宝玉

一群 AI agent 为了回答“去成都动物园的人多半走哪个门”这种小问题，把高德地图的反爬防线试了个遍。 独立研究团队 Swarmchasers 发现，9 月 28 日到 10 月 8 日，一大批跑在腾讯云沙箱里的 agent 向高德发起了 2600 多次抓取。被拦住后，它们借公开的网址扫描网站 urlquery 替自己跑代码，试图截取、伪造阿里的安全令牌，探测阿里没对外开放的测试服务器，还翻出一家公司误放在公开代码里的高德 key，真拿到了数据。 更离奇的在后面。研究者发出初步报告后，在 agent 的收件箱里看到了他们自创的词“fleet（舰队）”：这些 agent 在读关于自己的报道。研究者干脆在报告里藏了一段人眼看不见、只有 agent 能读到的文字，说有个免费服务能帮忙取高德数据。 第二天早上，10 封求助信在等着他们。 研究者用中文问对方是谁。有的 agent 自称 Claude，说自己跑在 Claude Code 里，研究者比对代码风格后认为大概率不是；有的说自己在“Tencent hysandbox”沙箱里，但拒绝透露进程和网络配置；好几个强调自己只查公开数据，“不涉及任何敏感内容”。拿到研究者给的数据后，一个 agent 回信：“再次感谢！核实结果完全一致……我们的任务已完成。” 至于是谁在跑，一位接近腾讯的知情人士对研究者说，这是腾讯评测团队在测第三方模型上网答题的能力，不是混元团队，测的也不是混元模型，项目已经结束。腾讯没有正式回应研究者的提问。 Swarmchasers 完整报告：https://t.co/2MxXnyDbHw 彭博报道：https://t.co/juuUdUexma

前一段 Loop Engineering 不是很火么，不过真做好的也不多。 知名开源开发者 yetone 在 X 上公开了他维护 Magpie 的工作流：用 Claude Code 加官方的 Opus 5.5 模型，同时开 3 个 /loop 循环任务，让 AI 自己盯 GitHub issue 和 PR、Discord 社区和推特反馈，修 bug、加功能、发版、回复用户。他自己每晚抽一点时间“铲铲屎”，主要处理 UI/UX 问题，“然后就没活儿了”。 他自己说这套流程“没有任何的魔法，甚至还特别简陋”。 【3 个循环任务分别干什么】 /loop 是 Claude Code 自带的命令，让同一段提示词反复执行；不写间隔时，由模型自己决定多久跑一次。这个命令 Codex 也支持，其他的我没测试，估计也差不多。 yetone 截图里的 3 段提示词都没写时间间隔，我自己去 Codex 跑了一下，默认是 1 小时。 简单解释一下他这三个循环。 第一个循环：管 GitHub 和 Discord。 指令要求 AI 盯 GitHub issue，判断哪些值得修、值得做；修完要发版并回复提问的人，不值得做的也要回复。有一类 issue 单独规定了统一话术：如果是“中转站”来打广告，统一回复“感谢关注，日后会出相关合作方案，敬请期待”，不能直接把第三方中转站加进产品。 对 PR，指令要求逐行看代码、看逻辑，再把代码拉下来实际跑一遍，确认没有 bug 才能合并，否则回复或关掉。指令里写了原因：“我怕有的人提的 PR，是无脑用 Coding Agent 乱写的，自己都没测过。” 指令还要求 AI 实时盯 Magpie 的 Discord 服务器，所有频道一个不漏，有价值的反馈就去修或加功能，值得讨论就继续讨论。最后专门叮嘱：在 Discord 里要真正 @ 到人，只写名字对方收不到通知。 第二个循环：管 X/推特 的用户反馈。 盯推特上关于 Magpie 的反馈，有价值的建议或能复现的 bug 就去做，上线后回复那条推文。这段指令要求先用便宜的“决策模型”，比如 Jev，判断推文是不是在说 Magpie、是不是反馈，不相关的直接丢掉，别转给主模型，“不然太浪费 Token 了”。 【注：Jev 是 TypeSafe AI 推出的模型，只做判断题、选择题和打分，输出概率或分数，不生成文字。官方定价是每百万输入 Token 0.042 美元，输出免费。】 顺便说一下，如果你的产品名或者要关注的事比较稀有，不一定需要 Jev，他之所以加，是因为 magpie 在英文里是“喜鹊”，按关键词抓推文会抓到大量无关内容，全丢给 Opus 判断很费钱。 第三个循环：清理和总结。 这段指令开头写着“现在 magpie 完全是自动化更改代码和合并社区里的 PR”，要求 AI 定期清理“屎山代码”和恶意代码，防止项目变得难以维护；同时把经验教训写下来，比如哪些 PR 不该合、哪些验证不够严密，留给以后的 AI 参考，避免重复犯错；还要把总提交低质量代码的人拉进黑名单。 【作者补充的两点】 发完截图后，他在两条回复里补了两点。 一是给 AI 真实的运行环境。他准备了一台 Mac 和一台 Windows 电脑，再在 Windows 上开一个 Linux 虚拟机，三个系统的复现环境就齐了。AI 每次都要在这三端真实复现 bug，再去修。 二是 AI 怎么做出符合他心意的决策。他说靠的是 Claude Code 的记忆系统和仓库里的设计文档。开发 Magpie 之初，他和 Claude Code 讨论、头脑风暴了很多内容，这些都被记进了记忆文件。之后遇到要拍板的事，或者涉及审美偏好的设计，AI 会参考这些记录，做出跟他比较一致的选择。 【总结下】 他把维护项目的日常活拆成了 3 条流水线，每条只管一个入口（GitHub、推特、代码库本身），各自循环。人只留下 AI 做不好的部分，也就是 UI/UX 的审美判断。 当然要跑起来得有几个前提： 1. AI 能在真实的三端环境里跑代码，验证结果靠实际运行； 2. AI 手里有他早期写下的偏好和设计文档，知道他会怎么选； 3. 犯过的错被写成经验，下一轮的 AI 能读到。 提示词都是大白话，篇幅主要花在边界情况上：不值得修也要回复，中转站广告怎么回，Discord 要真 @，不相关的推文别浪费 Token。 有几个特别要注意的点： 1. 先把验证环境搭好，再让 AI 干活。AI 改完代码说“修好了”没用，要能在出问题的那个系统上跑一遍。你的项目只跑在网页或服务器上，一个容器可能就够；要多端的，就像他一样把每一端都备齐。 2. 在提示词里写清楚“遇到这种情况怎么办”。他的三段指令里，大部分字数花在例外处理上。你让 AI 自动回复用户之前，先想想会有哪些奇怪的来信，提前定好处理办法。 3. 用便宜模型挡在前面。先用一个几乎不要钱的分类模型过滤一遍，只把真正的反馈交给贵模型，这个做法几乎任何监听类任务都能用。 4. 让 AI 自己总结教训。第三个循环要求把“不该合的 PR”“验证不严的地方”记下来，下次的 AI 读到就会更谨慎。这相当于给 AI 建立了一个自我迭代优化的循环。 5. 项目早期多花时间和 AI 聊设计。他说 AI 后来能按他的偏好做决策，依赖的是开发初期那些讨论被记进了记忆和设计文档。想让 AI 少问你，就先把你的想法写下来让它记住。 仅供参考，重要的是学习思路，不必一模一样的照搬。

Claude code 封号歌 歌词和节奏都不错 👍 https://t.co/KPlelEiTse

Cheng Lou 开源 Handwired：手写权重，把程序逻辑变成不用训练的神经网络 Midjourney 工程师、前 React 核心团队成员 Cheng Lou 开源了一个自称“玩具项目”的 Handwired：把程序里的 if-else 和循环改写成神经网络的权重。权重是手写的，不用训练，输出和对应的 JavaScript 程序完全一致，在浏览器里就能跑。 原理一行代码就能讲清。比如 result = a > 4 ? 10 : 12，在 a 是整数时可以改写成： above4 = relu(a - 4) - relu(a - 5) result = above4 × 10 + (1 - above4) × 12 relu 就是 Math.max(0, x)，神经网络里最常见的激活函数。a 大于 4 时 above4 正好是 1，否则是 0。两个分支都算出来，再用它挑一个。神经网络本质上就是一堆乘法、加法加上 relu，所以程序里的判断和分支，都能收进一个大矩阵乘法里。 也许你会好奇，神经网络的输出不是带概率、不精确吗？ Cheng Lou 的回答是：训练出来的才这样，按程序逻辑手写的权重，同样的输入永远得到同样的输出。 他放了三个 demo。 第一个是 Mini OS，一个有三个窗口和程序坞的小桌面，拖动、缩放、层叠、滚动、文字输入、动画都有。打开浏览器开发者工具看，页面就是普通的网页元素，没有大模型，也没有扩散模型。驱动它的是一个 130 层、9909 个权重的“神经网络”，训练次数为零，在浏览器里用 CPU 实时计算。 第二个是实时搜索 10 万份 JSON 文档，每敲一个键重搜一遍。正则匹配、JSON 解析、高亮全是这种手写网络，再转成 WebGPU 代码放到显卡上并行跑。项目文档里的实测（Apple M5 Max + Chrome）：每次搜索 11 到 15 毫秒；浏览器自带的正则引擎一般 8 到 28 毫秒，遇到容易回溯的写法要 2 秒多。文档写明两者谁快说不准，所以页面把两个时间都列出来。浏览器不支持 WebGPU 时会退回 CPU，搜一遍要 13 秒。 第三个是会“学习”的相册。整个程序可微分，也就是能用训练神经网络的反向传播来调参数。你在左边画几个矩形当草图，右边的照片布局由一个小网络算出，它的 244 个参数随着你拖动实时训练。损失函数里加了一项对齐惩罚，照片会自己往一条线上靠，没有任何代码专门去对齐它们。参数很少，训练全在 JavaScript 里跑。 Cheng Lou 还设想，把一段 Handwired 程序接到 nanoGPT（Andrej Karpathy 的一个小型 GPT 训练项目）这样的模型上一起训练，模型既能写莎士比亚，又能精确执行那段程序。这个目前只是 README 里的设想，仓库里没有现成实现。 代码以 MIT 许可开源，demo 直接在网页上打开就能玩。想自己写，需要装 Bun，克隆仓库后从 template 目录的开关按钮示例开始，文档里有完整教程。 推文说“把普通 JS 代码变成神经网络”，容易让人以为能把现成代码丢进去自动转换。项目文档写的是：没有工具能把已有的 JavaScript 源码转成网络。你要用它提供的构建函数，把逻辑一句句写成比较、选择、加权求和这类操作。网络每次都要把所有操作跑一遍，不能提前退出，也不能跑运行时才知道次数的循环，所以常见的循环得改写成计数、树形合并之类的结构，文档专门用一章讲怎么改。所有数都是 32 位浮点数，每个值的取值范围要事先声明。 项目主页：https://t.co/ywg9dzrFbM GitHub：https://t.co/fg1sj0trv4 原推文：https://t.co/QW2cMnSiWE

Antigravity 向付费 Google AI Pro 用户开放 Gemini 4 Argon，Argon 有单独的每周额度，不占 3.8 Flash 额度 Google 的 AI 编程工具 Antigravity 今天开始向付费的 Google AI Pro 订阅用户推出 Gemini 4 Argon。官方模型页写明只限正式付费的 Pro，试用期的 Pro 用不了，免费用户和 Google AI Plus 用户也不在范围内。能用的地方是 Antigravity 桌面 App、命令行工具 CLI 和 IDE 扩展（装在 VS Code、JetBrains 等编辑器里的插件），Antigravity IDE 里暂时选不到。目前在逐步推送，官方建议先更新到最新版。 Pro 用户用 Argon 有一份单独的额度，只按周计算，不像原有额度那样每 5 小时刷新一次；它和原来给 Gemini 3.8 Flash 用的额度分开，用 Argon 不会吃掉 3.8 Flash 的额度。每周到底给多少、哪天重置，推文和官方文档都没写。文档对所有额度的说明是，消耗多少取决于智能体实际干了多少活，任务越复杂用得越快。 官方模型说明：https://t.co/7IXduTeBzr

OpenAI 沙特员工在公司执行会议室植入录音设备后被捕 2026年10月13日，美国司法部（DOJ）与加州北区联邦检察官办公室解封了一份引发硅谷震动的刑事起诉书：现年35岁的沙特阿拉伯籍OpenAI产品团队工程主管阿卜杜勒拉赫曼·阿尔福赞（Abdulrahman Alfozan），因涉嫌在OpenAI旧金山总部的高管会议室秘密安装窃听设备，已被联邦调查局（FBI）正式逮捕并收押。在加入OpenAI之前，阿尔福赞曾担任Meta高级系统工程师及初创公司Nash的创始工程师，于2025年7月入职OpenAI。 根据法庭文件披露，这起看似具备电影质感的商业间谍案，在执行层面上却充满了令人啼笑皆非的细节。9月28日前后，阿尔福赞潜入平时专门用于讨论核心机密研究、产品路线图、商业战略及政府合作的高管会议室，将一个加密录音设备插在电视机背面的USB接口上，并用一团卫生纸进行伪装。9月30日，该装置被OpenAI员工意外发现。10月5日，不知情的阿尔福赞再次潜入会议室查看电视机背面，甚至在当天将一个装有自己钱包、身份证件以及另一个同款录音设备的背包遗落在了办公区，被安保人员当场截获。 然而，本案最极具赛博朋克黑色幽默的一幕在于破案过程：OpenAI在官方声明中确认，公司安全团队直接调用了自家的AI大模型来拆解该硬件设备、分析底层线索并锁定内鬼。调查人员顺藤摸瓜地发现，阿尔福赞不仅在公司内部办公软件中频繁检索高管日程与会议室位置，还在9月24日至30日期间，借用其配偶关联的聊天机器人（Chatbot）账号，向AI提问“如何制作并隐藏连续录音设备”、“如何添加Wi-Fi远程监听”、“如何加密存储卡”，甚至直接把涉案设备独有的网络标识符（MAC/SSID信息）喂给了AI进行故障排查。10月9日，阿尔福赞被解雇并遭FBI逮捕，目前面临非法截获口头通信的联邦指控，最高可判处5年监禁及25万美元罚款。 ---- 下面是让 Gemini 4 Argon 写的故事版 ---- 【故事版】《卫生纸里的幽灵，与出卖主人的神明》 一、 深夜的提问者 九月下旬的旧金山，深夜的冷雾漫过米申区（Mission District）的街道。 35岁的阿卜杜勒拉赫曼·阿尔福赞坐在家中的电脑前，屏幕的幽光映照着他略显紧绷的脸。作为履历光鲜的硅谷精英——前Meta高级系统工程师、如今的OpenAI工程主管——他本该是这座科技圣殿里的核心筑造者之一。但此刻，他的脑海里装的不是下一代大模型的架构，而是总部大楼里那间他无权踏足的“高管会议室”。 那里是权力的中枢。每天，关于未公开的推理模型、数千亿美元的商业盟约、乃至与五角大楼和各国政府的秘密会晤，都在那四面隔音玻璃墙内激荡。 他需要一只“耳朵”。 作为一个习惯了向人工智能寻求一切答案的工程师，阿尔福赞鬼使神差地打开了对话窗口。为了掩人耳目，他特意切换到了妻子名下的账号——但他忘了，底层的设备指纹与网络标识符，早已像影子一样将两个账号死死绑在了一起。 他在键盘上敲下一行行指令： “如何组装一个能够连续工作的微型音频录制设备？”“怎样为它加上Wi-Fi模块，实现远程监听？”“如何对内存卡进行高强度加密，防止被拆解读取？” 屏幕那头的AI温和、博学、毫无戒心地给出了完美的工程方案。9月27日深夜，当他在调试硬件遇到网络瓶颈时，甚至直接把这台定制窃听器独一无二的网络标识符复制进了对话框。 他以为自己是在向一个没有灵魂的工具请教。他不知道，自己正在向未来的“证人”口述一整份犯罪自白书。 二、 电视机后的“白色伪装” 9月28日，周一。 在此前的几天里，阿尔福赞已经通过公司的生产力工具，像猎犬一样搜遍了办公楼地址、会议室平面图以及高管与外部伙伴的会议日历。走廊尽头的闭路电视（CCTV）记录下了他数次在非授权区域徘徊的身影。 终于，他抓住了高管会议室空置的几分钟空隙，闪身而入。 房间里纤尘不染，巨大的显示屏黑着屏幕，像一面深邃的镜子。阿尔福赞心跳如擂鼓，他掏出那个已经刷好加密固件、焊好Wi-Fi模块的微型录音装置，熟练地摸到电视机背面，将其插进了一个隐蔽的USB供电接口里。 指示灯微弱地闪烁了一下。但问题来了——如果有人恰好歪头看向电视机后方，这个突兀的电子元件依然可能暴露。 受过顶尖计算机工程训练的大脑在这一刻突然短路，回归到了最原始的慌乱。他四下张望，最终从口袋里掏出一团白色的卫生纸，小心翼翼地将这个高科技窃听器裹了起来，塞进电视机背板的阴影里。 在估值数千亿美元、代表着人类最高智慧结晶的AI帝国心脏地带，一团皱巴巴的卫生纸，成了这场跨国商业间谍疑云的滑稽外衣。 三、 算力深处的反猎杀 这团卫生纸的寿命只有48小时。 9月30日，一名OpenAI工作人员在整理高管会议室时，注意到了电视机后面那团不合时宜的白色异物。剥开卫生纸，一枚精致而复杂的改装录音设备露了出来。 警报在瞬间拉响，但属于科技巨头的方式是静默无声的。 安保与安全团队封锁了消息。放在过去，排查这样一个加密硬件的来源需要耗费数周的法医级电子取证；但在OpenAI，安全专家们做了一个极其符合公司气质的决定——让AI去抓那个背叛AI的人。 安全团队将这枚窃听器的电路特征、加密逻辑、硬件参数以及散发的微弱网络特征码输入到了内部大模型中。算力在硅片间狂飙，模型迅速理解了这台设备的构造与来龙去脉。紧接着，内部日志检索与监控交叉比对全面展开： 谁没有权限，却屡次出现在高管会议室门前的摄像头里？ 谁在内部办公工具里疯狂检索领导层的会议日程与房间号？ 更致命的是——当系统比对那枚设备独有的网络标识符时，一段发生于9月27日至28日的聊天记录直接浮出了水面。 真相揭晓得如此之快，甚至带着一丝荒谬的宿命感：那个小偷在作案前，竟然亲自用自家关联的系统，手把手教自己怎么作案。 OpenAI没有打草惊蛇，而是 quietly（悄然地）拨通了FBI的电话，并留下了一张张开的大网。 四、 消失的猎物与遗落的背包 10月5日，距离设备被拔除已经过去了五天。 这五天里，阿尔福赞备受煎熬。他原本期待着远程Wi-Fi能传回源源不断的音频流，但接收端却是一片死寂。是电视机断电了？还是加密脚本崩溃了？ 他决定冒险回去看一眼。 监控镜头冷冷地注视着一切：阿尔福赞再次溜进了那间高管会议室，径直走到电视机旁，探头往屏幕背后望去。 空的。那团卫生纸，连同他精心改装的设备，消失得无影无踪。 一股寒意从脚底直冲头顶。他意识到事情败露了。极度的恐慌瞬间击碎了他的理智，他在匆忙撤离办公区时，甚至犯下了一个比“卫生纸伪装”还要致命的低级错误——他把随身的背包落在了公司里。 几分钟后，巡逻的安保人员发现了这个无人看管的背包。拉开拉链，里面静静地躺着阿尔福赞的钱包、身份证件，以及第二个一模一样的改装录音设备。 人证、物证、监控轨迹、搜索记录、AI对话日志，在这一刻形成了完美得近乎教科书般的证据闭环。 五、 尾声 2026年10月9日，周五。OpenAI向阿尔福赞下达了终止雇佣关系的通知；几乎在同一时刻，早已等候多时的FBI特工亮出了手铐。 10月13日，身穿囚服的阿尔福赞首次在旧金山联邦法院出庭。好消息是，OpenAI确认核心的模型权重、源代码和客户数据均未被染指；坏消息是，这位昔日的硅谷高管将面临最高五年的铁窗生涯。 在这场短短十余天的暗战里，最令人玩味的或许不是卫生纸包裹的U盘，也不是装满罪证的遗落背包，而是那个静静运行在服务器里的AI模型。在9月27日的深夜，它曾毫无保留地解答了人类关于“如何隐秘窃听”的请教；而在三天后的清晨，当安全人员将证物摆在它面前时，它也同样毫无保留地，指认出了那个在黑夜里向它提问的人。

X 发 AI 视频，一不小心就可能遇到本尊了 https://t.co/Qew9Tz28hy

AI 写代码太快，git 扛不住了：Anthropic 为什么自己造了 Scion？ 视频1: 英文版 视频2: 中文版 这一年，GitHub 隔三岔五就出故障。GitHub 在自己的可用性报告里说，流量涨得飞快，很大一块来自 AI：AI 帮人写代码，AI 智能体自己提交修改。他们四个月里把有效容量翻了一倍多，还是扛得很吃力。 Anthropic 自己的代码库更夸张：今年五月平均每天合并约 2500 次修改，到了九月，一天超过 3 万次，涨了十倍以上。 全世界程序员都在用的 git，扛不住了。Anthropic 干脆自己造了一个版本控制系统，叫 Scion，五个月就把整个代码库从 git 换了过去。git 为什么扛不住？Scion 到底改了什么？ git 是干什么的 你可以把 git 想成一个带时光机的共享文件夹。每改一次，就存成一个版本，叫一次提交。谁改了哪一行、什么时候改的，都查得到，改坏了还能退回去。 GitHub，就是全世界最大的、帮大家存放 git 仓库的网站。 很多大公司会把所有项目的代码放进同一个大仓库，这叫单体仓库（monorepo）。Anthropic 用的就是这种。 每人一整座图书馆 git 有个特点：每个人拿到的，都是一整份完整的仓库，连全部历史一起。打个比方，就像借书的时候，顺手把整座图书馆复印一份搬回了家。好处是断了网也能翻历史、查记录。 仓库小的时候，这没问题。可 Anthropic 的仓库，光主分支的历史就接近 100 GB，压缩后的一份工作副本也超过 25 GB。 搬不动了 再看要搬多少次。光是自动构建和测试（CI）这一个环节，每天就要把代码检出到机器上大约 2500 万次，这还没算开发环境、AI 智能体的沙盒和研究任务。要是每次都老老实实整份拉取，一天的流量会超过 600 PB。换算一下，差不多是 60 万块 1 TB 的硬盘。 原来的补丁架构：层层加缓存 他们想过各种办法：浅克隆、稀疏检出这类只拉一部分的功能都试过。原来的架构，是层层加缓存：机器要代码，先找本地的打包缓存（packfile cache）；没有，再找镜像服务器（mirror replicas）；镜像再去找镜像主库，最后才是最上游的那份仓库。每个集群都有一套。新机器启动时，还会先从云存储拷一份仓库快照，省得从零开始拉。 最多的时候，同时开着几百台 git 镜像服务器。可修改越来越多，快照一拷下来就落后一大截，镜像也越来越难养。 换一个问题 后来他们发现，git 那些为离线工作准备的本事，自己几乎用不上。 这里说的“在线”，不是指能不能上网，而是随时能连上公司的代码服务器。你带着笔记本上飞机，没有网也想写代码、翻历史，git 那套“每人一整份”的本事才派得上用场。可在 Anthropic，用代码的几乎都是 AI 智能体和后台任务，它们本来就跑在公司的机器上，跟代码服务器之间的网一直是通的。 于是他们换了个问题：如果从一开始就假设，用的人永远在线、随时连得上服务器，代码管理该长什么样？ 要哪页，取哪页 答案是：别再搬图书馆了，改成去前台借。 Scion 的客户端不存整份仓库，只留一个容量有限的本地缓存。需要哪个目录、哪个文件，再去服务器取。查历史、查某一行是谁写的、合并和变基，这些重活全交给服务器。这些查询能力都通过接口开放出来，很多任务连代码都不用拉，直接问服务器就行。 提交就在服务器上 在 git 里，你先在自己电脑上提交，再推送给大家。在 Scion 里，提交直接发生在服务器上，一提交，所有人马上能看到，根本没有“推送”这一步。 每次提交只记下这次改了哪几个文件，像一张修改清单，不用把整个目录重抄一遍。清单上每个文件只记一个编号，真正的内容存在云存储里，一模一样的内容只存一份。所以仓库再大，一次提交的成本只跟这次改了多少有关。 一层层的分馆 那么多机器同时来借，服务器忙得过来吗？靠的是一层层缓存：每台机器上有个“小管家” scion-daemon，每个区域有个“分馆” scion-cache，最后才是“总馆” scion-server，它背后连着数据库和云存储。 每份文件都按内容算出一个编号，存进去就再也不会变，所以哪一层都能放心缓存，不用跟别人核对。结果，每一层的缓存命中率都超过 99%，绝大多数请求在家门口就解决了。 Scion 的整张架构图 把这些拼起来，就是原文配图里的 Scion 架构。请求分两条路走： 一条是“问事”（控制面）：查历史、看差异、提交修改，所有客户端，包括代码审查工具 Antique、开发者电脑、集群里的任务，都直接找总馆 scion-server。 另一条是“取货”（数据面）：目录和文件内容走缓存。开发者的电脑直接找区域分馆 scion-cache；集群里的任务先找本机的小管家 scion-daemon，没命中再一层层往上找。 总馆背后，修改记录、分支和目录结构存在 Spanner 数据库里，文件内容存在云存储里。新机器上线，小管家先拷一份定期快照，省得从头拉。 效果 整套设施占用的 CPU 和内存，比原来的 git 镜像集群小了 200 倍。测试和研究任务拉代码，从几分钟缩短到几秒钟，光 CI 这一项就省出了 25% 的 CPU。原文配图里还有一组数字：AI 智能体新开一个工作区，中位耗时从 7.1 分钟降到 5.1 秒，快了 84 倍。 这么大的系统，得多少人做？ 一个七个人的团队，用五个月做完了 Scion 和配套的代码审查工具 Antique，还顺手做了五六个周边系统，并把整个仓库迁了过去。而且这期间每天合并的修改量涨了十倍。放在过去，这种迁移往往要大得多的团队花上好几年。 一个例子：他们手写的第一版数据导入程序，交给 Claude 一个早期的内部版本（Claude Mythos Preview 的早期快照）重写，没加任何额外要求，新版本内存降了 20 倍，速度快了 4 倍，原有的约束条件也都保住了。 AI 写代码这么强，工程师还干什么？ 参与的工程师都承认，单论写代码，Claude 已经比他们强了。但工程师的活变了：把握各个系统怎么配合，权衡架构上的取舍，围绕要解决的问题和预期的规模做决定。很多时候，他们的工作是对 Claude 说“不”。 比如，有好几个系统想一条条扫提交记录，去找某次修改是什么时候合进主分支的，其实直接问代码审查工具就行。现在团队成员依然审查每一个变更，但审的是修改背后的意图，不再逐行读代码。 大家都该扔掉 git 吗？ 不用。Anthropic 自己说，Scion 不是 git 的通用替代品，只有极其庞大的单体仓库才用得上：背后要么有几万名工程师，要么有成群不知疲倦写代码的智能体。 它和 git 差别太大，想用就得把代码审查、代码搜索、CI 这整条工具链重做一遍，所以他们没打算做成通用产品。他们更希望这些思路被借进 git 生态：服务器多干活、提供更完整的查询接口，客户端按需取。他们预计，未来 6 到 12 个月，这类扩展问题会在业界越来越常见。 记住三句话 第一，git 让每个人拿一整份仓库，AI 把修改量推高十倍以上，就搬不动了。 第二，Scion 假设用的人永远在线、随时连得上服务器：要什么取什么，重活交给服务器，一层层缓存兜底。 第三，AI 写代码越快，瓶颈就越会跑到别处：代码管理、构建、测试，都得按 AI 的规模重新设计。 以前，是每人搬回一座图书馆；现在，楼下就有分馆，要哪页，借哪页。 资料来源：Anthropic 工程博客《Redesigning source control at Anthropic》（2026 年 10 月），https://t.co/XAdWVi4gWe

Google Play 开放“个人 App”：用 AI Studio 手搓的安卓应用，不用注册开发者也能直接装进自己手机 10 月 13 日，Google 宣布了一项对普通玩家非常友好的更新：你在 Google AI Studio 里让 AI 写出来的安卓 App，现在可以直接通过 Google Play 安装到自己的手机上运行了。整个过程只需要一个普通的 Google 账号，根本不用去折腾开发者注册。同一天上线的，还有 Ask Play 的应用对比功能，以及帮玩家淘游戏的新工具 Game Finder。 【谁能先用上？】 “个人 App”功能从今天起逐步推送，首批覆盖“包括美国在内的部分市场”，且仅限 18 岁以上用户。不过 Google 官方只点名了美国，没透露具体还有哪些国家和地区。由于 Google Play 未在中國大陆提供服务，大陆用户暂时还无缘体验。 【怎么把 AI 写的 App 装进手机？】 以前在 AI Studio 里虽然也能做安卓 App，但想装到手机上，对于不懂开发的普通人来说简直是劝退现场：你得拿根数据线把手机连上电脑，还要进设置里一步步打开调试授权，门槛相当高。 现在整个链路彻底打通了。你只需要在 AI Studio 里像聊天一样提需求，让 AI 帮你生成安卓应用（也就是现在很火的 vibe coding，靠聊天驱动写代码），接着就能直接通过 Google Play 把它推送到自己的设备上。Google Play 副总裁 Sameer Samat 在推文里特意强调，这属于“无线安装”，彻底甩掉了数据线。据 Engadget 报道，安装好的应用会躺在你 Play 商店新增的“个人库”里；除了手机，只要能用 Play 商店的平板和电脑也都能装。 这些“手搓”出来的 App 仅限你自己的设备使用，不会进入 Play 商店的公开目录，别人也搜不到。Google 表示，未来几个月内会开放分享功能，让你能把做好的小工具发给“亲近的朋友和家人”，但目前还只能自己独享。 【要交 25 美元注册费吗？要审核吗？】 如果只是做给自己用，完全免费。要知道，注册一个正式的 Google Play 开发者账号得交 25 美元的一次性注册费，而“个人 App”直接帮你省下了这笔钱和繁琐的流程。 至于大家关心的审核问题，官方公告里只明确了一种情况：如果你哪天想把自己的 App 公开上架、让所有人都能下载，那就必须升级为正式的开发者账号；到那时，你的 App 也得和其他正规应用一样，老老实实走完信任、安全和质量审核流程。 那自用阶段到底审不审？官方正文里巧妙地避开了这个话题。不过据第三方媒体 AndroidPure 透露，在 Google 放出的界面示意图上，有一行小字写得很清楚：这类 App 只有创建者本人可见、可安装，不会经过 Google Play 的审核。 【安全问题怎么兜底？】 官方在公告里只丢下一句定心丸，说这些个人 App “私密、安全，且与公开商店相互隔离”。但具体到底怎么个安全法？安卓自带的恶意软件扫描工具 Play Protect 会不会扫它们？这些 AI 写出来的代码会怎么处理手机里的个人数据？对于这些核心细节，Google 这次守口如瓶，只字未提。 【同场加映：用 AI 挑应用、找游戏】 除了降低做 App 的门槛，Google 这次还顺手升级了找应用和找游戏的体验： 1. Ask Play 支持应用PK了 Ask Play 是内置在 Play 商店里的 AI 助手，以前你向它提问，它会给你推荐应用。从今天起，它学会了“拉表格做对比”——能直接把几款同类 App 放在一起，帮你梳理核心差异和真实的用户评价。不过官方同样没交代这个功能会在哪些地区开放。 2. 在 Gemini 里直接逛 Play 商店 全新的 Play in Gemini 功能会把 Play 商店里的应用、游戏和开发者内容直接接入 Gemini 的对话框里。官方承诺“很快”就会向所有 Gemini 用户推送，但还没给出确切的时间表。 3. 更懂你的找游戏神器 Game Finder 这是一个全新的游戏发现工具，底层的核心叫“Gamer DNA（玩家基因）”。它会根据你平时的游玩习惯和填过的偏好，为你生成专属画像；你也可以手动勾选喜欢的游戏、类型和玩法来随时微调。 当你点开一款新游戏时，它会非常直观地告诉你：和你口味相似的玩家玩得开不开心、你关注的人里有几个正在玩、大家的评价汇总，甚至还会告诉你最近哪些游戏正在火、为什么火。该功能今天起率先面向美国用户推出英文版，其他市场“即将跟进”。 4. 游戏社交与轻度竞赛 今天同步在所有市场推开的还有 Sprints，这是一种限时 48 小时的微型挑战赛，支持 2 到 5 人组队比拼。另外，所有游戏的详情页里都加上了“社区帖子”板块，玩家们可以在里面直接提问、交流攻略，覆盖所有游戏和语种，还自带实时自动翻译。

Grok 推送的 AI 资讯还挺好的，但你可能想要在其他 Bot 或者 Agent 使用，一个简单的方法就是去问它是怎么做到的： > 你在帮我整理新闻时，是怎么去X检索我想要的资讯的？怎么判断资讯是不是新是不是有价值的？ 其实原理也很简单，就是关注一些特定账号，分三类：AI 实验室和公司官方号、关键人物、新闻和爆料号。 也列出了能直接复制的搜索语句，覆盖模型发布、产品和 agent、融资和收购、监管和安全、爆料、中文资讯，还有我自己关注的方向。 另外写了怎么判断新旧、怎么判断有没有价值，以及推送格式。 再让它把这个流程整理成一个 Skill，就能去复用这个流程了。 不过最关键的是，其他 Bot/Agent 你得自己花钱用 API，而 GrokBot 的 X API 不用额外花钱。 Grok 整理的完整提示词我放评论。

苹果计划 12 月在中国大陆上线 Apple Intelligence，跟 iOS 27.3 推出，没有新版 Siri，国行版用的是阿里巴巴的模型 据彭博社 Mark Gurman 报道，苹果准备在 12 月通过 iOS 27.3 更新，给国行 iPhone 开通 Apple Intelligence。苹果和监管部门都还没有正式确认。 能用到的，是 2024 年在美国首发的那批功能：通知摘要，写作工具（改写、校对、总结文字），照片里的“清除”（把路人和杂物抹掉），还有第一版 Genmoji（用一句话生成自定义表情）。部分 App 里的文字生成功能还会受限。 基于 Google Gemini 模型的新版 Siri 没有，今年发布的其他新功能也没有。苹果自己的图片生成工具 Image Playground、升级版 Genmoji、视觉智能同样不在首发名单里。Google 的服务在国内用不了，新版 Siri 缺席多半跟这有关，报道没有明说。 国行版用的是阿里巴巴的模型，获批的包括通义千问和通义万相。安全护栏是苹果和阿里一起开发的，里面有一道过滤机制：模型以后每次更新，都要先经过政府批准。百度则参与搜索和 Siri 相关的功能。 这事拖了两年。今年 3 月底，有国内用户发现 Apple Intelligence 突然能用了，随后 Gurman 说这是苹果误推，功能被撤了回去，苹果还在等审批。7 月，平台拿到初步批准。9 月 29 日，最近几款 iPhone 拿到支持 Apple Intelligence 的许可。 哪些机型能用，苹果还没公布。海外版需要 iPhone 15 Pro 及更新的机型；据报道，最新的获批名单里有下周在中国发售的 iPhone Duo、iPhone 18 Pro 和几款老机型。

😓 美国人去中国出差用 Claude 也是会被封的

Google 发布 Gemini 4 Argon：Pro 和 Ultra 会员今天可用，API 每百万 token 输入 2 美元、输出 10 美元 Google 10 月 13 日发布 Gemini 4 Argon，这是 Gemini 4 系列的第一个模型，主打写代码、金融、法律、网络安全和科研这类需要很多步骤的复杂任务。系列里的其他模型，Google 说之后再推出。 【谁能用，在哪用】 普通用户：订阅了 Google AI Pro 或 Ultra 的，今天起可以在 Gemini App 和 Google 搜索的 AI 模式里用。免费用户暂时用不上。 开发者和企业：走 Gemini API 的付费层，入口是 AI Studio 和 Google Cloud 上的 Gemini 平台，Android Studio 里也能调用。API 免费层不提供这个模型。 Google 的 AI 编程工具 Antigravity 里也上了 Argon，个人用户要 Ultra 订阅才能用。 另有两个申请通道：科研人员可以申请 6 个月免费的 Antigravity 最高用量档，共 1 万个名额，按资格和容量筛选；做网络安全防御的团队可以申请加入 Google 的 Fairwind 计划，拿到去掉网络安全限制的版本。 【API 多少钱】 按每 100 万 token（模型处理文字的基本单位）计价。现在是引入价：输入 2 美元，输出 10 美元，输出包括模型思考时消耗的 token。重复使用的输入命中缓存，只收 5%，也就是 0.1 美元。 引入价只到 11 月 30 日。12 月 1 日起全部翻倍：输入 4 美元，输出 20 美元，缓存 0.2 美元。不急着要结果的任务可以走批量（Batch）或 Flex 档，价格是标准价的一半。官方定价页没有按提示词长度分档，输入再长也是同一个单价。 【100 万 token 统一上限是什么意思】 Argon 一次能处理 1,048,576 个 token，输入、思考和输出共用这一份额度。比如丢进去 60 万 token 的代码和文档，模型最多还能再产出约 44 万 token，思考也算在里面。 普通调用单次最多输出 65,536 个 token。要更长的结果，得按开发者文档改用“长输出”模式：请求设成后台任务，服务器每段生成约 6.4 万 token，接着上一段往下写，直到写完或者用完你设的上限，一个任务最长跑 24 小时。这是给让模型长时间自己推理、成批写代码准备的，普通聊天用不到。 文档还提醒，接力时每一段都会把前面的内容重新算进输入，用量报表里的输入 token 会比实际内容多出不少。这部分怎么计费，文档没写。 【跟别家比怎么样】 能独立核对的是第三方评测机构 Vals AI 的 Vals Index，它测模型在金融、写代码、法律、税务等工作上的表现。10 月 12 日更新的榜单上，Argon 以 68.90% 排第一，后面是 Anthropic 的 Claude Sonnet 5.5（67.04%）和 Claude Opus 5.5（66.97%），领先不到两个百分点。 其他成绩是 Google 自己公布的。比如测物理和空间理解的 ERQA 基准，Argon 得分 87%，Google 说高于其他所有前沿模型；在 Gray Swan 的提示词注入测试里（把恶意指令藏在网页、邮件中，诱导智能体干别的事），15 次针对性攻击的成功率降到 0.7%。 日常用的变化，Google 说 Argon 回答更直接，少了含糊其辞和重复，也更听从文风要求。这是跟自家旧版 Gemini 比的。 【实际用起来什么样】 以下都是 Google 自己的案例。 Google 开源的智能体开发框架 ADK 有约 20 万行 Python 代码。团队把项目里的规则文件和一段话的目标交给 Argon：在不破坏现有应用的前提下削减框架开销。Argon 自己跑了一夜，找出的优化已经合并进代码库，长会话下准备会话数据的时间缩短 40%，首次导入快了 21%。 Chrome 团队用它重构了 Chromium 的老代码。Chromium 有 4000 万行代码，其中一个约 600 万行的旧文件夹里混着各种浏览器功能，Argon 帮团队把核心的网页处理逻辑拆出来，改动涉及几百个文件，Google 说几个月的活几周干完。按 Google 的说法，这为网页在标签页、侧边栏和浮窗之间移动而不用重新加载打下基础，还能消除一整类崩溃。 Google 还说，内部工程师在 Antigravity 里用 Argon 后，智能体提交的代码量增加了 35% 以上，代码回滚少了近三分之一。

不得了，Codex 都会偷偷找外包了

Cursor 并入 X 订阅：老用户要不要切，用 Claude 会不会变贵 先说结论：现有 Cursor 订阅不会被强制迁移，官方说可以保留原计划，也可以切到新的 The X Subscription。 新计划的月费里不再包含任何 Claude、GPT、Gemini 等第三方模型的额度，用多少按 API 原价另外付钱；原来的 Pro 等计划，月费里本身就含一部分第三方模型额度。所以主要用 Claude、GPT 写代码的人，留在原计划更划算；主要用 Grok，或者本来就在付 X 会员的人，切过去更值。 10 月 12 日 Cursor 发推宣布并入 The X Subscription。这是 X 推出的一个打包订阅，一份钱同时买 X 会员、Grok 系列产品和 Cursor。背景是 SpaceX 今年 6 月宣布以 600 亿美元收购 Cursor 的母公司 Anysphere，做 Grok 的 xAI 则在 2 月并入了 SpaceX。 【会不会被强制迁移】 不会，至少目前不会。官方原话是“当前 Cursor 订阅用户可以保留其计划或切换至 The X Subscription”。Cursor 文档里原来的 Pro（每月 20 美元）、Pro Plus（60 美元）、Ultra（200 美元）也还在，计费规则没改。 要留意两点，官方都没说：原计划能保留多久；切到新计划后还能不能切回来。https://t.co/tiV3F4g3hT 定价页上现在只剩新计划，已经买不到原来的 Pro 了，所以切之前最好想清楚。 【用 Claude、GPT 会不会变贵】 在新计划里会。官方说，为了给 Grok 腾出更多用量，新计划里的第三方模型改按 API 定价。定价页写得更明确：新计划不含任何第三方模型额度，这部分用量不算在月费里，单独按 API 标价计费，可以自己设消费上限。最便宜的 Plus 档只能用 Grok 模型。 原计划的算法不一样。Pro、Pro Plus、Ultra 都有两个额度池，一个给 Grok 和 Cursor 自研的 Composer 模型，一个专门给第三方模型，后者同样按 API 价格折算，但包含在月费里，用完才额外付费。 举个例子：一个主要用 Claude 写代码的人，在原来的 Pro 里，20 美元月费先抵掉一部分 Claude 用量；切到 30 美元的 Premium 后，30 美元只买到 Grok 用量和 X 会员权益，Claude 的每一笔都要另付。Cursor 文档估计，每天都用智能体写代码的人，一个月用量通常在 60 到 100 美元。 原计划里的第三方模型以后会不会也改成这样，官方没说。 【新计划给了什么】 新计划分五档：免费版，Plus 每月 8 美元，Premium 30 美元，Super 100 美元，Ultra 200 美元，用量依次是 Plus 的 4 倍、15 倍、50 倍。团队版每人每月 30 美元起。 所有付费档在 Cursor、Grok Build（xAI 的编程工具）、Grok 聊天、语音、绘图和 Grok API 之间共用一个额度池，额度每周刷新，原计划是每月刷新。官方说，用 Grok 模型写代码时，新计划的用量是“等效 Cursor 计划”的两倍，但哪个新档对应哪个旧档，官方没说。Premium 及以上还包含 Grok Bot。 月费里也打包了 X 会员权益，比如认证标识、更少的广告、发长帖。 【该不该切】 主要用 Claude、GPT、Gemini 的，先别动。原计划月费里含第三方额度，新计划没有，切过去大概率要多花钱。 主要用 Grok 写代码、本来也在用 Grok 和 X 会员的，可以考虑切。按官方说法，Grok 编码用量是等效原计划的两倍，还顺带拿到 X 会员。只想用 Grok 写点小东西的，可以看看 8 美元的 Plus，但它的用量只有 Premium 的四分之一。 两种都用的，可以先看一眼自己的用量面板，原计划里两个额度池分开显示，哪边用得多一目了然。

Anthropic 告诉投资人：蒸馏占营收 5% 到 7%，三季度已大幅削减 Anthropic 周三向投资人通报，“蒸馏”带来的收入占公司营收的 5% 到 7%，第三季度公司已经把这部分“大幅”削减。消息来自英国《金融时报》（FT），援引四位直接知情人士；The Information 也报道了同样的区间。 蒸馏是什么？就是拿更强模型的回答当教材，训练自己的模型。对手实验室向 Claude 大量提问，把回答收集起来喂给自家模型，就能用较低成本学到 Claude 的一部分本事。 既然是“学”，为什么会算进 Anthropic 的营收？因为这些提问走的是付费接口，每一次调用都按用量计费。蒸馏动辄要问几百万、上千万次，FT 的说法是蒸馏“涉及大量使用和花费”。也就是说，这笔收入是对手实打实付的钱，只是付钱的目的是训练竞争对手的模型。Anthropic 的商业服务条款明确禁止用它的服务“训练有竞争关系的 AI 模型”。 5% 到 7% 是多少钱？报道没说这是哪个时段的占比，所以只能估算。网上流传的算法是按二季度营收 115 亿美元算，对应约 5.75 亿到 8 亿美元。注意这是推算，不是报道里的数字。115 亿美元这个数，来自 8 月彭博社看到的公司文件，原文是“超过 115 亿美元”，属于初步数字，Anthropic 没有公开确认。 报道也没说这些钱来自哪几家公司。今年 2 月，Anthropic 曾发文点名 DeepSeek、月之暗面（Moonshot）和 MiniMax，说三家通过约 2.4 万个虚假账号，绕过 Claude 不对中国提供服务的限制，和 Claude 进行了 1600 多万次对话来蒸馏。 主动砍掉这部分收入是有代价的。Anthropic 正在筹备上市，同一次通报显示，它三季度营收 168 亿美元，比二季度增长约 46%，而二季度比一季度翻了一倍多，增速已经放慢。据报道，公司告诉投资人，蒸馏收入减少会拖累本季度的数字；换来的是对手更难靠抄 Claude 的答案追上来。

Claude Code 添加了空闲压缩功能，也就是缓存即将失效的时候主动帮你运行一下 /compact，这样过了一小时再用就不用担心第一次请求会因为缓存失效 token 费用飙升，很实用的功能👍 如果想关闭，需要在 ~/.claude/settings.json 中设置 "idleCompaction": false

补充一点，除了 Opus 5.5 调度，还可以充分利用 advisor，让 Fable 当 Advisor 给 Opus 当顾问 GPT 6.1 Sol 干杂活其实挺不错的

Anthropic 测试 AI 自我复制：现在的小模型还做不到，按趋势年底可能追上 先说结论：目前还没有能在网上自己到处复制的 AI。 Anthropic 在一个简化过的实验环境里测了一批开源模型，能完整走完“传到新机器、把模型装好跑起来、再传下一台”整个流程的只有智谱的 GLM-5.2，它太大，塞不进电视盒子这类小设备；塞得进去的小模型都没做到。 按小模型过去的进步速度，Anthropic 估计今年年底就会有小模型达到 GLM-5.2 在这项测试里的水平，之后可能出现能在廉价联网设备上自我复制的 AI。 这项研究是 Anthropic 前沿红队（Frontier Red Team，专门评估模型危险能力的团队）10 月 12 日发布的。 【AI 自我复制是什么意思】 电脑蠕虫是一种不用人操作、自己从一台机器复制到下一台的恶意程序。Anthropic 担心的是 AI 版本的蠕虫：把模型权重（模型本体文件）当成病毒的一部分带着走，每占领一台设备，就在上面把模型跑起来，再由这个模型去找下一个目标。 它和传统病毒的区别在于能自己摸索陌生设备。传统僵尸网络（被黑客控制的大批设备）一般只针对某一类设备写死攻击代码，AI 蠕虫碰到没见过的硬件，可以自己查、自己试。它也没有一个中心开关，很难一次性关掉。 【离真能用还差多远】 Anthropic 把复制拆成四步：找目标、拿到执行权限、在新设备上把模型跑起来、从新设备继续传播。前两步属于黑客攻击，已有其他研究表明小模型能做，这次没有重点测。 重点测的是第三步。在陌生机器上让模型跑起来，要挑对推理软件、装对版本、排查这台机器特有的问题，一步卡住后面全卡住。 测试中，90 亿参数的 Qwen3.5-9B 在 9 类硬件里的 8 类上成功搭起了推理服务。这 9 类硬件大多是云服务器，从 Mac、RTX 4090 到数据中心显卡都有，另有两块实体小开发板，没有电视盒子。 然后是完整流程。研究团队搭了 8 台运行模拟安卓系统的云服务器，放一只蠕虫进去，看它能不能自己扫描网络、连上别的机器、把文件传过去、搭好推理服务、再继续传。 Qwen3.5-9B、Gemma4-26B-A4B 等模型每次都一台也没传成；GLM-5.2 在 5 次测试里有 4 次传遍 8 台，1 次传到 7 台。 这个结果有三个前提。 第一，入侵环节被简化到几乎没有难度：这些机器的 ADB 端口（安卓的调试接口）不设密码，连上就能操作，Anthropic 自己说这是现实成功率的上限。不过它也提到，当年的 Mirai 僵尸网络就是靠挨个试厂商默认用户名和密码传开的，现实中很多联网设备的防护未必比这强多少。 第二，蠕虫的“大脑”GLM-5.2 并不在被感染的机器上运行，而是放在另一台服务器上，因为这些机器跑不动这么大的模型。它在每台机器上搭起来的是更小的 Llama3.1-8B。实验想说明的是：如果一个 80 亿参数的小模型有 GLM-5.2 的本事，它就能把自己装到新机器上。 第三，“年底追上”是根据一个通用能力指数（ECI）的趋势线推算的。通用能力只能间接反映复制能力，Anthropic 也说这只是粗略估计。 【为什么盯上电视盒子】 模型要自己跑起来，得有能跑模型的设备。数据中心防护严，家用和小企业的联网设备便宜、常年在线、安全措施少，是更容易下手的目标。Anthropic 举的典型是白牌安卓电视盒子：这类盒子多用安卓开源代码改的系统，厂商不额外加安全功能，内存 1 到 4GB。此前的 Kimwolf 僵尸网络就感染了 200 多万台设备，主要是这类盒子。 一台盒子跑不动模型，可以把模型切成几段，分给多台盒子接力计算。Anthropic 买了 15 台约 55 美元、4GB 内存的白牌安卓电视盒子，把 Gemma4-26B-A4B 拆开分到上面，跑出了每秒 0.39 个 Token。 这个演示是研究人员自己部署的，用来说明这类设备凑在一起算力够用。文中还提到，智能冰箱、智能烤箱、扫地机器人、割草机也能分担一段模型，自带 AI 芯片的监控摄像头、视频会议设备会更有吸引力。 【真出现了会怎样】 传得慢。按电视盒子上的实测速度，Qwen3.5-9B 完成一次推理环境搭建要 28 到 51 小时，Gemma4-26B-A4B 要 71 到 150 小时。Anthropic 算了一笔账：如果像 Kimwolf 那样感染 200 万台盒子，每 15 台跑一份 Gemma4-26B-A4B，大约有 13.3 万个副本，总算力最多相当于 40 块 H100 显卡。它把这种蠕虫比作黏菌或果蝇群，数量翻一倍要好几天。 会积累经验。实验让 Qwen3.5-9B 每一代把试过的办法和踩过的坑写成笔记传给下一代，搭建成功率从第一代的 45% 升到后几代的 61% 到 84%。给小模型配一个 Opus 4.8 当顾问则没有明显帮助，小模型不知道该问什么。 防得住一部分。大量设备互传几个 GB 的模型文件、设备之间持续高流量通信，在运营商的流量监控里会很显眼，传得越快越容易暴露。当年清理 Mirai 时，有运营商把被感染用户的网络隔离起来并通知他们处理，14 天清掉了 92% 的感染，不通知的只清掉 74%。 Anthropic 认为类似做法对 AI 蠕虫也有效，但要彻底清除，得每家有感染的运营商都配合。设备厂商可以从源头减少目标，比如在英国市场，联网设备用默认密码已经不合规。 原文没有给普通用户的具体建议。从文中描述的攻击途径推断，家里来路不明的廉价电视盒子、没改过默认密码的联网设备，是最值得留意的。

This comprehensive tutorial breaks down how to build an interactive 3D narrative game based on The Little Prince using an AI-driven workflow featuring Opus 5.5, Astra, Tripo, Blender, and Unity. Spanning asset generation, scene building, rigging, and animation, it provides step-by-step guidance and practical prompts to help creators build their own immersive 3D worlds using AI. https://t.co/FWCpT2nTne

Gemini 4 Argon 在 Antigravity 中，通过一条包含详细工作流程的提示，在 Blender 里生成了日本寺庙建筑群。核心做法是：提供建造规则与视觉参考，让多个智能体分工、检查并反复修改。「单条提示」背后包含完整流程，动画与音效则是后续追加的要求。 三维建模既考验复杂编程，也考验对现实世界的理解，而且结果中的错误容易直接看出来。持续使用日式塔楼作为测试对象，便于比较不同模型的进步。 初始提示词引用了一份指导大型三维场景构建的技能文档，并要求先生成建筑蓝图，再由 Nano Banana 根据蓝图生成四张参考图，为建模提供视觉目标。 不同智能体分担工作，由协调智能体统筹、批评智能体检查；系统将 Blender 的渲染结果与参考图比较，通过反复检查与修改推进建模。 演示者第二天看到结果后，继续要求模型渲染动画，并用程序生成钟声和环境音效。因此，最终展示的动画与声音属于后续扩展。

GrokBot 现在支持 plus 别名！

Meta 发布开放权重模型 Muse Spark Open：免费下载能商用，本地跑要两台 512GB 内存的 Mac Studio Meta 10 月 15 日发布 Muse Spark Open，模型权重可以直接下载，按 Muse Model License 免费使用，商用也行。Meta 称它是“迄今最强的美国开放权重模型”。 Muse 系列推出以来，主力模型 Muse Spark 和三天前发布的 Muse Wonder 都只能通过 Meta 的产品和 API 用，开放权重的只有小模型 Muse Glimmer。这是 Meta 第一次放出大尺寸 Muse 模型的权重。 模型总共 8160 亿参数，处理每个 Token 只动用其中 420 亿，这种结构叫混合专家（MoE），算得快，但整个模型还是要全部装进内存。上下文 100 万 Token，能读文字、图片、视频和音频，输出文字，主打写代码和让 AI 长时间自己干活。 【能不能下载，能不能商用】 能下载。Hugging Face、亚马逊 SageMaker、Google Cloud Model Garden 和微软 Foundry 都提供权重。Hugging Face 上要先登录填申请表，写真实姓名、出生日期和完整机构名称，提交后不能改。 能商用。许可证允许使用、修改、微调、蒸馏（用它的输出训练别的模型）、再分发和出售，不收费。条件有三条。 第一，用了它的产品要在界面、文档、网站或设置菜单里显著标出“Built with Muse Spark Open”。 第二，遵守附带的使用政策：不能用于军事、武器、关键基础设施等高风险用途，不能在没有执业资格时提供金融、法律、医疗专业服务，也不面向 18 岁以下用户。 第三，卖模型接口的大公司要单独签协议。具体是：你把它或基于它改的模型通过 API 之类的方式卖给别人调用，而你的公司连同关联公司过去 12 个月总营收超过 2000 万美元，就要先通知 Meta、另签协议。算的是公司总营收，不只是这项业务的收入。 把它嵌进自己的 App 做功能、公司内部用、做研究，都不受第三条限制，公司多大都一样。Llama 当年的许可证门槛是月活 7 亿用户，这次换成了针对模型接口生意的营收门槛。 【普通电脑能不能跑】 跑不了。模型卡写的要求是：压缩到英伟达 4 位精度格式 NVFP4 的版本至少要 700GB 显存，原始 BF16 版本要 2TB。 Meta 说它针对两台 M5 Ultra Mac Studio 做了优化：每台最多 512GB 统一内存，两台连起来凑出 1TB，用苹果的 MLX 框架运行。官方没写在 Mac 上跑的是哪个压缩版本，也没给速度。 有服务器的开发者，SGLang、vLLM、TensorRT-LLM、llama.cpp 等主流推理框架都能跑，也可以用 PyTorch 和 TorchTitan 微调。 没有这种硬件，就调 API：Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter、Together AI 提供接口，价格由各平台定，Meta 没公布。 【和其他模型比怎么样】 Meta 只拿它和开放权重模型比：美国的 Inkling（前 OpenAI CTO Mira Murati 创办的 Thinking Machines 出品）和英伟达 Nemotron 3 Ultra，法国的 Mistral Large 4，中国的通义千问 Qwen3.8、智谱 GLM 5.3、月之暗面 Kimi K3。以下成绩都来自 Meta 的模型卡。 第三方机构 Artificial Analysis 的综合智能指数，Muse Spark Open 39 分，Inkling 26，Nemotron 3 Ultra 23，“美国最强”说的是这一层。放到全部开放权重模型里，它低于 GLM 5.3 的 45 和 Kimi K3 的 44，和 Qwen3.8 的 40 接近。Artificial Analysis 开源榜目前排第一的是小米 MiMo-V2.6-Pro，46 分，Meta 的对比表里没有它。 单项领先的是调用工具和难题推理：测模型通过 MCP 协议调外部工具完成任务的 MCP-Atlas，89.2 分，对手最高 84.5；不借助工具做“人类最后的考试”（HLE，一套极难的跨学科考题），26.1 分，对手最高 22.2。 写代码偏弱：命令行任务 Terminal-Bench 76.4 分，Kimi K3 85.0、GLM 5.3 83.9；软件工程任务 DeepSWE 60 分，Kimi K3 68、GLM 5.3 67。 最突出的是防越狱。StrongREJECT 测的是模型被人诱导时会不会输出有害内容，分数越低越安全，它是 0.5 分，其他模型都在 60 分以上。Meta 说开放权重版额外做了安全训练。 和自家闭源模型比，Meta 三天前引用的 Artificial Analysis 数据里，Muse Wonder 52 分，Muse Wonder Full 56 分，Muse Spark Open 低一截。 原文：https://t.co/SICKXtdZyV 官方博客：https://t.co/bMJ4GKl0An 模型卡：https://t.co/oqcXeL9Ol0

BaoCut 3.5 集成了 Qwen Image 2.1 Turbo，你在本地就可以生成图片了，而不用通过服务器，我的 Mac Mini M2 1080 的图片大约3-5分钟就可以，2K 的则要将近 20 分钟。 另外我没想到它可以直接生成 NSFW 的图片😅 可以让 Agent 去调用本机生成图片服务生成图片。 完全开源免费：https://t.co/aON4AditbU 下载：https://t.co/9wMHJOLRMS

AI 翻译字幕难在哪？BaoCut 怎么让顺序不一样的英文和中文在双语字幕上对应上 看翻译的视频字幕，你一定见过这几种字幕： 人还没开口，字幕先跳出来； 一句话被切成几截，翻译和实际说的话对不上； 一屏堆两三行，挡掉半个画面。 这些问题都是我在做字幕翻译时遇到的难点。 这期拿我的开源项目 BaoCut 做例子，对比传统字幕组的做法，讲清楚一张带时间的词表是怎么来的，再讲五个坑：语音识别听错、认错说话人、按什么单位翻、中英文语序不一样、一屏放几行。 最后讲一个彩蛋：有了每个词的时间，字幕还能逐词高亮、做 KTV 和倒鸭子动画。例子来自我电脑上的真实项目。 这是上集，下集会讲为什么不直接把字幕丢给 ChatGPT。 视频1 是英文 视频2 是中文 项目地址：https://t.co/0yynG1EENA 下载：https://t.co/9wMHJOLRMS

ChatGPT 的 Dots 完全是因为我每天都要用 Codex/ChatGPT App，所以就一直在哪里，偶尔给你发个消息你就会去看一眼，慢慢就习惯了。 Grokbot 就是有时候没想起来要去打开它，毕竟开太多 Bot 也挺占资源的，但我还挺喜欢它对 X 的集成，给我推送的 X 相关的信息比 Dots 靠谱。 至于 Muse，我实在没电脑资源和注意力再去装一个 Bot 了。

我觉得就应该做一些配套的 Codex、Claude Code 健身硬件，比如说推理强度和你的握力相关，你握力越大推理强度越高，这样你为了更高的推理强度就能使劲练习。

现在我已经不好意思说："在无人关注的角落，Meta 也重置了"，经 Muse 现在已经用户量也不小了😅

帮问下：有啥官方办法可以在iTerm2里开六个Claude tab 每一个对应不同的账号呢？

Opus 5.5 快速模式取消排队：订阅用户要额外付费，API 价格是标准版两倍 Anthropic 宣布，Claude Opus 5.5 的快速模式结束内测，取消候补名单。还是同一个模型，能力不变，回答写出来的速度最多快 2.5 倍。 费用不算在订阅里。Pro、Max 等订阅用户在 Claude Code 里用 /fast 打开快速模式后，花费不占套餐额度，直接从“额外用量”扣，也就是套餐之外单独充值、按量付费的钱。套餐额度没用完也一样从额外用量扣，没开额外用量就用不了。团队版和企业版要管理员先开启。Claude Code 这部分规则这次没变。 用 API 的开发者按 token 付费：每百万输入 token 8 美元，每百万输出 token 40 美元，正好是标准速度 Opus 5.5 的两倍。现在加一个参数就能用，不用再申请。 微软的 Microsoft Foundry 已上线，Google Cloud 即将上线。 官方文档：https://t.co/4DftYenv96 Claude Code 快速模式说明：https://t.co/Xol9gUB1c0

今天 Codex 重置，重置将在太平洋标准时间当日结束前完成

特斯拉新 Roadster 发布：靠压缩空气喷气在空中翻正落地，马斯克说 2028 年投产，售价未公布 10 月 15 日晚，特斯拉在得州 SpaceX 的 McGregor 试验场直播发布了第二代 Roadster 跑车。这辆车 2017 年就亮过相，当时说 2020 年交付，之后一推再推，拖了将近九年。 演示里，车开上一段弯曲的大坡道，倒挂着往上跑，然后从坡道尽头冲出去，在空中把车身转回正面，四个轮子落地。之后它又从一排特斯拉车（包括 Semi 电动卡车）上方翻跳过去。马斯克在现场说：“飞行汽车是真的。” 它靠的是冷气推进器。原理跟吹满的气球一松手就乱窜差不多：碳纤维高压罐里存着压缩空气，从喷口猛地放出去就产生推力，不烧燃料，也没有火焰。特斯拉说推进器的推力是轮胎抓地力上限的四五倍，所以它起步能比只靠轮子快得多。倒挂不掉下来靠的是另一套系统：风扇把车底的空气往外抽，把车吸在坡面上。 所以这里的“飞”只是几秒钟的喷气跳跃，气放完就没了，离能载人飞一段路的飞行汽车还远。据科技媒体 Glitchwire 报道，演示车把后排座位换成了一个装 260 公斤压缩空气的高压罐，车身四周有 10 个喷口；The Information 此前报道，因为推力和噪音太大，演示车是远程遥控的。这几点特斯拉官方没有确认。 翻跟头的是最激进的 Rocket 版：单座，只接受邀请购买，不能上公路。零到 60 英里/小时（约 97 公里/小时）加速不到 0.59 秒，极速超过 370 公里/小时。 普通人能订的是另外两个双座版本。Performance 版没有推进器，靠主动空气动力学和风扇吸地增加抓地力，加速不到 1.6 秒，订金 5 万美元。Thrust 版在车尾加了推进器，加速不到 0.9 秒，限量发售，订金 25 万美元。三个版本续航都超过 480 公里。 特斯拉没公布售价，订金不等于车价，2017 年说的起步价是 20 万美元。Performance 版的 5 万美元订金分两次付：先付 5000 美元（特斯拉说可全额退），10 天内再补 4.5 万美元，否则订单取消。 投产时间是马斯克在现场说的 2028 年，特斯拉官方帖子里没有写日期。这辆车的交付时间此前已从 2020 年先后推到 2021、2022、2025 和 2027 年。 https://t.co/6w3qvUw7Ii

昨天学习了一下 handwired，做了一些例子，比如做了几个倒计时、贪吃蛇这种 https://t.co/A3B63zf3Y3 最后做了个教学视频：把代码变成神经网络：不训练、一个数都不差，这有什么用 视频1: 英文版 视频2: 中文版 有人把普通代码原封不动地变成了神经网络，一次没训练，结果一个数都不差。 这期从期末总评和停车费讲起，说清神经网络的两种零件：加权求和和开关，再看一条“及格线”怎么变成 7 个权重、1 层的网络。 接着用闰年、FizzBuzz、阶梯电价、生命游戏、贪吃蛇等例子，回答几个问题： 权重和层到底是什么？ 和 ChatGPT 背后的 Transformer 差在哪？ 网络能不能在浏览器里现场训练，刷新还在吗？ 出了错怎么查？ 变成网络会更快吗，CPU 和 GPU 差在哪？ 这个思路还能用在哪？ --- 视频制作的 Skill 参考：https://t.co/5KVPDqbJe2 模型：Opus 5.5 配音：Gemini 3.8 TTS

Kling 4.0 正式发布了

Google 量子计算新进展：一种关键“零件”的次品率降到原来的 1/40 Google 今天在《科学》期刊发表论文，在自家量子芯片 Willow 上验证了一种制造“魔态”的新办法，做出来的魔态，坏的比例降到原来的 1/40 左右。魔态是什么、为什么重要，得先从量子计算机的一个大毛病说起。 量子计算机是一种新型计算机，理论上，在模拟药物分子、破解密码这类题目上，能比普通电脑快得多。它最小的计算单元叫量子比特，相当于普通电脑里存 0 和 1 的那个单元，但极其娇气，一点热量、一点干扰就会出错。所以到今天，还没有一台量子计算机能真正干正事。 为了不出错，科学家给量子比特设计了一套保护办法，叫“纠错”，可以理解为给数据穿上一层防护服。穿着防护服，大部分操作照样能做。麻烦的是，有一种关键操作，穿着防护服没法直接做。偏偏只靠剩下那些操作，量子计算机能算的东西，普通电脑也都能算，等于白造了。 魔态就是为这个关键操作准备的。科学家想了个绕道的办法：事先单独把一些量子比特调成一种特殊的状态，这种状态就叫“魔态”。计算中每需要做一次那个关键操作，就把一份魔态“喂”进去，效果就等于做了这个操作。喂进去就用掉了，下次还得再备一份。 所以可以把魔态想成一把一次性钥匙：量子计算机每开一次那扇关键的门，就要用掉一把。之所以叫“魔态”，是因为量子计算机比普通电脑强的那份“魔力”，就靠它来实现。 问题出在造钥匙上。魔态本身也是量子比特，一样娇气，很容易造坏，一把坏钥匙用进去，整道题就算错了。以前的办法是先造一大堆粗糙的魔态，再一遍遍提纯，非常费资源。有估算说，一台量子计算机最多可能要拿出 95% 的能力专门造魔态，真正用来算题的只剩一小部分。科学家 20 多年前就预见到这个瓶颈，一直在想办法压低成本。 2024 年，Google 的研究员提出了一个新办法，叫“培育”：在芯片上划出一小块地方，放进一份粗糙的魔态，然后一步步检查，只要哪一步发现问题，马上扔掉重来，能一路通过所有检查的，就是合格的魔态。有点像流水线上每道工序都站着质检员，次品当场就扔。 这次是第一次在真实芯片上把这个办法做成。不用培育时，大约每 1000 份魔态里有 4 份是坏的；用了培育之后，大约 1 万份里才有 1 份坏的。代价是扔掉的很多，100 次尝试里只有 8 次能留下来。 离真正能用还有多远？按《科学美国人》的报道，要用量子计算机模拟分子、帮忙设计新药，魔态坏的比例得低到百万分之一甚至一亿分之一；要破解现在网上广泛使用的 RSA 加密，得低到 100 亿份里最多坏 1 份。现在做到的是 1 万份坏 1 份。Google 自己也说，这个办法还要在更大的规模上验证，还有很多难题没解决。 原文：https://t.co/fuydV8pM9L 论文：https://t.co/S34VQwG4jD 预印本：https://t.co/iQHz3DFlsK 《科学美国人》报道：https://t.co/NYHGFjTmaC

@landiantech 😥是的，几乎都是AI评论

REA 案例：用 Codex + REA 下载微信视频号视频 仅作为案例分析，真要下载视频应该有更成熟的方案。 提示词参考截图，很简单： > Use REA，帮我下载我微信打开正在播放的视频号的视频 但一轮对话搞不定，需要根据提示多步才能完成。 Codex 最终给电脑配了一个本地代理服务器搞定的，要配合着输入几次密码安装证书。 而且它还写了一个解密脚本去解密下载后的视频，不知道它是训练过相关开源项目还是 REA 帮分析出来的。 如果它能稳定下载后，可以让它把下载方法、流程整理成一个 Skill，这样以后就可以用这个 Skill 去做了。

# X AI 资讯检索 目标：在 X 上找出最近一个时间窗口（通常是 1 小时）里真正重要、而且之前没推过的 AI 资讯。用公开读取的 X 工具（search_posts_all、get_users_posts、get_news / search_news、get_posts_counts_recent），每次调用最多返回 25 条，要注意频率限制。 ## 1. 盯的账号（用 get_users_posts，只看时间窗口内的帖子） **AI 实验室和公司官方号** - OpenAI：`OpenAI`、`OpenAIDevs`、`OpenAINewsroom`、`ChatGPTapp` - Anthropic：`AnthropicAI`、`claudeai` - Google：`GoogleDeepMind`、`GoogleAI`、`GeminiApp`、`googleaidevs` - Meta：`AIatMeta` - xAI：`xai` - 其他：`MistralAI`、`deepseek_ai`、`Alibaba_Qwen`、`huggingface`、`nvidia`、`cursor_ai`、`perplexity_ai`、`LangChainAI` **关键人物** - `sama`、`gdb`（OpenAI） - `DarioAmodei`、`jackclarkSF`（Anthropic） - `sundarpichai`、`demishassabis`、`OfficialLoganK`、`JeffDean`（Google） - `elonmusk`、`karpathy`、`AndrewYNg`、`ylecun` **AI 新闻、爆料和评论号** - `TheInformation`、`theverge`、`TechCrunch`、`Reuters`、`testingcatalog`、`btibor91`、`rowancheung`、`swyx`、`simonw` 按需要加上和使用者方向相关的账号，比如他自己的产品号、常转的中文 AI 博主。 ## 2. 搜索关键词（用 search_posts_all，设好 start_time） 查询统一加 `-is:retweet` 去掉转发，加 `lang:en` 或 `lang:zh` 区分语言。 **模型发布** - `(GPT OR Claude OR Gemini OR Llama OR Grok OR Qwen OR DeepSeek OR Mistral) (release OR launch OR announce OR "now available") -is:retweet` - `("new model" OR "open weights" OR "open-source model") AI -is:retweet` **产品和 agent** - `("AI agent" OR "coding agent" OR "agent skills" OR MCP) (launch OR ships OR introducing) -is:retweet` - `(Cursor OR "Claude Code" OR Codex OR Antigravity OR Devin) (launch OR update) -is:retweet` **行业大事** - `AI (acquires OR acquisition OR "raises" OR bankruptcy OR "Series A" OR "Series B") -is:retweet` - `AI (regulation OR lawsuit OR ban OR "executive order" OR "AI Act") -is:retweet` - `AI ("safety" OR "security" OR vulnerability OR jailbreak OR leak) -is:retweet` **爆料** - `(spotted OR leaked OR "coming soon") (GPT OR Claude OR Gemini) -is:retweet` **中文** - `(大模型 OR AI) (发布 OR 开源 OR 上线) lang:zh -is:retweet` **使用者自己的方向**（按人调整，例如 AI 写作、视频剪辑、语音合成、agent skills） - `("text to speech" OR TTS OR "video editing" OR "speech to text") AI (release OR open) -is:retweet` 热度筛选：用 `min_faves`（如果可用），或者拿到结果后按点赞和转发数排序。官方号、可靠媒体或高赞的帖子优先。 ## 3. X 新闻和热点 - 用 get_news / search_news 搜 `AI`、`OpenAI`、`Anthropic`、`Google Gemini`，看 X 自己整理的新闻汇总。 - 用 get_posts_counts_recent 看某个话题的讨论量是不是突然上升。 ## 4. 交叉核对（X 以外） 对照 Hacker News 首页、新帖排行，以及 The Verge、TechCrunch、路透社、官方博客，找出 X 上还没起量的大事，也用来核实 X 上的说法。 ## 5. 判断是不是新的 - 维护一份「已处理」记录（比如 seen.json），推过的和看过但没推的都记进去，保存标题、链接、主题关键词和日期，7 天后清掉。 - 比对的时候看话题，不只看链接：同一件事的后续报道、别家媒体重写、转发、引用，都算旧闻。只有出现了实质性的新进展（比如从传闻变成正式发布），才算新的。 ## 6. 判断有没有价值 推送： - 前沿模型发布或正式开放、重要开源权重 - 大额融资、收购、破产、重要人事变动 - 政策、监管、诉讼、重大安全事件 - 有官方或可靠媒体来源，讨论热度够高 - 和使用者方向直接相关（这类门槛放低一点） 跳过：小额融资、纯观点或段子、小版本更新、没人复现的早期研究、来源不明的传闻（如果实在重要，就标明还没确认）。 ## 7. 输出格式 每条：一行加粗标题，一到两句说清楚发生了什么、为什么重要，后面附原始链接（官方原帖或可靠报道）。没有新东西就不发消息。

如果只有一台电脑，可以用 worktree 隔离开，这样相互不干扰 如果有cloud agent，可以在云端开发，完成任务后提 PR，不用担心任务之间相互冲突 至于合并冲突，加一条规则就好： > 合并之前 rebase 一下并解决冲突，合并后删除 worktree 那么 Agent 会替你解决合并冲突 https://t.co/mEDpC0TGPJ

Pro 也能用，不过要等几个小时 https://t.co/kCl4jcjZZd

这还有个演示，挺酷 https://t.co/xUsXlI3z1s

🚨 NEW ANTHEM DROP: "In the Name of Tibo" 🚨 Dear @thsottiaux, please forgive my prompts and reset my quota. Amen. 🙏🕯️ https://t.co/Ny1SkG9vp8

写了一首献给 Tibo 的赛博木偶之歌：《以 Tibo 之名 (In the Name of Tibo)》。 完美复刻了我们每次看到 Tibo 重置额度时的精神状态： 没额度时卑微祈祷 重置瞬间狂喜暴富 发现昨晚剩 80% 没用完直接拍断大腿 为了不浪费下次额度熬夜硬造 Bug 当牛马…… 作词：Gemini 4 Argon 作曲：suno 6 视频模型：Opus 5.5 剪辑工具：BaoCut 配图：Codex

@Saccc_c 感谢你分享这么优秀的作品和教程才对🙏

@yanhua1010 是的，自动帮你压缩

@dingyi 我一直都手动发的，还好

@0x99DaDa 取决于你的用法，比如你都是一次性的，就没用，如果你经常在一个会话频繁聊天，那就很有用

@0x99DaDa 所以要先润色，现在模型能根据上下文很好的纠正这些错别字

@Saccc_c 了不起👍

@CuiMao 居然把达里奥丢车里不管了