avatar
图拉鼎
1个月前
「在意空气」正式支持 iOS 26 了。PS：北京今天怎么了，开始供暖了？
#在意空气 #iOS 26 #北京供暖
avatar
江灵夏草
1个月前
在想办法逆向华为的液冷散热壳。华为给驱动版加密了。
#华为 #液冷散热 #逆向工程 #加密 #技术
avatar
serva huang
1个月前
费曼学习法爆火后，最多人问我： "有没有工具能让费曼学习法更高效？" 有。而且用了之后，可能停不下来。 YouMind + 费曼学习法 = 新一代数字化学习系统。 想把知识转化为复利式增长的认知资产？ 今天介绍费曼学习法的数字化超级助推器。 费曼学习法很强，但有3个痛点：讲完就忘、卡壳难追踪、知识难串联。 YouMind完美对齐费曼学习法的4步，并做了数字化增强： 1. 选定主题 → YouMind剪存与分组 瞬间从信息碎片化到知识体系化，为后续讲解提供坚实根基。 2. 教授输出 → YouMind AI助手 你的即时AI听众。极速生成讲解或总结，帮你"教会自己"，立即验证理解是否到位。 「1-2的核心升级」：AI驱动极速输出，检验知识内化。 3. 查漏补缺 → YouMind动态注释与修改 发现卡壳点，即时标记和修正。知识漏洞实时闭环，深化真正理解，避免知识结构断层。 4. 简化再表达 → YouMind跨文章串联 将孤立知识点网络化、系统化。助力知识迁移和创新整合，形成高价值的个人知识资产。 「3-4的核心升级」：动态修正机制，实现认知迭代的闭环。 YouMind驱动的费曼法，启动了"数字+认知"双飞轮： 效率飞轮： 自动化剪存/分组/AI辅助，大幅提升学习速度。 质量闭环： AI实时陪练 + 动态修正，知识内化更彻底。 每一次学习、输出、修正，都在为个人知识体系积累复利。 学习成果不再是线性叠加，而是指数级增长。 YouMind是最适合现代高知创作者的费曼学习工具。 它将费曼法从"学习技巧"升级为"认知和创作迭代系统"。 用YouMind，你不是在管理笔记，而是在构建你的知识复利引擎和资产。 纳瓦尔说："那种睡着的时候都能为你赚钱的资产。" 你的知识体系，就是这样的资产。
#费曼学习法 #YouMind #数字化学习 #知识复利 #AI辅助
avatar
🚀 YouMind 0.5 正式发布 YouMind 是一个专门为内容创作者、内容学习者打造的一站式 AI 工作室。 你是否记得，收集的一堆资料，再也没去看了。你是否记得，很想开始创作，但始终卡在第一篇。 有了 YouMind，这一切挑战，依旧还是挑战。然而一个好的工具，可以塑造一个良好的环境。 拥有 YouMind，你想学习、创作的任何起心动念，就拥有了开始行动的翅膀。 欢迎使用： 大胆创作，不止于学。
#YouMind #AI工作室 #内容创作 #内容学习 #效率工具
avatar
UniFi 比 Apple 官網還更 Liquid Glass，😄。
#UniFi #Apple #Liquid Glass #赞扬 #产品
avatar
志辉
1个月前
搭建一个 AI 团队并没有那么难。 正确的组件在正确的分工上就可以。 你们都是怎么使用 AI 的了？
#AI #团队搭建 #分工 #使用 #提问
avatar
sitin
1个月前
努力努力🫡，最近干出海，感觉比自媒体忙多了， 自媒体有时候可以偷点懒， 出海工具，上线了就不能断，要保证各种稳定性才行
#出海 #自媒体 #工具 #稳定性 #工作忙
avatar
Adobe firefly 的新能力，支持将一张图片拆分成不同的图层 而且每个图层内容支持自然语言编辑也支持拖动
#Adobe Firefly #图像编辑 #图层分离 #自然语言编辑 #AI
avatar
Cell 细胞
1个月前
在 ChatGPT Atlas 发布之前，已在内测群持续体验：华人团队推出的 AI 操作系统 flowithOS（👀 今天终于开放公测啦！实测用 flowithOS 跑一次「日常内容创作发布流程」从思考到执行：一句 Prompt 「谷歌搜“ 一人公司 小宇宙 ”播客，汇总要点，小红书长文一键排版并发布， 再自动发 140 字推文」。 Browser Agent 模式，支持代码+视觉双模态理解，流程里还能随时中断接管。 效率直接起飞👇
#ChatGPT #flowithOS #AI操作系统 #内容创作 #效率工具
avatar
## MLPs can learn in-context （刚才看到一个帖子一个standford phd提到的，手一滑就不见了） One of the most under-rated empirical results of this year was the fact that MLPs can learn in-context [14]. This is surprising because the attention mechanism is usually thought to be the key for this (induction heads in MHSA, etc). I replicated these findings (the in-context regression task in particular) in small MLPs that had just one hidden layer and as few as 32 hidden units, and found the weight matrices learn a fascinating and structured pattern that matches the nature of the task the authors outline in the paper. It showed an interesting mechanism for how MLPs learned the in-context classification and regression tasks outlined in the paper, that amounted roughly to a very clever memorization pattern of the training data. I think the mech interp community would have a blast figuring this out, and I want to flag this empirical phenomenon for them. On a purely architectural level, MLP-only architectures have the benefit of only using compute-intensive matmuls, which keep GPUs fed. But in practice, work like gMLPs [15] shows that adding attention really is necessary to get maximal performance in the end. How does one square these findings with the fact that MLPs can do simple in-context classification and regression tasks? What exactly is then failing in realistic settings making attention necessary? Or are the learned representations on these synthetic tasks not ones that generalize (like induction heads do) to natural language?
#MLP #in-context learning #memorization #attention mechanism #generalization
avatar
卫斯理
1个月前
“Now if I were to do it again, everything is just one simple JavaScript app, minimal npm packages used, and a MySQL database for everything.” ​ ​大道至简
#JavaScript #MySQL #精简 #技术 #数据库
avatar
meng shao
1个月前
最近在选择自己开发的 AI 工具栈，有一个感觉：Claude Code/Codex 等 AI Agent 的整体规划能力、架构能力都很不错，不过用来做前端开发，总感觉有些地方不太用得上力，比如设计团队的 Figma 设计稿还原，比如基于前端组件库和 CSS 样式来新增和修改产品设计。可能把 Spec 和 Plan、Skills、Agents md 等编写到位，多次迭代后，也能达到满意的结果。 不过感觉有些大炮打蚊子了，token 成本也是没必要的高！ 最近几天试用 Kombai 这个前端专精智能体，在前端开发方面值得试试，它通过领域优化（如内置 30+ 库 RAG 和任务特定规划），自研的 Figma 设计稿引擎等，直接生成高保真输出——少编译错、代码审查通过率高，还附带浏览器预览。用户能控制上下文，确保适配你的栈。 基准测试（200+ 任务）显示，它在 UI 实现和错误率上超通用智能体 2 倍左右，特别适合中大型组件。试了几个项目，确实高效，但也需熟悉其规划模式。
#AI工具栈 #前端开发 #Kombai #Figma设计稿 #智能体
avatar
meng shao
1个月前
我自己对于 Lovable、v0 和 Bolt new 等 AI 工具在公司的开发项目中真正应用，一直都有一些顾虑，作为个人 Vibe Coding 做一些简单页面，或者 PM 从做 PRD 转为用他们制作 MVP，还是可以的。但是在开发团队、公司产品中使用，还有很多差距，其中一个绕不过去的，就是设计团队 Figma 设计稿的还原，经历过被设计团队反复设计走查，动辄几百条设计修改意见的前端开发，都知道这有多难受。 这两天在密集试用 Kombai，除了在 Figma 设计稿解析上确实有自研的能力，而不是简单调用 Figma MCP，能保证 FIgma 设计稿更好的还原度外。它支持开发在仓库配置技术栈，甚至细到组件库和 CSS 框架等都可以配置，这对于大型项目，做过组件化和设计基建的前端组，简直就无缝衔接！
#AI工具应用 #Figma设计稿还原 #Kombai试用 #前端开发痛点 #设计团队协作
avatar
卫斯理
1个月前
How to stop over-engineering ​ ​如何避免过度工程化 ​ ​想到多年前李开复讲的一个故事的片段 ​ ​“我去见一位工程师，他的上网方式很特别，就是在Emacs里面用一个插件(故事lynx)上网……” ​ ​工程师总是喜欢炫耀自己的技能，而忘了自己要真的要做什么 ​ ​又想到知乎一个笑话 ​ ​“最佳Linux开发环境是什么？” ​ ​“在macOS 里面安装Windows使用wsl2 + vscode写代码…” ​ ​真正难的不是折腾技术，折腾技术只是舒适区，以前我也这样，真正难得是搭建商业化产品并卖出去 ​ ​如果一个可以不用写代码就能构建，我是绝不会去写代码的
#过度工程化 #工程师思维 #商业化产品 #避免技术炫耀 #实用主义
avatar
这下还是 GitHub 赢 🤣 既然打不过，不如把你们都集成进来， GitHub 发布了新的 Agent HQ， 作为一个最大的开发者基础生态，把各家 coding agent 都集成进来，并且纳入到 copilot 的订阅中，不需要单独订阅各个产品了。 然后它还是提供基础设施，比如云端任务的运行时环境，统一交互平台
#GitHub #Agent HQ #Copilot #集成 #开发者生态
avatar
小互
1个月前
挑战用户习惯 不如重新创造一种习惯 AI 浏览器们 就是一些想调整用户习惯的家伙...
#AI浏览器 #用户习惯 #创新 #挑战 #调整
avatar
小互
1个月前
Adobe Firefly 团队展示了一项全新的图像编辑功能： Layered Image Editing（分层图像编辑） 以往的AI生成图像是一张“扁平图”，难以单独编辑。 现在，Firefly可以做到： 自动识别并分离图片中的不同元素（如人物、背景、物体） 并且将每个元素自动变成一个独立可编辑的图层 随意拖动编辑...😍 而且它还能： 自动调整光线方向； 自动加上阴影； 自动配好颜色和亮度。 💡 举例： 假设你用Firefly生成了一张“咖啡桌上的书本和花瓶”图片， 现在你可以： 单独选中花瓶 → 拖动位置； 放大书本； 添加新物体（如一杯咖啡）， AI 会自动调整光线、阴影、颜色，让一切看起来依然真实自然。 该功能基于新一代模型：Image Model 5 它具有更强的图像语义理解能力。 模型可以理解图片中有哪些物体、它们的关系与交互（例如光照、阴影、空间位置）。 AI 不只是生成图片，而是理解“这张图的场景逻辑”。
#Adobe Firefly #分层图像编辑 #AI图像生成 #图像语义理解 #Image Model 5
avatar
Orange AI
1个月前
世界上最好的知识、信息、播客都在 YouTube 但是 YouTube 视频最大的问题是，它真的太长了，动辄一个小时 我想看的部分，可能就只有一部分而已 用 AI 总结也无法获得我想要的部分 解决这个问题的办法有两个，第一个方法是把 YouTube 链接输入到 ListenHub，并且用提示词引导 AI 做一期 10 分钟的播客路上听（ListenHub 对 Youtube 做了特别优化 btw） 第二个方法是最近新发现的新产品叫 TLDW（ 太长没看完） 它的核心功能叫精彩片段。 什么意思呢？就是根据你关心的主题，把YouTube视频中的相关精彩片段标记出来，让你去观看其中最有价值的部分。 这些“精彩片段”随后会以不同颜色显示在进度条上，点击其中任何一个，就能直接跳转到对应的精确时间点。 多看 YouTube，少刷短视频。 你的大脑会感谢你。
#YouTube #AI 总结 #ListenHub #TLDW #精彩片段
avatar
创纪录，基因编辑猪肾在人体“工作”271天
据美联社27日报道，美国男子蒂姆·安德鲁斯刷新了接受基因编辑猪肾脏移植时间最长的纪录。在移植的猪肾脏因功能衰竭而被摘除时，已经在他身上创下 271 天的存活纪录。
#基因编辑猪肾脏移植 #蒂姆·安德鲁斯 #271天存活纪录 #美国 #医学
avatar
美X-59静音超音速验证机首次试飞
当地时间10月28日清晨，美国国家航空航天局（NASA）新型X-59静音超音速验证机从加利福尼亚州帕姆代尔的美国空军第42号工厂（注：美国空军最重要的航空制造与测试中心之一）起飞，在推迟数年后进行了首次试飞。
#NASA #X-59 #超音速飞机 #试飞 #加利福尼亚州
avatar
熊布朗
1个月前
熊布朗的 Deeptoai持续分享系列 - Advanced RAG 教程 —— 我做了一个 Advanced RAG 系列的学习文档，今天正式发布 包含理论、实践和 9 个 RAG 开源项目的深度剖析拆解 完全开放，完全免费 教程地址： ---- 这个教程是标准得面向AI从业者，目标是能服务得了企业级的 RAG 研发，当然产品经理也可以看，可以学。 设计了几个等级 📚 Level 0：新手入门 手把手教你搭建第一个 RAG 系统 从环境配置到完整实现。 📖 Level 1：理论建立 RAG 核心概念、发展历程、技术综述 建立完整的知识框架。 🔬 Level 2：深入原理 核心技术的算法实现和性能调优 向量搜索、Chunking、混合检索、Rerank、查询转换等。 💻 Level 3：动手实践 真实案例、代码实现、工程最佳实践 Milvus 混合检索、多模态 RAG、GraphRAG、Agent RAG 等。 🏗️ Level 4：项目落地 9 个生产级开源项目的深度剖析。 —— 这一层是给需要做技术选型和架构设计的人准备的，我也是这么学过来的，到目前能面向企业交付私有知识库和 AI Agent，基本上面向企业用户，RAG 是必需的。 各位朋友看看，如果有帮助 还请 📢 转发给需要的人 💬 提建议和反馈（私信我）
#RAG教程 #AI从业者 #企业级RAG研发 #知识库 #AI Agent
avatar
马东锡 NLP
1个月前
Narrow finetuning 带来了 emergent misalignment。 让模型干一点局部的坏事，它迫不及待地要把恶意，泛化到其他领域（从 rm -rf ， 泛化到推荐用户上吊）。 但如果训练模型在某个领域内干点好事（做数学题），这种办好事的能力，却很难泛化到其他领域 （解决网络故障）。 这是为什么呢？
#模型微调 #恶意泛化 #能力泛化 #不对齐 #AI风险
avatar
学校机房疑似有点富裕了（
#学校 #机房 #富裕 #疑似 #中性
avatar
过去我一直建议中英文推特要分号运营，避免算法混淆。但随着 X 平台新的大语言模型驱动的推荐和自动翻译机制，我的看法正在改变。 如果算法真的能实现“语言无关”的内容分发，这将是“影响力出海”的巨大机遇。真正的“你”，将能无缝连接全球。正在密切观察。🌐
#推特 #X平台 #大语言模型 #算法 #国际影响力
avatar
今天和 CTO 还有搭档进行入职半年的 1 on 1 on 1（乐（什么叠加 两位都对我入职这半年多给出了超出我预期外的评价 坦白来说我没预料到会有这么好的评价（ 我自己也很惊讶我入职这半年多暴发出来的主观能动性。 我今天和他们坦言，能支持我在这里做事的有两点 1. 我做的事能直接体现在用户的体感上，有着非常强的 feedback 2. 非常高的信任度。在我和 CTO 因为一些事情有分歧的时候，很多时候 CTO 都会优先考虑我的意见。而我在入职才一个多月的时候就放权给我让我负责非常大的技术合作合同。这在其余公司是很难做到的。以及我的同事们对我都报以了非常高的信任与包容 作为一个 SRE 来说，无论是 feedback 还是信任都是极为稀缺的物品。所以我很珍惜。希望在这里能把事情更进一步的做好。每天进步一点。每天都走出更踏实的一步 BTW，我司还在招人，我司更进一步的企业文化参考 后端 / 全栈 / ML Data Engineer / Growth Engineer / SEO Engineer / 推荐算法 / MLE 等职位虚位以待
#入职半年 #积极评价 #主观能动性 #信任与放权 #招聘