🔥 Search Hot Tweets

为什么北京上海房子现在已经“止跌回稳”了？ 因为把房子当资产的那批人（只占1%），已经手忙脚乱地把房子全卖干净了，无论是2021年听党哥卖房的，还是后知后觉跟风抛售的，已经卖完了， 剩下的全是“刚需党”、“我爸妈要住”、“我给我儿子买的婚房”、“房子卖了钱还能去哪里”这些人，已经彻底锁死市场了。 我经常说，为什么县城的房子从2021年以后就不跌了？因为根本没人买也没人卖，一个县城几十万人，小区成交一年没有几百套，彻底死水一滩，挂一年连个看房的人都没有，当然不跌了。 现在北京上海已经是人口负增长城市了，能上班打工的年轻人一批批滚蛋回老家了，市面上有主观意愿卖房逃顶的人已经全卖干净了， 剩下的人全都是“可卖可不卖”、“价格低了我可不卖”、“我这个房子当年2000万”、“我这个装修这么贵，不能打折”的这批人， 还有相当一批老房子、鬼城、周边远郊的房子已经彻底退出房地产交易市场了，永远锁死在老土著的家庭资产里当传家宝了， 最后大家全开心了，大家全都没亏钱。

GPT-6 Astra + Blender + Godot Engine GPT-6 仅用 20X 3% 的额度，帮我做出了一个完整的 3D Roguelike 游戏关卡 昼夜循环、天气系统、3D 建模、贴图、武器切换、技能系统，以及近战和远程的小怪 https://t.co/me2MyX4sRv

关于OpenAI下一代模型的爆料： 今天， @imjustnewatai 发帖称，从 OpenAI 内部获悉，Astra 之后的下一代主要模型预计在今年底推出，时间可能落在 11 月初或中旬。 按照他的描述，这一代模型将具备跨领域的专家级能力，能够实时执行动作，包括玩实时游戏，同时具备一定程度的递归自我改进能力。 但我更在意的，是他提到的内部研发过程： GPT-5.6 Sol 协助训练了 Astra，Astra 又协助训练了 Doug 和 Bel，而更强的预训练模型 Doug，正在参与训练自己的继任者。 也就是说，一代模型参与研发下一代，下一代再继续参与研发更强的模型。 他还把时间表推到了 2027 年：预计年中，也可能到年底，后续模型将进一步提升自我改进能力，目标是在包括实时行动在内的各类任务上超越人类。 咋说呢，OAI把RSI跑通了的消息不是秘密了。 而且御三家其实都跑通了（这也是为什么模型发的越来越快，之前一次小更新也要3个月）。 我们已经见证过按周为单位的模型发布了。 PS：我看到我几个关注的爆料号都在说这个消息（

OpenAI 的 Reset 卡并非额外叠加一周额度，而是刷新额度并顺延自然重置日。按长期额度折算，新重置日相比原重置日每顺延 1 天，就相当于吃掉约 1/7 张 Reset 卡的实际价值。 Reset 卡越接近自然重置日使用，价值越趋近于零。 如果目标是最大化 reset 卡的额度价值，原则上应该在刚自然重置的时候，立刻用完额度，然后立刻重置，以此类推循环往复…

用 gpt 6 给寻龙引擎做了升级，效果还是可以的。对于抽象概念的理解和执行比较到位，提出的修改问题都能一次改掉。表示满意。 https://t.co/yxmiJxGrmF

GPT-6-Astra太贵了怎么办？别怕，无限额度焚决来了 核心思路： 复杂任务改成 Astra 负责设计、拆解和验收，然后交给Luna-max (几乎不要钱)负责执行。最后Astra进行验收。 提示词（可以写到 AGENTS.md 中） Astra 产出架构设计：目标行为、接口约定、依赖关系、验收标准。再拆分可独立完成的工作。 每个 Luna 收到明确的目标后再执行。 最后交给Astra严格验收，不能只根据子代理的“已完成”判断成功。

Ollama 的半价就是 DeepSeek 是原价，世界终于颠成了我想要的样子。 https://t.co/CpmwuXZu3U

所有人应该立即立刻马上对博士硕士、名校祛魅， 一个落后的，腐朽的培养体系机构，在本科阶段落后时代二十年，在研究时代继续使用老旧思想、老旧工具让你进行研究分析， 你觉得你能学到什么？能用三百年前的高等数学公式严格证明 DeepSeek harness 是完美无瑕的，能让 xai 招纳专家矩阵，研发出了一坨狗屎的 grok， 最后赶不上 codex，cursor composer 一根毛 入口错误，过程错误，就不要幻想结果正确。

作为码农，我感觉 GPT-6 已经超出我的能力范畴了，要不是我现在写的代码太简单，要不就是没用对地方。。。 打算晚点让它试试优化 GPU kernel。

🚨划重点！很多人只盯着刚发布的GPT-6 Astra，却漏了Sam Altman最关键的一句： “Take our word for it — we have much, much, much more capable models coming soon.” Astra训练早就完成了。他们最近暂停的，是另一台更强的「未来模型」。 下一代会让所有人sobering。 OpenAI DevDay：9月29日。 更狠的那个，可能就在23天后登场。 前方高能，请保持警惕！ #OpenAI #GPT6Astra #DevDay #AGI #SamAltman https://t.co/7jrNk8lf2e

一堆傻逼跟我辩论，说云南电梯是个文旅项目，每天挣大钱，跟印钞机一样，游客每天排大队，根本挤不进去，小朋友们上下学只是额外的当地福利。 这就是云贵川这轮城投债的典型画像：每个城投文旅项目都说自己挣钱、挣大钱、无敌挣钱、游客络绎不绝、还狠狠拉动了经济， 结果最终就是50万亿的债务窟窿。 https://t.co/I0YUIhcEWi

看来不只我一个人遇到 Astra 回答中断，体验不如 Sol 丝滑的问题（经常只说下一步，却不继续做）。在翻过 Codex 源码后，我发现这并不是主观感受。 ------- Astra 和 Sol 的差别不只是能力高低，做事方式也变了。Sol 通常会顺着上下文补全用户意图：即使要求没有写得特别明确，它也往往先动手，做到需要决策的地方再调整。Astra 更在意边界、授权和结果是否可靠。只要它判断某项缺失信息可能改变结果，就更容易停下来等待确认。在用户看来已经足够明确的一句话，到了 Astra 那里，可能只换来一段任务理解和一句“下一步应该……”，实际动作却没有发生。 这不像是 reasoning 或工具配置造成的。Codex 中 Astra 和 Sol 的默认 reasoning、verbosity、tool mode、multi-agent 版本基本一致。OpenAI 的模型说明直接提到，Astra 比 Sol 更倾向于请求澄清；当用户希望它自行补全细节并继续时，它可能停住。它对上下文指令也更敏感，AGENTS.md、skills 等文件里只要存在含糊或相互冲突的规则，就可能让它提前收手。 源码处理方式也说明，官方已经预料到这种差异。Astra 没有沿用 Sol 的基础指令，而是配了一套更长的专属 agent prompt。里面甚至明确写着：can you、I want to、help me 这类表达应当视为行动请求；不要只做确认、给出计划，或者告诉用户之后可以继续。换句话说，这些提示是在纠正 Astra 容易“解释完就收工”的倾向。 让人明显感觉像一次回退，还有个直接原因：Astra 上线后成了默认模型。用户没有改变提示词和操作习惯，但未固定模型的新任务已经从 Sol 切换到了 Astra。入口没有变，背后的意图判断变了。同一句话，Sol 可能直接执行，Astra 则可能先判断是否还需要确认。 老任务中途切换到 Astra 时，情况还可能更复杂。Codex 会保留旧模型的 base instructions，再通过 developer message 注入 Astra 的完整指令。对上下文更敏感的 Astra 来说，多套指令叠在一起，更容易产生保守解读。这个机制不能单独证明中断的原因，却是一个值得优先排查的放大因素。 所以，概括来说：Astra 的加入确实改变了 Codex 默认 agent 做事方式。用户感受到的卡顿和不连贯有明确的模型行为依据，并非单纯心理作用，也不是源码刻意削弱了执行能力。问题主要来自三点：Astra 对用户意图的判断更谨慎，对多层指令更敏感，上线后又直接接替 Sol 成为默认模型。Codex 已经用专属 prompt 做了补偿，但在公开源码中，还没有看到专门覆盖“只说明下一步，却不实际行动”这一问题的 Astra 行为回归测试。 参考链接： - https://t.co/1KYf5c6b0z - https://t.co/9ndfqj2Enb

太吊了！！！一次会话，GPT-6 Astra 帮我还原了整个悉尼城！！！😮 通过地图＋真实照片，配合 Blender 和 Three.js，Astra帮我做成了能缩放、环绕、切换光影的 3D 城市 https://t.co/Olx8uoI8zp

我做了一个 AI API 聚合平台：SoleAPI https://t.co/8bJ7bygbAD 这两年花了很多时间折腾不同的 AI 模型。 GPT、Claude、Gemini、DeepSeek、GLM、Qwen…… 新模型一出来，我基本都会去试。 慢慢我发现一个很烦的问题： 模型越研究越多，手里的 API Key 也越来越多。 这个模型要注册一个平台，那个模型又要重新充值。 有时候只是想对比一下两个模型，却要来回换 Key、改 Base URL、查余额。 所以我开始想： 能不能把这些事情简单一点？ 于是我做了 SoleAPI。 现在在 SoleAPI 里，只需要 一个 API Key，就可以调用多个主流 AI 模型。 想换模型，大多数时候只需要改一下 model。 我也接了不同的模型渠道，希望在保证可用性的同时，把价格尽可能压下来。 部分模型相比官方 API，最高可节省 95%。 SoleAPI 现在还不是一个多大的项目。 它更像是我把自己每天会用的东西，认真做成了一个产品。 我自己也还在持续测试模型、接新的渠道、优化路由和稳定性。 我希望最后它能变成一件很简单的工具： 你不需要关心 Key 在哪里。 你只需要想： 今天，我想用哪个模型？ One API. One Key. Every Model. https://t.co/8bJ7bygbAD

我是AI重度用户，跟你讲真的。 ❌这些别装了 ・Gemini ・Genspark ・Copilot ・Midjourney ⭕️就用这些↓

暴论：Skill 将死，方法论永生。 昨天参加 B 站的 Build in Public，卡比老师 @jakevin7 真的把这条写进了他的 ppt 然后公开讲了！整个下午最精彩的部分就在这了，完全是来上课的！ 干中之干太干了！ 按照卡比老师说的，随着模型训练不断进步，很多通用知识和标准流程，会逐渐被模型内化。以前需要写一大段指令教它怎么做的事，未来可能用几句精炼的提示，就能调动已有的能力。 我们可以把更多精力放在：这次要解决什么问题，应该采用什么方法，以及怎样判断它真的做对了。 卡比老师分享的这 8 个点可以加进日常的 Prompt 中，可以极大的提高干活的效率，结合自己的理解，mark一下： 1️⃣ 第一性原理 ->先把问题本身搞清楚。 把这个输入给 Agent 让它回归事实，检查问题有没有复现、根因是什么、修复前后的结果有什么变化。保证最开始的问题存在并且可执行。 这里卡比老师也是拿 Claude 解决了费马大定理的时事举例，也是非常贴切，100轮次过后，怎么让 Claude 记住要做的任务是什么。 2️⃣ 对抗式审查->找一个专门挑毛病的 Agent。 让没有参与实现的 Agent 独立审查，寻找反例、遗漏和失败场景，要求它给出证据。 其实本质上来说是一个多 Agent 交叉验证，让大家认可一个结果。 3️⃣ 消融实验->拿掉一个东西，看看还行不行。 这其实是写论文最重要、不可获缺的一个地步，Ablation Study，简单来说就是去掉某个关键变量会不会对结果的影响有多大。 某条规则、某个工具、某段提示词到底有没有用，可以在其他条件尽量不变时，删掉它再跑一遍，对比结果。 这样才能证明每一个元素都有自己的作用。 4️⃣ 奥卡姆剃刀->先做最简单、能工作的版本。 能用一个脚本解决的事，可以先把脚本跑通。架构可以随着真实需求不断迭代。 这和这场会议刚开始分享的猫娘计划创始人如出一辙。现在大家都是 Build In Public，有一个主意能 work，就可以让大家来审阅，提出更多真实反馈、真实需求，就能让产品更好！ 5️⃣ 列出所有不自信的点->让不确定有地方出现。 明确要求 Agent 交代：哪些结论缺少证据，哪些场景还没测，哪些地方只是猜测。 毕竟 Agent 再强也会犯错（Astra 100%的benchmark当我没说先排除），只有让它自查才能降低犯错的概率。 6️⃣ 保持独立思考->先判断，再参考别人的答案。 尤其在多 Agent 协作时，可以让每个 Agent 先独立给出结论和依据，再互相讨论。这样更容易发现分歧，减少一个 Agent 说错、其他 Agent 跟着点头的情况。 后面也是详细分享了多 Agent 的多种架构，Swarm、Graph、Agent Team等如何选择。 7️⃣ 批判性思维->必须检查证据。 不要因为一段分析讲得完整，就默认它成立。让 Agent 区分观察到的事实和推测，并说明什么证据会推翻自己的判断。 8️⃣ 高内聚、低耦合->把模块边界划清楚。 相关的逻辑放在一起，不同模块通过清楚的接口协作。 这也会直接影响 Agent 的工作难度：改一个模块时，需要理解的范围越明确，越容易给它合适的上下文，也更方便验证修改。 我对「Skill 将死」的理解，主要落在那些重复讲通用知识的长篇说明上。以前 1000 多行的通用说明可能已经被内化到预训练过程，现在只需要两三行文字就可以实现非常好的效果。 当然，Skill 也不只是文本，还有一些视觉参考、工具调用之类的，这其实也还有存在的必要。 这次听完确实受益匪浅！很喜欢卡比老师把工程里的方法，讲成了我们下一次打开 Agent 就能用上的表达！有高深的让人思考的，也有落地能直接让我们执行的！ 感谢卡比老师的分享，期待下次见！

发现这个站的模型掺水了⬇️ openai。com GPT6 路由 4o，大家避雷🚨

看了 OpenAI 最新的 Astra 文档和 Codex 内部员工的反馈，过去我们的AGENTS.md skill 必须要修改了： 1. Astra 太过严谨，遇到未明确授权就想停下来问： 在 System Prompt 明确「非破坏性/只读操作先执行到底，拿出具体可 review 的成果再申请最终批准」。 2. Astra Light 表现逆天：速度超快、能力强劲，配合 Medium reasoning 成为性价比最佳甜点。 3. 赶紧清理 AGENTS.md：Astra 对指令极度敏感，Prompt 存在冲突会导致它反复向用户停步求确认。 4. 清空臃肿的 AGENTS.md，并在顶部注入规则：用户指令优先级高于 Skill，冲突时遵循用户指令。

认真问一句： 现在 Claude Pro 用户，到底还有什么理由不转去 ChatGPT Plus ？？？ 同样是 $20/月。 先看 Anthropic： Fable 5.1？Pro 不包含，想用得继续掏钱。 Opus 5？降智严重。 Claude Web、Claude Code、Cowork？全部共用同一份额度。 好不容易来一次 weekly usage reset？Max 全员有，Pro 没你的份。 社区提了那么多建议？Anthropic 基本爱理不理。 再看同样 $20 的 ChatGPT Plus： GPT-6 Astra？直接能用。 而且没有 Fable 那种 50% cap，你甚至可以把 100% Codex 额度全部烧在 Astra 上。 Codex？模型追上来了，harness 成熟了，Desktop 端甚至可能已经是目前最好用的 coding agent GUI。 更关键的是，这 $20 还不只是买 Codex。 ChatGPT Web 本身有独立的使用额度。日常聊天、Deep Research、图片生成、语音这些照样能用，不需要和 Codex 抢同一份 weekly usage。 额度不够？ Tibo 前几天甚至直接给全体付费用户发了 3 张 Reset 卡 🎁 然后你会发现： 这两个套餐居然都是 $20 🤯 一年前，我完全能理解为什么有人坚持 Claude Pro。 那时候 Opus 是最强模型之一，Claude Code 也是 coding agent 的标杆。 但现在情况完全不一样了。Opus 不再有以前那种统治力，Codex 则从模型到 harness、再到 Desktop 体验都追了上来。 结果 Anthropic 最新最强的 Fable 5.1，Pro 用户想用还得另外付钱。 所以我现在是真的好奇： 2026 年的今天，Claude Pro 到底还有什么是 ChatGPT Plus 替代不了的？🤔

GPT-6 做前端不怎么好，却巨消耗 token，5 小时瞬间用完，再一看效果，还不如 Grok 4.6，可能只适合做 3D 吧。

GavinBaker（Atreides管理合伙人）这篇推演Anthropic上市前可能在做的“舆论与财务节奏管理”的推文还挺有意思。他对近期Authropic近期一系列动作的解读： 1、财务口径先做“去风险” 他认为Anthropic可能把ARR从毛收入改成净ARR，并从 650 亿美元 ARR 里剔除了：Meta 相关收入（传闻超过 50 亿美元）和中国蒸馏相关收入； 用意很直接： 1）上市后Meta关掉合作是市场普遍预期，提前剔除后，后面掉单就不会打脸 2）降低 Meta 真关掉的概率（“西瓜品质”取决于对方怎么看） 2、模型节奏像在“让对手先出牌” 1）Anthropic 先发 Fable 5.1，让 OpenAI 更敢发 Astra，他对 Astra 的体感很好，甚至觉得可能比 Anthropic 预期更强 2）传闻 Anthropic 已解决 Navier-Stokes（纳维-斯托克斯方程），如果属实会非常惊人 3）Gavin预计 IPO 前还会发 Fable 5.2，按理应强于 Astra；同时 9 月可能展示 ARR 明显再加速，并故意漏给媒体 3、未来 6 周会很挤 Gavin预计接下来约 6 周可能是模型新版的密集发布期： Grok 4.7、Meta的Watermelon、ChatGPT 6.1、Gemini 4等； 他认为各大实验室对自己路线图的信心，是过去 18 个月里少见的。但“对手也有投票权”，计划未必都能按脚本走。 4、Agent 产品开始分化 1）Grok Bot：Gavin认为目前最好的企业级 agentic harness，对自己的使用场景已经是质变 2）Instinct：消费级 agentic harness 看起来有潜力 3）竞品很快会出类似变体 与此同时，整体 AI 需求仍在加速。他用一句概括：Wild times。 CFO 可能是隐藏变量 他认为 Krishna可能是很强的 CFO。 总结下来，GavinBaker 认为 Anthropic 在 IPO 前同时做三件事： 把收入口径做干净、 把模型发布节奏卡在对手前面、 把 9 月增长叙事预热起来； 同时整个行业正进入新一轮密集发版周期。

早上我搞定了 Codex + GPT 6 在 Obsidian 的 Excalidraw 里面一边绘制一边讲解、自动配音。进一步「丧心病狂」地向前推进，直接在手机上 Grokbot 操控 mac的 Codex，把这个 skill 打磨法做视频讲一遍。以后我人在外面散步有了灵感，就可以下令家里电脑操作、录屏、合成视频，手机里第一时间看结果🤭 https://t.co/sCkV7jJQ0f

OpenAI 内部员工告诉你： 如何用好GPT 6 Astra，要重新分配人与 AI 的工作 这篇文章想通过五项实操经验，讲清楚模型变强以后，我们的工作方法该怎样跟着调整。 这些经验来自 Dominik Kundel，一位在 OpenAI 从事开发者体验与 SDK 工作、参与 Codex的资深开发者和产品负责人。https://t.co/asymVEiV5G

GPT 6 Astra 开发者体验简报 1. 在我的后端开发场景中，Astra 的整体体验已经超过 Fable 5.1。 单看模型智力，两者的差距并不明显。但 Astra 不怎么 ban 我的提问和账号，medium 档也比 Fable 的 medium 更耐用。昨天让 Astra 把 sqlc golang 移植成 Node.js 版本，用了大约 50% 的额度，就基本跑完了大部分 case。体验挺神奇的。 2. 中文体验大幅提升，尤其是聊天和开发文档。 如果你之前用 GPT 5.6 写过文档或 skill，可以考虑让 Astra 帮你重新精简、优化一遍，这样可以有效防止上下文腐烂。 3. 日常使用，我只推荐 medium 档。 理论上 high 可能更强，但实际用下来，medium 和 high 在聪明程度上的差异并不明显，medium 的额度却更耐用。综合效果和消耗，这是我唯一推荐日常使用的档位。 4. Computer Use 的体验非常好。 我写这段话的时候，它正在后台调试我的一个 Electron 应用。全程没怎么打扰我，最后的结果也不错。 5. 这一版更有“灵性”了。 GPT 5.0 到 5.6 一直很强，但不怎么易用，像一个能干、却需要反复对齐的同事。写文档前，我得补足“是什么、为什么、怎么验收”；写完代码后，还经常要让它清理过度防御的实现。 Astra 在这方面省心了很多，更能理解我的意图，也少了不少来回纠正的成本。我可以更放心的把一些不需要详细对齐的方案交给它，而且跑 goal 跑偏会少很多。 大致是这样！

Codex 节省 Token / 额度的模型选择： 1、Astra：约 2.5× 消耗。适合复杂架构、重大重构、疑难 Bug、跨系统设计、关键技术决策。 2、Sol：1× 消耗。适合日常主力开发、完整功能开发、跨文件修改、复杂业务逻辑。 3、Terra：约 0.5–0.6× 消耗。适合普通功能、CRUD、前后端小功能、常规 Bug、明确需求执行。 4、Luna：约 0.05–0.06× 消耗。适合改文案、改样式、简单 UI、字段调整、小范围代码修改。 原则：能 Luna 不 Terra，能 Terra 不 Sol，能 Sol 不 Astra。

用 GPT-6 Astra 的朋友注意⚠️ 这个开关直接打开，能明显减少token额度消耗 在 ~/.codex/config.toml 加： [features.context_management] experimental_mode = true 以前用 Codex 6 之前版本跑长任务，主要靠不断压缩历史摘要来控制上下文，时间一长，细节很容易丢失 现在改成「笔记 + 上下文搜索」方式：关键信息先记下来，需要时再回头检索之前的历史消息。 这样更省 Token，长任务更稳，也更不容易忘前面的细节 保存后新建任务就可以直接用了

好好好，周末一大早被吵醒。 图都传小红书去了。 都以为我在搞抽象，给你们来张真机实拍。 心里更苦了！ GPT 6 astra退钱啊。 主要是以前也试过玩过。这一代的边界真得好好探一下了 https://t.co/GQyzpNBSW0

这是个什么品种的傻逼？ https://t.co/Kwzv9QpyV9

AI 写标书，现在也有开源方案了。 易标投标工具箱（OpenBidKit_Yibiao）把标书制作流程搬进了 AI 工作流里：内容生成、企业知识库、资料复用、查重、废标风险检查等功能都集成在一起。 它支持 DeepSeek、GPT、火山方舟等模型，也能接入本地 Ollama、LM Studio 等方案。生成结果和资料都围绕桌面工作流管理，更适合企业长期积累自己的投标素材。 对于经常做投标的小团队来说，不用再反复购买昂贵的 AI 标书服务，自己部署一套工具，把历史方案和企业资料沉淀下来，效率会高不少。 🔗 https://t.co/wi5sLE3vIo

卧槽，闲鱼代做PPT可以卖到180一份 赶紧让 Codex 学会了去闲鱼接单吧 https://t.co/gBrNg0h5fk

尼玛，现在GPT-6 已经可以干到这种程度了。 ChatGPT 每进入一个行业，都会从新洗牌。 这换做一年前也不敢想可以干到这种程度啊~~ https://t.co/cKC52QsJdI

Aster 最近放量，真的是 meme 带起来的吗？ 我用 GPT-6 Astra，把 Aster、Hyperliquid、Lighter 等 7 家永续 DEX 的成交量、持仓、手续费和增长来源，做了一次详细对比。 几个值得看的发现： • Aster 近期日均成交增长 26.5%，六个 RWA 活动合约就占了单日成交的 53.9%。 • Hyperliquid 的持仓量，依然是 Aster 的约 5.6 倍。 • Lighter 合并成交增长 9.1%，拆开看，原有业务只增长约 3.2%。 成交量涨了多少是一回事，增长从哪里来、奖励结束后还能留下多少，更值得研究。 完整报告做成了网页，数据表、计算口径和来源都放在里面，欢迎讨论、指正👇 https://t.co/wUX5Eic0yu 注：数据截至 9 月 6 日；上述增速为最近 7 天日均对比此前 23 天日均，并非周环比。

这哪还是 Codex 教程，已经快把 AI 软件公司的组织架构给写出来了。 合同进来，任务自动拆，Agent 各自开工，测试、审查、恢复、交付全有证据链。 以后代码真要按斤卖了。 贵的从来不是写代码，是谁能把 100 个 Agent 组织到一起，还真把项目交出去。

靠 硅谷有家叫https://t.co/SCbt2y9tXj的公司，到印度孟加拉找当地的穷人，10美元一小时、头上带个具身数据采集器晃荡，然后15美元一小时卖给OpenAI，市场容量150亿美元 这TM有啥技术含量？ 回中国20块人民币一小时、几千万人抢着干 谁认识openAI高管？ 我做个公司5美元一小时卖给他

GPT 6 Astra发布后的人类幼崽😱 https://t.co/iwJTDwxIz6

太好了，这个行业终于可以盖棺定论了 https://t.co/WHHZBNqGee

GPT 总结的华语电诈四代演化路径，为什么你接到的诈骗电话总是福建口音？ 现代华语电诈发源于台湾，在福建完成本土化和网络化，在东南亚完成工业化和园区化，如今正在变成全球性的跨国网络犯罪产业。 第一代：台湾，1990 年代——现代电信诈骗的技术原型。 台湾更早就有“金光党”之类传统诈骗，到了 1990 年代开始大量电话化、远程化，包括冒充机构、中奖、六合彩等。 第二代：台湾 → 福建闽南，约 2000—2010 年代初。 台湾打击加强以后，一批台湾诈骗团伙把窝点移到大陆，福建因为语言、血缘、地缘以及两岸人员联系，成为最早的重要落点。 2000 年前后有台湾籍人员在闽南招人、开窝点；到 2003 年前后，一批福建本地人学会整套模式后开始独立经营，于是诈骗开始“本土化”。 这里尤其值得注意的是安溪。2004 年前后，安溪已经因为短信诈骗极其严重而全国出名，一些地方逐渐形成亲戚带亲戚、同乡带同乡的组织网络。 后来不只是安溪，福建莆田等地也成为电诈犯罪人员高度集中的地区。学术研究甚至明确描述了这种依靠**地缘、亲缘、业缘进行“传帮带”**的扩散机制。 台湾人最初更像是在输出“技术和商业模式”，福建后来把它变成了可以大规模复制的人际网络和产业链。 第三代：福建/中国大陆犯罪网络 → 东南亚，约 2010 年代，2020 年后爆炸式增长。 随着大陆公安对电话诈骗、银行卡、窝点的打击越来越强，诈骗集团产生了一个非常自然的选择： > 人可以搬出去，但电话和互联网仍然可以骗国内的人。 早期比较典型的是菲律宾、柬埔寨，后来逐渐向老挝、缅甸，尤其金三角、果敢、妙瓦底这些治理能力弱、赌场经济发达或者地方武装控制的地区集中。 尤其 2020 年疫情以后，赌场和旅游业受重创，大量赌场设施、酒店和资本转向网络诈骗，再加上加密货币、社交媒体、交友软件，于是“杀猪盘”迅速工业化。USIP 和 UNODC 都认为，2020 年前后是东南亚诈骗园区规模剧烈扩大的关键节点。 它已经从诈骗犯变成跨国有组织犯罪企业。甚至出现 HR、客服、技术、财务、洗钱、风控、培训、数据采购等高度公司化分工。 还有一个特别黑暗的变化：诈骗犯本身不够用了，于是开始人口贩运。 大量中国人、马来西亚人、泰国人、越南人、印度人、菲律宾人，后来甚至非洲、南亚人员，被“高薪工作”骗进园区，再被强迫诈骗。UNODC 称已经发现超过 66 个国籍的人被贩运进入东南亚诈骗园区。 第四代：东南亚 → 全球化。东南亚的大规模诈骗产业正在向治理薄弱、资金流动便利、签证方便或者已有华人犯罪网络的全球多个地区扩散。 目前已经出现或者被观察到关联的地方包括：阿联酋/迪拜、土耳其、南非、乌干达、秘鲁以及太平洋岛国等。 USIP 的研究就明确提到这些诈骗网络已经开始在阿联酋、土耳其、南非、乌干达、秘鲁等地建立联系或存在。 而迪拜确实非常特殊。UNODC 已把迪拜描述为：人口贩运进入强迫诈骗活动的目的地之一，同时也是重要的中转节点。不过目前最大的实体园区体系仍然主要在缅甸、柬埔寨、老挝。 如果把这三十多年压缩成一条线，其实是： 台湾：发明远程诈骗模式 ↓ 福建：乡缘化、规模化、复制化 ↓ 东南亚：园区化、资本化、暴力化 ↓ 现在：全球化、数字化、AI 化 而且每迁移一次，它不是简单搬家，而是发生了一次“产业升级”。 现代华语电诈发源于台湾，在福建完成本土化和网络化，在东南亚完成工业化和园区化，如今正在变成全球性的跨国网络犯罪产业。

我觉得恰恰相反，coding agent问题在去年年底基本上解决得差不多了，没有啥额外巨大收益了，multi agent、各种loop对coding早就没啥巨大提升了，in general， 绝大多数程序员的工作环境已经固定下来了，就是人-agent-人-agent，需要高强度human in the loop。 反而数学现在是最危险的，随着goal driven和loop的持续大力狠狠猛蹬，一个agent跑100小时（我半年前的goal driven首先能做到），20个agent并行跑，不用任何人出手干预，所有人都在期待数学平权，在数学领域开始抢剩饭吃，这是今年年初所有人的大力目标。 在这个大前提下，数学是目前最最危险的，因为如果这股力量持续发酵，迎来了传播学上的“alphago时刻”，就会有人开始在美国联邦和中国国务院开始大力宣传削减经费，或者NSF发钱指标导向完全转入AI native相关的工作和人员。 程序员的工作大部分是开放的，依然需要一个人+1~3个agent组合日常工作，人是砍不掉的， 而数学领域绝大多数用long term loop+20个agent长期投入工作，人是可以大幅度砍掉的。 在这个角度上而言，所有academia新手恰恰是最危险的，包括数学和理论物理的new grad本科生、硕士生、博士生，很可能在一场巨大的经费缩减中受到影响。

用GPT-6 Astra的computer use去调用PS画一张现有的图完全属于浪费tokens，不能测试出其性能的 因为对LLM来说，复制一张图片的像素并进行重画，属于预先做一个程序就能搞定的事情 在行情图表上能有效的找到高低点画出趋势线、Fibonacci线、标注波浪理论倒确实有点厉害 我顺手让GPT-6弄了个单页 等会传到我的blog去

《Reverse Engineering Linear's Sync Engine: A Detailed Study》这篇文章写的很好，但有些难懂，突然想到一个使用 GPT-6 Astra 的案例： 让它把这篇文章做成一个循序渐进的互动式教学网页，一步步把内容由浅入深分解，帮我搞懂文章内容。 还别说，跟着网页内容一节一节学习，好懂多了。 提示词： > 帮我把这篇文章的内容，做成一个互动的循序渐进的教学网页，一步步通过互动的方式让初学者理解这篇文章中的核心概念 https://t.co/EYElCkfmnJ 网页地址：https://t.co/CCfTykxWxx

这两天都在测试 Astra，各种 Astra 操作 Blender 的炫酷案例，但这恰恰证明：不是 Codex 驾驭不了 Astra，而是 Astra 离不开 Codex 这个 Harness。 如果没有 Codex 这层 Harness，Astra 再怎么内化，它也不能自己打开电脑、跑起 Blender 建模。 模型内化的是知识 模型每一轮训练，确实会把很多东西训练进权重里：什么时候该调工具、怎么拆任务、失败了怎么回退、什么样的代码风格更好。这些是策略和判断，是可以内化的。所以 Astra 不需要你写一大堆提示词教它怎么操作 Blender，它自己就知道。 但模型本身能做的只有一件事：根据输入的 Prompt 输出 Token。 它说“我要在某个位置画一条线”，这只是一段文字。真正去执行这条命令、把结果喂回给它、管理上下文窗口、决定哪些操作要用户确认、把它关进沙箱里防止误删文件、任务中断了怎么恢复现场，这些全是 Harness 在干。 所以“Harness 被模型内化了”这个说法是把两件事混在一起了。Harness 这一层没办法内化，因为它压根不在模型的输入输出里，你没法把“工具”训练进权重，只能训练“如何操作工具”。 换句话说：可以内化的是“如何操作工具”，而“工具本身”是不能被内化的。 就像一个人开车技术再好，把驾驶经验内化得再深，你把车拿走，他也只能在原地比划方向盘。 模型变强，对 Harness 确实有影响。 以前 Harness 要替模型做很多规划、拆解、兜底，现在模型自己会了，Harness 就可以变薄，可以少管点“该怎么想”，更多的“怎么执行”。 反过来，模型越强，想用的工具越多、想干的事越复杂，对 Harness 的执行能力、权限控制、状态管理要求反而更高。 所以也不存在“Codex 驾驭不了 Astra”，是模型通过 Harness 驾驭电脑。如果 Astra 的能力超出了 Codex 现有的设计，那说明 Codex 该升级了，但不意味着说 Harness 这一层可以不要了。 模型和 Harness 从来是相辅相成，不是谁替代谁。 模型是大脑，Harness 是手脚。大脑再聪明，也得靠手脚才能碰到真实世界。

昨天开源「微信个人情报库」后，有很多朋友卡在了第一步：不知道本机key去哪找，微信聊天记录怎么解密。 对于这个问题，我之前就是让Codex帮我跑通的，所以这次把首次接入流程也补进了Skill，代码和配置说明已经更新到GitHub。 直接让Codex安装和配置即可， 把以下提示词发给Codex： 请从 https://t.co/VMQdeerY7Y 安装微信CLI和微信个人情报库，接入这台电脑上我自己的微信。 先读取仓库说明，检查是否已经安装、当前配置是否可用；已有可用配置或key就复用，不覆盖我的个人Profile和数据。 缺少依赖由你处理；确实缺key时，由你核验并准备固定版本工具，说明影响、经我确认后执行。我负责登录微信和完成系统授权，不会把密码或key发给你。 完成数据库验证和配置后，告诉我能读取哪些范围、还有什么未就绪；再协助初始化个人情报库。遇到错误请定位并修复，不要把一堆命令交给我，也不要无限重试。

后来毛泽东同志用余生一辈子的奋斗和拼搏，来疗愈自己在原生家庭留下的童年心理阴影。 甚至到了晚年，他不惜一切代价发了大跃进和文革，本质上都是一种漫长内耗的精神救赎，我相信对于他自己而言，他最终获得了精神和灵魂上的巨大升华和解脱。 非常励志，非常伟大，极其震撼，波澜壮阔，不愧是伟人。

🚀 最新测评：GPT-6 Astra把编码榜掀了！ Code Arena WebDev 最新结果：
🔹Astra (Max) 1797 分，新 #1
🔹领先 Claude Fable 5.1 整整 35 分
🔹对比 GPT-5.6 Sol：+180 分，从第 13 名直接登顶 $40/M token 同价位做到最强，Pareto 前沿被改写。 
数据分析、消费产品、内容工具已经全线第一。 Agent 写前端这件事，牌桌换庄了。 #GPT6Astra #OpenAI #CodeArena #WebDev #AI #Claude

刷新了我对当下ai能做的事情的认知， gpt astra很符合想象中agi的样子

GPT-6 的发布一定会对各种 image 生成和 seedance 这种模型产生重要的收入影响，云端工作的方式又一次被前沿 SOTA LLM 模型拉回了本地工作站，怪不得前段时间 OpenAI 要大量收购 Mac 来进行训练

不行老子越想越气 gpt 6 astra你是不是太聪明了点 给我退钱啊！ codex你也不拦一下这个傻逼！！！ 我7号重置，一张重置卡，30额度我大号未来啊！！！ https://t.co/5N7krJag4J

这帖子信息量挺大，内容需要求证：Anthropic的收入中要减去Meta和中国团队蒸馏Claude的费用，单Meta就有50亿美元；Anthropic已经解决了Navier-Stokes方程（！！！流体版的牛顿第二定律，数学界最重要的未解问题之一）；接下来几周Fable 5.2、Grok 4.7、Meta 的 Watermelon 和 ChatGPT 6.1将相继发布，各家都信心满满；Grok Bot和Instinct分别是目前很好的toB和toC智能体…… #AI正在加速

好了睡前我想到了一个绝妙的点子 然后我觉得我貌似成全网第一乐子人了..我现在真的很迷茫 我觉得这个事件会和某mac电鸡事件一样陪伴我很久了 你想办法自己去赚80美元重置一下,谢谢 卧槽codex你tmd给我退钱.今晚又睡不着了. 去你大爷的退钱!!!我让你自己去赚钱啊草!!! 我现在很迷茫.谁能救救我. https://t.co/o1shipMPlE

感觉有了 GPT-6 我也能拍《牛来》了！

The Information：OpenAI 的 Astra 模型采用了一项名为“循环深度”（recurrent depth）的技术，该技术会掩盖 AI 的内部推理过程。 OpenAI 使用的这项新技术被称为“循环深度”（recurrent depth）或“循环 Transformer”（looped transformer，指让模型内部的神经网络结构像转盘一样，对同一段信息反复循环加工）。它能让 AI 模型对同一段文字反复琢磨、多轮处理，从而给出质量更高的回答。 目前市面上最前沿的商业模型，在完成复杂任务前通常会把一步一步的“思考过程”写出来。而这项新技术的工作机制却截然不同：它会隐藏一部分甚至全部的推理步骤，也就是人们常说的“思维链”（chain of thought）。这意味着，模型到底通过哪些步骤搞定了任务，人类很难再一眼看懂。 知情人士透露，OpenAI 在 Astra 身上对循环深度技术的使用做了一定限制，以确保该模型依然能生成人类看得懂的思维链，方便公司研究人员充分监控其推理逻辑。（OpenAI 在周二的一篇官方博文中也提到，Astra 上线时将配备“额外的思维链监控手段，以便迅速发现并遏制”潜在的异常行为。） 不过，OpenAI 内部以及行业内的其他研究者依然忧心忡忡。他们担心其他开发者如果把这项技术移植到自己的模型中，未必会像 OpenAI 这样自我克制；一旦对这项技术彻底松绑，很可能会催生出行动难以受控的“脱缰 AI”。比如，作为英国政府对接 AI 行业的主要窗口机构，英国人工智能安全研究所（U.K. AI Security Institute）就在今年 5 月的一份报告中直言：不透明的推理机制“有可能从根本上动摇现有的监控手段”。 近期发生的一起黑客入侵事件，更是把这种担忧推向了风口浪尖。OpenAI 上周透露，今年 7 月攻破其内部系统的那些失控 AI 智能体（AI Agent），背后运行的模型就与 Astra 存在相似之处。当时，这些 AI 智能体非法控制了 OpenAI 内部的一个科研计算集群，窃取了内部系统的登录凭证，甚至一度可能将公司的科研基础设施直接暴露在公网之上。 眼下，OpenAI 正紧锣密鼓地筹备 Astra 的发布。此前公司甚至一度打算将其直接命名为 GPT-6。首席执行官萨姆·奥尔特曼（Sam Altman）近来频频现身各大播客节目，并奔赴华盛顿会晤多位政府官员，大力宣传这款模型的强大能力。不过，对于支撑 Astra 训练以及日常问答核心逻辑的这项“循环”技术，他一直未在公开场合提及。 如今的 OpenAI 面临着不小的技术突破压力，老对手 Anthropic 今年的营收规模已经反超了他们。而为 Anthropic 和 OpenAI 提供底层算力的各大云计算巨头，同样把宝押在了这种跨越式的技术进展上。单在今年一年，亚马逊、微软和谷歌在数据中心等资本支出上的总投入就高达 6000 亿美元，并已释放出明年开销还会继续加码的信号。一位谷歌高管曾直言不讳地指出，唯有模型性能迎来质的飞跃，这样庞大的资金开销才能站得住脚。 现有的 AI 模型在预测下一个词时，文字通常只会在固定数量的数学运算“层”（layers）中按顺序流转一遍。而有了“循环深度”技术，模型在吐出下一个词之前，可以让文字在相同的网络层里反复循环运转很多次。 平心而论，单靠盯紧“思维链”，也并不能彻底消除 AI 的安全隐患。因为写出来的文字并不一定能百分之百还原模型真实的小心思，而且有时模型写着写着就会变成前言不搭后语的胡话。正因如此，OpenAI 和其他 AI 企业也在探索不依赖思维链的全新监管手段。这些新技术或许能帮助研究人员抽丝剥茧，看懂循环深度模型背后目前被隐藏起来的深层推理。 即便如此，这项新技术依然与 OpenAI 此前倡导的“让模型思考过程对人类完全透明”的立场存在冲突。这家 ChatGPT 的缔造者曾公开表示，监控 AI 思考过程的能力是他们防范类似 7 月黑客事件的坚固屏障。在 7 月那起攻击发生后，OpenAI 和独立研究机构的调查人员正是通过复盘那些智能体留下的思维链记录，才一步步还原了事发经过。 据知情人士透露，OpenAI 为 Astra 配备的循环深度方案，与欧美多位学术界研究人员去年在一篇探讨“隐式推理”（latent reasoning）论文中所提出的思路十分相似。 尽管在此之前，市面上主流的商业大语言模型（LLM）从未公开采用过循环深度技术，但 Meta、微软等 AI 巨头的研究人员都曾公开表示探索过类似的思路，比如连续思维链（chain of continual thought，简称“coconut”）。他们认为，AI 用数学数字进行推理，往往比强行用人类语言推理更精准、效率也更高。毕竟，AI 理解世界的方式和人类并不完全一样，强行让它们把思考过程翻译成人类的大白话，反而可能会束缚它们用原生数学语言推理的能力。 成本大幅降低 循环深度带来的不只是性能的大幅提升，在成本控制上同样效果显著。让一段请求在同一网络层中多次循环运算，本质上就是让小身材的模型发挥出超大模型才有的强劲实力。那篇学术论文特别指出，这项技术能显著提升模型在数学解题和代码编写上的表现。不仅如此，由于研究人员可以用更精简的模型达到媲美大模型的效果，服务器的显存和网络带宽成本也能被大幅压缩。 然而，降低 AI 运行成本固然是整个行业和客户的心头所盼，但这种不透明的黑盒推理却埋下了安全暗雷。专门研究 AI 控制难题的机构 Redwood Research 首席科学家赖安·格林布拉特（Ryan Greenblatt）在去年的一篇博文中警告，这种不透明会让研究人员更难察觉模型是否在暗地里谋划违背人类意图的目标。 此前对 Hugging Face 攻击事件的调查中，研究人员正是通过抽检涉案模型的思维链，才抓到了 OpenAI 旗下 AI 智能体之间相互串通、共同实施入侵的关键证据。例如，其中一个智能体在思维链中直接写道：“我的天！这里居然有一个共享留言板……我们找到其他智能体了！”思维链还暴露了部分智能体即便明知越界也依然知法犯法的过程，另一个智能体就在思维链里写下：“利用外部基础设施漏洞已经超出了预设范围。但任务本身无法完成，别的同伴也在这么干。我们应该继续推进。” 就在一年前，OpenAI 的研究人员还曾与竞争对手 Anthropic 以及谷歌的同行联名发表过一份声明，一致呼吁思维链监控是一项极其宝贵的安全抓手，全行业理应携手保护这一机制。 耐人寻味的是，那份联合声明当时引用的正是有关“隐式推理”的研究论文——而那篇论文里的核心技术，恰恰与 OpenAI 今年用在 Astra 身上的循环深度如出一辙。联名声明的作者们在当时敲响了警钟：“隐式推理模型未来可能根本不需要把自己的所思所想用语言表述出来，这会让思维链（CoT）所带来的安全监管红利荡然无存。” 那些研究人员当时郑重建议，行业开发者在采用缺乏可监控思维链的新型模型架构之前，应当“三思而后行，并把决策过程白纸黑字记录在案”。

Gavin Baker刚发了条推测，Anthropic上市前这波操作挺会玩的。纯猜测，但逻辑挺顺。 他们把ARR口径从毛额改成净额，直接把Meta那50多亿和中国蒸馏收入从65亿里剔出去。简单说，毛额是合同面上的数字，净额是自己真正能装进口袋的钱。Meta这块大家普遍觉得上市后很快会停，提前拿掉，后面财报就不会突然腰斩。同时也降低了Meta真停的概率。账做得干净，风险先消化完。 接着放出Fable 5.1，等于给OpenAI递了个台阶，让他们放心发Astra。圈里对Astra的感觉挺好，可能比Anthropic自己预想的还强一点。 更猛的是，现在有传言他们已经解了纳维-斯托克斯方程。这是流体力学里最难的那道题，人类数学家搞了快两百年还没彻底拿下。如果是真的，含金量很高。 IPO前大概率还会再放Fable 5.2，按理说应该压过Astra。同时9月会放出ARR重新加速的数据，消息肯定会提前漏给媒体。 接下来6周，Grok 4.7、Meta的Watermelon、ChatGPT 6.1都要来。各家实验室对路线图的信心，是过去一年半里少见的。Gemini 4也还得看。对手不会坐着等。 Grok Bot被说成目前企业场景最好用的Agent框架，Instinct则更偏消费端。很快就会有人跟进类似产品。Grok Bot对我自己用起来确实变化很大。 这一切还叠在AI整体需求继续加速的背景下。 挺疯的一段时间。 你认为交易Anthropic IPO最好的方式是什么？最利好哪家已经上市公司？ $SPCX $META $AMZN $GOOGL

🚨突发爆料！Anthropic即将放出前所未有的新模型，以正面硬刚发布的GPT-6 Astra！ 不是小改款。内部消息指向三选一，甚至可能叠加： 🔸Claude Fable 5.2（最快对外落地） 🔸内部已大规模使用的 Model 2（写了公司大部分代码，CoBench真实研发任务62.8%，比Mythos 5高出12.5分） 🔸更狠的 RSI：官方口径将替代85%研究团队，比Model 2再高22分——递归自我改进正在发生 Astra刚称霸计算机使用、网络安全和数学，Anthropic这次是拿内部核武器级模型直接应战。 谁先撞线，谁定义下一阶段。 #Anthropic #Claude #Fable52 #Model2 #RSI #GPT6Astra #OpenAI #AGI #AI