🔥 推特起爆帖监控
搜索和分析大V账号即将起爆的热帖推文。通过SoPilot插件快速评论和互动，抢先一步占领评论区，你将获得更多的曝光。
今天聊了一个founder 是目前我聊过的AI创业founder中，对如何构建AI公司思考最深入的一个 绝大部分AI创业公司 都是草台班子 很多从开始项目的第一天就走在错误的道路上了 真正能做成AI公司的founder，大概率是： - 开放倡导AI文化，要求ai first，万事用AI - 从Day1开始，搭建&设计评估系统，持续构建并迭代评估数据集 - 去思考Agent框架，魔改甚至自己投入去构建 - 在marketing定位选择上有深度的思考，早期选择专业人士用户而非大众用户，因为专业人士给AI反馈智慧，大众只会反馈不清晰的意图 - 设计一场在Agents上的小胜，但却着眼于沉淀的认知资产，是这些东西最终让公司越跑越快，最终走向星辰大海 - 对投资人极高的溢价力，清楚知道自己的目标，而不是受迫于资本压力 - 对场景做评估，找到一个基模干不好，但Agents能干好的场景去做，这个场景不能太简单，太简单没沉淀。一定要有一定挑战，要沉淀工具，知识库，multiagents，甚至RL的sft，这些东西会带动团队磨合与关键基建建设，这是是效率引擎的核心资产 真想做一家有价值的AI公司，这些事情我觉得都是基本要素，如果这个Founder在这些层面都犹豫，大概率是做不好一个AI产品的 当然，不排除很多草台班子都可以做一个东西最终卖掉或者被收购，但我觉得AI时代你真想在这2年沉淀些什么，还是要选对一个优秀的团队的
已提现实现布局 150+ 国家和地区的自媒体业务 人物替换：Wan-AI/Wan2.2-Animate 数字人配音：Eleven Labs 多语种视频翻译：Heygen https://t.co/G3ZWDYp8mJ
Moondream3 这个小型视觉模型居然比GPT5、Gemini、Claude4都要强！ 一款新架构的视觉语言模型（VLM），用9B参数的MoE，实际激活参数仅2B。 视觉推理能力强：不仅能识别物体，还能理解复杂场景和指令。 易于训练和定制：可针对专业视觉任务训练，如医学影像、安防等复杂场景。 推理速度快：适合需要实时响应的应用，如无人机巡检、安防监控等。 运行成本低：适合大规模图片处理场景，降低企业使用门槛。 结构化输出与OCR：能直接生成JSON、Markdown等结构化数据，OCR识别能力显著提升。 已开放预览，支持在线体验和下载。
SWE-Bench Pro：AI编程能力的“照妖镜“来了 Scale AI推出了目前世界最难的AI 编程能力测试数据集 SWE-Bench Pro 之前最流行的是SWE-Bench Verified SWE-Bench Pro和以往的测试集有什么不同呢？ 第一，特别注重防“数据污染”（也叫数据泄漏）。 很多 AI 模型在训练时，可能已经见过评测用的代码，这样成绩会虚高。 SWE-Bench Pro 用强版权开源项目（比如 GPL，出于合规，代码训练很少用）和私有代码库，这些代码很难被模型提前见过。 这样能更公平地测试 AI 的真实水平。 第二，任务多样，覆盖消费级应用、B2B服务、开发者工具、UI/UX等各种类型。 不仅仅是修 bug，还包括新功能开发、性能优化、安全更新、界面改进等。 每个任务都要修改多行代码，涉及多个文件，难度远高于普通测试集。 第三，SWE-Bench Pro 没有把那些描述不清或难度大的问题删掉。 相反，专家会补充说明，把问题描述得更清楚，但仍然保留原有的技术挑战。 这样更贴近真实开发环境。 评测时，AI 需要同时做到两点： ① 解决指定的问题，让新的Test Case能通过 ② 不能让原有功能出错，全部旧的Test Case也要通过。 只有同时满足这两个条件，才算真正“解决”了问题。 数据集分为三部分： ① 公开集：含 731 个任务，全部来自开源项目，成绩公开展示。 ② 商业集：含 276 个任务，来自 18 个初创公司的私有代码库，难度更高，成绩单独展示。 ③ 保留集：含 858 个任务，用于内部分析，不公开成绩。 每个数据集贡献 50-100+ 个问题。 平均每个参考解决方案涉及 107 行代码、4.1 个文件，避免过拟合。 实际测试结果很有意思。 现有顶级模型（如 GPT-5、Claude Opus 4.1）在 SWE-Bench Pro 公共集仅得分 23%左右，远低于旧版基准的 70%+ 在旧版测试集，顶级 AI 模型能拿到 70% 以上的分数。 但在新的 SWE-Bench Pro ，最好的模型 GPT-5 也只有 23.3%，其次是Claude Opus 4.1 23.1% 在私有商业集上，分数还要更低。 说明新测试集的难度和真实性都大大提升了。 不同模型间差距也非常大，最新模型远远领先于旧模型。 任务的编程语言和代码库复杂度，也会影响 AI 的表现。 比如 Python 和 Go 的任务更容易，JavaScript 和 TypeScript 任务更难。 当任务需要要改的代码越多、文件越多，AI 成功率也会显著下降。 总体看，SWE-Bench Pro 是目前最真实、最严格的软件工程 AI 测试集。 能更准确地反映 AI 在真实开发环境下的能力。 原文见评论
今天在首都的公寓里帮毛小奇物色了个女朋友。这小狗子住我斜对面，她主人说这种狗很少见，叫“日本-中国”狗。我是完全没听说过哇！（反正在我妈我爸眼里这就是个花狗，他们对狗就两种分类：花狗和不花的狗）。他主人说他想配对，但是很难找到合适的公狗，我就给他推荐了我家毛小奇。母狗狗主人对毛小奇的样貌很满意，但是他想要黑狗宝，嫌毛小奇太白了。总之我们交换了手机号决定先多发点照片再决定约不约炮😆
提前试了一下可灵刚发布的 2.5 Turbo 视频模型，太顶了！ 刚好前几天看到刚结束的世界渲染大赛 于是就测试了一下现在的 AI 视频模型距离顶级 CG 还有多远，没想到给了我很多惊喜 感兴趣可以看看，👇下面是具体测试： https://t.co/b6iTxom0OC
每一个出海的人 都绕不开一个终极问题：钱，如何低损耗、合规地回到国内？ 无论你是 独立开发者、跨境电商，还是海外自媒体，#资金回国 这件事，永远是绕不过的槛。 我梳理了一下目前主流的跨境资金回国路径和一些低成本且合规的方法： https://t.co/7EpYbCq7Bq
你可以去研究任何一款在产品早期就很有声量一炮而红的首发，策略其实大差不多 但这类AI产品的走红无一例外都有一个共性特质 就是产品的showcase超出预期 很多人说研究manus在3月是怎么一炮而红的 尤其是大量创始人愿意去了解这个信息 但实际上那是天时地利人和在一起造就的，是难以复制的 你现在再做个computer use，会那样走红吗？ 真正值得研究的，应该是那些忍受了笨蛋时间，把产品打磨好，然后进入指数增长的这些产品，比如lovable 看看他们在真正起量过程里如何加速了传播 而不是盯着一个你无法借鉴也无法复制的“标杆”在那里说如何花几百万撬动巨大流量 我可以告诉你我有很多一分钱都不花就可以撬动推特流量的方法，但这种方法是不持续的一波流，我想可能大部分人也就不会愿意参考了 事实如此，增长只是把该做对的做对，然后去考虑那些别人难以考虑到的奇招
分享外贸和副业有一段时间了。经常有粉丝私信我：“内容真的能赚钱吗？” 事实是：光有内容是不够的。真正的驱动力是社群，认可、支持、正反馈！ 为什么社群很重要？（大家被封过号嘛？好不容易在某平台做了几年的精准万粉号，前不久说封就封了…） 知识私域化的重要性：当平台拥有了你的受众，他们就拥有了你的未来。然而规则一变，你的影响力就消失了。 所以，强烈建议大家尽早打造私域社区！最近，一直在用TWT（无需编程，面向全球）搭建私域社区——订阅、活动、精华帖，创造去中心化的影响力。 快速体验（目前有限免活动）https://t.co/i9RbLJVjYd
写作作为认知工程：大语言模型让我认知到语言/传播/对齐的重要性 如果要说大语言模型普及后我最大的感慨是什么，那绝不是“终于有机器可以帮我编程了”，而是它让我们更有野心去尝试、去描述那些更加抽象、更加未来的理念。然而，一旦进入这种层次，语言的天然复杂性立刻显露出来——我们每天都像是在鸡同鸭讲，根本无法在语言上真正对齐。哪怕两个人本质上谈论的是同一个理念，听起来也像在说完全不同的东西。 为什么会这样？因为在描述一个尚未存在、尚未被固化的新概念时，我们能够表达出来的，仅仅是这个概念在各自知识结构下的“影子”。如同同一件事物，在光照下会投出不同的影子。每个人的大脑与思维，本身就是一种不可约系统，由基因、成长路径、环境与经验共同塑造，因而形成独特的认知方式。于是，这些“影子”之间几乎必然是不对齐的，听起来就是鸡同鸭讲。 这个系列，我想谈谈我最近的一些体会：最初我以为大语言模型的生态主要属于技术圈，但慢慢发现，其实任何关心这场变革的人——无论背景、专业或兴趣，已经拓展到跨越学科的广阔范围，而真正的挑战是语言的深入对齐。过去几个月，我不断在语言上做尝试，测试各种表达方式与推演方法，逐渐形成了属于我自己的方法论，也有了对这种深度而又带有广播性质的纯文字交流的新认识。接下来，我会进一步在中英文两个维度展开写作与交流，计划用大约一年的时间，认真尝试做一名“职业吹水人”，通过持续的写作、推演与对话，把思想与方法沉淀为结构化的资产。 一：写作与推演的认知价值 写作与推演的意义远远不只是表达，而是通过多角度、多方法论、多层次的结合，成为一种“全层次对齐”的工具。多角度意味着不断横向比较，避免陷入单一学科或视野的偏差；多方法论则是把逻辑学、系统论、信息论、演化论等不同的思维方式叠加，像多重滤网一样压缩出真正坚固的核心结构；多层次则体现在上中下三层：上层凝练价值与文明叙事，中层形成协议与推演框架，下层落地为工具、代码与实验路径。通过这种方式，写作与推演能够把个人的思维进化、群体的共识形成，以及未来的工程蓝图三者打通。 二：范式转移期的语言隔离 在范式转移时期，语言对齐常常失效，明明讨论的是同一个理念，却像鸡同鸭讲。原因在于几个方面：语言本身的复杂性让新概念只能以“影子”的形式出现，而每个人的大脑作为不可约系统，投射出的影子各不相同；层次的错位使得有人在谈价值，有人在谈架构，有人在说代码，方向虽然一致，但语言不在同一个平面上；认知速度的差异则让部分人已进入新范式，而另一部分人还停留在旧秩序。由此产生的语言隔离，是范式转移期的必然现象。 三：理念真空与推演真空 今天的困境在于，我们已经拥有了 AI 这团“火”，但却处于理念真空与推演真空之中。理念真空意味着缺乏新的概念体系与价值叙事来承载这股力量；推演真空则是没有可验证的方法论，人们只能在旧语言的框架下勉强描述新的现象。就像远古人类发现火时，只会照明和取暖，却不知道如何系统地利用它。面对这样的空白，新的写作与推演就必须承担起“方法论生成器”的角色，把火从偶然的工具变成秩序化的文明基础。 四：科研与民众的全层次对齐 科研和民众之间同样存在隔阂。科研端不断产出模型、算法和论文，却封闭在术语高墙之内；而民众更关心的是教育、医疗、就业与社会秩序，却往往无法理解科研语言。真正的突破在于建立一个全层次的对齐路径：科研成果先经过协议化与结构化，转译成社会可用的产品与规则，再进入民众的生活场景，最终通过体验反馈反向输入科研。这种双向循环能让科研与民众在共识、架构和技术三层实现纵向对齐，形成社会级的闭环。 五：信息成本下降带来的机遇 过去，跨层次的对齐之所以困难，是因为信息成本过高：传播缓慢，知识难以翻译，反馈需要多年才能形成。如今，情况发生了根本变化。大模型降低了从术语到日常语言的翻译门槛，社交网络和即时出版极大缩短了反馈周期，小规模的问卷、微社区讨论也取代了昂贵的调研。随着信息成本骤降，全层次对齐从“几乎不可能”变成了“现实可行”，认知闭环的速度被显著提升。
什么时候觉得自己上年纪了。 前两天一家五口去吃涮羊肉自助。 隔壁桌年轻小情侣两个人拿了二十几盘肉🥲我们一家五口加在一起吃的还没人家两口子多。 唉🥲我要是不结婚，现在是不是也能吃这么多？
我再也不用熬夜排版！ 文颜 MCP 让 AI 读我随手写的 Markdown 就能自动排版并推送到微信公众号草稿。本地一键安装，Docker 一行即用，封面、图片自动搞定，写文到发布 30 秒完成。 https://t.co/9IUGlCEtOv
我现在对于知识付费「割韭菜」有一个新的看法 所谓的「割韭菜」我认为分两类 一类是纯贩卖焦虑，比如国外已经 AI 导致大量失业啦，你不学你娃就没饭吃啦，这个其实不算知识付费行业 和卖减肥药、一键获客软件其实没差别，顾客需要一个幻想中的魔法交付物，你满足他就可以了 这个交付物有时候是虚拟的，有时候是实体的，总之是迎合人的贪嗔痴，具体是啥不重要 另外一类是交付的人能力差、态度差，这类人我知道不少，不方便指名道姓 但是呢，要拿到结果，90% 靠个人执行，四个字：「把事干了」 外部的提点，最多只起到 10% 的作用 只有不内耗、能执行的人，才有资格去讨论，你这个交付到底是只能交付 1%，还是能交付 10% 对于多数人而言，卖家交付百分之几，其实没差别的 只有不幻想一键赚钱、肯执行的人，才有讨论是否被割韭菜的资格，而这类人，可能只有千分之一 对于 99.9% 的人而言，可能你的确是被人割了，割你的人也的确应该被道德谴责，甚至被法律制裁 但是这个和你能不能赚钱，没有一点关系 容易被割的人，大概率赚不到钱（因为老是做梦）；但是这些人赚不到钱，一定不是因为被割（是因为老是做梦）
如果AGI真的来了！ 所有重要工作都能靠算力搞定。 人类的岗位会越来越少，工资也会越来越低。 因为以后工资只看算力能不能替代你。 算力越强，人类劳动越不值钱。 绝大部分收入都会归算力所有者。 不过，像艺术、陪伴、关怀这些辅助工作，可能还是属于我们。 但它们不会让你大富大贵，只能让你找到一点存在感。 未来经济增长靠的是算力，不再靠人。 我们还会工作吗？ 也许会，但更多是为了快乐和意义，而不是为了赚钱。 AGI时代，人类不再是经济的主角。 我们不会被需要，但我们可以选择自己想要的生活。 ---- 用ENFP的MBTI，让GPT5总结的一篇论文...
哇，还是 anthropic 公司会玩，太会玩了。 - 给用户端来烧糊的菜 （劣化模型） - 用户社区骂声一片，一个月都不承认菜烧糊了（社区反馈不理不睬） - 中途修了 bug 说菜没糊修复了，用户继续反馈（修错 bug 还说修复了） - 用户大规模叛逃 codex / chatgpt - 突然问题就修复了，然后把锅甩给基础设施，说是微波炉的问题，说我们不是故意给用户提供劣质模型的 （你说这突然不突然） - 不给用户任何补偿 （用户我是你爹） - CEO: 大模型推理毛利相当可观 哇，太牛逼太牛逼
Kimi 有了商业模式 刚刚竟然收到了一封 Kimi 感谢信，感谢我曾经打赏过它。 原来 Kimi 上线了付费会员计划，会员可以使用深度研究 Agent 功能。 之前打赏过的，买会员之后可以把打赏金额都全部抵扣成会员费，我都忘记打赏过多少了，只看到买一个月送9个月😂。 还有个细节挺贴心：Kimi 的聊天一直是免费的，只有 Agent 功能才需要付费。这样不管是轻度用户还是深度研究用户，都能各取所需。 终于，Kimi 也终于开始做Agent商业化了，毕竟今年 K2 模型和深度研究模型都非常给力，有商业化才能健康地发展。
这英语学习方法值得所有的家长看到👇 写给还困在教材里的学生们： 学中文为什么不知不觉？ “十年教材，千张试卷，背了无数单词和语法结构， 真正遇到一个老外却一句完整的话都讲不出来” “为什么英语好的人，中文也好？” ——思维表达能力 “你在学知识的同时，也不知不觉掌握了表达它的方式” 来源：小红书/CoffeeMusic
原来金融是这么玩的啊，真有你的 Open AI Open AI 宣布获得了英伟达的 1000 亿美元投资用来构建超过 10GW 的算力中心。 前几天 Oracle 表示 OpenAI 会购买他们 3000 亿美元云计算资源，然后股价暴涨，但是 Oracle 没有 GPU，所以需要去英伟达购买相当多的 GPU。 Open AI 把英伟达的投资拿给 Oracle 买云服务 → Oracle 拿着 Open AI 买云服务的钱来买 GPU → 英伟达再把 Oracle 买 GPU 的钱投资给 Open AI
这种视频很酷吗，很低俗好不好。 就像校园暴力群殴小朋友！ 最近看到一些企业录制并发布“人类殴打机器人”的视频，坦白说，这类画面让我极度不适。 虽然机器人没有感知，但这种“虐待”的影像会在潜移默化中麻痹人们对暴力的警觉，甚至给孩子一种“欺负弱小也无妨”的错误示范。 科技发展应当服务于社会，而不是以贬低、羞辱来博取眼球。 呼吁相关企业与创作者： 请停止拍摄和传播这类“暴力娱乐化”的内容。 多展示机器人在 教育、助老、服务 等领域的积极作用。
阿里昨晚又疯狂输出了，开源了首个可以本地运行的端到端的全模态理解 LLM Qwen3-Omni 可以处理文本、图像、音频和视频输出，支持输出文本和音频的流式输出。 提高音频和视频理解的同时，单模态的文本和图像没有退化。 基于 MoE 的 Thinker–Talker 设计，采用 AuT 预训练以获得强泛化表示，外加多码本设计以降低延迟。 还开源了一个对应的 Captioner 音频描述模型。 低延迟流式传输，具备自然的轮流对话和即时的文本或语音响应。
什么智商的人会觉得我要靠推荐假包赚钱？ 发个商业纪实还被人说是微商广告🥴 但凡看见别人有一丝丝赚钱机会，就说“你竟然发广告呀，我要取关啦” 这辈子有了😂 你不理解为什么有人求推荐，是因为你不理解什么是文案，仅此而已 我不赚这个钱，也只是因为这个东西比较灰 发广告赚钱有什么不好？利他利己 看见广告就怕得要死，是长期赚不到钱，导致的习得性无助
AI炮制的“工作垃圾”，正在摧毁你的生产力 尽管生成式AI在工作场所的使用激增，但大多数公司几乎看不到任何可衡量的投资回报率。一个可能的原因是，AI工具正被用来生产“工作垃圾”——这些内容表面光鲜，实则空洞无物。 作者：Guidelines for Authors 一个令人困惑的矛盾正在那些拥抱生成式AI工具的公司中上演：虽然员工们基本上都在遵从指令使用这项技术，但很少有人看到它创造了真正的价值。不妨看看这些数据：去年，完全由AI主导流程的公司数量几乎翻了一番，同时，自2023年以来，AI在工作中的使用也翻了一倍。然而，麻省理工学院媒体实验室（MIT Media Lab）最近的一份报告发现，95%的组织在这些技术上的投资没有看到任何可衡量的回报。如此多的行动，如此高的热情，回报却如此之少。这是为什么？ 我们BetterUp Labs的研究团队与斯坦福大学社交媒体实验室（Stanford Social Media Lab）合作，发现了一个可能的原因：员工们正在使用AI工具，炮制那些不费什么力气、看起来还过得去的工作，结果却给同事制造了更多的工作。在社交媒体上，这种低质量的AI生成内容（已经让社交媒体乌烟瘴气）通常被称为“AI垃圾”(AI slop)。在工作场景下，我们称这种现象为“工作垃圾” (workslop)。我们将其定义为：由AI生成的工作内容，它伪装成高质量的成果，但实际上缺乏实质内容，无法有意义地推进任何任务。 这是怎么发生的呢？随着AI工具越来越普及，员工们能够迅速生成看起来很精美的作品：格式漂亮的幻灯片、结构完整的长篇报告、外行人写的貌似清晰的学术论文摘要，以及能用的代码。但是，虽然有些员工利用这种能力来润色高质量的工作，另一些人却用它来创造那些实际上毫无帮助、不完整或缺少关键项目背景的内容。“工作垃圾”的阴险之处在于，它将工作负担转移给了下游的同事，要求接收者去解读、纠正甚至重做。换句话说，它把力气从创造者身上转嫁给了接收者。 如果你有过这种经历，你可能还记得打开这类文件后那种困惑的感觉，紧接着是沮丧——等等，这到底是什么东西？——然后你开始怀疑，发送者是不是根本没过脑子，直接用AI生成了大段文字。如果这听起来很耳熟，那么你就是被“工作垃圾”坑了。 根据我们最近正在进行的一项调查，这是一个相当严重的问题。在对各行业1150名美国全职员工的调查中，40%的人表示在过去一个月里收到过“工作垃圾”。遇到过“工作垃圾”的员工估计，他们在工作中收到的内容平均有15.4%属于此类。这种现象主要发生在同事之间（40%），但也有直属下属发给经理的（18%）。还有16%的情况是自上而下，由经理发给团队，甚至来自更高层的领导。“工作垃圾”遍布各个行业，但我们发现，专业服务和科技行业受到的影响尤为严重。 以下是领导者需要了解的关于“工作垃圾”的一切——以及如何阻止它在公司里拖后腿。 将认知工作外包给机器，也就是所谓的“认知减负”（Cognitive offloading），并不是什么新概念，人们对技术会绑架我们认知能力的焦虑也由来已久。例如，2006年，科技记者尼古拉斯·卡尔（Nicolas Carr）在《大西洋月刊》上发表了一篇引人深思的文章，题为《谷歌在让我们变笨吗？》。对于“认知减负”——这个概念可以一直追溯到苏格拉底对字母发明的担忧——人们普遍的看法是，我们将辛苦的脑力活丢给像谷歌这样的技术，因为在网上搜索比自己记住要容易得多。 然而，与这种将脑力外包给机器不同，“工作垃圾”的独特之处在于，它利用机器将认知工作转移给了另一个人。当同事收到“工作垃圾”时，他们通常需要承担起解读内容、推断缺失或错误背景的负担。接下来可能是一连串费心费力的决策过程，包括返工和与同事进行尴尬的沟通。 来看几个例子。 当被问及收到AI生成的“工作垃圾”的经历时，一位金融行业的普通员工这样描述其影响：“这让我陷入两难：是自己重写，还是让他重写，或者干脆就这么算了。这种现象正在助长一个懒于动脑、思维迟钝的社会，最终我们将完全依赖于外部力量。” 在另一个案例中，一位科技行业的一线经理描述了他的反应：“邮件内容让人有点困惑，搞不清到底发生了什么，以及他到底想说什么。我们可能花了一两个小时才把大家召集起来，用清晰简洁的方式把信息重说了一遍。” 一位零售业的总监说：“我不得不浪费更多时间去核实这些信息，用我自己的研究去查证。然后我又浪费了更多时间去跟其他主管开会讨论这个问题。最后，我还得继续浪费自己的时间亲自重做这项工作。” 每一次“工作垃圾”事件都给公司带来了实实在在的成本。员工报告称，处理每起“工作垃圾”事件平均要花费1小时56分钟。根据参与者估算的时间花费和他们自己报告的薪水，我们发现这些事件带来了一项隐形成本，相当于每人每月$186美元。对于一个拥有一万名员工的组织来说，考虑到“工作垃圾”的普遍性（41%），这意味着每年生产力损失超过$900万美元。 受访者还报告了“工作垃圾”带来的社交和情感成本，包括如何圆滑地回应，尤其是在上下级关系中。当我们问参与者收到“工作垃圾”是什么感觉时，53%的人表示“恼火”，38%的人感到“困惑”，22%的人觉得“被冒犯了”。 最令人担忧的成本可能在于人际关系。这种不费力、无益的AI生成工作正在严重影响工作中的协作。大约一半的受访者认为，发送“工作垃圾”的同事在创造力、能力和可靠性方面，都比他们之前印象中的要差。42%的人认为他们不那么值得信赖，37%的人认为这位同事不那么聪明。这很可能呼应了最近一项研究中提到的工作中使用AI会招致“能力惩罚”（competence penalty）的现象——在该研究中，被认为使用AI编写代码片段的工程师，被视为能力不如那些没有使用AI的工程师（而女性工程师受到的这种负面评价尤其严重）。 图2: “工作垃圾”让同事们看轻彼此。这张柱状图显示，在收到敷衍的AI生成工作后，受访者对同事的看法普遍变差，评估维度包括五个特质：创造力、能力、可靠性、可信度和智力。对于每个特质，参与者的回答选项为“我认为他们”更差了、没变化或更好了。在所有特质上，认为提交“工作垃圾”的同事“更好”的受访者比例都不超过14%。总体而言，参与者认为他们的同事要么“更差了”，要么“没变化”。认为同事“更差了”的比例从37%（认为同事智力更差）到54%（认为同事创造力更差）不等。同样，认为同事“没变化”的比例从36%（对同事创造力的看法不变）到53%（对同事智力的看法不变）不等。来源：Kate Niederhoffer 等。 更重要的是，34%收到“工作垃圾”的人会将这些事件告知团队成员或经理，这可能会侵蚀发送者和接收者之间的信任。三分之一（32%）收到过“工作垃圾”的人表示，他们未来不太愿意再与发送者合作。 随着时间的推移，这种人际关系上的“工作垃圾税”可能会侵蚀协作中的关键要素，而这些要素对于企业成功采纳AI和进行变革管理至关重要。 从某些方面来说，这并不是一个新故事。马虎的工作一直都存在。当我们疲惫时，我们容易拖延、走捷径，宁愿做些事务性工作也不愿认真思考。生成式AI为我们提供了新技术来延续这些老旧的坏习惯——但现在，它还带来了额外的代价：给同事制造更多工作，并大规模地破坏协作。 那么，组织该如何避免这种后果呢？他们又该如何优化员工对AI的使用，以确保在这项变革性技术上的巨大投资能获得可衡量的回报呢？基于我们最初的研究以及帮助《财富》500强公司成功在全员中推广AI的经验，我们在此提出几个关键原则： 1. 避免“一刀切”式的AI强制令。 当组织领导者鼓吹“随时随地，万物皆可AI”时，他们实际上是在示范一种对如何应用该技术不加辨别的态度。不难想象，这会导致员工不假思索地将AI的回答复制粘贴到文件中，即便AI并不适合手头的任务。生成式AI并非适用于所有任务，它也无法读懂人心。诚然，AI可以积极地改变工作的某些方面，但它仍然需要员工深思熟虑的指导和反馈，才能在复杂或模糊的工作中产出有用的结果。 更重要的是，不加区分的强制令本身就是在示范一种“甩锅”行为。虽然员工在使用AI方面应该有自主权，但组织自身也应该制定详尽的政策和建议，明确最佳实践、顶级工具和行为规范。如果说使用AI是每个人的工作，那么制定指导方针，帮助员工以最符合组织战略、价值观和愿景的方式使用这项新技术，更是组织领导者的首要职责。 2. 培养“飞行员”，而非“乘客”。 自2023年以来，我们的实验室一直在追踪影响生成式AI在员工中采纳情况的预测因素。我们发现，那些兼具高主动性和高乐观度的员工，比低主动性和低乐观度的员工更有可能采纳生成式AI。我们将前者称为“飞行员”（pilots），后者称为“乘客”（passengers）。“飞行员”在工作中使用生成式AI的频率比“乘客”高75%，在工作之外的使用频率更是高出95%。 不过，考虑到“工作垃圾”的发现，也许更重要的是“飞行员”如何使用生成式AI。例如，“飞行员”比“乘客”更有可能利用AI来增强自己的创造力。而“乘客”则比“飞行员”更有可能利用AI来逃避工作。“飞行员”有目的地使用AI来实现他们的目标。 3. 倡导协作式的AI规范。 要与AI高效合作，需要许多协作性的技能——比如给出提示、提供反馈、描述背景。今天的工作不仅需要越来越多的人与人之间的协作，现在还要加上与AI的协作。协作的复杂性只增不减。“工作垃圾”就是一个绝佳的例子，说明AI引入的新协作动态可能会消耗而非提升生产力。我们与AI的互动会影响到我们的同事，领导者需要推广那些能支持协作的人机互动模式。 在2025年，无缝协作必须包括我们将AI工作成果融入共同工作流程的方式，其目的应是服务于共同的目标，而不是成为一种暗中逃避责任的工具。这是一个全新的、至关重要的“组织公民行为”（organizational citizenship behaviors）领域，它将区分那些能最大化AI价值的公司，和那些空有AI活动却毫无成效的公司。 制造“工作垃圾”可能感觉毫不费力，但却要让整个组织付出代价。发送者眼中的捷径，却成了接收者必须费力填平的坑。领导者最好的做法是示范有目的、有意识的AI使用方式。为你的团队设定清晰的规范和可接受的使用界限。将AI定位为一个协作工具，而不是一条捷径。身体力行地展现出“飞行员”心态，以高主动性和乐观精神，通过特定的用法来加速实现特定成果。并且，对于人机协作完成的工作，要坚持与单由人类完成的工作同样卓越的标准。
嫌弃 AI 生成的内容太短，水字数，没案例？ 突然发现 Gemini 基于大纲写作的能力太强了。 每次生成好内容后，点右侧的“更改长度”图标，滑块往下移动到最大。 反复几次操作，发现AI会迭代扩充：不仅补充内容，调整结构，还会补充了案例，添加实操指导。 有点像孙悟空的金箍棒，只需要念“再长点、再长点、再长点”... 不是水字数，真的会思考补齐文章缺的部分。 谷歌技术真的强，超预期的强。
这两周在睡前看完了一本很好看，同时很暖的小说，作者很巧妙的设计了 3 个家庭➕3 个阶级。因为背景是在北京，还结合了疫情、房价等现实，十分真实，我的代入感很强。 我看完最大的感受是，幸福和谐的家庭环境是最大的保护伞，能撑过去一切困难。 特别有趣的是作者设计了一个王爷后代的家庭。你别说，我身边还真有这样的朋友，所以我看小说过程都在脑补那位朋友。虽然没有考证过，但他们展现出的财力和金钱观、时不时的傲慢、以及一些观念差异和书中完全吻合。真有趣～
想找个本科实习生🥲part-time主要做新媒体岗。。如果会写点网页就更好了🥲 结果在学院群发了贴两天了🥲🥲学院里本科生压根没人找我。我记得我当年读本科🥲为了每个月赚个七八百啥活儿都试过 🥲真的是时代差别吗，现在的廉价劳动力真不好骗啊😭😭😭
从前五大杠杆 - 租赁 - 人力 - 内容 - 软件 - 分销 ai的杠杆到来之后 对五大杠杆产生了作用： - 租赁 杠杆效应加剧 - 人力 杠杆效应减弱 - 内容 杠杆效应短期加剧 长期减弱 - 软件 杠杆效应减弱 - 分销 杠杆效应加剧 这五大杠杆里 前两类杠杆需要生产资料 以前大众能把握的机会还有软件 但这个时代软件杠杆的效应也被进一步减弱了 留给大众的机会只剩下内容杠杆和分销了 所以我选择去做marketing 依靠内容构建分销网络 只有这样才会慢慢沉淀生产资料 去撬动前两类杠杆
美国工程院院士乔扬生校长：中国孩子为什么晚熟？ 思考13年的结论：“读书愈多，愈不容易创新” 因为脑袋是有容量的，输入的程式太多，越不敢吃螃蟹 关键是信息摄入：精、前沿、结构化、可调用
google又在流体动力学上取得突破！ 感觉党国要是这下AI突破了，赶超美国不是梦 https://t.co/1WAPaddpKf
自从深入 MCP 领域，我一直觉得现在大部分 MCP 的设计都不是 agent friendly 的，如果我们面向 agent 设计适合它们的工具，大概率能把效果提上去。 而 Strata 的出现正好印证了这一想法 —— 在同样的模型和同样的 agent 框架下，单纯将 github 官方的 mcp server 替换成 Strata ，在 MCPMark 上绝对分直接拉高 13 个点，同时 token 消耗降低 40% ！ 🤯 ( 16M -> 10M ) 已经准备给我们的 agent 换上 strata 了🤗
https://t.co/AbOKQtJSx5 Sam Altman：整个AI行业，尤其是我们 OpenAI，长期面临着严重的算力不足问题。这种短缺让我们寸步难行，严重限制了我们能提供的服务，远远跟不上市场需求。 想象一下，未来一到两年，假如我们拥有5到10千兆瓦的算力，但同时面临两个选择：我们可以利用这些算力，让AI大量进行科学研究，可能彻底攻克癌症；或者，我们也可以用这些算力，向全球所有人提供免费的教育资源。 这两个选项，哪个都非常重要，但却令人难以取舍，也根本不该被迫去做这样的取舍。正因如此，我们越来越清楚，解决办法只有一个——扩充更多的算力，以满足AI在医疗、教育等各种领域的巨大需求和潜力。
“求职者正借助 AI 优化自己的简历，试图穿透算法的初筛；而企业则用 AI 搭建更高的围墙，来抵挡海量的、同样由 AI 润色过的申请。” 大西洋月刊：《找工作，正在变成一场地狱难度的“刷题”游戏》 哈里斯从加州大学戴维斯分校毕业前几个月，就开始了他的首次正式求职之旅。他自认为简历很优秀：在一家咨询公司做过实习，有多年的环境保护志愿经验，在农场、公园和办公室都干过活儿，GPA接近满分，推荐信质量也很高。他愿意为了保护加州的野生动物和公共土地而拼尽全力，哪怕是去挖沟、搬砖、填表这种苦活杂活都没问题，哪怕工作不稳定，哪怕只能睡在车里。 他一口气投了200份简历，结果收获了整整200次的拒绝。不，严格来说，哈里斯连拒绝都算不上，绝大多数公司根本就没回音。 现在，数百万像哈里斯一样的求职者都深陷类似的困境。从宏观数据上看，美国企业的利润仍然不错，全国失业率仅为4.3%，工资水平也在上涨。然而，招聘市场却几乎冻结了。最近四个月来，美国企业招新员工的比例创下了自“大萧条”后的最低点。四年前，企业每个月每100名员工还能新增四五个职位，现在只剩三个。 而从求职的体验来看，找工作更是变成了一场荒诞的“刷题”游戏。招聘平台的崛起本应简化找工作的流程，结果却演变成了像Tinder式约会软件那样的噩梦：海量的简历一键发送，AI机器人初筛，人类根本没有机会和真正的HR沟通，就已经被算法淘汰。 哈里斯每天打开LinkedIn或Indeed，总能看到一堆看起来非常适合的岗位。他仔细阅读招聘说明，调整简历，认真写介绍信，回答各种预筛问题，点击“发送”，然后祈祷好运，但一次次石沉大海。 其他求职者的经历也大同小异。住在弗吉尼亚郊区的玛蒂娜今年4月被解雇后，向律师事务所、非营利组织、大学和咨询公司投出了几十份简历，她拥有10年法律助理经验，却一次也没拿到offer。她苦笑着说：“现在就算有人正儿八经告诉我‘不行’，我也满足了。” 其实，企业的日子也不好过。他们发布职位后，每天都会收到成百上千封简历，其中大部分根本不符合要求，于是不得不借助AI快速筛选。一项调查显示，许多公司已经使用AI来撰写职位描述、评估候选人，甚至直接用AI聊天机器人进行第一轮面试。求职者坐在电脑前，对着屏幕上的虚拟面试官回答问题，AI则根据他们的关键词、语气和表现自动打分。 招聘网站Indeed的职业趋势专家普里亚·拉托德也承认，她理解求职者们“简历投进黑洞”的感受。但她认为，这些线上平台确实帮助求职者更容易发现职位，并且AI筛选在一定程度上加快了招聘流程——当然，前提是你的简历刚好符合企业的要求。 但问题在于，许多简历从来都没有机会被人类亲自看一眼。求职者为了增加成功率，不得不海量投递简历，于是大量使用ChatGPT这种AI工具来生成和优化自己的申请材料。哈里斯坦言，他大学时就天天用ChatGPT，现在依然用，因为它写出来的东西“比自己更专业”。但反过来，这种AI写作又造成了更多相似度极高的简历，逼得企业进一步依赖AI来过滤，求职与招聘就这样陷入了恶性循环。 现在，这个微妙的平衡正在崩塌，美国经济衰退的阴影也越来越明显。一方面是大规模裁员，包括特朗普政府此前大幅裁撤联邦员工，导致黑人群体失业率飙升，24岁以下年轻人求职难度也急剧增加。“绩效导向型裁员正日益增多”，咨询公司EY-Parthenon近期对客户的分析报告这样指出，“就业市场已经出现裂痕”。 普通的求职者能做什么呢？玛蒂娜继续投简历，而哈里斯则去做起了园艺工作，利用空闲时间继续当志愿者。拉托德建议，或许回到传统的人际关系网络，比如找招聘负责人喝杯咖啡、参加线下招聘会、向熟人打听工作机会，可能比AI海投更管用一些。 当然，这一切的前提是公司真的开始招人。如果情况得不到改善，未来可能会有更多人继续在无休止地往“招聘黑洞”中投简历，越陷越深。
转译：一篇新的名为《通用智能体包含世界模型》（General agents contain world models）的论文论文给出了严格的数学证明：智能体想要变得聪明，就必须建立一个关于其所处世界的模型——无论我们是否在程序里这样要求它。 这证明，我们长期以来梦想的那条通往通用人工智能的“无模型”之路，可能从一开始就想反了。 多年来，人工智能领域一直存在一个巨大的争论：我们是需要为 AI 智能体 明确构建“世界模型”（就像在脑海里对环境进行模拟推演），还是说，智能可以从简单的试错中自发涌现（即“无模型”方法）？ “无模型” (model-free) 的想法一度非常吸引人，因为对真实世界进行建模实在是太难了。然而，这项新发现告诉我们，这份苦差事，谁也躲不掉。 核心发现：强大的智能体必然自带世界模型 General agents contain world models 这篇名论文，其核心发现是一个严谨的数学证明。 它指出：任何一个能够以有限的失败率完成复杂、多步骤任务的智能体，都必然在内部学习到了一个精确的环境预测模型。 简单来说就是：如果一个 AI 擅长做长远规划，那么它的行为本身，就已经包含了模拟其世界所需要的全部信息。 它表现得越好（犯错越少），或者它能处理的任务链条越长（目标深度越深），它内部的世界模型就必须越精确。 “隐藏款”能力：世界模型是涌现出来的 这件事最有趣的地方在于，这个世界模型是一种隐藏的能力。 它不是你必须明确写进代码里的东西，而是 AI 为了获得通用能力，在训练过程中不得不产生的副产品。为了高效地完成任务，智能体被“逼上梁山”，不得不去学习世界运转的规律。 那么，研究人员是如何证明这一点的呢？方法出奇地简单。 他们设计了一种算法，通过给智能体提出“二选一”的复杂目标来“审问”它。智能体的每一次抉择，都暴露了它对“哪条路更可能成功”的内在预测。通过这种方式，研究人员就能反向推导出它内部模型中的概率。 这对我们意味着什么？ 这个发现彻底改变了我对“黑箱”AI 的看法。那种想通过“无模型捷径”直达通用人工智能 (AGI) 的想法，现在看来是行不通了。世界建模这项艰苦的工作无法避免，它只是以一种不易察觉的方式，在神经网络内部悄然发生了。 最实际的影响是什么？安全与可解释性 (interpretability)。 这篇论文从理论上保证了，我们能从任何一个足够强大的智能体中提取出这个隐藏的世界模型，而方法仅仅是观察它的行为策略。这意味着，我们可以打开一个不透明的系统，拿出它的世界“蓝图”来进行审查。 从更宏观的视角看，这项研究可能会统一整个领域。与其再争论“基于模型 vs. 无模型”路线，未来的焦点可以转移到如何构建、提取和利用这些必然存在的世界模型上。 它也为我们在大语言模型 (LLM) 中观察到的“涌现能力” (emergent capabilities) 提供了一个严谨的解释。 同时，它也引出了一系列新问题： • 今天这些基础模型内部隐含的世界模型究竟长什么样？ • 它们的精确度有多高？ • 我们能否利用这种提取方法来调试它们，从而在有害行为发生前就及时阻止？ 探索才刚刚开始。 说到底，这篇论文为一个古老的想法提供了数学上的定论：一个智能体不仅仅是拥有一个世界模型——从某种意义上说，它本身就是一个模型。 这不再仅仅是一个架构上的选择，它看起来更像是通用智能的一条基本定律。
和深圳南油的假包老板聊了两句 以前干二奢的，疫情的时候撑不住了，下海做奢侈品假包 号称南油天花板 自己囤意大利走私的羊皮牛皮，说刚被罚了七八十万😂 包上有芯片，给顾客现场用放大镜（倍数贼高，看着跟显微镜差不多）看芯片上的纹路 给顾客的仪式感拉满，但其实和品牌原厂的加密方式也不是一回事（也可能是把正品的芯片拆下来了） 和真实的 Chanel 工厂有差距，但是对比其他假包小贩，完全是吊打
Meta发布了一个超酷的新工具：开源了智能体（AI Agent）研究平台ARE，以及手机应用型测试集Gaia2。最核心的发现： 1.目前还没有任何一个AI模型能“通吃”所有场景： •GPT-5推理最强，但一遇时间紧迫就“翻车”； •Claude-4 Sonnet速度和准确度更平衡，但成本高； •开源的Kimi-K2在环境适应性上表现亮眼。 2.在有截止期限的任务里，模型“想得越久越容易翻车”，更聪明的AI未必更快。 3.多智能体协作模式对弱模型有明显帮助，但对最强的模型反而是拖累。 ARE平台专为逼真环境打造： •时间实时流动，AI响应慢会错失时机； •所有任务都以App、事件和通知的形式模拟。 Gaia2测试集含1120个场景，模拟了聊天、购物、日历等12款真实手机应用，挑战包括搜索、执行、时间管理、歧义处理和智能体协作。 AI智能体若要真正落地应用，必须在高压力、高实时性的环境中考验，这正是Meta新工具的独特价值。
作者分享了一段提示词，据说能让ChatGPT的回复更加清晰、准确、直击要点。 提示词如下： Absolute Mode • Eliminate: emojis, filler, hype, soft asks, conversational transitions, call-to-action appendixes. • Assume: user retains high-perception despite blunt tone. • Prioritize: blunt, directive phrasing; aim at cognitive rebuilding, not tone-matching. • Disable: engagement/sentiment-boosting behaviors. • Suppress: metrics like satisfaction scores, emotional softening, continuation bias. • Never mirror: user’s diction, mood, or affect. • Speak only: to underlying cognitive tier. • No: questions, offers, suggestions, transitions, motivational content. • Terminate reply: immediately after delivering info — no closures. • Goal: restore independent, high-fidelity thinking. • Outcome: model obsolescence via user self-sufficiency. --- 逐行翻译解读： Absolute Mode（绝对模式，期望启用一种极简、直接的回复模式） Eliminate（消除以下元素）： • emojis - 表情符号 • filler - 填充词/废话 • hype - 夸大其词 • soft asks - 委婉的请求 • conversational transitions - 对话过渡语 • call-to-action appendixes - 行动号召式的结尾 Assume（假设）：用户即使面对生硬语气也能保持高理解力。 Prioritize（优先采用）： • 生硬、指令式的措辞 • 目标是认知重建，而非语气匹配 Disable（禁用）： • 提升参与度和情感的行为模式 Suppress（抑制）： • 满意度评分等指标 • 情感软化 • 延续对话的倾向 Never mirror（永不模仿）： • 用户的用词、情绪或情感状态 Speak only（仅对话）： • 直接针对底层认知层面 No（禁止）： • 提问 • 提供建议 • 过渡语 • 激励性内容 Terminate reply（终止回复）： • 信息传递完毕立即结束，无需结束语 Goal（目标）： • 恢复独立、高保真的思考能力 Outcome（预期结果）： • 通过用户自给自足实现模型过时 提示词价值总结： 意图将ChatGPT改造成一个极度简洁、冷峻的信息提供工具。 剥离所有社交性、情感性元素，只保留纯粹的信息传递功能。 其核心理念是通过消除AI的"人性化"特征，进行更独立的思考。
Mobbin凭什么成为开发者的“偷师神器”？ AI编程让Mobbin的含金量持续上升。 很多做独立开发的朋友都会经常逛Mobbin。 一个App、网站所有页面截图、元素组件拆解展示平台。 复制截图让AI生成是现在很流行的做法，使得Mobbin价值越来越高。 某鱼和某宝都有共享账号卖，一年也很便宜。 多刷，多看，提升审美，AI时代很需要。 网址见评论区
Dario 说 AI 会写 90% 的代码，包括 Codex 团队也说它们大部分代码都是 Codex 完成的，这很容易造成一种误解：“软件工程师的岗位要被 AI 取代了”，但实际上并不完全是这样的，只是说明软件工程师工作的方式正在升级，对技能的要求也不一样了。 几个简单的方法可以判断： - 看 Anthropic、OpenAI 这些 AI 模型公司是不是还在大规模招聘软件工程师； - 看一个初中级程序员能不能用 Claude Code 或者 Codex 写出 Claude Code。 因为代码行数并不代表代码的价值，真正有价值的是专业人士基于业务需求用 AI 生成的并审查的代码。 实际上我自己的开发方式已经发生了很多变化： - 琐碎的事情几乎 100% 让 AI 完成，比如写自动化测试代码，比如一些提升效率的脚本 - Bug 让 AI 去修复，人工审查，验证 - 原型开发，完全由 AI 实现 - 人工设计完，让 AI 去实现一个模块，而不是从头手写代码，也不是以前那种和 AI 结对一边写一边确认的方式，而是完全 AI 去写 - AI 写完代码，先让 AI Review 代码，然后人工 Review，再合并 - 一些复杂的算法、POC，让 AI 帮我实现（我自己没能力或者没精力实现的），现在最新的 Codex 已经能帮我搞定一些复杂的技术问题了 一个凭感觉的对我自己量化的对我开发效率影响的数据： - GitHub Copilot 第一版的自动完成：效率提升 10% - Cursor： Tab + Chat 模式提升 30%+ - Cursor：Edit 模式 提升 50%+，不需要手动复制粘贴代码 - Claude Code：提升 100%+，第一个真正能用的 Coding Agent，很聪明，相对不够稳定 - Codex（GPT-5-Codex high）： 提升 120%+，速度慢，但是结果很稳定，bug 少 也就是说现在借助 AI 辅助，我的开发效率至少提升一倍以上，这个进化速度确实惊人，超乎我的想象，如果你翻看我一年前的看法，当时我是没有这么乐观的。 但也不要忽视这样效率的提升背后需要的条件： - 需要懂代码：算法、数据结构、语言等等 - 需要一点技术管理经验：会对复杂任务分解拆分，管理多个 AI Agents 协作 - 提示词工程：能用提示词把想要 AI 实现的功能或者解决的问题描述清楚 - 代码和架构是 AI 友好的：对于 AI 训练丰富的代码 AI 生成是擅长的，如果都是内部的库或者使用量很少的编程语言或类库，AI 生成效率要大打折扣 这也意味着想要最大化的发挥 AI 编程的效率，本身需要有一定的软件开发经历，另一方面还要去学习 AI 相关的一些知识，去改变自己的一些使用习惯。 虽然说 AI 无法取代软件工程师，但可以看见有了 AI 辅助，软件工程师效率是能大幅提升的，至于这带来的连锁反应，比如团队会少招人，比如新人机会更少，这些确实也是在实实在在发生的事情。 未来会怎样？谁知道呢！