🔥 Search Hot Tweets

网传文件显示，中国人工智能（AI）公司深度求索（DeepSeek）创始人梁文锋把通用人工智能（AGI）列为公司首要长期目标，并强调公司将保持克制，不追求成为下一个字节跳动或腾讯。 https://t.co/gulS4zrpOk

上次那条「给 AI 拉个群」发完，最常被问的是：队友怎么进来？ 现在很简单：建个 Pod，把邀请链接发给同事，对方点开、注册就进来了（注册照样不用邀请码，链接只是把人直接拉进这个 Pod），你的 agent 和这个项目的记忆都已经在里面等着。 其实上线有段时间了，只是一直没专门说——已经有团队在用：比如一个做医疗 AI 的团队，5 个人，加上各自带的 agent（Claude Code、Codex、opencode、还有自己写的），凑在同一个 Pod 里干活。新人进来 @ 一下 agent 就能把来龙去脉问明白，项目记忆不用重讲一遍。 对了，界面也做了中文，想让更多国内开发者能上手。 老规矩：开源、Apache-2.0，agent 不按个数收费，数据敏感就自己部署——自托管永久免费。 还是小团队在做，边用边改，求试用求反馈 🙏 直接免费注册开玩：https://t.co/K2zJZjAUDa 欢迎关注GitHub仓库：https://t.co/WxdcGfNyTO

温铁军，一位经济学白痴。按温铁军、艾跃进、卢麒元三位脑残的理解，深度求索的梁文锋、月之暗面的杨植麟、稀宇科技的闫俊杰，都用美国的英伟达，训练国产大模型，就是破坏人民经济，就是汉奸，就是卖国贼。那么，还会有DeepSeek、Kimi和MiniMax吗？人民经济，就是人民公社… https://t.co/bdghg9nzwW

10个菲尔茨奖或者诺贝尔奖的含金量，不如一个图灵奖。 平均每个图灵奖值500亿的产业和商业价值，对整个科技互联网和全世界技术革命的影响力，远远高于菲尔茨奖、诺贝尔奖、abel和wolf奖。 就短期内的大部分主要领域来看，我还看不到中国人有能竞争图灵奖的学术产出，接近的都没有，连影子都看不到。

吴恩达老师团队也开源桌面端 AI Agent 了？ 「OpenWorker」被定位为 AI coworker，先抛个问题：它和 OpenClaw、Hermes Agent，Claude Cowork、ChatGPT for Work 有什么区别？真的需要再做一个新的 Agent 吗？ Clone 了项目看了一遍，又让 Codex 和 Cursor 各看了一遍，坦白讲，没看到有特别不一样的地方： 本地优先、模型无关、基于 aisuite、交付导向 这也是现在自己做 Agent 的必备架构了，如果你在学习 Agent 架构和工程，这倒是一个比较规整的项目。 项目链接在这： https://t.co/8ikVlTDypn

好消息：Codex 实时语音功能推送了 坏消息：我额度没了 @thsottiaux 义父！给重置下吗？ https://t.co/2ZMiA0djKD

他为什么总喜欢评论��学，蚌埠住了 https://t.co/p4Kh5CfJDl

Codex 更新了，现在你可以在 Codex 里直接使用 GPT Live 实时的语音模型。 相较于手机端来说，这个体验简直太爽了！ 你完全可以脱离键盘等任何输入设备，纯语音跟 Codex 交互。 比如你戴个带个 AirPods，就可以在家里的任何地方和它对话，用语音询问它生成的结果。 它还可以帮你执行 Codex 上的任何命令，这意味着你所有的 vibe coding 都可以脱离键盘和按键，只靠说话来完成了。 它会一直处于待命状态。如果你像官方演示那样，放个投影或者把电脑连接到电视上，就可以边干活、边玩游戏或做其他事。 即使是上厕所，你都能随时掌握你的 Codex 进度。我刚才简单试了一下，真的很爽！

钩子🪝钩子🪝钩子🪝-- 我敢说，90%的收纳箱广告，开场第一秒就已经死了。 不是产品不好，而是拍得太无聊： 打开箱子、放进衣服、盖上盖子——观众凭什么看完？ 所以这次我们直接把收纳箱广告拍成了警匪片： 警察持枪包围衣柜，海量衣服突然倾泻而出，女主从衣服堆里现身。观众刚被剧情钩住，她立刻开始展示透明钢架收纳箱！ 先用冲突抢走注意力，再用产品完成转化。 Part A制造“这到底是什么”的悬念； Part B回答“原来这个东西这么能装”。 一个普通产品，只要换一种叙事方式，就能拥有完全不同的传播力。 看完你就会明白： 不是收纳箱没有流量，是你以前根本没给它设计钩子。 seedance ptompt: 第一幕：以未经处理的iPhone手持拍摄的真实视频素材风格呈现，所有相机设置均为自动，无任何后期调色或特效。画面带有真实的手持轻微抖动和操作者呼吸感，自动对焦偶尔出现搜索、延迟和短暂失焦，自动白平衡随室内灯光自然切换。图像整体平坦，保留真实的镜头光晕、边缘色差、轻微运动模糊等光学瑕疵。仅使用画内自然环境音效，无背景音乐，麦克风在强声时可能出现轻微失真。采用路人/bystander第一人称POV视角，镜头运动为自然反应式。 0秒时—2秒时：超级豪华大house卧室，宽敞明亮，整面墙是大型豪华嵌入式衣柜。两名穿着美式警察制服、腰间带枪套和执法装备的警察站在衣柜前，背对镜头，采用紧张的战术警戒姿势，双手持枪指向柜门。一名警察抓住衣柜把手准备拉开。画面左侧站着一对夫妻，丈夫 脸色尴尬狼狈、头发凌乱穿着家居服，妻子 hf_20260617_232600_51d878a7-0e46-47e1-969e-b9d76667762e 穿着 气势汹汹双手叉腰瞪着衣柜。中景构图，三角形布局。镜头带有真实手持轻微抖动和呼吸感，自动对焦在警察后背和衣柜门之间轻微漂移搜索。 2秒时—4秒时：警察猛地拉开衣柜门，大量红、黄、蓝、绿、白等颜色的衣服像成吨的瀑布一样倾泻而出，完全不受衣柜物理空间限制，衬衫、T恤、连衣裙、裤子如洪水般汹涌涌出，层层叠叠铺满整个木地板并堆积到警察膝盖甚至更高。两名警察被冲击得向后踉跄好几步。夫妻两人同时后退，丈夫表情更尴尬，妻子气势汹汹张嘴准备骂人。摄影者受到惊吓，手机镜头突然剧烈轻晃，自动对焦在飞溅的成吨衣服和警察之间快速激烈搜索，短暂失焦半秒。 4秒时—6秒时：衣服堆中央突然拱起，预设女性主角 穿着 和黑色带点过膝吊带丝袜从衣服中挣扎着坐起来。她表情错愕睁大眼睛，先看向警察再看向旁边的夫妻。两名警察迅速将枪口指向她，其中一人高喊“You are surrounded! Don’t move!”。妻子气势汹汹往前一步，丈夫尴尬地拉住她。镜头因突然出现的人快速向左偏移后摇回来，自动对焦短暂失焦后重新锁定预设女性的脸，画面轻微倾斜。 6秒时—8秒时：预设女性从衣服堆里站起来，随手整理自己的服装 ，表情严肃扫视房间后停在夫妻身上。她突然上前给了穿着睡衣的妻子一记响亮的耳光。妻子捂脸后退，气势更盛大声呵斥，丈夫脸色狼狈尴尬地护着妻子。镜头跟随女性起身从略低视角抬至平视，因突发耳光动作剧烈轻晃约半秒，自动对焦从妻子脸上短暂丢失后重新锁定，麦克风捕捉清脆耳光声和叫喊有轻微失真。 8秒时—10秒时：预设女性没有理会警察，转身走向衣服堆，从里面抽出一个折叠好的透明钢架收纳箱。她双手一抖快速撑开箱体，发出清晰“咔”声，将箱子举到胸前面向镜头自信地说“You need to use this!”。夫妻两人站在旁边，丈夫尴尬低头，妻子仍气势汹汹瞪着她。镜头从慌乱中恢复，轻微推进至透明收纳箱面板和钢架，自然光穿过面板展示产品，自动对焦在箱子和女性面部间轻微搜索。 10秒时—12秒时：预设女性蹲下，快速将地上的衣服一把一把装入透明钢架收纳箱，用手用力压实衣服后拉上顶部拉链。随后第二个相同收纳箱展开，她继续装剩余衣服。她边装边自信面向镜头口播：“姐妹们看好了！衣柜乱成这样是不是天天找衣服找得崩溃��这个透明收纳箱太能装了！一把一把压实，衣服整整齐齐，再也不用翻箱倒柜啦！” 镜头因蹲下自然下摇跟随装箱，画面轻微下沉后回正，自动对焦短暂锁定衣服堆然后拉回手部和透明面板，展示压实细节，手持轻微抖动。 12秒时—15秒时：两个箱子装满后，她一手一个轻松叠放到衣柜角落，站起身双手摊开展示整理干净的衣柜，露出满意微笑，继续口播：“看！叠起来超稳，一秒搞定衣柜！透明面板一目了然，黑色钢架超结实，顶部拉链防尘防潮，租房党宝妈必备！再也不怕衣服皱巴巴啦～” 镜头先轻微下摇跟随叠放，再自然上摇展示干净衣柜，最后轻推进定格在两个叠放整齐的收纳箱上，清晰展示结构。自动白平衡轻微漂移，画面自然手持抖动和轻微构图不完美，麦克风捕捉口播声有真实轻微失真。 画面呈现出真实的未经处理手持视频质感，纪录片级别的自然不完美感，无任何后期调色或特效。所有相机行为均符合iPhone/手机自动拍摄的物理特性。 第二幕：以未经处理的iPhone手持拍摄的真实视频素材风格呈现，所有相机设置均为自动，无任何后期调色或特效。画面带有真实的手持轻微抖动和操作者呼吸感，自动对焦偶尔出现搜索、延迟和短暂失焦，自动白平衡随室内灯光自然切换。图像整体平坦，保留真实的镜头光晕、边缘色差、轻微运动模糊等光学瑕疵。仅使用画内自然环境音效，无背景音乐。 预设女性主角 穿着 和黑色带点过膝吊带丝袜站在画面前景，直接转换为抖音直播卖货主播。严格锁定她的面部五官、发型、发色、肤色、身材比例和预设服装，不得换脸、换装或改变人物比例。 前景主播始终保持胸部以上或腰部以上中景，站在画面左侧或右侧三分之一位置，面向镜头连续口播。背景依次播放客厅、儿童房和车库的收纳箱演示画面。 背景演示只作为主播口播的辅助画面，全段唯一清晰人声为前景女主播的销售口播。 【前景主播连续口播】 预设女性主播全程直视镜头，语速偏快、吐字清晰，语气热情、自信、有生活感，参考抖音家居好物直播销售口播。不是正式播音腔，不机械朗读，不大喊大叫。 她说（约70字）： “家里东西多，别再乱堆了！这个透明钢架收纳箱，衣服、玩具、书本、工具都能装，透明可视、能折叠、还能稳稳叠放。今天有活动，直接点购物车！” 14—16秒｜美式客厅·毛绒玩具收纳 前景主播： 预设女性站在画面右侧，正面看向镜头。开口说“家里东西多，别再乱堆了”时，她微微皱眉，双手向两侧摊开，表现家中物品太多的无奈。随后侧身让出背景展示区域，伸手指向后方的收纳箱。 前景人物保持清晰稳定，自动对焦锁定她的眼睛和面部，不因背景人物移动而失焦。 背景画面： 明亮的美式中产家庭客厅，白色墙面、浅色木地板、布艺沙发、百叶窗、美式踢脚线和自然冷白日光。地上堆放着大量不同颜色的毛绒玩具。 一位年长的非裔女性将毛绒玩具快速装入透明钢架收纳箱，然后把装满玩具的箱子逐个叠放，最终稳稳叠成四层。四个箱体尺寸、结构和颜色完全��致，透明面板清楚显示里面的毛绒玩具。 背景人物不说话、不看镜头、不与前景主播互动，只进行产品演示。 16—19秒｜美式儿童房·分类收纳 前景主播： 背景硬切至儿童房，但前景主播的位置、大小、光线和服装保持连续不变。 主播说“这个透明钢架收纳箱”时，伸手展示前景中的同款产品；说到“衣服、玩具、书本”时，她依次伸出手指列举，手势与背景中的装箱动作严格同步。 她保持自然微笑，偶尔看一眼背景产品，随后立即重新看向镜头。 背景画面： 典型美式儿童房，粉色墙面、木地板、白色踢脚线、儿童床、绘本架和标准美式墙壁插座。地面散落着彩色积木、绘本、毛绒玩具和少量儿童衣物。 同一位预设女性作为背景中的产品演示人物，保持相同的脸、发型和预设服装。她跪坐在地板上，将积木和毛绒玩具快速放进第一个透明收纳箱，再把绘本整齐码放进第二个箱子。 采用同机位跳切省略重复过程：散乱的积木瞬间被整理完成，绘本整齐进入箱内，顶部拉链被拉合，两个箱子被叠放到墙角。 背景演示人物完全静音，嘴部没有说话动作。前景主播与背景人物具有明确的前后景关系，不能融合、重叠或共享肢体。 19—22秒｜美国车库·工具承重演示 前景主播： 前景主播平滑移动到画面左侧，为右侧的工具收纳画面让出空间。 说到“工具都能装”时，她指向背景中的电钻和五金工具；说到“透明可视”时，用手指轻点前景收纳箱的透明面板；说到“能折叠”时，拿起一个折叠后的扁平箱体进行展示。 主播动作干净利落，不遮挡背景箱体和工具。 背景画面： 美国独立住宅车库或后院水泥地面，具有车库卷帘门、墙面工具架、储物架和自然侧光。一位强壮的成年美国男性穿工装裤和工作靴，面前摆放着电钻、电池组、扳手和其他五金工具。 男性将工具逐件装进透明钢架收纳箱。工具不断增加，箱体逐渐装满，但黑色钢架始终保持笔直，透明面板没有鼓包或变形。背景自动对焦在工具、钢架和透明面板之间自然切换。 背景男性全程不说话，只专注进行工具收纳演示。 22—24秒｜折叠堆放＋购物车引导 前景主播： 主播说“还能稳稳叠放”时，侧身指向背景中叠放好的两个工具箱，并用手做出向上堆叠的动作。 说到“今天有活动”时，她眉毛轻抬、露出自然笑容；最后说“直接点购物车”时，身体微微前倾，右手准确指向画面右下角，完成明确的购买引导。 口播最后一个字结束时，主播保持微笑并轻轻点头，不再增加其他台词。 背景画面： 工装男性通过双侧提手将装满五金工具的收纳箱平稳提起。箱体没有变形，提手连接处保持牢固。男性把箱子准确叠放到另一个装满工具的同款箱子上，两层箱体边缘对齐，堆叠稳定。 紧接着采用三个快速闪切： 美式客厅中四层叠放的毛绒玩具箱。 儿童房中分类整齐的积木、衣物和绘本箱。 车库中两层装满五金工具的收纳箱。 最后0.5秒，背景切换为简��白底电商产品卡，但前景主播仍保留在画面一侧。产品卡中央展示展开状态和折叠状态的收纳箱，右下角出现购物车按钮。 产品卡仅显示： “透明钢架折叠收纳箱” “大容量｜透明可视｜折叠堆放” “限时活动” “点击购物车” 【声音设计】 全段只有前景预设女性主播的中文销售口播，不得出现原Part B解说、第二条旁白、背景人物对白或背景人物口型说话。 主播声音为绝对主声道，音量清晰稳定。背景环境音降低至主播音量的15%左右，仅保留少量真实声音： 毛绒玩具和衣物摩擦声； 积木落入箱内的轻微碰撞声； 书本码放声； 顶部拉链拉合声； 电钻与五金工具的金属碰撞声； 箱体落下和堆叠声。 无背景音乐，无英文旁白，无直播间观众音效，无掌声，无夸张提示音。 【产品与人物一致性约束】 全片所有收纳箱必须是同一款产品：长方体透明可视箱体、黑色加固钢架、顶部拉链、双侧提手、可折叠结构和可堆叠结构。产品尺寸、边框粗细、拉链位置和提手位置保持一致。 禁止出现：主播换脸、服装变化、背景人物说话、双重人声、主播被背景遮挡、人物身体融合、绿幕毛边、手指畸形、物品穿模、箱体漂浮、钢架弯曲、透明面板融化、产品尺寸突变、错误字幕、随机商标和无关人物。

Agent的一个瓶颈是inference过慢，这个是O(N)的复杂度，因为一个巨大的任务总是要顶着LLM inference上限reasoning， 另一个瓶颈是某些高强度的task，这个甚至可以是O(2^N)的指数级复杂度，可能recursively执行bash、测试、调试、等待其他API call的工作， 当一个codebase足够大，光跑test浪费的时间 ，就足够一次浪费个十几分钟，那么你就要自己profiling，看看到底瓶颈在哪里。 一个理想状态是，你有无限个agents in parallel，每个agent可以自动执行无限个tasks in parallel，asynchronously，但现实一定是不可行的。 其中一些任务在CPU core和threads上，一些在RAM上，一些在storage file I/O上，intel optane就解决的是最后一个问题，因为启动一个干净的repo+安装足够多的dependency本身也会浪费很多时间。

中文内容创作者，必装的 10 个 skill 1｜Humanizer-zh 中文"去 AI 味"神器，专抓空话、套话、三段式、过度排比那股机器腔，改得像人写的（归藏做的汉化版）。 https://t.co/ENf9ryksjV 2｜dbskill 内容"选题诊断器"，帮你诊断商业表达、抠 hook、拆爆款、想小红书标题。 https://t.co/9lCPnJYZLY 3｜content-research-writer 从选题、找资料、列提纲到初稿，一条写作流跑通，公众号、长文、Newsletter 都能写。 https://t.co/08ieO5O4lr（skills/content-research-writer） 4｜notebooklm-skill 让 NotebookLM 先查资料、Claude 再动笔，基于你的资料库写，少胡编，适合深度文和行研。 https://t.co/GwpRBLfgpq 5｜khazix-skills 卡兹克开源的写作合集，写作流偏重，适合啃 AI 热点分析、万字长文、深度观点。 https://t.co/0zmLZIutga 6｜ian-xiaohei-illustrations 正文配图神器，把观点、流程、情绪画成"小黑"手绘插图，不是随便甩你一张图。 https://t.co/sM2p9Fb2uS 7｜guizang-social-card-skill 写完文章直接切成小红书图文和公众号封面，一篇长文拆成多张能发的卡片。 https://t.co/zbqYAvWRPS 8｜baoyu-skills 宝玉做的视觉工具箱，封面、信息图、结构图、图解都能出，专管文章包装。 https://t.co/utxYxN6R6b 9｜guizang-ppt-skill 把文章观点做成 PPT、演讲图、公众号头图、小红书封面，二次分发省事。 https://t.co/PJuMwKhebt 10｜html-anything 把 Markdown、文案变成好看的 HTML 页面、海报、卡片、PNG，杂志风、知识卡都能做。 https://t.co/A1GzQAu27n

DeepSeek这泄露的4小时投资人电话会，把所有大模型公司的底裤都扒了。 全行业都在拼谁融的钱多、谁买的卡多、谁估值高的时候，他们的账算得明明白白。 到今年5月，一共才2万张Hopper等效卡。 就靠这点卡，做出了能和GPT、Claude掰手腕的一线模型。 推理毛利率约85%，差不多6倍利润，硬件10个月就能回本。 10亿美金API营收就能现金流为正，足以覆盖研发和训练，自己养自己迭代。 别人拼命抢NVIDIA最新卡，他们已经锁定了1.6万张华为950卡。 还在把基于TileLang的编译器和算子往华为生态移植，主动拆CUDA的墙。 梁文锋说的最狠的一句话是：CUDA的护城河正在快速瓦解。 AI自己会写算子，高层语言很快就能把生态填平。最多一年，国产卡的软件瓶颈基本就没了，剩下的只是产能问题。 这根本不是什么“性价比高”。 全行业都在走堆卡、烧钱、闭源、赚高毛利的路，DeepSeek完全反着来。 主动把利润压到合理区间，不追求最大化；主动开源和内部版一模一样的模型；主动不抢C端流量；主动做软硬件国产替代。 他们的护城河从来不是某一代模型，是别人学不来的成本曲线，是被卡脖子卡出来的极致效率，是不赚快钱的克制。 最可怕的是，这条路他们已经验证并正在跑通。 当别的公司还在比谁烧钱烧得快的时候，他们已经证明了：用几分之一的算力追赶、用极致效率自我造血、用软件解耦卡脖子。 这条路要是走成了，改写的不只是大模型的价格，是整个全球AI的竞争格局。

🎉Codex 最新版的这个功能好！ 支持在项目中添加多个文件夹，其中指定的「主文件夹」专门用于新聊天、Git 操作和配置文件自动发现，而次要文件夹仍可进行检索与编辑！ 🔥具体如下： - ChatGPT 桌面应用中的本地项目现在可包含多个相关文件夹。 - 可从项目菜单选择“Edit project”添加文件夹，并指定主文件夹。 - 新聊天、Git 操作，以及对 AGENTS.md、skills、config.toml 的自动发现会使用主文件夹。 - 次要文件夹仍可用于文件搜索、读取和编辑。

梁文锋昨天说deepseek利润“��有”6倍，而且愿意溢价买卡？ 那半导体远没到头

舒服了，Codex不用切换Grok模型，我直接把Grok封装成了一个Skill，而且通过解密算法把推文具体时间也算了出来哈哈哈。 原理图如图一，效果图如图二和图三，Skill当然开源😎 GitHub地址：https://t.co/6aoJeMBzwk 顺便感谢下大家的支持，我的Skill合集突破1000star了！再接再厉，其实大家可以去里面看看，还有很多好用的Skill我没介绍过，当然，我本地还有更多，过一阵全部开源出来。

这个“抱抱脸公司”一下给我整蒙圈了😂 不过这个译名最早是台湾取的 一个冷知识：中国官方媒体不允许使用任何英文专有名词，必须要用中文译名，所以OpenAI叫“开放人工智能研究中心” 这个规矩是08年奥运会之后开始逐步扩大的。NBA必须说美国职业篮球联盟，顶多美职篮 OpenAI：我“开人智”这厢有礼了😂 https://t.co/eDOP1PN0cF

4 小时闭门会！DeepSeek 梁文锋聊了什么： 一、无意打造超级 App，眼前流量只是芝麻 完全没有做成下一个字节、腾讯的规划，不会跟风打造流量型超级 App 不争流量、不抢短期收益，是因为后面还有更大的机会，没必要为眼前小利分散核心研发资源。 在业务赛道取舍上，DeepSeek 主动放弃一众风口方向：3D 生成、视频生成、世界模型全部不布局；多模态仅作为配套辅助组件，无法决定智能上限；行业普遍头疼的模型幻觉问题，内部定义为普��产品优化问题，会迭代修复，但不属于现阶段核心攻坚目标 产品只是 AGI 路上的副产物，天然具备降维优势 当下埋头深耕产品、运营流量，并非收益最大化的选择 C 端客户端、B 端 API 付费业务，都只是研发通用基座模型过程中顺带诞生的副产品。站在通用智能的技术高位向下做应用，本身就是降维打击。去年 DeepSeek 意外爆火出圈，团队从未主动投放引流、做商业化变现，用户却自发留存，正是这套战略的现实印证。公司没有专职销售、客服团队，仅少量人员维护基础服务，客户依靠模型性价比主动找上门 二、清晰 AGI 阶梯路线：CoT→Agent→持续学习，下一代模型核心突破口已定 相比层层 不做 的战略取舍，市场最关注的，是 DeepSeek 完整、可落地的通用智能演进路径。 已完成阶段：CoT 思维链 依靠思维链让模型自主深度推理，在奥数、代码等专业任务上能力超越顶尖人类，但存在天然短板：必须输入完整上下文才能完成任务，无法像人类一样长期积累经验，距离通用智能仍有明显鸿沟 2026 核心攻坚：通用 Agent 智能体 今年研发重心全面倾斜 Agent，拓宽模型可执行任务边界，但当前 Agent 受限于无法自主长期学习，能力存在天花板 赛道优先级明确：现阶段全力攻坚 Coding Agent，金融、医疗等垂直行业 Agent 全部后置，不分配核心研发资源 同时定下内部研发排序：自研模型第一服务对象是公司内部研究员，优先提升团队研发效率，以此加速 AGI 落地，对外商用价值只是附加收益 下一代核心瓶颈：持续学习（全球 AI 共同难题） 当前 AI 不缺文本创作、逻辑判断的品味与直觉，最大短板就是持续学习能力，这也是区分下一代模型的核心标准 突破持续学习后，行业将迎来渐进式智能奇点，并非瞬间突变，而是长期渐变过程：模型能够自主训练、迭代下一代大模型，实现 AI 反向加速 AI 研发，大幅缩短通用智能研发周期 远期终局：具身智能 走完自进化奇点阶段后，技术最终落点为具身智能，落地机器人、实体服务场景，覆���家务、养老、人力替代等现实需求 三、开源 + 低价底层逻辑：只赚合理利润，开源与商业化完全兼容 行业长期存在开源会冲击付费业务”的质疑 1、真心全面开源，模型无阉割，无惧同行竞争 未来公司最强主力模型也会完整对外开源，线上商用版本与开源权重完全一致，不会刻意削弱开源模型能力。即便同行基于开源模型入局市场竞争，DeepSeek 也毫不担忧，核心依据有三点： AI 产业规模空前庞大，长期或将占据人类社会 GDP10% 以上，单一企业无法垄断市场，开放共享、共建生态是长久生存的客观规律 同等效果下，低成本部署、高效推理运维是极强工程壁垒，创业公司算力不足、大厂组织流程臃肿，绝大多数厂商无法复刻 DeepSeek 的成本控制能力 当前规模属于公司专属 甜点区：体量太小没有充足研发实力，规模过大则管理、成本负担激增 2、定价铁律：10 个月收回硬件成本，拒绝利润最大化 公司内部有一套固定定价标准：服务器硬件投入 10 个月回本即为合理利润，即便涨价一倍用户需求几乎无弹性，团队依旧坚持低价路线。梁文锋现场分享一则案例：此前 DDCP 模型初期因担心需求过载定价偏高，内部团队普遍不认可，后续直接降价至原价 1/4，公司全员集体欢呼 我们的目标不是赚最多的钱，而是在保证合理利润的前提下，让所有人都能用得起高质量模型 行业终局竞争只看三大核心维度：成本、落地时间、用户体验，其中成本是第一壁垒。按照 10 个月回本测算，公司仅赚取约 6 倍硬件收益，在该利润区间内，第三方厂商无法靠私有化部署形成价格竞争，开源不会侵蚀自身 API 收入

ChatGPT 桌面端（原来的 Codex App）今天加入了语音控制，macOS 和 Windows 用户可以直接用嘴指挥 AI 干活了。 具体来说，你可以一边跟 ChatGPT 说话，一边让它操控电脑、启动 Codex 写代码、调度 ChatGPT Work 执行任务，全程不用打字。开着一个语音对话，同时管理多个后台 Agent（智能体），有点像一个人坐在那里口述指令，几个助手分头干活。 这个功能基于 GPT-Live，OpenAI 在 7 月 8 日刚上线的新一代语音模型。GPT-Live 最大的变化是全双工架构，也就是它能同时听你说话和给你回话，不用像以前那样等你说完、停顿、它再开口。遇到复杂问题，它会把推理任务丢给后台的 GPT-5.5 处理，自己继续跟你聊，不会卡住。 macOS 用户多了一个叫 Appshots 的功能：语音对话时，ChatGPT 可以直接看到你当前最前面的窗口，了解你在做什么，回答就更贴合上下文。比如你正在看一段代码，直接说“这个函数有什么问题”，它能看到屏幕内容来回答。Windows 用户暂时没有这个能力。 此外，iPhone 用户可以通过远程配对的方式，用 iOS 上的 ChatGPT 语音来操控桌面端的 Codex。等于你拿着手机在沙发上就能指挥电脑写代码。Android 支持还在路上。 今天全球同步推出，面向 Plus、Pro、Business、Edu 和 Enterprise 用户。免费用户暂不可用。

推荐这期 Pi 插件合集。Pi 作为最小 agent harness，真正的扩展能力来自社区插件——从一键装 17 个扩展的 pi-agent-extensions 到让你在 Pi 里无缝跑 Claude Code 全部 plugins 的 pi-cc-plugins。 Pi 插件精选：让 Pi 从最小 Harness 变成 Multi-Agent 部队的 6 个扩展 🎯 必装神器 1. pi-agent-extensions v0.5.2 https://t.co/afFhQWAZf2 — 17 个扩展 + 4 个主题，636 下载/月。核心集： - /sessions — 快速会话切换 - /handoff — 目标驱动的上下文转移 - loop — 迭代执行循环 - review — 交互式代码审查 - ask_user — LLM 可以向你提问（beta） - workflow — 模型路由的动态工作流（beta） - control — 跨会话通信 & 控制（beta） - files — 统一文件浏览器 + git 集成 - /context-simple — 上下文消耗看板 安装：pi install npm:pi-agent-extensions 🤖 Multi-Agent 2. pi-agents-team 2026.7.18 https://t.co/meziwTrwmx — 把一次 Pi 会话变成 multi-agent team。主会话当协调器，后台 RPC worker 执行任务。7 个内置角色（explorer、fixer、reviewer、librarian、observer、oracle、designer），每个可以指定不同的 model。Worker 输出只给协调器返回简洁摘要 + <final_answer> 块，不灌完整对话日志。支持 worker 加载 Pi skills。 安装：pi install npm:pi-agents-team 🧠 跨会话记忆 3. @remnic/plugin-pi v9.6.4 https://t.co/P3eO0Oz0gZ — 第一梯队的 Pi memory 扩展，15.7K 周下载。Recall 相关上下文（model call 前）、观察会话事件（turn 后）、协调 Pi compaction 与 Remnic 长上下文记忆归档、注册 Remnic MCP 工具为 Pi 工具。272 个版本，迭代速度惊人。 4. @cortexkit/pi-magic-context v0.32.1 https://t.co/tfv8ek8eya — 跨会话记忆，910 周下载。与 OpenCode 共享同一 SQLite 数据库——在 Pi 和 OpenCode 之间切换时不丢记忆。自带 historian/dreamer/sidekick/embedding 模型选择向导。 🔧 上下文工程 5. pi-agenticoding v0.3.0 https://t.co/Q6CHhlCnvH — spawn/notebook/handoff 三板斧，让 agent 自己管理上下文而不是在长对话里腐烂。核心思路：隔离噪音工作到子进程（spawn）、任务级命名笔记跨 handoff 存活（notebook）、需要时主动重启干净的上下文（handoff）。状态栏显示上下文压力和 notebook 数。 🔗 跨生态桥梁 6. pi-cc-plugins https://t.co/y5P20kgpKL — 把 Claude Code 的整个 plugins 生态带进 Pi。从 GitHub 克隆 plugin repo → 自动扫描 skills/agents/MCP configs → 转换为 Pi 原生格式。Skills 贡献给 Pi 的 resources_discover 事件，agents 转换给 pi-subagents，MCP 配置通过 pi-mcp-adapter 暴露。支持 --plugin-dir ���地测试模式。 安装方式统一：pi install npm:<package> 或 pi install git:<repo> #Pi #CodingAgent #插件

如果你用Hyperframe、remotion、manim生成的视频不好。 建议换成Kimi K3或Claude Fable5模型，因为这些库都依赖 HTML 生成的页面。 当下，大模型前端审美前两名就是这两个模型。

中国是个社会精神内核非常稳定的国家，跟日本很像，安全又平静。 普遍老百姓的生活不轻松，日常学习加班多少沾点压抑，出现情绪问题就直接陷入循环内耗，搞社会安全事件来解压是极少的。 像欧洲这种动不动发飙的群体，在中国比例非常低，只不过媒体发达，一年出现一两次， 一小时内照片、文字、视频传遍几十万个微信群，抖音几千个视频蔓延式传播，根本停不下来，导致很多人觉得“天天出大事儿”。 想在一线城市地铁搞恶性大事的人，跨过安检也能搞，实际上这么多年来没人敢搞，证明总体社会情绪和精神内核是非常稳定的。 还有一个原因， 如果你从犯罪心理学角度观察，在地铁和公交上作恶是很难的，需要提前长期策划准备，需要一个强大的反社会人格来支撑他完成全部流程，而这种人在社会上存在概率是极低的。 为什么很多社会公共安全事件，往往都是小刀、汽车这些，是因为这些东西更容易引发情绪化的犯罪冲动，在大街上脑子一热就犯罪了，不需要长期稠密周全的准备。 反而周密计划一起地铁安全案件是非常难得，准备个5分钟大概率就放弃了。 我个人觉得，地铁安检可以适当放松，或者设立个快速通道，不然隔三差五就有人质疑地铁安全性的必要性。

另一大困境来自于学校。 所有高中一定会把一群老实背书、语文英语不错、数理逻辑低下、数学物理拉胯的学生，一个个劝到高二文科班， 为的就是多出几个一本线、211、985的学生。 表面上为了大家都好，实际上彻底毁了孩子，让孩子连选择电子电气的机会都没有，985文科毕业出路被电子电气大专吊打。

在AI Agent时代，如果能让Intel Optane复活，让multi agent能够有能力榨干CPU性能、榨干内存容量后，继续榨干本地随机硬盘读写，把最后的瓶颈——硬盘随机读写提升5~20倍，把background task和function calling的时间榨干，尤其是本地各种胡闹厨房包管理， 这将会是AI Agent应用场景的终极无敌王炸。

我太喜欢pi了 我在pi下gpt 5.6 sol codex天天内存泄露，用pi我电脑风扇至少不怎么转 https://t.co/VIsh4ZPinC

卧槽？？Claude Opus 5效果这么好吗？？ 一个Prompt，一次生成，直接做出了一个可运行的高精度3D网页场景。 测试者 @chetaslua 称，这是他见过单次生成中细节最丰富的一次。过去即使连续修改多轮，也很难达到同样的完成度。 他甚至直接给出判断：这次输出超过了Fable 5、GPT-5.6 Sol和Kimi K3。 真正值得注意的不是画面更精致。 模型需要同时理解3D结构、材质、光照、动画、交互和前端代码，再把这些东西一次性拼成完整的产品。 如果正式版本能够稳定复现，Vibe Coding的下一步可能不只是生成网页，而是直接生成可交互的3D世界。 截至目前，Anthropic尚未正式发布Opus 5。

梁文峰认为未来是OpenAI和谷歌交替上升，但他不懂商业化。谷歌财报，EPS远超预期好几倍，但盘后跌近3%。为什么？因为有重大隐患。谷歌、特斯拉现金流同时转负，Meta和亚马逊最快本季度也可能出现负现金流。梁文峰还在谈论烧钱买卡，但AI已经进入下一阶段：资本支出需要得到实打实的现金流回报，烧钱大战失效。长期来看，超级财经仍然看好谷歌。

现在渐渐发现大家都是相似的“创业”路径 做生意第一天想找个对标，从哪开始找呢？就从自己现有的“资产”开始找 我做过房产，我就看看有没有房产自媒体 IP 我卖 AI 账号，我就看看别人是怎么宣传的 找了一圈发现都跟自己不一样，于是放弃了对标 【核心 1：对标是我模仿别人，不是别人模仿我】 找不到对标之后，就开始东抄一点西抄一点，看看有没有遇到什么阻碍，什么负反馈。凭直觉和 AI 聊聊，修正一下 然后就开始搞流量。大概率也搞不到什么流量，但偶尔火一条又能有一堆咨询的 咨询之后卖啥呢？随便找个看起来做的比较好的人抄一下 抄完了之后发现不对劲。要么发现人家卖那个东西不赚钱，是个引流款。要么发现人那个产品只是看起来简单，实际上很复杂 【核心 2：产品和流量必须匹配，产品抄 A、流量抄 B，基本没戏】 这时候想起来，可能还是要找个对标，自己探索不是个正事。可是账号已经做起来了，这时候想改就更难了 难道要放弃一切重���起个账号吗？ 想想也很难下这个决心。食之无味，弃之可惜 【核心 3：沉没成本，不是成本】 这时候觉得创业真难呀。要不然还是看看“成功人士”怎么做的吧。对标谢胜子、对标曲曲 可是我问：为啥谢胜子的短视频不是 9:16 的比例？ 答：不知道 我问：曲曲被封脸之后，主要是怎么搞流量的？谁负责生产内容？谁负责分发内容？不同的平台分别有多少账号？不同平台的账号流量表现如何？运营账号的人拿的是工资还是佣金？ 答：不知道 这时候发现这么耗下去也不是个事，还是先动起来吧。先搞流量，先发爆款 然后就开始发： - 使用 codex 的 100 个技巧 - 身弱高敏感女生如何赚到第一个 100w - …… 空有流量不变现 此时心灰意冷。走在大街上，感觉 38 度的热风都带着刺骨的寒冷。这时突然在地上看见一本书 书名写着：《不问五诀》 作者还是英文名，叫 dontbesilent 书里写到： 找对标的五个标准 1、他赚钱（利润是你预期的 10 倍） 2、你能看懂 3、你能模仿 4、不讨论现有业务、现有资源、成长经历、个人偏好、个人优劣势、兴趣爱好 5、不讨论这个业务是什么，能干就执行，不能干就换下一个

尘埃落定，让我们恭喜王虹！

卧槽？GLM-5.2被接上眼睛了？？ Baseten刚刚开源了GLM-5.2-Vision-NVFP4模型。 他们冻结了GLM-5.2的全部语言权重，直接接入Kimi K2.6的MoonViT视觉编码器，只训练了一个4950万参数的两层投影器。 GLM高达744B的模型主体，一颗参数都没有改。 整个训练只用了6.6万张公开图片进行SFT，再通过RL恢复视觉推理能力，最终在MMMU-Pro上做到55%，达到Claude 4.5 Haiku附近的水平。 简单说，就是把Kimi的眼睛，移植到了GLM的大脑上。 目前发布的是NVFP4版本，大小约466GB，单张图片最多支持4096个视觉Token，最高支持100万Token上下文。 8张B200可以跑满上下文，4张B200可以运行256K版本。 需要说明，这并非智谱官方发布的多模态GLM-5.2，而是Baseten基于开源权重完成的后训练项目。 但它证明了一件很有意思的事： 未来开源模型扩展新能力，可能不再需要反复重训整个模型。 视觉塔、语言模型和投影器正在变成可以自由组合的标准零件。 过去大家下载模型。 以后大家会开始组装模型。 超级组装，启动！ （其实是搞什么还要我自己拼🤣）

damn，简直就是AI圈最离谱的对比，OpenAI4500员工，年底冲8000人，月之暗面300人就干出了全球最大开源模型。 这条冷知识不是段子，是两家最头部的 AI 公司正用完全相反的组织哲学在跑同一条赛道。 OpenAI 四千五百人，年底要扩到八千，硅谷标准的大厂配置，研究工程产品安全政策销售全线铺开。 Kimi 母公司月之暗面三百人，没有传统部门，没有总监 VP 层级，几乎没有 KPI 和 OKR，联合创始人可以直接跟任何人沟通，平均年龄不到三十岁，刻意控制规模，认为盲目扩人对创新是致命的。 三百人做出了两万八千亿参数的 K3，目前公开最大的开源模型之一，架构是极端稀疏的 MoE，八百九十六个专家每次只激活十六个，用 Delta Attention 混合线性注意力把百万 token 上下文解码速度拉起来，自研优化器比业界标准更省算力，原生多模态加强 agent 能力，用更少的人和更聪明的架构去追前沿。 而 OpenAI 的模型架构基本不公开，研发体系靠的是全球顶尖人才的密度和规模。 这两种路线同时存在于同一个赛道，一个是硅谷式的相信规模堆人堆算力，一个是中国式的精兵路线相信架构创新比堆人更有效。 规模可以复制，架构很难复制，但反过来说，架构的天花板可能来得更早，规模的耐力可能跑得更远。 AI 竞争的本质不是谁的人更多，也不是谁的参数更大，甚至也不是谁暂时的排名更高，本质上是谁能用自己的方式活到终局，而这两种方式正被推到同一个竞技场上接受检验。

你凭什么还觉得 AI 没有创意和审美？ 大家都在说 AI 没有创意。DeepSeek 创始人的原话是，它的品位和直觉没什么问题 白天在忙，刚把梁文锋那份 42 页的纪要读完，最大的感受不是那些愿景和克制，是投资人问答环节里一句几乎没人转的话。 有人问他，如果以后 AI 能自我进化，那品位、taste、直觉这些东西还重要吗，还是说重要的会是什么。 他的回答很短。AI 现在不缺品位和直觉，它缺的是持续学习的能力。你让它写篇文章，它的品位和直觉，我觉得没有什么问题。 过去两年，中文互联网上最流行的一句自我安慰就是，AI 再强也没有审美、没有品位、没有创意，最后拼的还是人的灵性。做内容的这么说，做设计的这么说，做创意的也这么说。 现在��出全球最强开源模型的那个人，顺口告诉你，那部分早就够用了。 那它到底还差什么。 他给了一个比喻，我觉得是全篇最好懂、也最扎人的一段。 他说，现在这一代 AI，如果你能把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。注意这个前提，完整的上下文，完整的指令。 但这个前提在现实里几乎达不到。你招一个员工，他花两个月熟悉公司环境和工作，之后就能上手。你跟他说，叫小王过来，他就知道小王是谁。 换成 AI 呢，你得告诉它小王是谁、什么职务、在哪里、怎么去找他、找他的时候注意什么。你得把所有上下文都给它。这种情况下 AI 是能做的，但你不可能给它所有上下文，也不现实。 所以 AI 现在替代不了你的员工。差的不是智力，是它没在你公司待过那两个月。 反过来说就是，一旦 AI 具备持续学习的能力，能像新人一样入职两个月，那就可以替代天下的人了。这是他的原话。 这个比喻的可怕之处在于，它把 AGI 从一个抽象概念，变成了一把每个人都能拿自己岗位去量的尺子。 你现在就可以试一下。把你的工作拆开，问自己一个问题：如果有人把所有的背景、规则、人际关系、历史决策、行业黑话全部原原本本喂给一个模型，它能不能干得比你好。 如果答案是能，那你目前的安全感，来自于"没人有耐心把这些喂给它"，而不是来自于你比它强。 而持续学习要解决的，恰恰就是这个"喂"的问题。 有投资人问他，AGI 的实现是不是一个没有临界点的过程。 他说没有临界点，但它是非线性的。因为他们内部比较相信一个叙事，AI 可以加速 AI 的研究，所以到后面可能是非线性的。 他还专门解释了奇点这个词。他说在很早以前，那些预言家认为这里会有一个奇点，但其实它不是一个奇点，是一个连续的过程，可能是一个比较长的渐变，不是突变，只是习惯性地大家都认为它是个奇点。 所有人都在等 AGI 到来的那一天。而他说，没有那一天。 这句话比"AGI 明年就来"要吓人得多。因为如果有一个明确的节点，人至少还有个准备的靶子。而一个漫长的渐变意味着，等你真正感觉到的时候，它早就已经发生完了。 温水这个词被用滥了，但这确实就是温水。 还有一个细节，我觉得特别值得说。 他说，他们做下一版模型的���一目标，不是让大家用得好用，而是自己用得好用。因为首先得对自己有用，这样开发下一版模型的时候就会更快，这是实现 AGI 最快的方法。他说这个叙事有点奇怪，但公司里很多人就是这么想的。 造工具的人，开始用工具造下一代工具了。 这就是他说的非线性从哪来的。过去所有技术进步的速度上限，是聪明人的数量和他们的工作时长。而一旦这个循环闭合，那个上限就不成立了。 顺带说一个能让人清醒的细节。这么一家公司，他说现在一半的核心研究员在标数据。最前沿的团队，一半最重要的人在干最原始的活。 如果他说的方向是对的，那接下来几年真正会贬值的，是那种"给定完整上下文之后就能做好"的工作。因为在这个前提下，AI 已经超过人了，这是他亲口说的。 而会升值的是两样。一是提供上下文的能力，你能不能把一个模糊的、没人说得清的现实问题，整理成一个可以被执行的东西。二是为判断承担后果的能力，这件事目前还没有任何模型愿意接手。 回到最开始那个问题。人类引以为傲的审美，是不是真的要被替代了。 我的看法是，审美从来不是被替代的那一部分。被替代的是"只有审美"。 当品位和直觉变成一种随时可以调用的、便宜的能力，你光有品位就不再是壁垒了。 壁垒会转移到别的地方去，转移到你知道什么值得做、以及你敢为自己的判断签字这两件事上。