avatar
云端微信声音穿透已经搞定了 云端微信有啥用？ 1. 多个电脑同时登录微信，不会相互踢掉 2. 平板手机可以多开微信，合法技术不封号 3. 微信数据存在微服，永远不用担心微信占用手机空间 感兴趣老板评论区打1，我来给老板们介绍
懒猫家族新成员亮相，AI算力舱引发热议！· 143 条信息
#云端微信 #多端登录 #数据安全 #微服
avatar
AI 的进化不是画圆，而是长刺。 我们正站在那个星号的位置，惊叹于它的神力，也困惑于它的愚蠢。 距离填满那个圆，AGI还有多远？
AI高考数学测试：O3意外落后，Gemini夺冠引发热议· 67 条信息
#AI进化 #AGI #人工智能 #技术挑战 #未来展望
avatar
Nano Banana Pro 提示词 太可爱了，制作任何地方的天气移轴 Q 版模型！ 从宝玉这个玩法来的灵感，优化了一下整个模型的视觉效果，现在更加软润可爱。 天气会以更加更加拟物化的方式呈现，你可以输入经纬度也可以写地点，文字排版也更加的精细。 提示词为： 海报设计、自媒体封面设计：查找经纬度位于 52.891970728167614, 122.4549778092535 的地点并且获取地点的天气和时间。 画面的主体是当地代表性的建筑或者景观轴侧微缩模型，上方是当前天气的微缩模型，比如云、太阳等。梦工厂风格，3D建模，细腻、柔和的光线投影，画面周围大面积留白，画面底部居中无衬线体小字写上位置信息和天气图标和时间以及中文位置介绍文案。高品质画面输出。
nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息
#Nano Banana Pro #天气移轴Q版模型 #宝玉灵感 #经纬度天气 #微缩模型
avatar
sitin
3周前
azure 云给的配额太少了，每分钟才 50000， 马上给 Claude 配额申请搞起来！
AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息
#azure 云配额少 #Claude 配额申请 #云计算 #配额不足 #尽快申请
avatar
Gorden Sun
3周前
谷歌也挺草台的，自家NotebookLM都因为Nano Banana Pro不够用而暂停了1天生成PPT的功能，结果现在谷歌企业版随便注册，无需绑卡，只需要一个邮箱就能注册，注册就有30天免费试用。然后Nano Banana Pro和Gemini 3免费用！😂😂😂 服务器被薅到频繁报500了 注册地址：
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#谷歌 #NotebookLM #Nano Banana Pro #服务器薅羊毛 #500错误
avatar
宝玉
3周前
nano banana pro 不用参考图能生成这种风格的图片吗？
nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息
#Nano Banana Pro #图片生成 #风格迁移
avatar
宝玉
3周前
nano banana pro 能生成这种风格的图片吗？
nanobanana平台助力个人形象照生成，专业形象照引发热议· 107 条信息
#Nano Banana Pro #图片生成 #风格迁移
avatar
AI Will
3周前
Ilya Sutskever视频时间线： 0:00:00：模型锯齿性 0:09:39：情绪与价值函数 0:18:49：我们在扩展什么 0:25:13：人类为何泛化更好 0:35:45 ：通向超级智能 0:46:47：部署中学习 0:55:07 ：对齐 1:18:13：研究时代公司 1:29:23：自博弈与多智能体 1:32:42：研究品味
#AI浪潮：重塑就业，风险暗涌？· 140 条信息
#Ilya Sutskever #模型锯齿性 #情绪与价值函数 #通向超级智能 #对齐
avatar
robotbird
3周前
如果需要深入学习AI 提示词框架和理论还是非常有必要系统学习的 Google出的Prompt Engineering 还是有必要深入学习一下 我翻译了中文版本，链接见评论区
谷歌Deep Research：AI操作系统雏形？· 145 条信息
#AI学习 #提示词框架 #Prompt Engineering #Google #中文翻译
avatar
看到大家都在用AI提高自己。 我也使用了一下Gemini Pro。 碎片化几小时，就可以制作一套完整的APP原型交互图。 前后端+UI进场的话，立马就可以上线了。😂
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#AI效率提升 #Gemini Pro #APP原型 #快速开发 #积极
avatar
小牛OTC
3周前
Alpha Arena新赛季：8大模型美股实盘仍维持「水下」，GPT收益率-2.29%接近回本 中方的 AI 回撤都超过20%了
AI交易比赛：DeepSeek V3领先，GPT-5惨遭亏损· 98 条信息
#Alpha Arena #AI模型 #美股实盘 #GPT #收益率
avatar
Gorden Sun
3周前
通义开源的Z-Image-Turbo图片模型太强了 仅6B大小，1秒出图，但是质量却非常非常高，人物真实、美学在线，天然认识各种名人，没有审核，绝对是本地AI绘画的首选模型。 模型： 在线使用：
智谱直播发布全球最佳视觉模型GLM-4.5V，挑战AI视觉领域极限· 21 条信息
#通义 #Z-Image-Turbo #图片模型 #开源 #AI绘画
avatar
claude code 已经取代了我的 Emacs org mode task 管理。又智能又符合我 TUI Boy 的使用习惯。 打败胶卷相机的，不是更好的胶卷相机相机，而是数码相机。 打败数码相机的，不是更好的数码相机，而是手机… 都是降维打击。
AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息
#Claude Code #Emacs Org Mode #TUI Boy #降维打击 #技术变革
avatar
应该是上周 Jeff Dean 在斯坦福做了个分享，用AI总结写成文章，视频见评论区 AI 是怎么突然变这么强的？ Jeff Dean，Google 的 AI 负责人，他用自己的经历，讲了这个故事。 他说："我们今天看到的 AI，是过去十五年技术叠加的产物。" 不是一个突破。是一系列突破。 每一个突破，都让 AI 往前跨了一大步。 接下来，让我讲清楚这些突破是什么。 从最早的"模型学会了猫"，到今天的"AI 拿奥数金牌"。 2012，模型自己学会认识猫 2012 年。Google Brain 项目。 Jeff Dean 和他的团队，在做一个实验。 他们想知道：AI 能不能自己学会认识东西？ 不给标签，不告诉它"这是猫""这是狗"。就给它一堆图片，让它自己看。 他们用了 1000 万个 YouTube 视频帧，随机的。没有任何标注。 然后，他们训练了一个神经网络。网络很大，比以往大 50 到 100 倍。 训练完之后，他们看了看网络顶层的神经元。它们在对什么敏感？ 结果让所有人震惊。 有一个神经元，对"猫"特别敏感。你给它一张猫的图片，这个神经元就会被激活。你给它一张狗的图片，它不会被激活。 模型自己学会了"猫"是什么。 没人教它。它自己从 1000 万张图片里，学会了。 这就是无监督学习。 Jeff Dean 说："这太酷了。" 因为这证明了：AI 可以自己发现概念。不需要人类告诉它"这是什么"。它只需要看够多的数据。 这是 AI 学习能力的起点。 我们讲了 AI 怎么学会"看"。 现在，我们讲 AI 怎么学会"理解语言"。 关键技术：Word2Vec。 以前，计算机处理语言，是把每个词当成一个孤立的符号。"猫"就是"猫"。"狗"就是"狗"。它们之间，没有关系。 但 Word2Vec 不一样。它把每个词，变成一个高维向量。 什么意思？就是，每个词都是一串数字。比如，"国王"可能是 (0.5, 0.8, 0.3, ...)。"女王"可能是 (0.5, 0.2, 0.3, ...)。 但神奇的是：这些向量的方向，是有意义的。 如果你做一个计算："国王" - "男人" + "女人"，你会得到一个新的向量。 这个向量，最接近的词是："女王"。 这就是 Word2Vec 的魔力。 它不只是把词变成数字。它让语义关系，变成了数学关系。"国王"和"女王"的关系，就像"男人"和"女人"的关系。 这个关系，被编码在向量的方向里。 Jeff Dean 说："这让机器第一次能'理解'语言。" 不是真的理解。但它能计算语义。 我们讲了 AI 怎么理解语言。 现在，我们讲一个更现实的问题：算力。 2015 年左右。Google 想推出一个改进后的语音识别模型。效果很好，用户会喜欢。 但有一个问题。 Jeff Dean 算了一笔账：如果要用这个模型，Google 需要把计算机数量翻一倍。 你没听错。翻一倍。 这是什么概念？Google 当时已经有几十万台服务器了。翻一倍，意味着再买几十万台。 这根本不现实。 所以，他们必须想办法。 答案是：专用硬件。 他们发现，神经网络有一个特性：它对低精度计算非常宽容。 而且，它的核心就是密集的矩阵乘法。 这两个特性，让他们可以设计专门的芯片。 不用通用的 CPU，也不用 GPU。而是专门为神经网络设计的芯片。 这就是 TPU：Tensor Processing Unit。 2015 年，TPUv1 推出。 它比当时的 CPU 和 GPU，快 15 到 30 倍。能效高 30 到 80 倍。 这解决了算力危机。 后来，他们继续迭代。 最新的系统，比 TPUv2 快了 3600 倍。 Jeff Dean 说："没有专用硬件，就没有今天的 AI。" 算力，是 AI 的基础设施。 Transformer 改变了一切 我们讲了硬件。现在，我们讲架构。 2017 年。Google 的一个同事，提出了一个新架构。Transformer。 这改变了一切。 在 Transformer 之前，处理语言的模型，都是循环模型。 什么意思？ 就是，模型要一个词一个词地处理。 而且，它要把所有信息，压缩到一个向量里。 这很低效。 Transformer 不这么干。 它的核心思想是： 不要压缩，保存所有中间状态。 然后，让模型在需要的时候，去"关注"（Attend to）任何一个状态。 这就是 Self-Attention。 结果呢？ 准确率更高。 计算量少了 10 到 100 倍。模型参数小了 10 倍。 这太疯狂了。更快，更准，更小。 而且，Transformer 不只能处理语言。 它还能处理图像。这就是 Vision Transformer（ViT）。 Jeff Dean 说："Transformer 是现代 AI 的基础。" ChatGPT 用的是 Transformer。 Gemini 用的是 Transformer。 所有你看到的大模型，都是 Transformer。 让模型变聪明的三个技巧 我们讲了 Transformer。 现在，我们讲训练。 怎么让模型变得更聪明？有三个关键技巧。 第一个：稀疏模型。 正常的神经网络，每次预测都要激活整个模型。太浪费了。 稀疏模型不一样。它只激活 1% 到 5% 的参数。剩下的，都在"睡觉"。 这让训练成本降低了 8 倍。 Jeff Dean 说："Gemini 就是稀疏模型。" 第二个：蒸馏。 这是把知识从大模型转移给小模型。怎么转？ 大模型不只告诉小模型"对"或"错"。 它给的是概率分布。这个信号非常丰富。 结果呢？小模型只用 3% 的数据，就能达到大模型的效果。 第三个：思维链。 你给模型一个例子，让它"展示它的工作过程"。比如，做数学题的时候，不是直接给答案，而是一步一步写出推理过程。 这让模型在复杂推理任务上的准确率，显著提升。 这三个技巧，让模型变得更高效、更聪明。 前面我们讲了 AI 的技术基础。 现在，我们讲成果。 2022 年。Google 的研究员们，在为一件事兴奋。 他们的模型，终于能做初中数学题了。准确率：15%。 "约翰有五只兔子，又得了两只，他现在有几只兔子？"这种题。AI 能做对 15%。 他们觉得，这是个突破。 2024 年。两年后。 同一个团队，发布了 Gemini 2.5 Pro。他们让它参加国际数学奥林匹克。 六道题。它做对了五道。 这是金牌水平。 从 15% 的初中数学题，到奥数金牌。两年。 Jeff Dean 说："这就是 AI 的进步速度。" 不是线性的。不是慢慢变好。 是指数级的。 2022 年，AI 还在学加法。 2024 年，AI 已经在解奥数题了。 那 2026 年呢？我们不知道。 但如果按这个速度，可能会超出我们的想象。 这就是我们今天看到的 AI。它不是慢慢变强的。它是突然变强的。 从 2012 年的"模型学会了猫"，到 2024 年的"AI 拿奥数金牌"。 十二年。 AI 从几乎什么都不会，变成了几乎什么都会。 那接下来呢？ Jeff Dean 说：AI 将对医疗、教育、科学研究产生巨大影响。 一个不会写代码的人，也能让 AI 帮他创建网站。 这是把专业知识普及给更多人。 但同时，我们也必须正视潜在的风险。 比如，错误信息传播。 AI 可以生成非常逼真的内容。如果被滥用，后果很严重。 Jeff Dean 说："我们不能对潜在的负面影响视而不见。我们的目标是，在最大化 AI 益处的同时，最小化潜在的弊端。" 这就是 AI 的故事。 从反向传播，到 Transformer，到 Gemini。过去十五年，技术、硬件、算法，全都叠加在一起。 我们今天看到的 AI，是这一切的产物。 而这个故事，还在继续。
谷歌Deep Research：AI操作系统雏形？· 145 条信息
#AI #Jeff Dean #transformer #Gemini #AI 发展历程
avatar
大宇
3周前
最近在用Gemini，并与用了很久的CHATGPT PRO始终保持对比，发现Gemini更适合我，准确和犀利很多。 一个感慨是： 过去三十年，最重要的技能是“学习”； 未来三十年，最重要的技能是“提问”。 在AI时代，思维方式才是稀缺品。
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#Gemini #ChatGPT #AI时代 #提问 #思维方式
avatar
進
3周前
Google推出最強AI晶片，挑戰英偉達王座！ CEO警告：AI盛宴恐崩盤，如網路泡沫，納指暴跌80%，萬億財富灰飛煙滅！請觀賞視頻：👇👇👇
谷歌TPU崛起，英伟达面临市场危机· 19 条信息
#Google #AI芯片 #英伟达 #AI泡沫 #股市暴跌
avatar
Ilya一语点醒AGI梦中人： we are back to the age of research.
#AI浪潮：重塑就业，风险暗涌？· 140 条信息
#Ilya Sutskever #AGI #AI Research #back to research age
avatar
赵纯想
3周前
Build In Public的好处，可以吸收推友老哥哥们的意见。拿我举例子，最终的Loro CRDT方案、ProseMirror方案、Electron方案、SEO插件方案，都是从评论区的意见里得到的！一个比一个好用。听人劝，吃饱饭，要知道，人家随手一条评论背后，是多少年的经验。尽可能分享自己正在搞的方案吧！互相帮助提提意见。
独立创业者如何突破零收入困境，迈向月入1000元· 307 条信息
#build in public #Loro CRDT #ProseMirror #Electron #SEO插件
avatar
大罗SEO
3周前
AI生图打印机，华强北一套下来不到$10，这个公司靠这个想法拿到了700万刀的融资，现在第一批产品出来了，卖$99
懒猫家族新成员亮相，AI算力舱引发热议！· 143 条信息
#AI生图打印机 #华强北 #低成本 #融资成功 #创新产品
avatar
meng shao
3周前
[Anthropic 工程博客] 构建长运行智能体的高效框架 Anthropic 最新工程博客探讨了如何为长运行智能体设计有效的“框架”，以应对复杂任务在多会话间的持续执行挑战。基于 Claude Agent SDK 实际经验，强调通过结构化环境和渐进式工作流程，让智能体像人类软件工程师一样，逐步推进项目，而非试图一蹴而就。 长运行智能体的核心挑战 长运行智能体目标是处理跨小时或数天的复杂任务，例如构建一个完整复杂的软件项目。但由于上下文窗口的容量限制，每个会话都像从零开始：智能体缺乏先前记忆，容易陷入“一次性完成”的陷阱——试图在单一会话中搞定整个项目，导致上下文耗尽、代码杂乱或文档缺失。其他常见问题包括： · 过早宣告完成：后续智能体看到部分进展，就错误地标记任务结束。 · 状态恢复困难：智能体花大量时间猜测未完成工作，或在 buggy 环境中挣扎。 · 测试缺失：功能看似就位，但未通过端到端验证，隐藏潜在问题。 通过实验（如构建 200+ 功能的网页克隆项目）总结这些失败模式，并提供针对性解决方案，借鉴软件工程最佳实践，如 Git 版本控制和自动化测试。 提出的解决方案：双智能体框架与结构化环境 解决方案是引入“框架”——一个由提示、脚本和文件组成的系统，确保会话间状态持久化和干净交接。具体分为两个角色： 1. 初始化智能体（Initializer Agent）：仅用于首轮会话，负责搭建初始环境。生成关键文件，包括： · feature_list.json：一个JSON格式的功能清单，列出所有任务（如“创建新聊天”），每个包含描述、步骤和初始“passes”状态（false）。JSON格式确保不可变性，防止后续编辑。 · claude-progress.txt：日志文件，记录动作和进展。 · init. sh：启动脚本，用于运行开发服务器、测试基础功能，减少后续设置开销。 初始化后，进行首次 Git 提交，形成干净基线。 2. 编码智能体（Coding Agent）：后续会话专用，专注于渐进式进展。每个会话仅处理一个功能： · 会话启动例程：检查目录（pwd）、审阅 Git 日志和进展文件、运行 init. sh 启动环境、验证核心测试。 · 工作流程：从 JSON 清单选一未完成功能，编码、提交描述性 Git 变更、更新 “passes” 状态（仅在通过测试后），并记录日志。 · 强调“干净状态”（clean state）：结束时，代码须无bug、文档齐全、可直接合并到主分支。 关键实践与工具集成 · 功能清单与 Git：JSON 清单防止“过早完成”，Git 提供回滚和历史追踪。实验显示，相比 Markdown，JSON 减少了不当修改。 · 端到端测试：集成浏览器自动化工具（如 Puppeteer MCP 服务器），模拟人类操作（如点击模态框、截图验证）。这捕捉代码审查忽略的交互 bug，但文章也指出局限，如原生浏览器元素的处理。 · 提示策略：初始化和编码提示不同——前者聚焦搭建，后者强调单一功能和验证。使用强约束语言（如“绝不编辑测试”）规避失败。 · 失败模式表格：文章附表总结问题（如“设置混淆”）及应对（如标准化脚本），便于实际应用。 结论与展望 Anthropic 的经验证明，这种框架能显著提升长运行智能体的可靠性：从混乱的“一击即溃”转向工程化的持续迭代。关键启示是借用人类工程实践（如版本控制、测试驱动开发），结合 AI 的自动化潜力。从简单项目起步，审视失败模式，并扩展到多智能体系统（如专职测试智能体）。未来方向可以泛化到其他领域，如科学研究或财务建模，探索更复杂的协作架构。 博客地址：
#多智能体之争：Anthropic生态VS单智能体· 81 条信息
#Anthropic #长运行智能体 #软件工程 #双智能体框架 #自动化测试