🔥 Search Hot Tweets

今日AI美股信息差： 1. 血洗半导体！美股平均跌幅-4.2%，A股-8.5%，2倍3倍 ETF $SNXX $RAM $SOXL 暴跌17-27%，白毛股神：底部已到！ 2. $SPCX 暴跌7%到$124！星舰测试发动机无法点火，很尴尬，流通股29%都是空头，马斯克，这么多人做空你，你能忍？ 3. Kimi K3发布！一跃成为第三强，仅次于Claude Fable 5、GPT-5.6 Sol，国产AI竞争力说起就起 4. $AAPL 再涨2%创新高！苹果本地化接入了千问、百度AI，中国终于可以用苹果 AI 了 5. $GOOGL 暴跌4.5%，Gemini 3.5 Pro 发布推迟，写代码方面遥遥落后，相比 Codex、Claude、Cursor拿不出手

实测 Kimi K3、Claude Fable5、GPT 5.6 Sol 写网站哪个更强？只可惜我没恰到 Kimi 的饭..... https://t.co/MEZ68XLY9j

去看了下 Kimi 的技术博客，多朴实的一家公司啊 文字开头就直白的告诉了大家──我们整体性能仍然落后于最强大的专有模型 Claude Fable 5 和 GPT 5.6 Sol 但 Kimi K3 在我们的评估套件中表现出了前沿水平的性能，始终优于其他受测模型。 https://t.co/RrxaHDsGJ2

藏师傅的 Kimi K3 测评来了，这次确实非常牛逼！ 可以说是一个比较小的 DeepSeek 时刻 我直接拿它跟 Opus 4.8 做了对比测试。 从结果来看，互有胜负。 在复杂前端和复杂开发的情况下，我觉得它跟 Opus 4.8 差不多是相当的水平。 至于 Fable 5 和 5.6，我觉得还差一些，但已经是一个非常牛逼的成绩了。

OpenAI 似乎掌握了国学了 又开始了 邀请朋友下载 ChatGPT 客户端 每个月最高你将获得10次用量重置机会... https://t.co/QPG7s25RBI

看来 Kimi 这波真不是营销了，就连给中国 AI 排名最保守的 Artificial Analysis，也给出了很高的排名，与 GPT 5.6 SOL 和 Claude Fable 5，就差 2 - 3 分。 关键是它们还准备开源。 https://t.co/1HF14XVGJZ

月之暗面发布 Kimi K3：全球首个 3 万亿级开放模型 根据评分来看，K3 的整体水平还比不过 Claude Fable 5 和 GPT 5.6 Sol 这两个最强的闭源模型 但是和GPT 5.5和Opus 4.8不相上下 但是相比上代 K2.6 的官方价是输入未命中 $0.95、输出 $4.00 K3 分别涨到 $3.00 和 $15.00，涨了两到三倍 详细：https://t.co/5LUf77Bjy5

Codex 昨晚的更新在交互上终于对味了： 1. 左上角的切换：从 Work 和 Codex 切换成 ChatGPT 和 Codex 2. 历史聊天整合：ChatGPT 的历史聊天全部并进了左边“最近聊天”里面，你可以筛选是普通聊天还是 ChatGPT Work 的任务 3. 顶部导航：分了 Chat 和 Work 两个 Tab，交互逻辑跟网页版和移动端一致了 https://t.co/e7kCJAVYH7

Kimi K3的架构创新和对存储的巨大影响 --- Kimi Linear、KDA 与 MLA：Attention 正在进入 Memory Focus的时代 大模型的瓶颈正在发生的从算到存的变化之前几个月的行业信息应该已经很明确了。 今天kimi k3模型发布的技术文章里提到的KDA（Kimi Delta Attention）架构创新，再次证明了这一点 而k3采用的，是KDA和MLA的混合架构hybrid linear attn 这可以说是基于DeepSeek 的 MLA（Multi-head Latent Attention）的再次的创新和突破。 其可能在MLA将KV Cache压缩90%的基础上，再压缩7-80% 如果稍微回顾一下MLA技术，传统 Transformer： Token → 每个 Head 保存完整 KV。 而MLA： Token → 压缩成一个 Latent Representation → Attention 时再恢复各 Head 的 KV。 因此，Softmax Attention 保持不变；Retrieval 能力基本保持；KV Cache 大幅减少。 需要注意的是，MLA 并不是 Linear Attention。 它仍属于 Full Attention，只是通过低秩表示压缩 KV Cache。 DeepSeek 公布的数据表明，MLA 可以将 KV Cache 相比传统 Transformer 降低约 90%（具体数值依模型配置而有所不同）。 现在来看看KDA，KDA 属于近年来 Linear Attention 路线的重要成员。 这一路线包括： Performer Linear Transformer RetNet Mamba DeltaNet Gated DeltaNet KDA 其核心思想是： 历史信息不再保存完整 KV，而是不断更新一个有限状态（State）。 因此KDA保存不断更新的 Memory State，State 大小几乎不随 Context 增长。Memory 成本接近常数。 KDA 最大创新：Channel-wise Gate，KDA 可以理解为 Gated DeltaNet 的升级。 DeltaNet：保存一个 State。 Gated DeltaNet：增加 Forget Gate，控制 State 更新。 KDA： 进一步将 Forget Gate 从 Head 级别细化到 Channel 级别。 以前，整个 Head 共用一个遗忘系数。现在，每个 Channel 都拥有独立的遗忘速度。 这意味着，重要信息可以保存更久；不重要的信息可以更快被遗忘。 有限 Memory 能保存更多真正有价值的信息。 这次Kimi的Hybrid Linear Attention 由KDA（Linear Attention）和MLA（Full Attention）共同组成。采用 3:1 的 KDA + MLA。 因为纯 Linear Attention 在，Long-range Retrieval，Few-shot Learning，In-context Learning等任务上，仍略弱于 Full Attention。 因此绝大多数层采用 KDA，获得高效率；少数层保留 MLA，负责全局信息交互。可以把 MLA 理解为周期性的 Global Refresh。既保持了 Transformer 的表达能力，又显著降低了 Memory 开销。 会降低多少存储开销？kimi公布的数据是，相对于纯 MLA TransformerKV Cache 最高减少约 75%；长 Context Decode 最快提升约 6 倍；训练吞吐提升约 2~3 倍（不同配置）。 从 Transformer 到 Kimi Linear，如果把 Attention 技术的发展放在一起，可以得到一条非常清晰的演进路线。 传统 Transformer： 100% ↓ GQA / MQA： 进一步共享 KV。 ↓ MLA： 压缩 KV Cache。 ↓ KDA： 不再保存传统 KV，而保存有限状态。 ↓ Kimi Linear： KDA + MLA 混合架构。 如果以 KV Cache 为例（仅为量级示意）： Transformer： 100% ↓ MLA： 约 10% ↓ Kimi Linear： 约 2%~3% 从技术演进上来看，Attention 正从单一架构演进为异构架构（Heterogeneous Attention）。 这一趋势与 NVIDIA Helix 所体现的方向高度一致： 真正昂贵的已经不是计算，而是数据搬运。 未来的大模型优化，不再只是追求更多 FLOPS，而是尽可能减少对 HBM 的依赖，让 GPU 将更多时间用于计算，而不是等待 Memory。

让我提醒你，这张图里没有任何一个Gemini模型 @GoogleDeepMind 你们在做什么？ https://t.co/fCHw3MvVV5

Gemini 养一帮人真的是天天吃白饭，人家 Codex 一天发几个版本，他们几个月才更新一次，这一年来 Gemini 网页版没半点长进，上次升级还把原来好用 Gem 列表从左边 sidebar 去掉了，到现在都不支持 Skills。

kimi 3 被外国网友称为 DeepSeek 2.0 时刻了，确实有点意思，AI 自己动手设计了一颗专门跑小模型的芯片！K3 在没有人类一步步盯的情况下，连续 48 小时自主完成了"设计→优化→验证"全流程，用的都是开源 EDA 工具（画芯片电路、布局布线的软件），基于 Nangate 45nm 标准单元库（45 纳米工艺的一套现成电路积木）。 "由模型造、为模型用"，后续可能催生新的 EDA 工具和端侧 AI 芯片需求。

Kimi K3在Artificial Analysis Intelligence Index 上得分 57，其智能水平可与Opus 4.8 和GPT-5.5相媲美，但仍落后于 Fable 5和 GPT-5.6 Sol，K3性能已经到了全球第三。Artificial Analysis应该业内被广泛认为的最独立、最严谨的AI模型基准测试平台之一，能到这个水平已经很牛了。作为开源大模型能媲美前沿闭源大模型上一代旗舰产品，已经很牛了。

彭博：谷歌最强旗舰AI模型Gemini 3.5 Pro已延期数月。谷歌希望进一步提升模型能力，尤其是编程表现，因而迟迟没有按原计划推出产品。此次延迟令谷歌方面担忧落后于OpenAI与Anthropic的竞争，进而失去市场优势。 https://t.co/JUbFHmvqk1

怎么说呢，Kimi K3 这次发布给我的震撼，比上次 GLM 5.2 还要大。 某种意义上，它有点像一个新的 DeepSeek 时刻。 榜单排名有多炸裂我就不展开了。对我这种已经习惯用 Claude 和 GPT 做 Coding 的人来说，这还是第一次真的有冲动去认真试试国产模型。 最近一个月，我已经被 Claude Fable 反复折磨太多次了。 看着 OpenAI 和 Anthropic 的商战打得热火朝天，用户这边只能一边祈祷重置机会，一边担心模型会不会被踢出订阅列表。 作为用户，我确实很难感受到被尊重。 我不敢说 Kimi K3 一下子捅破了天。 但两周前，唐杰老师还在 X 上和马斯克争论：中国模型追上美国前沿模型到底还要多久？半年？三个月？ 现在再看，这个问题的答案已经清楚很多了。 我们也许可以站在同一条水平线上竞争了。 恭喜中国开源模型。 别忘了，我们还有 GLM、DeepSeek、Qwen、Minimax……

K3 发布了。算力紧张，我第一时间订阅了最高档月费。落袋为安🤭 在有限的能力范围内，我愿意支持每一个不甘心让 Claude 一家独大的模型。对于咱们消费者来说，它们充分竞争，才是好消息。 https://t.co/b0ScB8Xeuv

以后国模再发新模型宣传稿的时候 应该在文章最后加上对号贩子们的致敬 号贩子们每天穿梭在各大微信群、TG 群、QQ 群 辛勤地为国模 AI Lab 们提供着 ant / awsb / awsp / az / vt / gh / or 等各种原 key 还搭建了一大堆速刷 cc / codex / gemini / glm 号台子 他们日以继夜的付出才有了国模的突飞猛进 他们就是宏伟巨制电影里的群众演员 是深夜清洁城市的环卫工人 是抗震救灾时的志愿者 他们的努力不应该被埋没 每个中国人都欠他们一句：谢谢，你们辛苦了

Kimi K3 发布，2.8亿参数，跑分来到全球第一名！ 超过了Claude和GPT 中国AI，赶英超美。 https://t.co/vx6NwXCFi7

这两张照片是2024年 @Kimi_Moonshot 邀请我去北京他们办公室时我随手拍的。 当时他们内部邀请了一些朋友去参观他们当时最新的 K0-Math模型。 非常意外的是，那天是杨植麟亲自来给我们分享。 当时杨植麟站在会议室里，没有讲产品，没有讲商业。 他讲的是下一代 Scaling Law。 PPT 上只有一句话： Next-Token Prediction → Reinforcement Learning Scaling 放在2024年，这更像一种判断。 放在2026年，它已经变成了整个行业。 OpenAI、DeepSeek、Anthropic、Kimi，几乎所有前沿模型，都走到了这条路上。 很多人觉得Kimi K3突然变强了。 我倒觉得，它只是兑现了一家公司两年前就做出的技术判断。 还有一个细节。 他不像很多创业者，更不像一个独角兽公司的 CEO，反而特别像个还在实验室里的PhD。 聊商业、聊融资、聊市场，他都很平静。 但一聊到架构、训练方法、数据细节，整个人一下子就兴奋起来了，眼睛都是亮的，能一直不停地讲。 后来我们去他们办公室转了一圈，我特意看了一眼他的工位。 没有独立办公室，没有估值百亿美金AI 独角兽CEO的痕迹，就是一个特别普通的位置，和周围的人没什么区别，桌上放着一些日常用品，但也不多。 那个画面我记到现在。 昨天Kimi发布了K3，轰动了整个海外AI界都，我认识的大部分朋友都在讨论K3具体的参数、架构、榜单。 但我第一反应想到的还是那天坐在会议室里,那个技术讲到停不下来的那个“PhD”。 我始终认为，一家公司最后做出来的东西，往往都会带着创始人的性格。 有些公司擅长讲故事，有些公司擅长做增长，有些公司擅长包装产品。 Kimi有时候会慢，有时候会让外界看不懂，但它一直在啃真正难的技术问题。 从长上下文、数学推理，到今天Kimi在长程任务和Agent上的进展，这条线其实一直没有变过。 很多公司是在追下一波浪潮。 杨植麟更像是很早就选了一条路，然后一直往下挖。 真正厉害的创始人，不是天天预测未来。 而是很多年以后，你发现他一直在建设那个未来。 这个时代每天有很多公司发布模型。 只有少数公司，是在兑现两年前写在PPT上的路线图。 真正的领先，从来不是 Benchmark 第一。 而是两年前没人相信的时候，你就在往那个方向烧钱了。 K3今天取得的伟大成就并不是突然发生的。 两年前，答案其实已经写在那张PPT上了。 祝贺@Kimi_Moonshot ，祝贺杨植麟🎉

阿里云盘退出后残留的一个僵尸进程，竟然是导致 MacBook 屏幕常亮的元凶。 有 Codex 这个调查官，什么草台班子都无所遁形。 https://t.co/UusACD46Lk

Kimi 3 的实测都翻了一圈，帮你们做了总结👇 月之暗面 7/16 扔出 Kimi K3：2.8 万亿参数，号称史上最大的开源模型。1M 上下文，7/27 放完整权重。 我把推特上的实测翻了一圈，结论先给：值得试，但现在还替不了 Fable 5。 先说它香在哪——便宜，而且真能做出东西。 同一个 prompt 做游戏，好几个人实测： 一个自玩街机游戏，K3 花 $0.28，Opus 4.8 花 $0.54，K3 还做得更好； 一个 landing page，Fable 5 花 $0.42，K3 只花 $0.05，便宜 8 倍； 一个 CS:GO×Portal 克隆，K3 的 token 成本 $3.24，同样的量 Fable 5 要 $10.80。 前端和 3D 是它最亮的地方： 有人一次性让它做出 3D 纸飞机小游戏，LMArena 前端设计排到了第一。 长上下文也稳，能把整个仓库、截图、日志塞进一个窗口还不糊。 但吹归吹，另一面得说清楚。 benchmark 的口径差很大： 创作者那边喊“超 Opus、LMArena 第一”； 月之暗面自己却承认，还落后 Fable 5 和 GPT-5.6 Sol。 站得住的读法是，大概 Opus 4.8 / GPT-5.5 这一档。 单 token 是便宜，但有个坑：好几个实测都在吐槽它慢。一个游戏跑了近 3 小时，烧掉整个 $20 订阅，还反复撞用量上限。（估计是被挤爆了，算力不足） 我的判断： 编码、3D、长上下文，还便宜——值得进 rotation 试一轮； 但它替不了 Fable 5，遇上复杂活儿，又慢又贵的毛病还在； 最稳的玩法是先白嫖（https://t.co/M6hcv2WaoA 免费），拿一个真实的丑任务测——扔给它仓库、设计图、截图、日志和明确的验收标准，20 分钟就知道它进不进你的活儿； 真想私有部署，等 7/27 权重开源再说。 想验的，来源都在下面👇 实测原推： 街机游戏 K3 $0.28 vs Opus $0.54 https://t.co/e7xQGH1ORn landing page 便宜 8 倍 https://t.co/AiqdvPt4J3 CS:GO×Portal $3.24 vs Fable $10.80 https://t.co/Z3cEw9EzJ1 3D 纸飞机一次成型 https://t.co/YfoHpKUU4C LMArena 前端第一 https://t.co/lnNtwS0ScF 长上下文最稳 https://t.co/PBcKWnh2jp 慢：跑近 3 小时 https://t.co/jnjiW7ZPa0 又贵又慢但有质感 https://t.co/xtJKcysquu 官方 / 长文： 独立评测 KingBench 62/80 第 3 https://t.co/ds3iVhvBWP “落后 Fable5/GPT-5.6 Sol”官方口径 https://t.co/pBidELxOZp 官方 API quickstart https://t.co/xXbNIbzWyf 官方发布 Meet Kimi K3 https://t.co/ACPnMuUZJV

我靠 kimi的开源模型在很多指标上接近甚至超过了Fable和gpt5.6 sol ，这下真的东升西落了。感觉西方的模型公司估值水分太大了，Anthropic和OpenAI估值都是万亿，而kimi现在在进行30B估值的融资……

K3 这次很牛逼，但是没吹的那么离谱（我没收钱） 我把所有刚发布的榜单、案例、反例爬了一遍： 前端 Code Arena 第 1，Text Arena 第 9，Artificial Analysis 综合能力跟 Opus 4.8、GPT-5.5 在一档，落后 Fable 5 和 GPT-5.6 Sol。 把这几个结果放在一起，K3 的样子就很清楚了：偏科 它最牛逼的是前端、3D、游戏和视觉 Agent。以前模型交付一堆代码，K3 开始交付一个能玩的世界。 Arena 里没有外挂 skills，一些一条 prompt 的 3D 成品确实很夸张。 官方还放了 GPU 编译器、芯片设计和计算天体物理案例，不过这些先当厂商自测看。 但我现在不会把主力模型全换成 K3。 早期公开实测已经暴露出速度问题： 一个高质量前端任务跑了 35 分钟，另一个游戏案例跑了 30 多分钟，还用完了一整份 20 美元的套餐额度。API 输出价格也比 K2.6 贵了接近 4 倍。 官方也承认，K3 对历史思考记录很敏感，容易过度主动，换模型续聊可能直接不稳定。 所以，K3 确实很牛逼，国模的骄傲，但是和GPT、Claude还是有挺大的差距。。

一边是deepseek、GLM、kimi三家中国企业开始登顶冲刺了， 另一边是苹果中国的三本文科英国水硕产品经理和分析师们不断走流程写文件做调研，花了两年时间，最终决定向总部汇报建议apple Intelligence中国区从qwen和百度文心一言里面二选一。

差不多半年时间，可能半年时间都不到了。 mythos，训练好应该是2月份左右，4月份开始Glasswing计划给大客户用。 K3应该是6月底训练好。 差不多有4-6个月的差距。 即便真实性能上打点折扣。 这个差距已经很小了。 而kimi这样能打的还有GLM，DeepSeek。 minimax已经是路边一条了。 在努力追赶的还有腾讯的HY。 小米还在努力扒着桌沿不想下桌。 字节和快手在视频领域独领风骚。 微软的MAI，meta AI 都是me too的状态。 看住自家领地就不错了。 Google的Gemini 发不推迟，有点落伍了。 最后这三家看住自家的领域就不错了。 中美成熟市场最多各存在三家， 美国这边前两家肯定明确了，A\，OpenAI。 第三家到底是谁。还要看各家角逐。 中国这边很难说，都没有绝对的优势，拉开身位。 AI大战进入大逃杀阶段。

这是今天科技股下跌的原因？大新闻： @Kimi_Moonshot 的 Kimi-K3 现已在 前端代码竞技场（Frontend Code Arena） 以 1679 分 登顶，超越 Claude Fable 5。 这是从 Kimi-k2.6（第18位 → 第1位）的17位大跃升。 在前端领域，Kimi-K3 在7个子领域中6个排名第一：品牌与营销、基于参考的设计、数据与分析、消费产品、模拟以及内容创作工具，仅在游戏领域位居第二，落后于 Fable 5。 完整模型权重将于 7月27日 发布。

怎么感觉在推上 deepseek v4 pro max 成了坏孩子。实际上，deepseek v4 pro max 解决大部分问题的性价比依然是无敌的。

昨天GLM5.2今天KIMI3，闭源模型受到挑战，这是好事，且不会影响硬件端，最终真有可能模型变成商品（CRM CEO一直的观点），所以不压住模型的方向是正确的。 到今天为止，思考AI创造的价值，多数都在CODING，且集中在B端，非常合理，因为美国的科技公司有钱，且愿意花钱。随着开源模型的不断追赶，我期待AI AGENT的话题会被再次带起，和C端有像样的产品落地（另外一个GPT MOMENT）

$GOOG 推迟发布Gemini 3.5 Pro, 很遗憾他们实在开发不出需要被审核的模型🥹

美国实验室早就开始蒸馏中国模型了，我记得最早这么干的是Gemini，大约是24年有人发现Gemini会回答我是文心一言大模型。 但截止K3发布前他们蒸馏的都是中文语言能力。 K3之后也许就不一样了。

我的 Codex 皮肤是这样的 https://t.co/7Uidz3dHGr

简单评一下 Kimi K3 - 大而不倒，开源模型最大的尺寸 2.8T，据说 Opus 也就这个尺寸 - 技术路线很独立，不算 deepseek 近亲，做了大量激进工程选择 - 打榜摸到 fable5 和 5.6-sol 的后背了 - 经济性不好，但还是比那俩便宜 这个模型非常有意思，对市场的影响不亚于 GLM-5.2，有空写篇长文 https://t.co/AO84iUHRkf

kimi k3 的 API 定价刷新了国模的天花板 大约是 opus 和 gpt-5.6-sol 的 6 折左右 相比唐老师 glm-5.2 的小心试探 杨老师这步很大胆 https://t.co/jCTVopmmgR

这是我目前见到过最好的K3案例。 一位参与K3早期测试的朋友，全程只用K3开发了一个的3D 任天堂游戏机模拟器，甚至​连按键的阻尼感都完美进行了还原。 ​ ​而且，它不只是一个玩具外壳，而是可以真实装载 room 进行游戏的、具有完整后端的产品 这太疯狂了，在此之前我只见过Fable 5有这样的能力，甚至GPT-5.6 Sol都没有。 开源模型又一次追平了那些昂贵的闭源模型！

如果Kimi把K3开源了，那对世界来说是另一个DeepSeek时刻。

#讨论 在美国如此算力限制之下，GLM 5.2和KIMI K3模型的编码能力是怎么追上来的？而且模型参数量还好几T，直逼顶级模型Fable和GPT 5.6 SOL。

玩了一晚上 K3，我尤其推荐用它搞前端，但是复杂上下文推理和指令遵循上离 gpt 还是有代际差距，特别是做事很容易冲动（Kimi 的家族遗传），绝对不要给它访问生产环境权限。 https://t.co/WDoAC7K9VV

欢迎来到另一个DeepSeek-R1时刻🍻 @Kimi_Moonshot 刚刚发布了他们全新的旗舰模型K3，全球首个开源的3万亿级模型。 K3总参数达到2.8万亿，采用896个专家、每次激活16个的MoE架构，原生支持视觉理解和100万Token上下文。 借助KDA（Kimi Delta Attention）混合线性注意力、Attention Residuals和Stable LatentMoE，K3相比K2的整体扩展效率提升约2.5倍。 从综合能力看，K3虽然仍然落后于Claude Fable 5和GPT-5.6 Sol，但已经进入当前模型的第一梯队。 更值得关注的是，K3在多个长程Agent任务上已经超过这两款闭源模型。 在编程评测中，K3拿下了Program Bench和SWE Marathon第一名。 Program Bench得分77.8，略高于GPT-5.6 Sol的77.6。 SWE Marathon得分42.0，领先Opus 4.8、GPT-5.6 Sol和Fable 5。 在Terminal Bench 2.1上，K3得到88.3分，仅比GPT-5.6 Sol低0.5分。 在更接近真实软件工程的FrontierSWE上，K3得到81.2分，仅次于Fable 5的86.6，明显高于GPT-5.6 Sol的71.3。 这说明K3的优势并不是一次性生成代码，而是让Agent在代码库、终端和测试环境中持续工作。 通用Agent评测也呈现出类似趋势。 K3在Automation Bench、SpreadsheetBench 2和BrowseComp中均排名第一。 其中BrowseComp达到91.2分，超过GPT-5.6 Sol的90.4和Fable 5的88.0。 Automation Bench得到30.8分，同样领先其他模型。 在GDPval、JobBench和AA-Briefcase等更综合的知识工作评测中，K3则依然落后于Fable 5。 这说明它目前最突出的能力，仍集中在搜索、工具调用、自动化和长程执行，而不是所有办公任务都全面领先。 成本可能是K3更现实的优势。 在Kimi Code Bench V2中，K3 max得到72.9分，单任务成本约4美元。 Fable 5得分76.9，但单任务成本超过10美元；Opus 4.8得分71.7，成本也接近7美元。 BrowseComp上的差距更加明显。 K3以大约2美元的单任务成本得到91.2分，在分数超过GPT-5.6 Sol的同时，成本也更低。 相比之下，Claude系列模型为了继续提升BrowseComp分数，需要消耗数倍甚至十倍的Token和费用。

ChatGPT / Codex 敢没完没了 Reset 重置的底气就来自于这条用户增长曲线。。。 https://t.co/GLkzDRhBPl

07/16 今天市场情绪继续恶化，如果你账户非常好看，而最近回撤了不少利润，很痛苦，心在滴血，甚至打算清空不玩了，建议和我一起冷静分析。 别人恐惧我贪婪，今天我会继续入场。我认为市场过度恐慌，并且漏掉了一些关键信息。这篇分析一下我认为的市场底部，两个过度悲观的逻辑原因，以及我的操作和保护方式 1/ 先说说我的逻辑，为什么我正股持有的逻辑不变，并且准备继续入场？ 每天都会梳理我当前持仓的逻辑，我确认买入的每只个股，都是我能看懂的， 换而言之。我知道我在买什么,不是空喊，看个 K 线 先说两个背景信息 $AEHR 昨日上涨将近 46%，一句话看懂：它是一个负责测试晶圆老化的测试设备，在大面积出货之前厂商会大量购买，确保良率 $TSM 财报后台积电交出了很强的业绩，但Q3毛利率、营业利润率指引较Q2实际有所下降。市场失望，但我看到失望的根源是要增加资本开支。 试问，如果 AI 需求不强，为什么台积电要在 2 纳米制程里面去继续上调资本开支？台积电的财报的资本开支钱流向了谁？ 说到这里，通过两个设备厂，我们大概可以看到 AEHR 的需求依然强劲。但现在市场下跌，杀的是整个 infra 板块，每个个股的逻辑各有不同，可以看我引用的帖子 之前也有提到过，现在进入了一个消息的真空期，下周财报很关键，后面我会细聊，我等待的催化剂 2/ 市场到底什么时候到底部 "为什么跌"和"能不能预测底"其实是同一个问题——在向市场要确定性，而市场只出售两样东西：赔率和时间。这是大部分人痛苦的根源 在于耐心和认知，这是解决这两件事情的关键问题 叙事跟着价格走，不是价格跟着叙事走，我相信大部分人都没有办法预测 3/ 我买入的股票基本面发生变化了吗？ 看下来，除了存储外（见我打破内存墙那篇文章），互联网和算力都没有 > 存储：MU面对的是存储周期和新增供给的争议。 但下一阶段的存储和芯片的Co-Design，仍然是一个新的爆发点，技术还没有出现，机构无法定价 > 互联： $ALAB $CRDO $MRVL 。互联是算力和存储的解药，我的观点一直没有变化。三者之间，我也是有我自己明确偏爱的，我喜欢布局未来、机构无法定价、具有稳健合作关系和管理层的公司 暂时没有变化 > 算力： $NVDA $AMD 我相信大部分人信仰都没什么变化 看完基本面，我们基本可以得知，这段时间的去泡沫更多的是情绪、去杠杆、去掉市场上的暴利赌徒们，要给价值投资者更健康的上涨环境 3/ 用日历替代水晶球 情绪底不可测，事件底可以等： 7/28–30 四大厂 capex 口径、 8 月中 COHR 财报、 8 月底 MRVL 和 NVDA 财报 只有这几天有"造底"或"破底"的权力。在此之前，每天的涨跌都是仓位噪音和去泡沫，而非基本面发生变化，包括今天 4/ 我的操作 我的一套处理方式和逻辑 把“长期仓”和“抄反弹仓”分开 以我愿意持有的最大仓位为 100%，会先定义： **60%核心仓：**只有基本面红线触发才处理； **X%交易仓：**根据价格、相对强弱和时间止损处理； **40-X%现金：**只在确认后使用 07/09 我跟大家明确表示过，我趁上涨卖出了我大部分的短线现金仓位 （欢迎查看⬇️）https://t.co/okfLGKB8Yo 今天对于一些我长期看好的股票, 例如押注未来的光互联，例如提供 OpenAI 的算力军火商（相信读过我的文章的朋友应该都知道我说的是什么），继续分批加仓 我的逻辑一直很连贯：下跌时保持冷静，买在无人问津处，卖在人声鼎沸时

卧槽这个评分，已经是超越opus4.8级别了。。。 实际上，K3已经是2.8T的模型了，这个参数距离GPT-5.6之差1T多。 他们是怎么做到这么大的模型的呢？下面我从工程角度给你拆解，他们到底是怎么把模型做到这么大还训得动、跑得动的。 https://t.co/cUo65UFiVM