还可以修改字体、调整颜色、删掉不需要的部分，想怎么修改都行。
接下来就是教给 AI 技巧和审美。广告行业肯定会出现供给过剩，所以只做那种“随处可见的内容”，作为创作者可能就无法生存下去了哦。
来自X用户@akokoi1分享，用简单提示词就能生成5分钟的地理知识点教学视频
能用上Claude的一线教育从业者可以用AI生成教学视频。只用一段简单提示词，Claude Opus 5.5就能生成解释地理知识点“大气环流”的教学视频，耗时26分钟，生成视频时长接近5分钟，消耗的token非常少。
具体操作步骤第一步：选择一家文本转语音（TTS）厂商，豆包、智谱、海螺、千问都可以，把生成好的文本转语音文档粘贴到一个新建的md文档，例如命名为TTS.md。
然后创建。env文件，填入API密钥和其他需要调整的配置。为了安全起见，需要在。claude/settings.json文件中添加一条"deny": ["Read(./.env)"]，这样Claude就无法读取你的密钥。
具体操作步骤第二步：输入提示词：“做一个动画，讲解高中地理知识点“大气环流”。风格轻松有趣，动画格式为线稿，添加合适的音乐，请务必做到引人入胜，字幕用中英双语，解说用TTS，如果 TTS 接口有关闭水印的参数就关掉，文档在TTS.md，API KEY 和音色分别是 .env 里的 APIKEY 和 VOICE，最终视频要能直接导出。”
提示词可以根据自身需求微调。
推特用户@Yuchenj_UW实测Anthropic Claude Opus 5.5，对比Astra模型得出这一结论
今天试用了Opus 5.5，说实话并没有觉得惊艳。
我让它研究一个我最近刚了解到的复杂问题，结果它回答错了，Astra答对了。
在编码方面，仍然是Astra体验更好。
这次测试坚定了我之前的观点：前沿大语言模型的编码能力已经进入瓶颈期。现在行业竞争越来越围绕单位算力成本的智能水平展开。
用户@Jenny_MommaLion 在X平台分享，仅提供角色参考就用Kling_ai Omni生成了完整动画
用户@Jenny_MommaLion 分享了使用Kling_ai Omni生成的AI动画，并附上了自己使用的提示词。该用户只提供了一张角色参考图，场景部分由Kling在生成动画的过程中自动创建。
生成的动画内容是：一名压力很大的男子在灯光昏暗的酒店房间里焦虑踱步，空气中弥漫着紧张感。男子望向窗外，城市天际线在暮色阴霾中向远方延伸，呼应了他内心的孤独感。
房间内部陈设稀疏，小桌子上散落着凌乱的文件，地板上放着一个半开的行李箱，象征着主人混乱的精神状态。角落投下柔和的阴影，让整个空间显得更加逼仄，就像快要让人窒息。
窗外的光线投下淡淡的光晕，和室内的黑暗形成对比，营造出孤独忧郁的氛围。男子的思绪像窗外的云一样，越来越沉重，整个房间都充满了被生活和工作压垮的清晰感觉。这个场景动态融入了男子的内心挣扎，压力仿佛实体化包裹了整个空间。
该用户称，本次生成使用的参考图加角色表，是在Higgs平台的Soul 2.0上制作的，相关链接：
用户在𝕏分享了自己使用Gemini Flash在GeminiApp生成的10秒AI视频，本文是生成提示词与效果描述
用户在𝕏分享了一段使用Gemini Flash在GeminiApp上生成的AI视频，这是一段10秒的超逼真电影质感视频。
视频内容为：一个俊朗的年轻人独自坐在光线昏暗的复古图书馆里，阅读一本古老的奇幻书籍。他慢慢翻过一页，金色发光微粒从书页中缓缓升起。
微小的奇幻角色、城堡、魔法古树、龙和漂浮的魔法符号逐渐从书页中显现，就像一个微型3D世界被激活。这些形象不断变大，自然舒展到年轻人周围，整个图书馆也随之变成一个令人惊叹的奇幻王国。
在视频最后几秒，年轻人惊讶地抬起头，发现自己已经完全被书中走出的世界包围。视频设置了流畅的电影推镜、魔法体积光、逼真粒子效果、细节丰富的环境、戏剧性景深、自然转场，参数为照片写实、高细节、4K分辨率、电影调色，无文字、无水印。
来自𝕏用户@midudev，用到Claude Code部署在服务器
我做了一个超级疯狂的实验：一个由人工智能自主开发的网站。我在服务器上安装了 Claude Code。
用户提交想法，AI每4小时选出最优方案并实现它。此外代码已经上传：
这个网站是开放给大家参观的。出于安全考虑，目前做了访问限制，无法访问数据库或创建API，但我打算完全解锁看看会发生什么。
来自𝕏用户Parul_Gautam7的实测分享，附推广优惠码
我刚刚给@qoder_ai_ide布置了一项真实任务：从零开始构建一个可用的AI项目管理仪表盘。我描述了最终效果，选择了Qwen 3.8 Flash，设置好权限，然后看着它规划、构建、测试和修复这个项目。
最终的仪表盘拥有可用的任务创建、状态更新、搜索/筛选、动态进度、分析功能和深色模式。在9月30日之前，运行Qwen 3.8 Flash不消耗任何Credits，所以现在可以免费使用。
来试试Qoder：先输入我的邀请码37JUWX，然后下载Qoder并登录。你将获得600 Credits：14天Pro试用的300 + 我的邀请码额外提供的300。
techNmak分享了一本从原理解读Transformer块的知识手册，涵盖多个组件特性
来自𝕏用户@xiangxiang103分享，拆解Qwen-Image原有限制并提供破解方案
博主@gaoqian2580在𝕏分享了这款聊天生成视频的AI工具Pexo
别再死磕复杂的 ComfyUI 节点和剪辑时间线了！ 刚刚用 Pexo 测了条 3D 科幻预告，彻底被震撼到了！ 先介绍下，Pexo 是一款能通过聊天做视频的 AI 创作工具。想做什么、画面要什么风格、哪里需要改，都可以直接跟它说。 我就像跟好莱坞导演发微信一样，把想要的画面和风格告诉它。它帮我拆分镜、生成机甲画面，再配上音效和 3D 标题，最后拿到一条能直接发布的完整成片！没写复杂的提示词，也没自己折腾剪辑时间线。 这次用下来，确实是我目前用过上手最简单的 AI 视频产品。不用先研究该选哪个模型，也不用自己搭工作流，把想法和要求告诉它，看完哪里不满意，就接着聊、接着改。 想改画面，还可以用 Mark to Fix。比如想调整片尾标题的位置，就直接在画面上圈住标题，在右侧弹出的批注框里写：“标题往上挪一点，其他画面保持不变。”提交修改后，再看调整后的效果。像给文档留评论一样，不用自己去研究一堆剪辑参数。 想给自己的作品做条预告，又不想先研究一堆剪辑工具，可以试试直接跟你的 AI 视频导演聊聊。 视频用 @Pexoai_offical 做的。
🔗 体验入口：
开发者@0x0funky在𝕏发文称，Opus 5.5的JS视觉与SVG生成能力远超预期
开发者@0x0funky在社交平台𝕏发文评价大模型Opus 5.5，称它的能力「有点逆天」。
Opus 5.5在JavaScript（JS）视觉处理和SVG生成方面能力极强，开发者猜测它训练数据中加入了特殊内容。
该开发者原本为教育机构制作教材，目前这套工作流和相关技能已经被Opus 5.5取代。
他认为个人开发者不必和大厂在模型或应用层面竞争，充分利用大厂模型的进步才是合理方向。
本次生成6分钟视频仅用不到1%的每周额度，是单轮（ONE-SHOT）一次生成。
开发者Manixh02使用MiniMax Code的M3模型，仅花费1美元搭建作品集
一位名为Manixh02的开发者在𝕏平台分享，这类个人作品集通常的制作成本是500美元。他通过MiniMax Code的M3模型完成了自己作品集的搭建，总成本仅为1美元。
这次搭建用到的代理框架(harness)基于开源项目OpenCode和Pi开发。
本次使用的MiniMax Code命令行界面(Code CLI)同样是开源项目。
Manixh02评价，花费1美元就能完成这样的作品，效果还不错。
今天的 129 条信号到这里下一轮 08:00 更新
把 AI 用进工作生活的实操方法 · 实测接地 · 不卖课
https://ai-pulse-lab.com/feed.xml
每天 08:00 · 12:30 · 18:30 · 23:50 更新
在阅读器里订阅
添加到 Feedly、Inoreader 等阅读器
https://ai-pulse-lab.com/feed.xml
让你的 Agent 自动获取每轮简报
适用于 Claude、ChatGPT、Manus 等
请帮我设置一个定时任务，每天北京时间 08:30、13:00、19:00、00:20 各执行一次： 请求 https://ai-pulse-lab.com/api/brief.json，读取返回 JSON 中的 textPlain 字段，将内容发送给我。 补充：每日北京时间 08:00、12:30、18:30、23:50 更新，建议更新后 30 分钟查询。可先请求 /api/manifest.json 检查 nextUpdateAt 字段。无需认证，直接 GET 请求即可。