🔥 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。
肥胖小李混入前端圈🤪🤪🤪🤪 https://t.co/dq9biihj7o
今天服务器出了一个致命 BUG，用户权限验证失败，调了一天，把我的 CC 和 Copilot 额度都打光了，有点绝望 后来实在没办法，打开了 Codex，使用 gpt-5.2-codex extra high 模式，他思考了 12 分钟，得到了最终解决方案 最终发现既不是代码问题，也不是解析问题，而是服务器的时钟自动同步失败了😂 https://t.co/ggh0ogJ9UV
在清迈慢慢 settle down 的感觉真的很好。最近都活跃在 @4seasDeSoc 空间（清迈网速最好的办公空间） 今天我们办了 Web3 × AI 黑客松@OpenBuildxyz ，又和很多独立开发者、产品经理、设计师深度交流，有一些技术新人会担心自己不会coding做不出产品，这也是我们班这个活动的目的，有了AI，非开发也都可以一天做出项目。 最开心的是，终于和老朋友（也都来参加这次比赛）大帅老师 @ezshine 好好聊了一轮： 从独立开发、做产品，到 X（Twitter）做流量，再到他已经上线的几个工具。 还被他疯狂安利了「发推神器」😂——已经立刻用起来了。 接下来就是：少想，多干，执行力拉满。 还有设计师姐妹 瓶子，一起聊了彼此最近的状态和明年的规划。过去这段时间我们都经历和别人合作、产生摩擦，到重新回到自己内心真正想做的事，我们都越来越清晰地意识到： 尤其是在 AI 时代，我们更有条件，也更有底气，去 build 自己真正想做的项目。 她也计划更专注回归自己最强技能树：UI / UX，尤其是 UX。围绕这个核心能力打造个人平台，用专业能力撬动更多合作机会。 接下来我也要去打造自己的东西。
Attention作为认知的第一性原理 ∙人类：意识本质上是注意力的聚光灯（Global Workspace Theory） ∙ANN：Transformer证明了attention即一切（“Attention is All You Need”） 这不是偶然的相似，而是任何资源有限的认知系统的必然约束： ∙你不能同时处理所有信息 ∙你必须选择性地分配计算 ∙这种选择本身构成了”理解” Memory作为attention的沉淀 ∙人类：记忆是被注意过的内容的长期痕迹 ∙ANN：KV cache、参数更新都是attention pattern的固化 但这里有个微妙之处：记忆不是存储，而是检索路径的优化
惊喜发现居然有 hackernews 过来的 Nowledge Mem用户，刚刚一批发了 61 个 Alpha 邀请！
Create some interesting image effects { "subject": { "description": "A hyper-realistic optical illusion photograph. A young Caucasian woman appears to be stepping out of a smartphone screen held in a hand. The screen displays the camera interface, capturing her boots, while her real upper body extends out of the phone into reality.", "mirror_rules": "Ensure the phone screen clearly shows the iOS Camera UI (shutter button, mode text). Handwritten annotations must be legible and not mirrored.", "age": "20s", "expression": { "eyes": { "look": "Alluring and playful", "energy": "Confident, direct", "direction": "Looking at the viewer" }, "mouth": { "position": "Blowing a kiss or pouting", "energy": "Chic and charming" }, "overall": "Lifelike, engaging interaction" }, "face": { "preserve_original": "false", "makeup": "Natural glam, matte foundation, defined European features", "features": "High nose bridge, double eyelids, defined jawline" }, "hair": { "color": "Dark brown", "style": "Long, loose waves, voluminous", "effect": "Realistic shine, wind-blown effect" }, "body": { "frame": "Petite but proportionally realistic", "waist": "Defined", "chest": "Covered by turtleneck", "legs": "Visible INSIDE the phone screen interface wearing boots", "skin": { "visible_areas": "Face, hands", "tone": "Fair Caucasian skin", "texture": "Ultra-realistic skin texture, visible pores, natural imperfections", "lighting_effect": "Soft daylight" } }, "pose": { "position": "Torso and head emerging vertically from the phone, legs displayed on the screen", "base": "Dynamic standing pose", "overall": "充满活力的随机姿势，让人感觉生命力满满" }, "clothing": { "top": { "effect": "精致的穿搭，High-quality textile photography" }, "bottom": { "type": "Mini Skirt and Leather Boots", "color": "Dark Grey (skirt), Brown (boots)", "details": "Boots visible on the screen beneath the UI elements" } } }, "accessories": { "jewelry": "Gold rings on the photographer's hand (foreground)", "device": "Smartphone with burgundy case. The screen is ACTIVE and DETAILED: it displays the IOS Camera App Interface (white circular shutter button at bottom, 'PHOTO' text).", "prop": "On the phone screen: White handwritten-style text overlays with arrows pointing to the outfit elements (e.g., text 'suede jacket' with arrow, 'leather boots' with arrow)." }, "photography": { "camera_style": "DSLR photography, Macro lens for phone details", "angle": "POV, High angle looking down at hand", "shot_type": "Composite photography", "aspect_ratio": "3:4", "texture": "Sharp screen pixels, fingerprint smudges on screen, realistic fabric texture", "lighting": "Overcast soft natural light", "depth_of_field": "Background bench blurred (Bokeh), Phone screen UI and subject sharp" }, "background": { "setting": "Parisian Park in Autumn", "wall_color": "Green bench, grey ground", "elements": [ "Green park bench with text 'Le silence'", "Autumn leaves" ], "atmosphere": "Cinematic, realistic", "lighting": "Natural ambient light" }, "the_vibe": { "energy": "Sophisticated, viral social media content", "mood": "Fashion forward", "aesthetic": "OOTD breakdown, creative edit", "authenticity": "Photorealistic texture, not CGI", "intimacy": "POV", "story": "Fashion styling breakdown", "caption_energy": "Styling brown suede & leather" }, "constraints": { "must_keep": [ "Caucasian ethnicity", "Photorealistic skin", "Camera UI elements on screen (shutter button)", "Handwritten text annotations on screen", "Pop-out effect" ], "avoid": [ "Transparent phone screen", "Blank screen", "3D render style", "Cartoon", "Plastic skin" ] }, "negative_prompt": [ "transparent screen", "blank screen", "glass phone", "3d", "render", "cartoon", "anime", "plastic", "drawing", "illustration" ] }
Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。 2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。 什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。 这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。 结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。 这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。 还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。 第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明 Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。 人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。 优化目标完全不同，出来的东西当然也完全不同。 所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。 为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。 这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。 第三个大变化：LLM 应用层浮出水面 Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。 大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？ 第一，做上下文工程。把相关信息整理好，喂给模型。 第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。 第三，提供专业场景的界面。让人类能在关键节点介入。 第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。 有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？ Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。 第四个大变化：AI 搬进了你的电脑 Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。 但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。 Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。 现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。 Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。 第五个大变化：Vibe Coding 起飞了 2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。 这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。 不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。 代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。 第六个大变化：大模型的「图形界面时代」要来了 Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。 Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。 现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。 大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。 最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。 Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。 但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。 他在 Dwarkesh 的播客里说过一句看似矛盾的话： > 他相信进步会继续飞速推进， > 同时也相信还有大量的工作要做。 两件事并不矛盾。2026 年系好安全带继续加速吧。
📺 斯坦福大学 2025 最新 iOS SwiftUI 开发课程 🤔 如今的学习方式也与时俱进，老师会建议具体问题直接 Google 或问 ChatGPT～ 🔗 https://t.co/6CfVa91KHf https://t.co/EyUXA1tM5W
Reborn from Failure: A Real-World Retrospective on Landing a Frontend AI Agent Today at FEDay, I shared a case study on implementing a Frontend Agent. The core narrative wasn't about a victory lap; it was the story of how a team went from "Technical Success" to "Product Failure," and how that failure led to a crucial upgrade in our cognitive framework. The value of this story lies not in a methodology for success, but in the pitfalls we encountered and the evolution of our thinking.
推荐个 Antigravity Tools (2API 版本)， 能把Antigravity账号的模型Gemini 3 Pro、Claude 4.5 等2API，同时支持多账号自动负载均衡， 在除了Antigravity IDE之外的其他工具上调用这些模型等使用 这样既能写代码的IDE中，也能各种AI Client中去使用这些额度了。 还包括，配额感知，指自动跳过配额耗尽的账号。 项目链接🔗https://t.co/R29uNk31ZI
AI 双向费曼学习法 传统的费曼学习法你还需要找一个人来听你讲，现在有了 AI，它可以同时当老师和学生，把你没弄明白的地方搞清楚
马斯克是那种野心几乎没有上限的人。他需要让自己的大脑持续被满足，而他接手的难题也必须随着时间推移变得越来越复杂，才能一直保持兴趣。 https://t.co/iAFAZ9QGsq
宁财神的编剧能力还是很牛逼的，除了成名作《武林外传》之外，《龙门镖局》也不错，但是能明显看出来想要copy武林外传的人物设定：一个刁蛮大姐，一个轻功很好的男性，一个武力值很高的女性，一个负责点缀的小孩，这里面几乎都有武林外传的影子。 不过更有意思的是这个人的生平，宁财神15岁进入大学，毕业于华东理工大学金融专业，毕业后随朋友到北京从事期货交易。 1994年，去朋友公司帮忙，几年后公司破产。 在327事件中宁财神的交易席位亏损7000多万，1997年再度因郑豆事件赔光300万资产。 2014年6月24日傍晚，他因涉嫌吸食冰毒，在北京市朝阳区工体北路一公寓内被当地公安查获并行政拘留15天，及后交代自己在7个月内共购买了三次冰毒，总共价值三千元。 后来被央视作为劣迹艺人封杀。
今天收到半个月的 X 收益，快 120 刀 这点钱不算什么，但是我如何开通收益这个过程却是个收获 我大概是 23 年开始玩 X，现在快过 3 年了，一直没有开通这个收益。里面有很多困难。 1. 开通这个收益需要个海外公司（一年维护费用要 1000rmb） 2. 等我开通海外公司的时候，这个收益突然被取消了 3. 然后我有停止了 5 个月，不去申述这个事情 4. 这个月突然间开了 P+才申述成功 这里面每一步都是内耗 1. 海外公司的维护费用 2. 申述的时间精力 3. 开P+的费用 我在想，我能够降低内耗，我的人生会不会好得更快一点 我写这个是想分享给你，假如你不这么内耗，你的人生应该如何？
Andrej Karpathy 分享了他 2025 年的总结 关于训练范式的变化、benchmark 的失效、Cursor、Claude Code、VibeCoding、LLMGUI 1. RLVR RLVR成为继Pretraining、Supervised Finetuning、RLHF之后的新训练阶段。通过在数学/代码等可验证环境中训练，LLM自发习得推理策略，学会分解问题和多步求解。与传统微调不同，RLVR允许长时间优化，提供高能力/成本比，吞噬了原本用于预训练的算力。2025年能力进步主要来自更长的RL运行。 2. Ghosts vs. Animals LLM的优化目标与人类神经网络截然不同，造就了锯齿状智能，既是天才博学者又是易受骗的小学生。RLVR导致LLM在可验证领域能力飙升但整体参差不齐。Benchmark因可验证性易被针对优化，"在测试集上训练"成新艺术。 3. Cursor Cursor揭示LLM应用的新形态：为垂直领域编排多个LLM调用，进行context engineering，提供专用GUI和自主性滑块。争议在于这个应用层有多"厚"。他认为LLM实验室培养通用人才，而LLM应用通过私有数据、传感器和反馈将其激活为特定领域的专业团队。 4. Claude Code Claude Code是LLM Agent的首个成功展示，循环串联工具使用和推理。关键是它运行在本地电脑而非云端。OpenAI错将agent部署在云容器中，但在能力参差的过渡期，本地运行与开发者协作更合理。CC以CLI形式呈现，让AI从网站变成"生活"在电脑上的精灵，这是全新交互范式。 5. Vibe coding将改造软件并改变职位描述 Vibe coding让编程不再是专业人士专属，普通人也能使用。它还让专业人士编写更多原本不会写的软件，代码变得免费、临时、可丢弃。 6. Nano banana / LLM GUI Nano banana预示LLM GUI雏形。正如计算机从命令行演进到GUI，LLM也应从纯文本聊天进化到视觉输出。人们不喜欢读文本，它缓慢费力。Nano banana展示了文本生成、图像生成和世界知识融合的联合能力。
宝玉老师的slides分享！ 我现在就挂咸鱼卖一个9.9块钱！ 今天发财就靠宝玉老师啦！
这次居然发了100刀！ 开P+这么有用吗 https://t.co/tgh3KpeLb0
今天在长沙！ 远程听宝玉老师 @dotey 在北美 分享“提示词小子”新经验！！ https://t.co/iWdaJ5s4DG
昨天我也扮演了一次丫鬟角色 朋友上海人，之前我和她因为绿卡排期乱七八糟的问题聊过两句 然后朋友说自己要结婚了，男朋友绿卡 下来了。 我可能是因为酸了吧，嫉妒了？ 哈哈，也不知道当时啥心境 卡卡开始说人家很现实，吊着自己男朋友，要等绿卡才结婚， 还嘲讽说 以前听说老上海人只娶老上海人 现在美国绿卡就能娶上海人 嘴脸极度丑恶 以至于朋友当场翻脸 人吧，物质的匮乏确实还是会造成内心的匮乏的。当然了，我这个年龄内心匮乏，确实也不应该怪物质匮乏了。 自个好好反思反思吧
事件和账本，智能体的规则 一个真正靠谱的智能体系统，无论是单智能体，还是多智能体。背后一定有一个完备的事件账本。 这是底线，而不是优化项。 因果重不重要？格外重要。 正是因为大模型是概率的、不稳定的、不可复现的，系统层才必须是可追溯、可审计、可回放的。 否则你等于在说： 因为模型是随机的，所以系统也可以是不可追责的。 这是不可接受的。 模型的不确定性，恰恰不是放弃秩序的理由，而是建立秩序的动机。 概率存在于推理阶段，但事实必须在系统阶段被固化。 一次 agent 行为，必须能回答这些问题： 发生了什么？ 按什么顺序发生？ 是谁触发的？ 哪一步导致了哪一步？ 如果今天重放一次，结构是否一致？ 如果这些问题无法被回答，那这个系统不是“智能体”，而只是一个披着自动化外衣的随机执行器。 多智能体只会把问题放大。 当多个 agent 协作、分工、调用工具、写入共享世界状态时，如果没有统一事件账本和明确的因果结构，你最终得到的不是协作，而是责任蒸发。 到那一步，你将无法判断： 是哪个 agent 做出了关键决策 是哪个工具调用引入了风险 是哪个写入污染了长期记忆 是哪条因果链导致了不可逆的后果 所以我反复强调： 事件不是日志，账本不是记录，因果不是推断。 它们是系统的法律事实。 大模型可以是概率的， 但一个面向真实世界运行的系统，绝不能是。 我从一开始智能体系统的基建阶段，就应该考虑这些问题。 https://t.co/gYdpRM0exU
不知道为什么最近学历这个话题又在推特上被讨论起来了，我想分享一下自己的感受。 我之前在国内干活的时候，真心觉得学历在大部分时候并不重要。找第一份工作是在一家民企，二线城市。当时我的学历就是个普通的211，也就最开始看了一眼，之后工作上能不能干活、会不会沟通才是重点，几乎没人再在意你是哪毕业的。出来自己干的话当然就更不需要了，除非你是做那种混校友圈的大生意。 唯一一次我真的需要用到学历，是准备出国那一年。平时大大咧咧，毕业证居然一直放在学校好几年都没去领，最后还是为了办出国手续才专门回去把毕业证拿了。 这说明了什么？学历其实就像一张门票——你必须得有。在一些重要的人生节点，比如出国留学、考公、进入某些严格的大厂或者国企，你必须得出示它。没有的话，那你可能就真的只能选择自己创业或者做独立开发者了。 而且说实话，学历可能是我们能以相对公平、透明、不靠关系取得的少数几种“资质”之一了。你稍微努力一下，大多数人都可以拿到。除非你家里真有矿，不然这张门票，早拿早安心。
AI 动态生成 UI 这个方向是没问题的，技术上不是当年低代码那套思路和技术方案了，也不需要 JSON，直接动态生成 HTML/CSS/JS 就可以了。 动态 UI 不需要满足所有场景，适合那种即用即走的场景。 另外现在动态 UI 其实有两个主要方向： 一个是 Google 的完全动态生成的 UI，这种灵活度高，稳定性差一些。 另一个方案是 OpenAI 正在做的 ChatGPT App，它其实是一个个做好的小程序，按需调用，比如你要订酒店，不需要跳出 ChatGPT，在聊天窗口会有个订酒店的小程序跳出来，根据你提供的信息填充好信息，你自己修改确认一下就可以完成酒店预订的操作。
为什么 Discord 能管理几千人，甚至是几万人？ 核心之一就是 Create Thread（话题分叉），也是我最喜欢的功能之一 在微信群里面，人稍微多一点，消息就冲散了，或者几个事情夹杂在一起聊，谁也聊不深，很混乱 #Discord 的 Thread 就很爽：主频道负责主线，Thread 负责支线 看下图👇 左边是主消息区，继续正常聊天、保持节奏 右边是 Thead 消息区：在这个里面来深入沟通一个小话题 可以 Create 任意个 Thread，群成员 默认看主线聊天区即可，如果遇到感兴趣的 Thread 支线，就可以点进去看看，然后回到 主线任务，继续
后续没有更新：最后我咽下了苦水，因为我要 build things 没有时间去进一步争取，最后接受了一般线路的网络质量。 居然老罗也被上海电信宽带坑了。 https://t.co/SAUXvsUDiL