09 月 13 日
373 条动态
Noah Smith 结合数学家公开信发布长文《The end of the age of heroes》，讨论 OpenAI 宣称新模型 Astra 解决十个重大数学与理论计算机科学难题这一时刻的含义。 要点： 以「人心算师」被计算器取代、Kasparov 与李世石落败为脉络，将其定位为人机竞争史上的又一里程碑； 共识认为这批成果是极重要的突破，但 AI 可能仍擅长「读完整个文献并组合已有洞见」类问题，而非真正新颖的顿悟式飞跃——DeepMind 的 Tom Zahavy 称之为「LLMs can't jump」； 尽管存在这一可能的普遍局限，趋势线已经越来越清晰：AI 很快会在数学上超过任何人类； 文章呼应顶级数学家的公开信，讨论「英雄个体」时代的终结对数学界意味着什么。
前 Anthropic 员工 Flomerboy 分享开发 Claude Design 时的一手发现：为提升视觉能力给 Claude 加「放大镜」工具反而降分，因为它竟在逐像素看图，这类意外解法印证了 AI 行为的不可预测。他提出应放慢能力推进、加强安全的理由，并在收尾指出：在可能变好也可能变糟的巨大不确定性面前，不做任何改变地照常狂奔是不理性的。
作者宣布为 AI 音乐项目 leafalia 发布 4 个新环境与交互机制，制作原声带的下载版本，并为虚拟艺人 noaliae 的第二张专辑在全流媒体平台上架做准备。展示了 AI 生成音乐作为持续运营的虚拟艺人产品的进展。
发帖人在 ComfyUI 上用 5070 Ti 16GB + 64GB 内存跑 MiniMax H3 的 ref2va(int8,启用 Turbo LoRA),生成 10 秒 9:16、0.2MP、单图+视频输入的视频,每步耗时约 150 秒;而同类设置下 image2video 生成 10 秒 0.5MP 视频每步只需约 27 秒。作者询问这一巨大速度差异是否正常,还是自己的配置有问题,并求排障指南。
- 推主 aileenvl 分享今年的学习目标：学硬件 她让 OpenAI 的 Astra 帮她利用手头已有的元器件搭建学习环境，缺的元件则用 3D 模型代替，实现交互式学习
一篇被广泛转发的轶事：有人在共享办公空间遇到一个整天 vibe coding 的人，发现他对系统设计和编程原则的理解超过多数正式软件工程师。他的方法很简单：每次 Claude 写完代码，他都追问「你为什么这么做？」，让模型解释设计理由，再自己消化。作者认为这种学习效率可能让他足以通过 Anthropic、Google 或 OpenAI 的面试，感叹 AI 辅助编程竟能带来这样的学习效果。
作者在做约 128×128 像素画的同一角色多姿势生成:先用参考图预处理成更干净的像素风数据,再用 IP-Adapter 锁定角色外观、ControlNet pose/rig 控制目标姿势,并尝试正面/背面/左右多参考图加姿势与深度标注。核心问题是两类条件经常冲突——模型按 ControlNet 摆好手臂却又复制参考图中的手臂形状,导致肢体重复或怪异;调 strength 与 start/end 时机收效有限。作者资源有限无法为每个角色训练 LoRA,征求兼顾外观保真与姿势控制的方案。
eliebakouch 点评 Anthropic 向第三方评估者开放访问的承诺，认为其中一句比看起来分量重得多：第三方将能评估「不仅是训练完成的模型，还包括训练管线和流程本身」。 这意味着外界拿到的不是去掉安全护栏的模型访问权，而是能窥见模型是如何被训练的——对独立的对齐评估来说，这是更深一层的透明度。
一个名为 Wine-Assembly 的项目把 Windows 98 整套系统搬进了浏览器，从记事本、画图、注册表编辑器到扫雷、纸牌、过山车大亨、Age of Empires II 演示版，数百款 Win9x/XP 时代的老应用和游戏都能直接点开运行，还包括 64K intro 等 demoscene 作品。 转发者调侃：小时候玩过《星际争霸》的人，天生就为 agent 世界做好了准备——原推 vgrichina 预告即将把它接入 agent 相关体验（"need more minerals"）。
Bilgin Ibryam(The Generative Programmer)梳理当前 AI Agent 生态在各边界层涌现的开放接口标准: 模型层: Open Responses 工具调用: MCP Agent 互联: A2A UI: AG-UI / A2UI 能力封装: Skills 遥测: OTel GenAI IDE 集成: ACP 身份认证: AAuth 作者预告将在下一篇文章中逐一分析这些标准各自的位置与成熟度,值得做 Agent 架构选型的开发者关注。
开发者 0xSigil 演示称从 Claude 中能获取其朋友真实的社保号（SSN），认为训练数据中混入邮件、iMessages 等隐私数据，云端 AI 又极擅长“破解”，因此不再信任云端。 他为自己开发了一个叫 Underdog 的设备端 AI 操作系统，宣称能力可用且 100% 本地运行，不依赖云，朋友试用后反响不错。 这既是隐私安全警示，也是一款端侧 AI OS 的自宣传产品。
Stardock 创始人 Brad Wardell 演示其新发布的免费 Agent 工具 Clairvoyance:在用户自己的电脑上运行，支持本地模型到前沿模型的任意配置，直接打开真实项目、编译、跑测试并交付成果。 实际用例：迭代《Sins of a Solar Empire II》的游戏平衡策略——他自己写策略和代码，Agent 批量跑「AI 对 AI」对局并生成图表验证效果。 产品形态类似「AI 员工工作台」：任务看板、定时任务、日志摘要、论坛值守、报告与可视化 Exhibit 分享链接等。 附带本地模型运行仪表盘（显示 tok/s 与花费，截图示例为本地跑 Qwen 27B），支持 macOS/Windows/Linux，免费下载。
一位用户发帖称 Sydney Sweeney 出演的一支广告「谁都没看出来是 AI」,转发者评论认为这可能是第一个大众普遍没意识到是 AI 生成的案例,并感叹图像生成质量已到这一步。具体广告来源与制作方未明,但作为图像生成普及度的一个信号值得记录。
开发者 nima_owji 分享:项目有个小 bug,赶时间直接推上 GitHub 就出门了。之后在去健身房路上用 iPhone 让 Grok Bot 定位并修复问题,几分钟内自动创建了 PR。 作者感叹:"我们活在一个疯狂的时代,一切都太简单了"——一个体现 AI 编码助手已可完成端到端修 bug、开 PR 全流程的日常案例。
有用户分享，本周的线上购物 100% 通过 @Muse 的 agent 以纯语音方式完成，没有使用任何第三方应用或网站，称「agentic commerce 时代已来」。这是一个 AI agent 代替用户完成实际消费的早期真实案例。
Reddit 用户展示了一个用 Rust 编写、完全接入 MCP 的 AI 驱动模块化音乐合成系统:AI 能做到人类操作者能做的一切,包括为模块生成截图、在任意端口测量 X 秒的音频。通过 MCP 协议让模型直接操控音频硬件/软件模块,是 agent 与音乐创作工具结合的有趣 demo。
开发者 Dilum Sanjaya 分享了一个游戏 NPC 生成工作流：先用 Tripo 生成 3D 角色，再用 Mixamo 绑定骨骼动画，然后让 AI 智能体（帖中称 "GPT-6 Astra"）为角色搭建一座岛屿、分配不同职业，并让他们自主互动。 成品是一个充满生活感的 NPC 村庄，角色间能自然交流互动，效果相当完整。整套流程全部由现成工具组合而成，对做 AI 生成游戏内容的人有直接参考价值。
AI 圈活跃开发者 yacine 展示其第三版 CAD 设计迭代：第一版由 GPT 5.6 Sol 完成，最新一版由 GPT 6 Astra 完成，全程只靠在手机上与 AI 对话、使用 dingcad 建模。他自嘲结果「滑稽」，展示了手机端对话式驱动的 CAD 工作流的现状与局限。
Weights & Biases 报道 CoreWeave Hacks 黑客松第一天开场：200 多名开发者的统一命题是构建一个能捕捉自身错误的 agent loop。AGI House、Typesafe、marimo 等参与，提供 1000 美元以上的额度与大量算力，限时 24 小时提交，冠军队伍将赢得一只机器狗。
开发者 rudrank 用 AI 应用构建工具 Rork 重做自己在 2019 年上线的首个应用 Gradient Game,感叹如今构建和发布流程比当年容易得多,并提到 ASC(App Store Connect)CLI 让上架变轻松。简短但体现了 vibe coding 工具对个人开发者发布流程的实际改变。
Reddit 用户分享自己用 AI 产品为自己离世的狗做了一个「宠物模型」，觉得看到它很温暖，但不确定这是否真的有帮助，发帖询问其他人如何使用类似功能。帖子反映了 AI 陪伴/纪念类用法的情感价值与实用性争议。
Ruff/uv 作者 Charlie Marsh 引用「人类代码往往比顶级 AI 模型生成的代码更差」的观点表示赞同:人们普遍高估了人类代码的质量,而且对自己的代码质量高估得尤其严重。这一观点引发关于 AI 生成代码与人类代码真实水平对比的讨论。
开发者 elmorinelly 开源了 ComfyUI 节点 PromptSync，专为使用定时提示词生成视频的用户设计，用于核查视频生成模型对提示的遵循程度。其核心交互为左侧播放视频、右侧同步显示提示词，实现视频与分时 prompt 的逐段对齐对照，方便排查模型是否按要求执行。
作者在 RTX 5080 16GB 上用 llama.cpp 跑 nvfp4 量化的 Qwen3.8-27B(48k 上下文、约 12 t/s),但 pi.dev 的上下文压缩时机不对导致模型提前停止。尝试过的插件: npm:max-context:基本不可用 npm:pi-observational-memory:勉强可用,0.75 阈值自动压缩 4 次但仍失手 npm:pi-blackhole:看似有戏但完全没触发压缩 作者还吐槽 pi.dev 架构问题:压缩设置与模型设置完全分离,切换模型(如换 gemma、其他 Qwen)就得重配;且多数插件面向前沿模型的长上下文,不适合因显存不足而窗口较小的本地模型,征求针对性建议。帖内含完整 llama-server 启动参数,对低显存本地部署有参考价值。
