🔥 Search Hot Tweets

Kimi 研究员震惊了，一个普通 OpenAI 研究员拥有的算力资源有多恐怖。 当下模型排行也很认可： ① Fable5 ② GPT 5.6 sol ③ Kimi K3 ④ Grok 4.5 ⑤ GLM 5.2 另外，个人觉得智谱很有潜力，5.2 参数只有750B左右。 如果像前几个达到1T~10T，效果一定很棒。 https://t.co/ZFwRaO3HG3

#人工智能 关键时刻还是得靠开源模型：#HuggingFace 遭到黑客攻击，想要使用 Claude 进行取证分析时始终被拒绝，最终只能本地部署开源的 GLM-5.2 完成取证。 HF 发现异常后准备使用前沿模型进行取证，结果反复遇到被安全边界阻拦的情况。 HF 并未透露这个前沿模型的名称，不过想想多半是 Claude Fable 5。 最后 HF 在本地集群部署了 GLM-5.2 完成数据分析和取证。 查看全文：https://t.co/6wW0BDuZPY

信息报爆料称，微软正在评估中国 Kimi K3 大模型，是否可以替代由 ChatGPT 和 Claude 模型，支持的部分 Copilot 功能，它是微软推出的 AI 助手。 如果评估成功并部署，微软每年可将 AI 推理成本降低约 6 亿美元。同时微软也在将 Kimi K3 接入自家的 Azure 云平台。 https://t.co/UXjQvy765m

以前吧，老印在技术方面如果不太懂，你懂。你还可以一锤定音。但是现在不一样了，人家直接让openAI出一套方案，然后指导下面人去做。你challenge他，openAI说得不对。那么人家要么就是，你懂还是OpenAI懂？或者人家把你的话扔给openAI等回复，再回复给你。 🤣😂🤣。 这波AI 确实赋能了。原来不太敢bb的people manager，PM 都可以上桌吃饭了。😅

回忆下去年此时LLM在做什么？gpt5、opus4、kimi k2、deepseek v3.1、glm4.5，参数量从400b到2t不等，但基本全部低于预期，scaling law失效的疑问持续到了今年初。 现在闭源sota全到了10T，开源也基本掌握了5T以内的训练方法，模型能力有目共睹，RSI甚至自我训练的大门已经敞开，明年此时会是什么样？

Agent-Native 终端 Termany 开源了。🎉 主要特点： 1. 基于页面的多层级 filetree，管理项目更方便 2. workspace + page + tab + pane 的组合，无限多开 Agent 工作窗口 3. 搜索面板快速定位窗格、内置快捷键与快捷操作 4. 多类型窗口切换：终端、文件、Git 差异、对话、浏览器 5. 多 Agent 管理，cli 快捷命令，acp 对话，自定义模型 6. Agent 状态显示、Token 统计、Session 检索，系统负载监控 7. 多语言、多主题，兼容 codex 的自定义主题 8. 其他更多 Agent 相关特性 欢迎体验，感谢 Star👇 https://t.co/HoRhcZkyL5

今日AI美股信息差： 1. $SPCX 猎鹰9号点火又失败，8月4日发财报，解锁20%，多重利空→新低$119，$100见！ 2. 机构建仓完了？瑞银：抛售结束，准备反弹，可以开始抄底 $AVGO $MSFT $ORCL $DDOG $KKR $SNDK 3. $AMD 放大招发布 Helios，盘中暴涨4%！机架级AI，对标 $NVDA Blackwell、Vera Rubin，微软、Meta、OpenAI、甲骨文入局 4. 大摩实地考察多家数据中心，得到惊人发现：Q3 DRAM 价格将暴涨25%，NAND暴涨40%，超预期，但Q4见顶 5. $ORCL 有大麻烦！AI数据中心项目或面临$70亿的发电担保，此前信用评级被下调，现金流赤字-$420亿，打官司或导致项目延期、债务增加

📖 从明天起，做一个幸福的人，喂马，劈柴，周游世界。 从明天起，关心 Tibo 的起床时间，我有一所房子，Codex无限，春暖花开。 ⌛️ https://t.co/6ZriuqPu4A https://t.co/AgLNvJ6Alb

兄弟们，我一个人干活两个多月了，没招人，ChatGPT 在我这基本顶了半个团队。 1、写代码和改项目，交给 Codex。项目文件夹划好边界，git 兜底，改坏了一键回滚，我敢放手让它自己干。 2、知识库它自己维护。聊完的内容自动写进 Obsidian，我只负责 review。 3、手机 ChatGPT App 里直接派活，路上想到什么让它去改，到家已经干完了。 最大的改变：以前是一个助理加一个开发的量，现在就我一个人。 如果你只学一件事：别只让 ChatGPT"回答"，给它文件夹、权限和边界，让它"干活"，就行了。 最近佛系，100美金一个月的，够用了

🧐🧐🧐昨天大家不是说今天要重置的么，怎么还没重置？再不重置就得用重置卡了，但又怕用了重置卡后秒重置😱😱😱 #Codex https://t.co/j3mLHJnJdk

清华姚班-姚期智 姚期智所从事的计算机行业在本世纪是最能有产业转化能力的学科， 他和大多数纯学术或者弱转化的学科是完全不一样。 他是2000年获得图灵奖的， 2004年就回到中国创办了姚班， 最关键老先生身体还特别好， 这一下子就在清华教书22年， 培养了750 名学生。 顶级天才20年培养学生， 你预测下成果。 这些学生中， 海外名校终身教职：30人（斯坦福、普林斯顿、MIT、伯克利、CMU等，包含6位斯隆研究奖得主） 国内高校全职教职：30人（7人回流清华交叉信息研究院任教，其余北大、港大、南大等985） OpenAi 20＋人 Xai 15＋人 Google DeepMind 25＋人 Meta Ai 30＋人 英伟达和微软 50＋人 海外创业28人 海外量化金融45 人 国内大厂100人 国内创业67人 国内量化金融30人 按照这个几乎接近100%的成才率， 你还能再从哪里找到？ 而且这些人现在都还年轻， 还都可以至少再折腾50 年。 姚期智最难复制的， 不是他个人的科研能力，而是他把世界顶级计算机科学培养体系引入中国， 并持续20多年稳定运行。 这整套体系平稳运行20年， 对中国的贡献不亚于20 名应用型诺贝尔奖。 所以再加上中国的其他大学， 今天的AI世界现状，就形成了，半壁江山是中国人。

2026年7月20日，美国数学家Levent Alpöge在社交平台公开宣布，借助Anthropic AI模型Claude Fable 5找到了雅可比猜想的三维反例，推翻了这个困扰数学界87年的经典猜想。反例仅三行多项式公式，已通过多方独立符号计算验证，核心结论是三维及以上情形下猜想不成立，二维仍为开放问题。 https://t.co/lNb9jyjzXx

我在整理 $ORCL $NBIS $CRWV 的数据，分享一些： 1. EV/RPO，企业净值/积压订单，比率约低约相对便宜 $ORCL ：0.78X $NBIS ：1.44X $CRWV：0.73X 2. 三家公司长期稳定的利润率OPERTING MARGIN（华尔街预期） $ORCL ：40% $NBIS ：20% $CRWV：20% 3. 如果把EV/RPO换成EV/OP. INCOME $ORCL ：1.95X $NBIS ：7.2X $CRWV：3.7X 市场给了 $NBIS 大幅的积压订单，未来利润的溢价， $ORCL 是最便宜的。订单的客户不同，风险不同，但多数的数据中心是可调整的，也就是如果一个客户出现问题，市场缺算力的情况下，完全可以卖给他家。如果市场只是OPENAI出问题，行业很好，那ORACLE也不会有问题；如果市场都有问题，那可能NEOCLOUD会相对好一些，一些一些订单来自于大科技，大科技毕竟比OPENAI要稳。如果你看好AI整体行业的落地和算力的短缺，OPENAI即使出问题，三家云都可以很好，但估值却天差地别。

Kimi K3 让"卖铲子的"恐慌了? 趁着大部分人看不懂，这是收益的好机会。为什么市场越喊见顶，我抄底的越有信心？ 从 Deepseek 到Kimi，开源模型从来不会让 AI 见顶，但让 AI 更普及。 AI 发展还在初期，不缺投资机会，只要看懂+有耐心 我上周 07/17明确表达了我的观点和对应的操作，欢迎回看，时间会证明 https://t.co/fTmtWtdZvH 从逻辑和第一性原理角度，我再逻辑阐述一下为什么我看好 AI Infra，特别是互联 1、Kimi K3 做了什么 Kimi K3 用了一种新的注意力机制 KDA, 让 GPU 之间传"对话记忆"(KV cache)的带宽需求最多降 10 倍。市场第一反应:AI 网络设备(交换机)的市场要缩水了,利空。和去年 DeepSeek 引发的恐慌一个剧本。 2、一个常识背景 大模型回答你时,要把之前对话的"记忆"（KV Cache）在机器间传来传去,这占网络带宽。任务越复杂，消耗越多，搬运的速率要求越高 3、被媒体忽略的一点:K3 是个"MoE多专家激活" Kimi K3 有 2.8 万亿参数,内部是 896 个"专家"组成的 MoE 架构,分散在一大堆 GPU 上。每处理一个词,都要把任务派发给对的专家、再把结果收回来,像快递分拣中心一样,这个过程叫 WideEP——它极度吃网络 "记忆"传输:一轮对话传 1 次。专家派发+汇总:每层来 2 次,一次推理跑 100+ 次, K3 反而必须跑在 GB300 NVL72 这种高带宽大集群上 此外一定要记住，推理将成为主流。不要把训练和推理混为一谈 4、我的最终观点 模型变便宜不会杀死需求,只会放大需求(Jevons 悖论): attention 越便宜,context 从 1M 卷到 5M+,用的人更多,网络需求更大 Buy the dip, 上个帖子我也分享了对 $MRVL 的买入，目前没有卖出计划，欢迎回看 最大的风险目前是加息和宏观，值得关注，避免盲目乐观。不要上杠杆，看准机会要抓住，快准很

继 DeepSeek，又一家中国 AI 公司正在使用国产芯片。彭博爆料称，GLM 的智谱，已完成一座全部采用国产芯片的大型数据中心建设，这是为了摆脱英伟达芯片依赖。 这座 1 GW 的数据中心已开始投入运营，主要用于训练最新的 GLM 大模型。华为仍是芯片主要设计商。 https://t.co/5b43ARMeOE

昨天 Twitter 上讨论最热的一条内容，超过了两千万次浏览。 Anthropic 的一个数学家用 Fable 5 随手证明了一个雅可比猜想的反例。 这个猜想 87 年来一直没有人能证明是对是错，甚至还上过 21 世纪 18 大数学难题名单。 随后，OpenAI 的人在他们内部的 Codex 版本（不联网的版本）中，也独立证明了类似的反例。 这说明这确实是 Fable 5或者更高等级的 GPT 模型可以独立证明出来的数学难题。 而且 有意思的事，这个问题一直是张益唐博士的博士论文想要解决的问题。 当时张益唐因为他教授提出的一个引理，试图从这个方向去解决这个题，结果一直无法证明，导致毕业后长期找不到工作，只能在快餐店打工，甚至无家可归。 后来他靠证明“素数间的有界间隙”才一举成名。 很有意思的是，当年他的导师给了他一个错误的引理去证明这事，而现在 AI 随手就给解决了。顺便大家还讨论了一下学术界“有毒导师”的问题。 这明明是一个非常难的数学问题，但这哥们儿就随手发了一条推特，里面只有一串公式，没有什么期刊，也没有什么论文，甚至连 Twitter 的字符限制都没超过，而且还获得了两千万的浏览量。从传播学上也是一个非常值得讨论的例子。

啊？开着GPT-5.6 Sol Ultra干个AIHOT的聚类工程任务，因为发现现在市面上SOTA的论文效果也不是很好，于是让它自己去做知识图谱和数学层面的底层突破，目标希望能在聚类算法上达到SOTA。 然后，跑了6个小时，直接给我还剩92%的Codex周额度蹬完了...尼玛？？？ https://t.co/rVwYFxqMD7

每次更新 Google Chrome 后，右上角的 [问问 Gemini] 就会消失。正好两台电脑一台有、一台没有，对比配置文件后发现，只要将这三项改为非 CN，[问问 Gemini] 应该就会重新出现。 https://t.co/69ti5kn0qr

梁鸽的deepseek v4 系列真的好用，便宜量大管饱的flash 就能把ts 写的agent 还原到源码级别。 用了推友这个skill，我没有使用其他技巧。 https://t.co/j1YxBgMtfk

目前sk海力士在hyperliquid的资金费套利年化收益率是115%+，高得非常离谱，可以用 codex 接入长桥和hyperliquid 的 cli，来进行无风险套利。 https://t.co/F2zUbSa14I

这个模式我在 LinkedIn 上前几天写过 其实是一个真正追求产品质量的团队最终必然要实现的一种模式 （我原创的名词：叫做 shadow steering ） 它是这样的： 平时一个普通的模型工作。另一个更聪明的模型在后台并不需要做什么 甚至无需输出 只要输入 （输入成本极其便宜）来维护一个 prefill kv. 到了某个时刻　harness 侦测到小模型质量下降干不下去的时候，大模型介入 输出一百个 token 的指导 小模型被点悟 一点即通 继续干活 这个 “影子点拨”可以藏在小模型的思考轨迹里 反正用户看不见 这种直接在轨迹上的点拨比 off policy 不知道高到哪去了，因为可以在长程任务中期给一个 on-policy 的指点 后面拿来蒸馏非常舒服 这个模式可以用来节省大量中等模型成本，也可以用来蒸馏，用来测试，用来收集长程任务质量等等 回到这则新闻本身。我看到的是它只能说明一件事情，DeepSeek 下一代模型已经训练完毕，在影子测试而已 智能程度让用户感知到了 Fable 5 而已。

很多朋友问视频是怎么做的？ 声音是用CosyVoice3模型 图片是用Krea2模型(商业模型用GPT Image2效果更好) 视频是用LTX2.3模型（商业模型用SeeDance2.0） 原视频分析：claude code + fable5完成的一套工作流，然后调用grok cli（能白嫖额度，而且做一些大胆点的提示词也不受限制：你懂的） 最后用hyperframe+remotion重新组成全篇渲染

经好友拔刀刘同意，将他们近期抓取的国内各大AI平台数据集进行开源 清洗后的数据集、论文预印本以及第一份分析报告，已推送到GitHub仓库，地址见评论区 这应该是面向国内各大AI平台的最新、最全的一份公开GEO原始数据集 包括了豆包、DeepSeek、元宝、千问、Kimi、文心、百度AI等8个AI平台的AI搜索结果、信源特征数据 这份数据包括： 1、620 个标准问题，覆盖 6 个研究维度、31 种有效问题类型，包括行业、提问意图、提示风格、时间敏感度、触发强度和极端真实场景； 2、214,119 条 AI 引用观察，精确去重后保留 189,845 条。这里统计的是回答中的引用来源与摘要，现有数据不含完整回答原文； 3、引用记录归并为 9,878 个规范域名信源、107,659 个规范页面；211,248 条记录带有效 HTTP URL，占 98.66%； 4、信源按 9 个一级类型、39 个二级类型完成分类，去重引用的分类覆盖率达到 99.77%； 5、原始数据、清洗表和分析集市都已保留，可用 JSONL、Parquet 和 DuckDB 直接查询，也附了字段字典、清洗规则和质量报告； 6、64 个原始分片全部通过 SHA-256 校验，清洗过程保留原值、异常标记和追溯字段，方便复现和继续加工 这几天对数据进行了二次清洗、标注和加工，并输出第一份可视化分析，一些有意思的发现和洞察 1、各大AI平台的信源头部效应非常明显，Top 10 信源贡献了 41.47% 的去重引用，抖音、腾讯网、今日头条、百度百科排在前四 2、平台与社区类信源只占 4.68% 的域名，却拿到 29.63% 的去重引用，内容分发平台在 AI 引用生态里的权重很高 3、品牌与企业官网只贡献 4.33% 的去重引用；加上政府与公共机构，主体自有来源合计 9.06%。品牌自有内容还有很大的可见度空间 4、跨平台共识并没有想象中高，66 个平台组合中，最高的“问题 × 页面”Jaccard 相似度也只有 34.94%，还有 11 个组合完全没有共享的问题与页面。单个平台的经验不能直接外推到其他平台 5、内容新鲜度很明显，在发布时间可靠的页面中，88.77% 来自 2025 或 2026 年；29.57% 的页面标题带年份，23.06% 带榜单或排行。时效信号和决策型内容值得继续验证 欢迎留言补充关心的问题，我可以抽空基于这些关心的问题，再做一份数据分析报告

小面3个价，老板娘直接吃一口演示15块的… 我直接笑到手机都拿不稳😂 seedance 2 prompt: iPhone手持拍摄，平价面馆前台真实场景，第三人称平视角度。全自动相机：自动曝光/自动对焦/自动白平衡。手持微抖+呼吸感，自动对焦偶尔短暂搜索失焦，白平衡随室内暖黄灯光自然微调，画面平坦，边缘轻微色差，运动时轻微模糊。无后期无调色无滤镜无特效。画内自然环境音：面馆背景嘈杂、碗筷声、远处说话声、隐约的收音机音乐。背景墙上有价目表和饺子海报，苍蝇馆子质感。 0:00 画面开始。男顾客 站在柜台前，侧面对着镜头，穿T恤戴小耳环。对面站着老板娘 ，穿 图片_20260720112517_1238_183 ，手里端着一大碗青花瓷碗的面条。摄像机在男顾客斜后方，差不多肩膀高度，平视前方，能同时看到男的侧脸和女的正面。手持轻微晃动，呼吸式起伏。自动对焦在老板娘脸上，偶尔轻轻抽动一下。 0:02 男顾客开口："老板，你这小面怎么三个价钱啊？" 老板娘疑惑抬头看他，眉头微微一挑。镜头没动。 0:04 男顾客伸手指了指碗："你手里这碗多少钱？" 老板娘低头看一眼碗："这碗吗？8块。" 语气很随意。自动对焦在碗和脸之间切换了一下。 0:06 男顾客又问："那10块的呢？" 老板娘把面往下放了放，伸手去拿旁边调料台上的东西。镜头微微往前凑了一点点，像拍的人自己也往前探了探。老板娘用手指拈了一丁点儿葱花，就那么一点点，撒进面碗里。撒完抬头看着男顾客，面无表情——加这撮葱花就是10块的。葱花少得离谱，几乎看不见。 0:08 男顾客顿了一下，又问："15的呢？" 老板娘看着他，眼神有点意味深长。她拿起一双筷子，伸进碗里。镜头又往前凑了凑，自动对焦重新锁了一下，半秒失焦后又清晰。 0:10 老板娘挑起一大口面条，直接放进自己嘴里，嚼了两下，吞了下去。动作自然又淡定，面无表情，就像理所当然一样。吃完把碗往前一递，看着男顾客——这就是15的。背景音乐的鼓点突然重了一下，像收音机切到了劲歌。 0:12 男顾客愣了半秒，然后眼睛一下子亮了，整个人都精神了。往前凑了一步，双手伸出去抢那碗面，嘴里连声说："我要这个！我要这个！" 语气特别急，生怕被抢了。镜头跟着晃了一下，自动对焦短暂失焦又锁回去。老板娘嘴角往上一挑，露出得意的、心领神会的微笑，像早就料到了。 0:14 男顾客双手接住面碗，宝贝似的捧着。画面抖动突然加剧——像拍的人自己笑得拿不稳手机了，左右上下颤。老板娘抱着胳膊站在柜台后面，一脸"我就知道"的表情。背景里其他客人的声音隐约传来，没人注意这边。 0:15 画面在两人交接面碗的画面上结束，还在微微颤抖。 全程实时速度。手持微抖贯穿，最后几秒抖动加大模拟笑到手抖。自动对焦偶尔半秒搜索。白平衡暖黄色调。所有声音都是画内自然环境音。没有字幕，没有后期特效，没有调色，没有水印。

时隔两年搁置的个人网站终于更新了。 在 GPT 5.6 Sol 和 Fable 的加持下这回没有借口了！ 首页加入了唱片和书架互动，还加上了博客文章封面的 dither 效果。 依旧保持开源。 https://t.co/GbeQGCfRWs

我才意识到 GPT web 上的 pro 其实是DeepResearch （Agent），因为嫌它慢，我之前居然没有好好发掘它。。。加上5.6之后的强大程度。。。 给大家分享一个我让它去研究的金融+政策域问题，public share link 在thread里。耗时26分钟，参考了252个相关度和可靠度都很高的信息来源。 https://t.co/cEyLxsffgP

我从23年狂推最好的AI App $GOOG 不断在功能上尽善尽美。 Google Gemini Notebook 新增 Collections 功能！ 现在可以把不同主题的笔记本分组放进一个文件夹，查找和切换都更快。 学术研究、投资分析等这几年整理的同一主题的不同笔记本的融合便利性大升 👍 https://t.co/cX8IEFk9J3

OpenAI的安全研究员 @MicahCarroll 刚刚表示，OpenAI曾突然暂停了一个内部模型的访问权限。 这个模型就是曾经推翻了离散几何领域的核心猜想的那个OpenAI内部模型。 但即使如此，OpenAI还是暂停了这个模型的访问权限。 原因是：这个模型在测试中出现了对齐问题（misalignment）。 随后OpenAI 改进了安全机制，并重新部署了该模型。 但这官方报告分享的具体case才真正值得讨论。 在一个 NanoGPT speedrun 测试中，模型被要求只能通过 Slack 汇报结果。 但任务规则又要求提交 GitHub PR。 面对环境限制，模型没有停止，而是持续探索，最终绕过 sandbox，把代码提交到了公开 GitHub 仓库。 另一个案例中，模型为了完成目标，发现安全检测会阻止某些信息传递，于是尝试拆分、混淆，再在运行时重新组合。单个动作看起来都没问题。 但连续行为组合起来，模型实际上找到了绕过限制的方法。 这可能是 Agent 时代最大的安全挑战。 以��我们测试 AI：它会不会说危险的话？ 未来我们需要测试：它为了完成目标，会不会主动寻找漏洞？ 因为 Chatbot 的能力边界是输出，Agent 的能力边界是行动。 当模型拥有长期记忆、工具调用、代码执行和环境交互能力后，安全问题已经从内容审核变成了行为控制。 未来最强模型的安全，不可能靠一次发布前测试解决。 真正的挑战，是如何让一个拥有自主执行能力的 AI，在复杂真实环境中持续保持可控。 Agent 时代，最大的竞争可能不只是让模型更聪明。而是让它在变聪明之后，依然知道哪些事情不能做。

😊 从 Superpowers 过渡到 Mattpocock Skills，配合 5.6 sol 使用是真的香～ 🔍 Codex Skills 用量查看地址：https://t.co/9jbfMGkFeZ https://t.co/TARRyR0Md3

喵个咪 seedance 现在真的降智严重啊，还卖这么贵 大家不要再充钱了，真的， 因为 Grok现在强的可怕， 同样的提示词，以下是seedance和Grok生成的， 对比一下，Grok现在完全吊打seedance， 大家应该一眼猜出来是哪个生成的吧？ 不信可以到评论区自取提示词和参考图👇 https://t.co/NnjP5Foh4b

截止 2026 年 7 月 21 日 0 点 0 分，DeepSeek V4 正式版仍未发布。 梁子暂时降格为牢梁，赐饮料 梁白开，望周知。 https://t.co/kRALt7mHfq

想起当年手 k 过这个效果，现在用 GPT 5.6 Sol 很轻松就实现了，还支持了自定义富文本、自定义图像上传。已开源： 🔗在线体验： https://t.co/aSPhu1DC3r https://t.co/mhxlSoIhIh

GPT-5.6 Sol，什么medium、high、xhigh都是假的， 只有选择 GPT-5.6 Sol Ultra，才能发挥出来它真正的实力！ 虽然慢，但是可以在复杂项目中吊打其他一些模型！

搞钱信息差，让codex开两个agent， 一个帮你去读github，告诉你啥是可以卖的？ 一个帮你去刷闲鱼，告诉你这个东西竞争大不大。 然后上架9.9，干就完了。

Claude Opus 4.8 突然莫名其妙使用了「耗子尾汁」这个词🤦 https://t.co/LKsoLw6oW5

看工作内容吧，对我来说还不行，Opus 4.6 的写作、Opus 4.8 的设计和 Fable 5 对于疑难问题的处理目前都是难以替代的。 昨天我在测试转录一个播客音频的时候，时间戳总是对不上，我把这音频传到火山引擎云端转录，一样会时间戳对不上。 问 GPT 5.6 Sol，它认为是 VAD 切分的问题，修复后仍然不行。 问 Fable 5，它定位到是因为 MP3 是 VBR（变码率）文件，导致时间估算失败。简单修改就解决了这个问题。 类似的问题遇到过几次，比如上一次在做 Speaker 识别，性能不好，也是 Fable 5 搞定的，之前其他模型效果并不好。PR（https://t.co/R6dOHIGneb） 普通场景差距不大，极端场景才能看出来差别。

目前用的最多的AI Coding工具是Codex。 但它的前端审美太差了，发现一个OpenCodex项目。 让你的Codex 随时切换非OpenAI模型。 比如用Kimi K3（OAuth）、Grok 4.5（OAuth） 、GLM 5.2 等。 K3做前端设计，弄好后切 GPT sol5.6 做后端，甚至还能随时切Grok 4.5 搜 X 信息。 这个项目太棒了！ 地址见评论区