【AI 英文奏折】2026年07月09日

共收录 21 篇深度内容

---

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. Rohan Paul: 赋予AI工具和自由比强制流程更有效。
2. Peter Steinberger: OpenClaw独立运营，首次由全职团队维护。
3. Amira Zairi: TopviewAI的3D场景编辑器通过视觉布局提升AI视频构图控制力。
4. Rohan Paul: 开源模型分阶段审查可显著提升AI代码审核效果。
5. TechHalla: 古埃及艳后乘豪华船与安东尼会面的复古DV影像。
6. Machina: 作者期待GPT5.6能否提升写作和对话质感。
7. Rohan Paul: AI代理将大幅增加token消耗，推动成本上升。
8. Rohan Paul: AI除草机器人用激光精准消灭杂草。
9. Rohan Paul: 中国初创企业Rochu Robotics仿生机械手采用液压肌腱实现拟人运动。
10. Bindu Reddy: Fable 5最优，GPT 5.6性价比高，Grok 4.5优于GLM 5.2。
11. Sam Hogan: 开源模型替代商业方案节省80%成本
12. Alex Prompter: 机器人数据昂贵且需严格筛选。
13. SemiAnalysis: SpaceX上市引发GPU竞赛而非太空竞赛。
14. Rohan Paul: AI编程工具极大提升个人工程杠杆效应
15. Rohan Paul: AI需求将爆炸式增长，推动经济向智能代理主导转型。
16. clem 🤗: 开源模型推理优化潜力巨大，合作推动技术突破。
17. Santiago Valdarrama: 自学习智能体通过双源学习持续优化可构建竞争壁垒。
18. Chubby♨️: Robbyant开源视觉模型LingBot-Vision，用1.61亿无标注网络图像训练。
19. Marc Lou: 游戏画面瞬间唤起对魔兽世界的深刻回忆。
20. Charly Wargnier: 混合模型栈比单一模型更能平衡前沿智能与实用效率。
21. Rohan Paul: 当前AI模型因固定记忆机制导致信息丢失严重。

---

📖 详细内容

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 赋予AI工具和自由比强制流程更有效。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: AI works better when you give tools and freedom instead of forcing them into rigid, hand-designed workflows (可通过AI模型（如Claude、GPT等）的公开技术文档或基准测试对比自由模式与预设流程的性能差异，但“更好”的定义可能因任务类型或评价标准而异，需具体实验支撑)
• ✓ 可验证: General learning systems scale better than rigid workflows (机器学习领域已有大量研究（如《Scaling Laws for Neural Language Models》等论文）证明通用模型的扩展性优势，可通过学术文献或企业技术报告验证)
• ◦ 观点: “Ask not what the model can do for you, ask what…”（隐含主张：用户应更关注如何发挥模型潜力而非预设用途） (该表述为对AI应用哲学的主观倡议，无客观衡量标准，属于观点表达)

原文内容:

Claude代码创建者Boris Cherny（@bcherny）：
当你提供工具和自由而非强迫AI遵循僵化的人工设计流程时，人工智能会表现得更好——因为通用学习系统具有更优越的扩展性。

"不要问模型能为你做什么，要问..."

⏰ 14:51 | ❤️ 52点赞 | 📝 41词 | 查看原文 →

↑ 返回顶部

Peter Steinberger @steipete

Polyagentmorous ClawFather | Building at OpenAI | 影响力: unknown万粉丝

💡 核心观点: OpenClaw独立运营，首次由全职团队维护。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: OpenAI hired me, not OpenClaw. (可通过查看OpenAI和OpenClaw的官方招聘公告、员工名单或LinkedIn等职业社交平台验证雇佣关系。)
• ◐ 部分可验证: The OpenClaw Foundation is independent, with sponsors rather than owners. (可通过OpenClaw官网或公开法律文件验证其独立性和所有权结构，但需确认“sponsors而非owners”的具体定义是否与法律实体一致。)
• ◐ 部分可验证: OpenClaw has a full-time team for the first time to keep the claw alive and stable. (可通过OpenClaw团队公开信息或新闻稿验证全职团队的存在，但“首次”和“保持稳定”需结合历史运营数据进一步确认。)

原文内容:

OpenAI聘请的是我，而非OpenClaw。
OpenClaw基金会是独立运作的，它拥有赞助者而非所有者——并且首次组建了专职团队来维持这个"爪"的活力与稳定。

没有戴夫和团队的支持，这一切都无法实现。向你们致敬！

⏰ 10:38 | ❤️ 324点赞 | 📝 41词 | 查看原文 →

↑ 返回顶部

Amira Zairi @azed_ai

AI Educator & Creator | Ambassador @Adobe @LeonardoAi & @tripoai | Partner with leading brands | Collaboration → [email protected] | 影响力: 57.13k万粉丝

💡 核心观点: TopviewAI的3D场景编辑器通过视觉布局提升AI视频构图控制力。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: TopviewAIhq 3D Shot Composer允许用户在生成场景前通过3D界面直观放置角色、道具和相机框架 (可通过访问@TopviewAIhq官网或官方演示视频验证功能是否存在及具体操作方式)
• ◐ 部分可验证: 该工具相比传统提示词迭代能提供更强的构图和空间关系控制 (需实测对比传统提示词生成与3D工具生成的场景差异，但官方可能提供案例对比)
• ◦ 观点: 这是AI电影或 cinematic 视频创作领域的重要进步 (“重要进步”属于主观评价，取决于行业标准和个人预期，无客观量化依据)

原文内容:

提示词可以告诉AI你想要什么

但它们并不总能精确指示每个元素的布局

这正是@TopviewAIhq三维场景构建器的价值所在。无需反复修改提示词，您可以在生成场景前以三维视角直观排布角色、道具和镜头构图，从而实现对画面构成与空间关系的精准把控

对于AI电影或影视级视频创作者而言，这无疑是一次重大突破。

@TopviewAIhq

⏰ 00:03 | ❤️ 40点赞 | 📝 71词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 开源模型分阶段审查可显著提升AI代码审核效果。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: DoorDash通过开源模型组合提升AI代码审查效果 (需查阅DoorDash官方技术博客或开源项目文档，但具体实现细节（如模型组合方式）可能未完全公开。)
• ✓ 可验证: 单次AI审查仅发现30.7%的加权PR问题，生产审查器提升至53.6%，成本为每PR 3.91美元 (数据来源未标注，可能为内部测试结果，缺乏公开基准或第三方复现支持。)
• ◐ 部分可验证: 分阶段审查（侦察模型+验证模型）使召回率提升至65.2%，F1分数75.3%，成本3.81美元/PR (若DoorDash发布完整实验报告或论文可验证，但当前推文未提供具体数据来源。)

原文内容:

DoorDash的实践表明，开源模型协同使用可提升AI代码审查效能。

这一发现印证了组合策略的重要性。

单轮AI审查仅能发现30.7%的加权PR问题。
该公司生产级审查系统将这一比例提升至53.6%，单次PR审查成本为3.91美元。

性能跃升源于将审查拆分为两个阶段：先进行侦察扫描，再进行验证复核。

侦察模型会快速扫描代码差异标记风险区域，深度审查模型随后对标记内容进行验证。

最优组合方案采用Kimi K2.6作为侦察模型，Claude Fable 5作为审查模型。

该配置实现了65.2%的加权召回率、75.3%的F1分数，单次PR成本降至3.81美元。

而Composer 2.5搭配GPT 5.5 medium版本虽达到92.2%的精确率，但召回率显著降低。

⏰ 18:08 | ❤️ 29点赞 | 📝 97词 | 查看原文 →

↑ 返回顶部

TechHalla @techhalla

Senior Telecommunications Engineer & Developer but I’m here for the AI thing. | 影响力: 0万粉丝

💡 核心观点: 古埃及艳后乘豪华船与安东尼会面的复古DV影像。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: 该推文描述了一段用手持DV摄像机在2000年代初拍摄的纪录片片段，记录了克里奥帕特拉与马克·安东尼在塔尔苏斯会面的场景。 (该声明无法验证，因为克里奥帕特拉与马克·安东尼的历史会面发生在公元前，不可能被2000年代的摄像机拍摄。推文内容明显是虚构或艺术创作。)
• ◐ 部分可验证: 录像显示尼罗河附近塔尔苏斯的场景，一艘豪华皇家驳船缓缓接近，克里奥帕特拉坐在金色华盖下的宝座上。 (历史记载确实描述了克里奥帕特拉与马克·安东尼在塔尔苏斯的会面以及她的奢华排场，但具体细节（如驳船的外观、克里奥帕特拉的姿势）无法通过可靠历史记录完全验证。)
• ✓ 可验证: 摄像机从河岸移动，捕捉了马克·安东尼登船并与克里奥帕特拉面对面会面的瞬间。 (虽然历史文献记载了两人会面的事件，但推文描述的“摄像机拍摄”是虚构的，因为当时没有录像技术。该声明属于艺术想象，无法验证。)

原文内容:

以下是Seedance 2.0的提示词：

这段手持纪录片素材拍摄于2000年代初的民用DV摄像机，记录下克里奥帕特拉抵达河岸与马克·安东尼会面的场景。画面如同真实存在瑕疵的著名政治会晤家庭录像。

画面展现了塔尔苏斯附近的尼罗河。一艘覆满金银色织物的大型豪华皇家驳船缓缓驶近，甲板上乐师与侍从林立。华盖之下的黄金宝座上可见克里奥帕特拉的身影。岸边，马克·安东尼与罗马军官们正翘首以待。驳船停靠岸边时，女王起身迎接登船的安东尼。

摄像机沿河岸跟随驳船移动，捕捉到安东尼登船时两位领袖初次面对面的一刻。自然切换的镜头在接近中的驳船、等候的罗马使团，以及克里奥帕特拉与安东尼互动的特写间流转，仿若人群中有人正竭力寻找最佳视角。

手持拍摄呈现出自然晃动、构图偏移、因水面反光与移动产生的自动对焦问题、镜头呼吸效应，以及拍摄者为获取更好视野而调整机位的反应式移动。

仅保留环境音：河水声、驳船飘来的乐声、侍从的交谈与岸边人群的窃窃私语。未添加任何配乐。

最终效果必须如同用老旧DV摄像机真实记录的尼罗河畔那场著名会晤——原始而真实的在场者影像。

⏰ 10:03 | ❤️ 39点赞 | 📝 247词 | 查看原文 →

↑ 返回顶部

Machina @exm7777

running ai-powered agencies | weeklyaiops.com | 影响力: unknown万粉丝

💡 核心观点: 作者期待GPT5.6能否提升写作和对话质感。

可信度: 10/10 – 2项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ✓ 可验证: GPT 5.6 Sol将于周四发布 (未提供官方来源或公开信息证实该版本的存在或发布时间，可能为传言或个人推测。)
• ◐ 部分可验证: GPT 5.6在编码和长期任务上的表现已有保证 (需实测新版本模型才能验证其性能，但缺乏当前公开的性能数据或基准测试支持。)
• ◦ 观点: ChatGPT在写作和对话体验上近一年未有改进 (基于个人主观体验对比（如Claude/Kimi模型），无客观数据或官方声明佐证。)

原文内容:

GPT 5.6版本周四上线...而我只看重一点

编程、长周期任务、连续数小时追逐目标——这些本就是它的强项

前端设计能力可能也会飞跃，甚至超越Fable（那就太酷了）

但核心问题是：OpenAI究竟是否攻克了写作与人工审美这道关

这种能力无法通过外部框架修补
模型要么具备，要么永远欠缺

近一年来，ChatGPT的文本生成水准和对话体验毫无突破

我能与Claude畅谈数小时，创作真正的文案、故事乃至任何内容（Kimi系列模型同样出色）

而使用ChatGPT时，只要话题脱离代码，我便兴致全无

正因如此，它很少担任我的总控角色
我只将其作为无界面工作节点——欣赏它的思维方式和执行效率，仅此而已

如果你仅以纯逻辑推理和执行力评判模型，或许难以理解

但审美品味——才是周四版本真正可能给我惊喜的领域...

⏰ 03:33 | ❤️ 57点赞 | 📝 179词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI代理将大幅增加token消耗，推动成本上升。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Goldman Sachs预测到2030年AI代理的token使用量将增长24倍 (需查阅Goldman Sachs官方报告或公开研究，但未提供具体来源链接。若报告存在且数据明确，则可验证；否则需进一步确认。)
• ✓ 可验证: Uber和微软因成本问题正在重新评估AI代理的使用 (可通过Uber和微软的公开声明、财报或权威媒体报道（如路透社、彭博社）验证其AI代理使用策略调整。)
• ◐ 部分可验证: AI代理的单次请求可能消耗10倍至50倍以上的token（相比普通回答） (需实测不同AI代理任务的token消耗量对比，或依赖技术白皮书/开发文档，但具体倍数可能因场景而异。)

原文内容:

高盛："到2030年AI智能体消耗的代币数量预计将增长24倍"

AI智能体正在对当前的人工智能热潮发起首轮严峻的成本考验。据本周报道，优步和微软已开始重新评估高成本的智能体使用方案。

传统聊天机器人可能仅需应答一次，但智能体会制定计划、调用工具、校验结果、修正错误并循环执行整个流程。

这种循环机制可能导致单个用户请求消耗的代币数量达到普通应答的10倍、50倍，甚至更高。

高盛的乐观预测显示，到2030年月均代币消耗量或将突破120万亿，而单枚代币的推理成本每年将持续下降60%-70%。

当前竞争焦点在于智能体生产效率与代币消耗成本之间的博弈。

⏰ 08:36 | ❤️ 22点赞 | 📝 109词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI除草机器人用激光精准消灭杂草。

可信度: 7/10 – 1项声明可直接验证；3项需进一步确认

事实核查:

• ◐ 部分可验证: Autonomous weeding robot uses AI vision to detect weeds among young crops (可通过厂商（如Carbon Robotics）官网或技术白皮书验证AI视觉功能，但需实测确认实际田间检测准确率。)
• ◐ 部分可验证: Eliminates weeds instantly with targeted high-precision laser pulses (激光除草技术可通过公开演示或第三方评测验证，但“instant”效果需依赖具体环境参数（如杂草密度、作物间距），需进一步实测。)
• ✓ 可验证: Real-time on-board GPUs map every plant position and direct lasers precisely (硬件配置（如GPU型号）和实时定位技术可通过官方技术文档或产品规格直接验证，精度数据需结合厂商测试报告。)

原文内容:

采用人工智能视觉技术的自主除草机器人，可精准识别幼苗作物间的杂草，并通过高精度定向激光脉冲即时清除。  
内置GPU实时绘制每株植物位置，引导激光精准指向杂草目标  
@carbon_robotics

⏰ 09:40 | ❤️ 34点赞 | 📝 37词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 中国初创企业Rochu Robotics仿生机械手采用液压肌腱实现拟人运动。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: Rochu Robotics开发了一款仿人形机械手，采用液压和24根仿生肌腱实现灵活、逼真的运动。 (可通过公司官网、产品发布会或专利文件验证技术细节（如液压和肌腱设计），但需确认具体参数是否公开或需实测。)
• ◐ 部分可验证: 该机械手采用1:1骨骼设计，运动方式更接近真人手部。 (骨骼设计可通过产品展示视频或技术文档部分验证，但“更接近真人手部”需对比实测数据或第三方评估，可能缺乏公开标准。)
• ✓ 可验证: 机械手的运动具有灵活性和逼真性（lifelike motion）。 (“逼真性”是主观描述，需依赖用户反馈或专业评测，无统一客观标准；灵活性可能通过演示视频部分验证，但未明确量化指标。)

原文内容:

中国初创企业柔触机器人研发出一种仿人机械手，采用液压系统和24根仿生肌腱模拟真实解剖结构，实现灵活逼真的动作。该产品采用1:1骨骼设计，运动方式更接近真人手掌。

⏰ 16:53 | ❤️ 176点赞 | 📝 36词 | 查看原文 →

↑ 返回顶部

Bindu Reddy @bindureddy

CEO of @abacusai – the world’s first AI super assistant and a powerful general agent for professionals and enterprises, ex-AWS & Google | 影响力: 273.0k万粉丝

💡 核心观点: Fable 5最优，GPT 5.6性价比高，Grok 4.5优于GLM 5.2。

可信度: 5/10 – 2项需进一步确认；2项为观点陈述

事实核查:

• ◦ 观点: Fable 5 still rules and is the best model (该声明是主观评价，缺乏客观标准或公开数据支持“best model”的结论，属于个人观点。)
• ◐ 部分可验证: GPT 5.6 is Opus 4.8 level but cheaper and faster (若“GPT 5.6”和“Opus 4.8”为公开模型，可通过性能基准测试和定价页面部分验证性能与成本，但“level”对比需具体指标支持，可能涉及主观判断。)
• ◐ 部分可验证: Grok 4.5 is better than GLM 5.2 but is behind 4.8 (若模型版本及基准测试结果公开，可验证部分性能对比，但“better”需明确任务维度（如速度、准确率），否则存在主观性。)

原文内容:

寓言5依然称霸，是最佳模型

GPT 5.6达到Opus 4.8水准，但更便宜、更快速

Grok 4.5优于GLM 5.2，但略逊于4.8版本

三者各有所长，适用于不同任务

⏰ 09:28 | ❤️ 108点赞 | 📝 31词 | 查看原文 →

↑ 返回顶部

Sam Hogan @samhogan

CEO @inference_net | 影响力: unknown万粉丝

💡 核心观点: 开源模型替代商业方案节省80%成本

可信度: 9/10 – 2项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: 帮助客户从OpenAI和Anthropic迁移到开源模型，原月花费6万美元 (客户的具体合作细节和费用属于商业隐私，无法直接通过公开渠道验证，但OpenAI和Anthropic的定价模型可部分参考其官网。)
• ✓ 可验证: 客户使用了OpenAI和Anthropic提供的几乎所有模型 (未提供具体模型列表或使用证据，且“几乎所有”为模糊表述，无法通过公开信息核实。)
• ◐ 部分可验证: 迁移后新成本为1.2万美元/月，节省80% (开源模型的成本可通过公开数据估算，但实际节省比例依赖客户原有使用量和替代方案细节，需实测验证。)

原文内容:

我们正协助一位月耗6万美元的客户从OpenAI和Anthropic迁移至开源模型

该客户几乎使用了实验室提供的所有模型，因此我们需要为每个模型找到替代方案

经过全面评估后，我们最终确定以下方案

新成本：1.2万美元/月，节省80%开支

⏰ 09:25 | ❤️ 127点赞 | 📝 47词 | 查看原文 →

↑ 返回顶部

Alex Prompter @alex_prompter

Marketing + AI = $$$
@godofprompt (co-founder) | 影响力: 94.19k万粉丝

💡 核心观点: 机器人数据昂贵且需严格筛选。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 90,000 hours of footage of real robots doing real work. 40,000 hours of it got thrown away. (该声明涉及未公开的内部数据（如机器人录像的具体时长及废弃量），若无官方公开报告或第三方审计，无法直接验证。)
• ◦ 观点: Robot data is the most expensive data in AI. (该声明属于主观判断（如“最昂贵”缺乏量化标准），且未提供具体成本对比数据，属于观点性表述。)
• ◐ 部分可验证: @robbyant_brain didn’t burn half of it by accident. (若账号@robbyant_brain公开过数据删除的决策记录或声明，可部分验证；但“by accident”的动机需内部信息，难以完全确认。)

原文内容:

真实机器人执行实际工作的九万小时影像资料，其中四万小时被弃用。

人类操作视频同样经历筛选——两万小时原始素材，仅保留一万小时。

在人工智能领域，机器人数据堪称最昂贵的数据资源。@robbyant_brain团队刻意销毁半数数据绝非偶然。

以下是最终留存的核心数据。

⏰ 03:14 | ❤️ 36点赞 | 📝 47词 | 查看原文 →

↑ 返回顶部

SemiAnalysis @semianalysis_

In-depth research on semiconductors, AI infra & hardware | 影响力: unknown万粉丝

💡 核心观点: SpaceX上市引发GPU竞赛而非太空竞赛。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ✓ 可验证: SpaceX finally going public (可通过SpaceX官网或美国证券交易委员会（SEC）公开文件验证其上市状态。)
• ◐ 部分可验证: xAI is a major GB300 buyer this year (需通过xAI或GB300供应商（如英伟达）的官方采购数据验证，但企业采购细节可能未完全公开。)
• ◦ 观点: xAI is turning the space race into a GPU race (这是对行业趋势的主观解读，无直接客观数据支持，取决于对“GPU race”的定义。)

原文内容:

随着SpaceX终于上市，投资者原本期待看到的是太空探索、火星殖民和冲天火箭。然而他们可能看到的，却是如星系般密集闪烁的服务器机架。作为今年GB300芯片的主要采购方，xAI正将太空竞赛转化为GPU竞赛。

⏰ 09:00 | ❤️ 32点赞 | 📝 39词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI编程工具极大提升个人工程杠杆效应

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Boris Cherny声称自己不再直接编写代码，而是通过Claude生成代码，甚至让一个Claude与其他Claude交互完成工作。 (可通过Boris Cherny的公开言论（如访谈、社交媒体）部分验证，但具体工作流程需实际观察或内部工具验证，无法完全独立确认。)
• ◦ 观点: 软件工程领域“单人杠杆率”（个人能支撑的业务或产品规模）正在爆炸式增长。 (这是对行业趋势的主观判断，缺乏具体数据支撑，且“杠杆率”定义模糊，无法直接验证。)
• ✓ 可验证: Boris Cherny是Claude Code的创建者。 (可通过Anthropic官方资料或Boris Cherny的公开履历（如LinkedIn）验证其身份与项目关联性。)

原文内容:

在软件工程领域，我们已经彻底跨越了某个临界点。

以下是Claude代码创建者鲍里斯·切尔尼（@bcherny）的发言：

"我不再编写代码，而是对Claude进行提示。实际上，如今我主要的工作是让一个Claude去提示其他Claude。所以我甚至不再直接与Claude对话，而是通过一个Claude来与其他Claude交流。"

"我认为在工程领域，我们正见证个人影响力呈指数级增长的时代。这关乎一个人能创建多大规模的业务，以及一个人能支撑多少个产品。"

——节选自亚历克斯·坎特罗维茨（@Kantrowitz）的YouTube频道（完整视频链接见评论区）

⏰ 14:11 | ❤️ 115点赞 | 📝 110词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI需求将爆炸式增长，推动经济向智能代理主导转型。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 全球token需求在2026年将达到每10秒31.7亿，到2030年将增长40倍至1.27万亿 (该声明涉及未来预测数据，需依赖Qualcomm或行业报告的具体公开数据验证，但目前无直接公开来源支持精确数值。需核查Reuters视频原文或Qualcomm官方文件。)
• ◦ 观点: AI将从人类节奏的交互转向Agent主导的活动，推动token爆炸式增长 (这是对AI发展趋势的主观判断，未提供具体数据或技术依据，属于行业愿景陈述，无法客观验证。)
• ◦ 观点: AI经济的背景基础设施将依赖持久化Agent的运作 (该声明为对AI经济模式的推测性观点，缺乏实证支持或技术实现细节，属于主观预测。)

原文内容:

2026年，全球令牌需求将达到每10秒约317亿次。到2030年，这一数字将飙升至1.27万亿次——增长40倍。

——高通公司CEO克里斯蒂亚诺·阿蒙

令牌需求激增的核心并非源于更智能的应答，而是人工智能正从人类节奏的交互转向代理节奏的自主活动。

当智能代理实现持久化运行，AI经济将退居为底层基础设施。

每个有效行为都暗藏成本：需要持续维护上下文、更新记忆库、解析传感器数据，并在错误酿成重大损失前及时拦截。

——摘自路透社YouTube频道（链接见评论区）

⏰ 17:29 | ❤️ 94点赞 | 📝 91词 | 查看原文 →

↑ 返回顶部

clem 🤗 @clementdelangue

Co-founder & CEO @HuggingFace 🤗, the open and collaborative platform for AI builders | 影响力: 405.4k万粉丝

💡 核心观点: 开源模型推理优化潜力巨大，合作推动技术突破。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 开源模型的推理可以变得更好、更快、更便宜 (可通过技术论文、开源社区进展或基准测试部分验证，但“多好/多快/多便宜”需具体数据支持，且“表面”是模糊表述)
• ✓ 可验证: @zml_ai公司（由@steeve创立）推出与@huggingface集成的推理引擎 (可通过@zml_ai或@huggingface的官方公告、文档或API直接验证合作与产品存在性)
• ◦ 观点: “让我们将开源代币推向极致” (“推向极致”是主观号召，无具体目标或事实依据，属于愿景表达)

原文内容:

我们才刚刚开始探索如何让开源模型的推理能力变得更强大、更快速、更经济！

看到像@steeve创立的@zml_ai这样的公司结束隐匿模式，推出与@huggingface存储层深度集成的推理引擎，实在令人振奋不已。

让我们把开源代币的潜力发挥到极致吧！

⏰ 02:22 | ❤️ 149点赞 | 📝 54词 | 查看原文 →

↑ 返回顶部

Santiago Valdarrama @svpino

| 影响力: unknown万粉丝

💡 核心观点: 自学习智能体通过双源学习持续优化可构建竞争壁垒。

可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 自学习代理可以通过代理跟踪和浏览器内活动两种来源学习，大多数产品仅捕获第一种来源 (代理跟踪（如日志数据）和浏览器内活动（如用户交互）是常见的学习数据来源，但“大多数产品仅捕获第一种”需具体产品案例或行业调研佐证，缺乏公开数据支持。)
• ✓ 可验证: 应用新学习成果的三种方式：微调模型、更新控制框架或提供上下文信息 (微调模型（fine-tuning）、更新控制流程（harness）和上下文学习（in-context learning）均为机器学习领域的已知技术，可通过技术文档或论文验证。)
• ◦ 观点: 代理记忆设计应侧重流程记忆和事件记忆，而非语义记忆，因其易过时 (记忆类型的优先级选择（流程/事件记忆优于语义记忆）是主观建议，未提供客观证据证明语义记忆必然成为负担，依赖具体应用场景。)

原文内容:

如何通过自学习智能体构建竞争壁垒：

若能打造一个随着用户使用不断进化的智能体，你将所向披靡。具体方法如下：

1. 双源学习，而非单一渠道。智能体运行轨迹记录其行为与故障点，浏览器内行为则揭示用户如何修正结果。多数产品只采集前者而忽略后者。

2. 应用新知识有三种途径：微调模型、更新控制框架，或为智能体提供情境信息。务必三者兼用。

3. 规划智能体记忆系统时，侧重程序性记忆（存储工作流与规则）和情景记忆（存储具体事件）。切勿过度依赖语义记忆，因其易过时而成为负担。

4. 设定学习范围边界（按用户/团队/应用划分）。严防不同用户情境间的信息泄露。

5. 必须掌控智能体的学习数据——这些才是核心资产。尽量将数据保留在自有基础设施中，避免被云巨头窃取。

6. 采用开放、框架无关的标准进行知识捕获与应用。

延伸阅读可参考这篇文章：

⏰ 20:25 | ❤️ 527点赞 | 📝 219词 | 查看原文 →

↑ 返回顶部

Chubby♨️ @kimmonismus

Dream realized! Turned my love for AI into a career – sharing daily. Get my newsletter | 影响力: 225k+万粉丝

💡 核心观点: Robbyant开源视觉模型LingBot-Vision，用1.61亿无标注网络图像训练。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Robbyant released LingBot-Vision, a vision foundation model for robots, trained on 161M images filtered from 2B raw images sourced from the open web, without human labels or edge detectors. (可通过Robbyant或Ant Group的官方发布（如论文、GitHub仓库）验证模型和数据规模，但“无人工标签”等具体训练细节需依赖官方披露，无法独立核实原始数据来源或处理流程。)
• ✓ 可验证: LingBot-Vision 1B模型在NYU-Depth数据集上的深度估计性能优于某7B模型，并支持LingBot-Depth 2.0，显著降低室内深度误差（如玻璃和镜面的识别）。 (可通过官方发布的论文、基准测试结果或开源代码复现性能对比，但需确认测试条件是否一致（如数据集版本、评估指标）。)
• ✓ 可验证: LingBot-Vision完全开源，包括1.1B到21M版本的权重、代码和论文。 (直接通过GitHub等开源平台检查代码、权重和论文的可用性即可验证。)

原文内容:

我始终会为那些将最优秀成果开源的公司喝彩，而Robbyant这次就做得漂亮。

蚂蚁集团旗下的具身智能公司Robbyant发布了机器人视觉基础模型LingBot-Vision，最让我惊艳的是其数据构建方式。他们从20亿原始图像中筛选出1.61亿张进行训练，这些数据主要抓取自开放网络，全程无需人工标注、边缘检测器或深度传感器参与。模型直接从原始像素中学习物体的精确边缘——其训练数据量约为DINOv3的十分之一，训练时长不到后者的三分之一。

效果说明一切。在NYU-Depth深度估计任务中，这个10亿参数模型的性能超越了某70亿参数模型。它还驱动着LingBot-Depth 2.0，能解析常规摄像头难以处理的玻璃镜面等材质，将室内深度误差降低一半。

LingBot-Vision完全开源：从旗舰版11亿参数到迷你版2100万参数的权重、完整代码及论文悉数公开。这正是我期待看到的开源节奏。@robbyant_brain

⏰ 20:18 | ❤️ 201点赞 | 📝 171词 | 查看原文 →

↑ 返回顶部

Marc Lou @marclou

⭐️ TrustMRR.com $27K/m | DataFa.st $20K/m | SHlPORDIE.COM $20K/mo | 影响力: 170.0k万粉丝

💡 核心观点: 游戏画面瞬间唤起对魔兽世界的深刻回忆。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: The image brings back memories of an entire world (quests, music, NPCs, etc.) (该声明基于个人主观体验和情感回忆，无法通过客观事实或公开渠道验证。)
• ◦ 观点: The author can still picture everything like they actually lived in Azeroth (这是个人主观感受和想象，属于情感表达，无客观事实依据。)
• ◐ 部分可验证: The image is associated with specific game elements (quests, music, NPCs, talent points, Azeroth) (若图像来自特定游戏（如《魔兽世界》），其元素可通过游戏内容部分验证，但需确认图像来源及具体关联性。)

原文内容:

不知该如何形容。

这幅画面瞬间唤回了一整个世界。

那些任务、背景音乐、NPC角色、天赋点、艾泽拉斯大陆…所有细节依然历历在目，仿佛我真的在那里生活过。

⏰ 23:13 | ❤️ 386点赞 | 📝 35词 | 查看原文 →

↑ 返回顶部

Charly Wargnier @datachaz

Ex @Streamlit @Snowflake Maestro • I write about AI agents, LLMs and automation • My ❤️ is open source • DM for collabs | 影响力: unknown万粉丝

💡 核心观点: 混合模型栈比单一模型更能平衡前沿智能与实用效率。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Sonnet 5在基准测试中表现不如Opus 4.8 (需查看官方发布的基准测试数据或第三方评测报告，但未提供具体测试条件或数据来源)
• ✓ 可验证: Claude Code可通过混合模型（如Fable 5和Sonnet 5）实现前沿智能与实用效率的结合 (未提供具体技术实现细节或性能对比数据，且“Claude Code”是否为公开工具尚不明确)
• ◐ 部分可验证: 配置指令（如`Run /model set to Sonnet 5`或`/effort set to Ultracode`）可触发动态工作流 (若Claude Code为真实工具且指令公开，可通过实际操作验证；但推文未提供工具链接或文档支持)

原文内容:

确实，Sonnet 5在基准测试中输给了Opus 4.8。

但真正的突破不在于模型本身，而在于技术栈的搭配！

通过Claude Code将它们混合使用，就能将前沿智能与实用效率完美结合。

具体配置方法如下：

> 智囊角色：由Fable 5负责前沿级推理与战略规划  
> 执行角色：输入`/model set to Sonnet 5`实现快速经济的代码执行  
> 工作流：输入`/effort set to Ultracode`即可为复杂任务启动动态工作流  

如此搭配下，Fable将成为你的超级智能大脑，而Sonnet则化身为飞速敲代码的双手。

⏰ 16:30 | ❤️ 171点赞 | 📝 90词 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 当前AI模型因固定记忆机制导致信息丢失严重。

可信度: 9/10 – 2项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: 上海大学论文提出了一种名为HOLA的新方法，旨在通过为AI模型提供第二种存储细节的方式来改善其记忆能力。 (可通过查找上海大学相关论文或官方发布的研究成果来验证这一声明的真实性，但需具体论文或技术细节支持才能完全确认。)
• ✓ 可验证: 当前快速AI模型（如线性注意力和状态空间模型）通过将所有读取内容压缩到一个固定的内部状态来节省内存，导致它们容易遗忘较早的信息。 (线性注意力和状态空间模型的工作原理及其内存管理机制在学术论文和技术文档中有详细描述，可通过公开的AI研究资料验证。)
• ◐ 部分可验证: HOLA通过新增一个内存缓存来存储普通状态可能遗忘的精确信息，从而解决AI模型的遗忘问题。 (需查阅HOLA的具体技术实现或相关论文来验证其机制是否如所述，但若论文未公开或技术细节不足，则只能部分验证。)

原文内容:

这篇上海大学论文提出的宏大构想  

赋予AI模型类人记忆  

想象你正在阅读一本厚重的悬疑小说，却只能使用一张便利贴做记录。  

每当出现新线索时，就必须重写这张便签，导致旧线索逐渐模糊或被挤压消失。  

这正是线性注意力与状态空间模型等快速AI模型的运行机制——它们通过将所有读取内容压缩为单一固定内部状态来节省内存。  

问题在于这会导致严重遗忘。在"大海捞针"测试中（需要从长篇文档深处召回特定信息），这些模型因新细节不断覆盖旧记忆而失败。  

HOLA的解决方案是为模型提供第二存储空间。  

常规状态仍负责处理文本整体特征（如语法、主题和重复模式），而新增的记忆缓存则专门存储常规状态容易遗忘的精确信息。  

其精妙之处在于缓存决策机制：  

并非简单保存最新标记，因为旧细节可能仍有价值；而是保留那些引发模型内部最大修正的标记——通常意味着模型难以有效压缩这些信息。  

简言之，HOLA专门存储令模型"意外"的事实。  

当模型后续需要答案时，会以更精确的方式读取缓存，从而召回具体存储的事实，而非将多重记忆混合成模糊推测。  

这项突破意义重大：快速模型通常以牺牲记忆换取速度，而全注意力Transformer虽保持较强记忆能力，却会随文本增长变得笨重。  

在3.4亿参数的测试中，HOLA将Wikitext困惑度从27.32降至22.92，不仅超越同类快速基线模型，甚至优于文献记载的全注意力Transformer++。  

更惊人的是，尽管仅在2k标记上下文训练，其在32k标记长度的大海捞针测试中仍保持卓越召回能力。  

核心启示在于：快速AI模型无需精确记忆所有内容，但必须识别主记忆系统的薄弱环节，并在关键细节消失前予以保护。  

——arxiv.org/abs/2607.02303  
论文标题：《线性注意力的海马体：为循环态遗忘内容构建精确记忆》

⏰ 07:31 | ❤️ 101点赞 | 📝 387词 | 查看原文 →

↑ 返回顶部