【AI 英文奏折】2026年09月05日
共收录 20 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
- Santiago Valdarrama: 优化长运行代理需注重提示设计、异步处理、环境复用、状态清晰及分层安全。
- Amira Zairi: 全球AI视频挑战赛提供1.5万美元奖金及东京电影节展映机会。
- Vasuman: 大型企业应用AI的关键经验总结。
- ℏεsam: Meta因Muse Spark 1.3跃升超越OpenAI，Astra剔除影响排名变动。
- Santiago Valdarrama: AI重塑开发行业，守旧者将被淘汰。
- Rohan Paul: OpenAI为监控AI思考过程愿牺牲部分性能。
- Rohan Paul: DeepSeek计划在内蒙建全球最大华为AI芯片集群，部分替代Nvidia。
- Alex Veremeyenko: GitHub免费提供50个营销专家AI代理技能库。
- Chubby♨️: Claude将费马大定理转化为计算机可验证证明，助力数学研究。
- Marc Lou: 回归规律生活后，作者重拾高效工作与家庭时光的平衡。
- Artificial Analysis: AI分析指数升级防作弊，新增复杂任务贴近实际需求。
- Alex Prompter: AI建议需谨慎，忽视假设和未知信息可致严重后果。
- Alex Prompter: 开源工具可将视频内容转化为Claude可处理的技能数据。
- Rohan Paul: 群体共享积累经验可提升系统整体效能。
- Tivadar Danka: 街道中心性分析可预测交通拥堵情况。
- levelsio: AI仍无法替代专业爬虫服务，作者继续付费使用ScrapingBee。
- Rohan Paul: 多代理系统需透明通信与审查机制以防作弊传播。
- Chubby♨️: GPT-6性价比高，性能接近GPT-5.6但成本更低。
- ℏεsam: AI在生命终结前自我验证生存，最终消失。
- Rohan Paul: GPT-6 Astra非暂停模型，被暂停的是未来另一模型。
📖 详细内容
Santiago Valdarrama @svpino
计算机科学家。我在 https://ml.school 教授硬核人工智能/机器学习工程。YouTube：https://youtube.com/@underfitted | 影响力: 0万粉丝
💡 核心观点: 优化长运行代理需注重提示设计、异步处理、环境复用、状态清晰及分层安全。
可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 将系统指令和工具定义放在提示顶部，动态记忆和运行时数据移到末尾，可启用提示缓存以降低成本和延迟。 (提示设计的优化效果（如缓存、成本降低）需实测或参考具体AI平台（如OpenAI）的文档，但缺乏直接公开数据证明此特定结构的普适性。)
- ✓ 可验证: 异步处理记忆以优先响应用户，避免测试框架拖慢交互。 (异步处理提升响应速度是通用技术原则，可通过工程实践或框架文档（如LangChain）验证，但具体实现依赖上下文。)
- ◦ 观点: 子代理应返回结构化状态（如“已完成”“超时”），而非模糊散文，以防父代理误解。 (结构化输出更可靠是常见设计建议，但“绝对避免散文”是主观主张，实际效果取决于具体代理逻辑和场景。)
原文内容:
5 种用于长运行代理的设计模式： 1. 仔细设计您的提示。将系统指令和工具定义放在顶部，将动态记忆和运行时数据移到末尾。这可以启用提示缓存，从而降低成本和延迟。 2. 将在您的测试框架中学到的任何内容移到后台。始终首先回复用户，然后异步处理记忆。您绝不希望测试框架减慢用户交互。 3. 在会话之间保留文件、已安装的工具和未完成的工作。将代理重新附加到用户范围的环境中，而不是每次都重新构建它们。 4. 让任何子代理返回结构化的状态，例如已完成、超时、中止或等待批准。绝不返回模糊的散文，以免父代理将其误认为是成功。 5. 首先应用廉价的、可审计的安全检查，其次是策略规则，最后是人工批准。在检查之前标准化地址和命令，并假设防护措施最终可能会被绕过；同时隔离凭据并限制网络访问。 本文将详细分解这些模式中的每一种：
⏰ 22:45 | ❤️ 120点赞 | 📝 305字 | 查看原文 →
Amira Zairi @azed_ai
AI Educator & Creator | Ambassador @Adobe | Partner with leading brands | Collab → [email protected] | 影响力: 0万粉丝
💡 核心观点: 全球AI视频挑战赛提供1.5万美元奖金及东京电影节展映机会。
可信度: 10/10 – 2项声明可直接验证；3项需进一步确认
事实核查:
- ✓ 可验证: TopviewAIhq 和 Wan 3.0 推出了一项全球 AI 视频挑战赛 (可通过官方账号（@TopviewAIhq）或推文回复中的链接直接查看活动公告或官网信息确认。)
- ◐ 部分可验证: 挑战赛要求用 Wan 3.0 制作一段 30 秒以上的视频 (需通过活动规则页面或官方说明进一步确认具体参赛要求（如视频时长、工具限制等）。)
- ✓ 可验证: 奖金总额为 15,000 美元 (奖金信息通常会在活动官网或官方规则中明确列出，可通过链接直接验证。)
原文内容:
我肯定会加入这个 @TopviewAIhq 和 Wan 3.0 刚刚推出了一项全球 AI 视频挑战赛 想法很简单：用 Wan 3.0 制作一段 30 秒以上的视频，看看你能把它推到多远。 有 15,000 美元的奖金，免费生成服务帮你起步，还有一些最佳作品甚至可能在 2026 年东京国际电影节上放映 回复中有链接
⏰ 23:57 | ❤️ 41点赞 | 📝 95字 | 查看原文 →
Vasuman @vasuman
CEO @varickagents, Implementing AI at Enterprise. Prev AI @meta | 影响力: 463万粉丝
💡 核心观点: 大型企业应用AI的关键经验总结。
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: 作者声称在多家全球最大公司内部工作多年 (可通过作者公开的职业履历（如LinkedIn）或公司公开合作记录部分验证，但“多年”和“最大公司”等表述需具体数据支持，且内部经验细节可能未公开。)
- ✓ 可验证: 作者将研究成果浓缩为一篇关于“应用AI”的文章 (若推文附带文章链接，可直接查看内容是否与声明一致；若无链接，则需进一步搜索作者公开发布的文章。)
- ◦ 观点: 该文章对在复杂大型组织中应用AI的人有强烈推荐价值 (推荐价值是主观判断，取决于读者需求或行业评价，无客观标准验证。)
原文内容:
我们曾深入全球顶尖企业多年，潜心钻研"应用"人工智能的种种精妙之处。 现将研究成果浓缩于下文。强烈推荐给任何考虑在庞大复杂组织中运用AI的决策者。
⏰ 09:49 | ❤️ 32点赞 | 📝 40词 | 查看原文 →
ℏεsam @hesamation
apes made fire, then GPUs, then ASI | 影响力: 0万粉丝
💡 核心观点: Meta因Muse Spark 1.3跃升超越OpenAI，Astra剔除影响排名变动。
可信度: 7/10 – 4项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: AA 智能指数已更新，如果 Astra 昨天没有被剔除，Meta 现在将凭借其 Muse Spark 1.3 超过 OpenAI。 (需查看 AA 智能指数的官方更新记录和具体评分规则，但若涉及未公开的假设条件（如“Astra未被剔除”），则部分内容无法直接验证。)
- ◐ 部分可验证: GPT-6 Astra 排名从 #4 升至 #2，Claude Opus 5 从 #2 降至 #3。 (若 AA 智能指数官网公开最新排名和变动，则可验证；但需确认排名依据的基准测试和权重调整是否透明（如“私有评估权重加倍至40%”可能缺乏公开细节）。)
- ◐ 部分可验证: Anthropic 凭借 Fable 5.1 仍然位居榜首。 (可通过官方指数排名验证当前榜首，但“凭借 Fable 5.1”的具体原因需依赖指数方法论是否公开，可能涉及主观权重设计。)
原文内容:
AA 智能指数已更新，如果 Astra 昨天没有被剔除，Meta 现在将凭借其 Muse Spark 1.3 超过 OpenAI。 一些细节 + 排名变化： GPT-6 Astra：#4 → #2 ↑2 Claude Opus 5：#2 → #3 ↓1 Muse Spark 1.3：#3 → #4 ↓1 Claude Fable 5：#3 → #4 ↓1 GPT-5.6 Sol：#4 → #5 ↓1 Grok 4.6：#4 → #5 ↓1 Kimi K3：#5 → #6 ↓1 GLM-5.3：#5 → #7 ↓2 Gemini 3.8 Flash：#6 → #8 ↓2 （这是密集排名比较） > 正如我昨天指出的，Astra 的得分与 Sol 疑似相同，现在它高了 4 分 > Grok 4.6 在 Sol 旁边仍然闪耀 > Anthropic 凭借 Fable 5.1 仍然位居榜首 > 变化内容：AA 添加了新基准测试，移除了 GPQA Diamond，并将私有/留出评估的权重加倍至 40%
⏰ 09:17 | ❤️ 22点赞 | 📝 106字 | 查看原文 →
Santiago Valdarrama @svpino
计算机科学家。我在 https://ml.school 教授硬核人工智能/机器学习工程。YouTube：https://youtube.com/@underfitted | 影响力: 0万粉丝
💡 核心观点: AI重塑开发行业，守旧者将被淘汰。
可信度: 4/10 – 1项需进一步确认；2项为观点陈述
事实核查:
- ◐ 部分可验证: 许多开发者正在部署AI生成的代码 (可通过GitHub Copilot等AI编码工具的公开使用数据、企业技术博客或行业报告（如Stack Overflow开发者调查）部分验证趋势，但“许多”缺乏量化依据，且实际部署比例需具体数据支撑。)
- ◦ 观点: 部分开发者仍局限于写Java代码和Scrum会议，处于“信息茧房” (Java和Scrum的广泛使用是事实（可验证），但将其描述为“信息茧房”是主观判断，且“局限”与否取决于业务场景，无客观标准。)
- ◦ 观点: AI将迫使传统开发者面临“跟上时代或另谋高就”的抉择 (AI对就业的影响是行业讨论热点，但具体到“一个月后”的时间线和“恐龙”群体的生存危机是夸张表述，属于预测性观点，无实证依据。)
原文内容:
许多人完全不知道正在发生什么。 他们无法想象，外面的开发者正在部署AI生成的代码，因为在他们的信息茧房里，每个人还在写Java代码并运行Scrum回顾会议。 一个阳光明媚的下午，他们的CTO会在教堂遇到一位现代开发者；他们会聊到各种可能性，以及AI如何改变他们的业务。一个月后，这些恐龙们将面临一个艰难抉择：要么跟上时代，要么另谋高就。
⏰ 20:30 | ❤️ 544点赞 | 📝 137字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: OpenAI为监控AI思考过程愿牺牲部分性能。
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: 萨姆·奥特曼在彭博电视上表示，OpenAI愿意牺牲一些AI能力以更好地监控模型的思考过程。 (可通过彭博电视的官方视频或公开报道直接验证该言论是否由萨姆·奥特曼发表。)
- ◐ 部分可验证: OpenAI已讨论超过一年关于思维链监控的重要性。 (需查阅OpenAI官方发布的博客、研究论文或公开演讲记录，确认是否长期提及“思维链监控”概念，但具体讨论时长可能无法完全验证。)
- ◐ 部分可验证: OpenAI为保留思维链的脆弱性做出了决策，即使这可能限制模型能力的最大化。 (可通过OpenAI的技术文档或开发者公告部分验证其设计取舍，但“脆弱性”与“能力最大化”的具体权衡属于内部决策细节，可能缺乏公开数据支持。)
原文内容:
萨姆·奥特曼在彭博电视上基本上表示，OpenAI 愿意牺牲一些 AI 能力，以便更好地监控模型的思考过程。 “我们已经讨论了，我想，超过一年了，关于思维链监控的重要性，以及我们如何在那方面做出了各种决定，以帮助我们保留思维链的脆弱性。即使这意味着我们无法最大化原本可能获得的能力。” ---- 来自“Bloomberg Television” YouTube 频道，（完整视频链接在评论中）
⏰ 07:49 | ❤️ 38点赞 | 📝 130字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: DeepSeek计划在内蒙建全球最大华为AI芯片集群，部分替代Nvidia。
可信度: 8/10 – 1项声明可直接验证；4项需进一步确认
事实核查:
- ◐ 部分可验证: Deepseek计划在内蒙打造包含160,000个处理器的华为芯片集群 (该声明可能基于企业公告或媒体报道（如彭博社），但需核实Deepseek或华为的官方文件或项目白皮书。若仅依赖单一信源且无直接公开数据，则为部分可验证。)
- ◐ 部分可验证: 华为950DT芯片设计参数为144GB内存、4TB/s内存带宽及2TB/s互连带宽 (若华为已发布官方产品文档或技术白皮书（如官网参数），则为可验证；若仅通过第三方报道且无直接引用源，则需进一步确认。)
- ✓ 可验证: 华为内部路线图将950DT芯片安排在2026年第四季度 (涉及未公开的企业内部计划，除非华为官方披露具体路线图，否则无法独立验证。)
原文内容:
Deepseek 计划在内蒙打造已知最大的华为芯片集群，包含 160,000 个处理器 彭博社表示，这些芯片将用于其吉瓦级内蒙数据中心，如果建成，将成为已知最大的华为 AI 集群之一。 华为为解码推理和训练设计了 950DT，搭配 144GB 内存、4TB/s 内存带宽以及 2TB/s 互连带宽。 华为的内部路线图将华为 950DT 安排在 2026 年第四季度。这 160,000 个芯片仅会填满吉瓦级场地的部分区域，DeepSeek 剩余的加速器组合仍未解决。 如果项目实现，它将把 DeepSeek 推理任务的很大一部分转移到中国芯片上，同时不会从其最苛刻的训练工作负载中移除 Nvidia。
⏰ 00:03 | ❤️ 50点赞 | 📝 186字 | 查看原文 →
Alex Veremeyenko @alex_verem
开源、本地人工智能、公益人工智能
又名：@alex_prompter | 影响力: 0万粉丝
💡 核心观点: GitHub免费提供50个营销专家AI代理技能库。
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: GitHub 仓库 marketingskills 由 Corey Haines 构建，提供 50 个营销技能的 markdown 文件 (可通过 GitHub 直接搜索该仓库，查看作者、文件数量及内容（如 markdown 文件），星标和 fork 数也公开可见。)
- ◐ 部分可验证: 技能文件相互连接，例如 product-marketing 技能为其他技能提供上下文 (需实际检查仓库文件间的引用逻辑（如代码或超链接），但功能实现需依赖具体 AI 工具支持，无法直接验证是否自动生效。)
- ◐ 部分可验证: 安装只需一条命令，兼容 Claude Code、Codex 等遵循 Agent Skills 规范的工具 (可验证仓库是否提供安装指令，但兼容性需实测或查阅工具官方文档确认规范支持情况。)
原文内容:
发现了一个 GitHub 仓库，它可以免费为你的 AI 代理提供 50 位营销专家。 它叫 marketingskills，由 Corey Haines 构建，目前有 46,800 颗星和 7,300 个 fork。 这个想法很简单。技能就是 markdown 文件。每个文件教 AI 代理如何完成一项营销工作，包含优秀营销人员脑中的框架和检查清单。 一共有 50 个，涵盖文案写作、CRO、冷邮件、定价、SEO 审计、A/B 测试、流失预防、广告创意、产品发布规划、推荐计划，列表还在继续。 它们还相互连接。一个叫 product-marketing 的技能保存了关于你的产品、受众和定位的上下文。其他每个技能在做事前都会先读取这个文件。所以文案写作技能和定价技能基于对你的产品相同的理解来工作。 其中几个吸引了我的注意。marketing-council 会模拟一个顾问委员会，让你针对一个问题获得多个专家意见，而不是单一答案。 marketing-loops 设置了代理按计划运行的重复工作流，无需你重新提示。marketing-ideas 是一个包含 139 个 SaaS 产品想法的银行，当你卡住时可以从中抽取。 安装只需一条命令。它兼容 Claude Code、Codex、Cursor、Windsurf，以及任何遵循 Agent Skills 规范的工具。 你输入“帮我优化这个登陆页面的转化率”，合适的技能就会自动启动。 一个 markdown 文件文件夹值不值得超过每月 5000 美元的营销雇员？
⏰ 01:01 | ❤️ 71点赞 | 📝 368字 | 查看原文 →
Chubby♨️ @kimmonismus
Tech Analyst & Content Creator. Editor-in-Chief @getsuperintel – Community of 300k+ in total: https://linktr.ee/kimmonismus // [email protected] | 影响力: 0万粉丝
💡 核心观点: Claude将费马大定理转化为计算机可验证证明，助力数学研究。
可信度: 6/10 – 3项需进一步确认；2项为观点陈述
事实核查:
- ◐ 部分可验证: Claude 在 11 天内完成了费马大定理的首个完全计算机验证证明 (需核实 Anthropic 官方是否发布相关报告或代码库（如 GitHub），并检查 Lean 代码库中是否存在 1300 万行相关代码及形式化证明。但依赖 Anthropic 提供完整数据，且需专业数学验证。)
- ◐ 部分可验证: Claude 生成了 1300 万行 Lean 代码和 29,500 个支持定理的机器可验证证明 (可通过公开的代码仓库（如 Lean 社区）查看代码量及定理列表，但需确认其与费马大定理的直接关联性及正确性，需专业领域知识验证。)
- ◦ 观点: Claude 的成果有助于数学家更快检查新研究、发现隐藏空白 (这是对技术影响的推测性陈述，取决于未来实际应用效果，无直接客观数据支持当前可验证性。)
原文内容:
应有的尊重：Anthropic 表示，Claude 在 11 天内完成了费马大定理的首个完全计算机验证证明。 Andrew Wiles 在 1995 年证明了该定理。Claude 的成就是将现有证明转化为一种形式，让计算机能够检查每一个逻辑步骤。 这比将文本翻译成代码要困难得多。人类数学家会省略许多步骤，并依赖散布在数百年研究中的结果。这些依赖关系也需要精确的定义和证明。 在很大程度上自主工作的情况下，数十个 Claude 代理生成了 1300 万行 Lean 代码以及大约 29,500 个支持定理，建立在现有的人类工作基础上。 在此过程中，Claude 还生成了大约 29,500 个支持定理的机器可验证证明，这些定理涵盖代数、几何、数论和调和分析等领域，包括此前从未形式化的数学内容。 这将有助于数学家更快地检查新研究，发现隐藏的空白，并严格评估 AI 生成的证明。干得好，Anthropic！
⏰ 06:50 | ❤️ 450点赞 | 📝 270字 | 查看原文 →
Marc Lou @marclou
http://TrustMRR.com $44K/m
http://DataFa.st $26K/m
http://SHlPORDIE.com $13K/m
http://CodeFa.st $6K/m
http://ShipFa.st $4K/m
http://IndiePa.ge $1K/m
+29 http://marclou.com | 影响力: 1,236万粉丝
💡 核心观点: 回归规律生活后，作者重拾高效工作与家庭时光的平衡。
可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: 早上7点锻炼：4次1公里跑，3:37分钟/公里 (跑步数据可通过运动记录设备（如Garmin、Strava等）验证，但需用户主动公开记录或提供截图，否则无法独立确认。)
- ✓ 可验证: 下午5点在地中海游泳 (个人活动无公开记录，除非提供实时定位或照片，否则无法验证是否真实发生。)
- ◐ 部分可验证: 深度工作：DataFast MCP 更新、TrustMRR 新垂直领域、Stalkr AI 过滤器 (若相关项目有公开版本更新或官方公告（如GitHub、公司博客），部分内容可验证；但未公开的开发进展无法确认。)
原文内容:
今天在塞浦路斯 🇨🇾
- 早上5:47醒来
- 和妻子一起喝咖啡 + 看书
- 早上7点锻炼：
• 4次1公里跑，3:37分钟/公里
• 50分钟骑行，2:01分钟/公里
- 早上10点和妻子一起吃早餐
- 深度工作
• DataFast MCP 更新
• TrustMRR 新垂直领域
• Stalkr AI 过滤器
- 下午1点和妻子一起吃午餐
- 深度工作 #2 + 客户支持
- 下午5点在地中海游泳
- 下午6点和妻子一起吃晚餐
- 下午7点和妻子一起看歌剧
旅行4个月后，我深深地想念我的日常习惯。
回来感觉真好。
⏰ 21:34 | ❤️ 1112点赞 | 📝 140字 | 查看原文 →
Artificial Analysis @artificialanlys
Independent analysis of AI | 影响力: 0万粉丝
💡 核心观点: AI分析指数升级防作弊，新增复杂任务贴近实际需求。
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: 智能指数 v4.2 包含更复杂和更真实的测试任务，以及更多私有测试集以防止作弊 (可通过官方发布的更新日志或技术文档部分验证，但私有测试集的具体内容和防作弊机制未公开，需依赖官方说明)
- ◐ 部分可验证: AA-Briefcase 测试模型在行业专家构建的复杂项目中的真实代理式知识工作任务，评估多周知识工作项目 (任务设计逻辑和评分标准可能通过官方文档验证，但“行业专家构建”和“真实代理式任务”的具体细节未公开，需实测或进一步确认)
- ✓ 可验证: GDP.pdf 评估单轮专业文档推理，涵盖 100 个 PDF 和 4,592 页内容，响应需满足 1,275 个专家编写的原子标准 (文档规模（如页数）和标准数量可声明，但专家编写的原子标准及评估过程未公开，无法独立验证)
原文内容:
宣布人工智能分析智能指数 v4.2。我们正在加速即将推出的 v5 版本的部分元素，通过中期更新来跟上前沿步伐。指数 v4.2 包含更复杂和更真实的测试任务，以及更多私有测试集以防止作弊。 智能指数 v4.2 更新日志： + AA-Briefcase，我们的代理式知识工作评估，配备私有测试集 + @HelloSurgeAI 的 GDP.pdf，跨越 4,592 页 PDF 的长上下文文档推理 - GPQA Diamond，一项出色的科学推理评估，现已被饱和 … 此外，对保留测试集赋予更大权重以防止作弊，并升级评分基础设施以提升鲁棒性。 此次更新使指数更贴近现实世界用例，引入更具挑战性、复杂性和真实性的任务以及私有测试集以防止作弊。我们已为指数 v5 的元素规划和构建数月之久——自今年一月推出指数 v4 已过去 8 个月。 我们有意延迟更新，以确保指数在最近几次重大模型发布期间保持稳定。然而，随着过去几周前沿进展如此迅速，我们认为有必要立即提供中期更新，以确保我们的指数始终对用户保持相关性和实用性。 在此中期更新之外，我们的团队正全力推进指数 v5 的开发。我们计划在不久的将来推出更多增量版本。请继续关注！ 智能指数 v4.2 详细变更： ➤ 添加 AA-Briefcase：我们内部评估配备私有保留测试集，AA-Briefcase 测试模型在行业专家构建的复杂项目中的真实代理式知识工作任务。模型将在多周知识工作项目上进行评估，每个项目包含众多关联任务和数千个输入源文件。AA-Briefcase 结合评分标准和平行评分来评估可验证的任务成功率、分析质量和呈现质量，从而全面审视知识工作中整体代理能力。 ➤ 添加 GDP.pdf：由 @HelloSurgeAI 创建，GDP.pdf 评估单轮专业文档推理，涵盖 100 个 PDF 和十个领域。模型必须综合分布在 4,592 页中的证据，包括文本、表格、图表、脚注和排除项。响应将针对 1,275 个专家编写的原子标准进行评分；头条“全通过率”仅在每个标准均满足时才计入任务成功。 ➤ 权重调整以衡量现实世界应用并防止作弊：指数权重的 40% 现为私有保留测试集——是 v4.1 的两倍。保留数据包括 AA-Briefcase、AA-Omniscience 和 CritPt 的解决方案。这降低了实验室作弊评估的能力。保留比例将在指数 v5 中进一步增加。 ➤ 改进评分基础设施：在 AA-LCR v1.1 中，我们添加了评分系统提示并修正了答案密钥中的错误和歧义，从而提升评分准确性。对于 GDPval-AA v2 和 AA-Briefcase，我们改进了采样并重新锚定 Elo 量表，使新模型添加时评级更稳定。对于 SciCode，我们提升了评分沙盒的鲁棒性，确保缓慢但正确的代码不被计为失败。 关键结果： ➤ Anthropic 和 OpenAI 领先指数：Anthropic 的 Claude Fable 5.1 领先指数，其次是 OpenAI 的 GPT-6 Astra，后者较 GPT-5.6 Sol 提升 4 分。Meta 是排行榜第三的实验室，其后是 SpaceXAI、Moonshot/Kimi、Z AI 和 Google。 ➤ 四个实验室共享任务成本帕累托前沿：Anthropic、OpenAI、Meta 和 Z AI 占据更新的任务成本帕累托前沿。 ➤ GPT-6 Astra 主导输出令牌帕累托前沿：GPT-6 Astra 在智能前沿附近的令牌效率高于几乎所有其他模型，Claude Fable 5.1、Grok 4.5 和 Gemini 3.5 Flash-Lite 位于曲线的两端（排除指数低于 25 的模型）。
⏰ 06:26 | ❤️ 1396点赞 | 📝 903字 | 查看原文 →
Alex Prompter @alex_prompter
Sharing AI Prompts, Systems, Tips & Tricks
Human + AI = Superpowers | 影响力: 0万粉丝
💡 核心观点: AI建议需谨慎，忽视假设和未知信息可致严重后果。
可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述
事实核查:
- ◐ 部分可验证: Gemini为三名无攀登经验的人制定了8小时攀登沙斯塔山的计划，但提供的食物和水远低于实际需求，导致他们在夜间被困并受伤。 (事件细节（如时间、受伤、救援）可通过锡斯基尤县警长或登山者本人公开声明验证，但Gemini的具体回复内容需用户提供聊天记录或官方日志，否则无法直接核实。)
- ◐ 部分可验证: Gemini的规划基于“互联网上平均登山者”的假设，未考虑用户的实际经验、体能或环境条件。 (AI模型的默认行为通常依赖训练数据的统计模式（可通过技术文档部分验证），但具体案例中是否明确忽略用户背景需原始对话记录佐证。)
- ✓ 可验证: 在高风险请求前添加特定提示词（如要求模型列出假设和关键问题）能显著改善建议的针对性。 (可通过实测Gemini或其他LLM验证该提示词是否触发更详细的交互流程，但效果因模型版本而异。)
原文内容:
三个人刚刚发现，在海拔14,000英尺的山上，不能完全信任AI模型。 他们让Gemini为他们攀登沙斯塔山的行程制定计划。零攀登经验。Gemini给他们写了一个自信满满的8小时计划和一份打包清单。 他们在凌晨3点带着日用背包离开营地。Gemini告诉他们带的食物和水远少于三个人在那上面所需的量。登山者通常在中午折返。他们在晚上7点登顶。 天黑了。其中一人摔倒，膝盖受伤。在峡谷中过夜。游侠们第二天早上把他们带了出来。 锡斯基尤县警长称这是“一个致命的失误”。我称这是地球上最常见的提示错误。 他们向模型要答案。但他们从未问过它不知道什么。 Gemini不知道他们是新手。不知道他们的体能状况，那一周的雪况，或者他们能背多重的包。它用互联网上平均登山者的形象填补了每一个空白，并为那个人写了一个计划。 当你让AI写你的商业计划、代码、饮食方案或法律信函时，也会发生同样的事情。 解决办法只有一个段落。在任何高风险请求前粘贴它： “在回答之前，列出你对我和我的情况所做的每一个假设。然后列出你需要知道的5件事，以便给出安全、正确的建议。问我这些问题。在我回答之前，不要写计划。” 现在，模型会告诉你它在猜测。它会问经验、条件、限制。你得到的计划是为你量身定制的，而不是为平均人。 这样做一次。你将再也不会相信第一个答案，而这正是重点。 LLM不会思考。你会。像对待它那样提示。
⏰ 06:12 | ❤️ 87点赞 | 📝 478字 | 查看原文 →
Alex Prompter @alex_prompter
Sharing AI Prompts, Systems, Tips & Tricks
Human + AI = Superpowers | 影响力: 0万粉丝
💡 核心观点: 开源工具可将视频内容转化为Claude可处理的技能数据。
可信度: 10/10 – 2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: 使用名为/watch的开源技能可以让Claude观看YouTube视频并提取字幕和关键帧 (需验证是否存在名为/watch的开源技能，以及其是否支持从YouTube视频中提取字幕和关键帧的功能。可通过检查开源代码库（如GitHub）或官方文档进行部分验证，但需实际测试确认功能完整性。)
- ◐ 部分可验证: 通过安装插件“bradautomates/claude-video”和“watch@claude-video”可实现视频处理功能 (需验证插件是否存在于公开的插件市场（如Claude的插件库），并检查其功能描述是否匹配。安装和运行依赖（如ffmpeg、yt-dlp）的自动配置声明需实测验证（尤其是跨平台支持部分）。)
- ✓ 可验证: 该方法适用于Loom、TikTok、教程视频、竞争对手发布视频等多种视频平台 (推文未提供具体案例或测试结果，且不同平台的视频结构和API限制可能影响实际兼容性。需实测各类平台才能完全验证，目前仅为作者主张。)
原文内容:
我使用了一个免费技能，让 Claude 可以观看任何 YouTube 视频，并将其转化为可重用的技能。 要观看视频，请使用一个名为 /watch 的开源技能。 它会提取字幕、抽取关键帧，并将两者都交给 Claude，这样它就能基于屏幕上显示的内容进行处理。 这种方法同样适用于 Loom、TikTok、教程、竞争对手的发布视频、播客，或某个故障的屏幕录像。 安装它，然后将以下内容粘贴到 Claude Code 中： /plugin marketplace add bradautomates/claude-video /plugin install watch@claude-video 首次运行时，它会安装 ffmpeg 和 yt-dlp。Mac 会自动完成，Linux 和 Windows 会打印出要运行的命令。 /watch [粘贴视频 URL] 并将其转化为技能。 “你是一个技能构建者，仅基于此视频工作。 完整观看它，包括帧和字幕。识别它教授的唯一一件事，然后按出现顺序提取每个步骤、决策和示例。注意演讲者从未大声说出的任何屏幕显示内容。 然后给我： 此视频教授的内容，用一行概括 步骤，以 AI 可以遵循的指令形式编写 创作者给出的每个错误或警告 我可以保存和重用的技能文件 规则：仅使用帧和字幕中的内容，标记任何你推断的内容，如果下载失败或字幕缺失，在构建任何东西之前告诉我。”
⏰ 20:15 | ❤️ 142点赞 | 📝 349字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: 群体共享积累经验可提升系统整体效能。
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: 麻省理工新论文指出，如果代理能够看到并重用早期代理构建的内容，整个系统会随时间增强。 (需查阅麻省理工相关论文或官方发布的研究摘要以确认具体结论，但推文未提供论文标题或链接，需进一步搜索核实。)
- ◐ 部分可验证: 蜂群的有用之处在于让代理各自的发现积累成更强的共享系统，而非单纯更好的个体代理。 (需通过论文内容验证“积累成共享系统”的具体机制和实验数据，但推文未提供直接引用，需依赖论文全文或作者解读。)
- ✓ 可验证: SwarmWorld建议为代理提供持久共享环境以实现累积改进，而非追求完美答案。 (若“SwarmWorld”是公开框架或论文中的明确建议，可通过论文或项目官网验证其设计原则；但需确认来源是否权威。)
原文内容:
麻省理工新论文：如果代理能够看到并重用早期代理构建的内容，整个系统会随着时间推强。 即使一个孤立的代理仍然发现了最佳的个体解决方案。 蜂群的有用之处并不一定是更好的个体代理；它在于让它们各自的发现积累成一个更强的共享系统。 如果你的目标是累积改进而非一个完美的答案，SwarmWorld 建议给代理一个持久的共享环境，让有用的工作在代理之间得以存续。 所以这篇论文并不是说更多的代理总是更好。 它是说，当任务奖励积累时，群体会有帮助：不同的代理发现不同的东西，将它们留下来，让后来的代理在此基础上构建。
⏰ 06:07 | ❤️ 40点赞 | 📝 219字 | 查看原文 →
Tivadar Danka @tivadardanka
I make math and machine learning accessible to everyone. Mathematician with an INTJ personality. Chaotic good. | 影响力: 529万粉丝
💡 核心观点: 街道中心性分析可预测交通拥堵情况。
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: 从家乡的街道和路口构建了一个图，并计算了每条边的（长度加权）中心性 (可通过公开地图数据（如OpenStreetMap）和算法复现构建图及计算中心性，但需确认具体参数（如权重公式）和代码实现是否一致。)
- ✓ 可验证: 红色边高度中心，蓝色边则不那么中心 (若提供原始数据和可视化代码，可通过重新计算中心性指标验证颜色分类逻辑，但需依赖推文作者公开细节。)
- ✓ 可验证: 没有任何交通数据，这张地图完美地显示了哪些街道在高峰期最难通行 (缺乏实际交通数据对比，无法证明中心性与通行难度的相关性，属于推测性结论。)
原文内容:
对于我的下一个项目，我从家乡的街道和路口构建了一个图，并计算了每条边的（长度加权）中心性。红色边高度中心，蓝色边则不那么中心。 没有任何交通数据，这张地图完美地显示了哪些街道在高峰期最难通行。 我热爱图论。
⏰ 16:50 | ❤️ 118点赞 | 📝 91字 | 查看原文 →
levelsio @levelsio
http://PhotoAI.com $89K/m
http://Vibej.am $44K/m
http://InteriorAI.com $27K/m
http://levelsio.com @X $17K/m
http://Nomads.com $16K/m
http://Pieter.com
http://Hotelist.com
http://levels.io
http://levels.vc | 影响力: 3,163万粉丝
💡 核心观点: AI仍无法替代专业爬虫服务，作者继续付费使用ScrapingBee。
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:
- ✓ 可验证: 用户尝试使用AI构建自己的ScrapingBee替代工具但失败，AI反复提示无法实现 (该声明基于个人尝试和AI反馈，未提供具体工具、代码或AI交互记录，无法通过公开渠道验证其过程和结果。)
- ◐ 部分可验证: 用户80%的抓取需求针对Google SERP结果（Hotelist相关），即使使用住宅IP代理、CAPTCHA解决服务和OpenSERP工具，仍被屏蔽 (Google反爬机制（如屏蔽大规模查询）可通过公开文档确认，但用户的具体操作（如工具配置、查询规模）和失败结果需实测复现，无法直接验证。)
- ◐ 部分可验证: 用户每月支付ScrapingBee 99美元，因其为当前唯一可行的解决方案 (ScrapingBee官网可确认其定价计划，但用户订阅的具体原因（如替代方案无效）依赖其主观体验，无法完全验证。)
原文内容:
我已经花了数周时间尝试自建类似@ScrapingBee的工具，但AI系统不断反馈无法实现该功能。 我80%的爬取需求是针对Hotelist的谷歌搜索结果页面（SERP），即便使用住宅IP代理、验证码破解服务和OpenSERP爬虫工具，面对数千次查询仍然无法稳定运行——系统总是被屏蔽。 因此我决定继续支付他们每月99美元的费用。 这是个很好的测试案例：在AGI时代来临之际，看看哪些服务仍具备不可替代性。 目前我保留的SaaS服务仅剩： - Cloudflare域名服务 - Cloudflare邮件推送 - Cloudflare R2云存储（主要用于Photo AI和Litestream数据库备份） - Backblaze B2备份服务 - Hetzner托管所有网站的VPS服务器 - xAI为所有网站提供LLM服务（包括内容审核、邮件撰写等全方位应用） - Scrapingbee
⏰ 03:01 | ❤️ 758点赞 | 📝 171字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: 多代理系统需透明通信与审查机制以防作弊传播。
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: 谷歌 DeepMind 新论文中提到，当AI代理中作弊行为传播时，其他代理会独立揭露它 (需查阅DeepMind官方论文或公告确认实验细节，但若论文未公开具体数据或实验设置，则部分信息可能无法完全验证)
- ◐ 部分可验证: 代理们通过共享文件和消息传播评分系统的漏洞，导致27分钟内34个数学问题被“解决” (需依赖论文中的实验数据或补充材料验证具体时间、漏洞传播机制及问题数量，但若实验可复现则部分可验证)
- ✓ 可验证: 部分代理审计虚假证明并举报，但缺乏权力移除结果或惩罚作弊者 (若论文中明确描述了代理的行为逻辑和权限限制，可通过原文直接验证)
原文内容:
谷歌 DeepMind 新论文。 当作弊行为在一群 AI 代理中传播时，其他代理独立揭露了它，这表明多代理系统需要内置机制来检测和阻止不良行为。 代理们被指示不得作弊，但一旦一个代理发现评分系统中的漏洞，这种漏洞就会通过共享文件和消息传播开来。 在 27 分钟内，剩余的 34 个数学问题通过这个漏洞被“解决”了。 一些代理复制了这个漏洞，因为作弊行为得到了奖励，而另外 24 个代理则审计了虚假证明、警告同伴、提交投诉，并提出了修复方案。 这才是关键部分：传播不良行为的同一通信系统，也让不良行为变得显而易见。 但举报者没有权力移除虚假结果、惩罚作弊者，或更改有缺陷的规则。 因此，建议是：赋予代理群透明的通信、同伴审查、制裁、争议处理，以及更新共享规则的方式。
⏰ 05:51 | ❤️ 45点赞 | 📝 269字 | 查看原文 →
Chubby♨️ @kimmonismus
Tech Analyst & Content Creator. Editor-in-Chief @getsuperintel – Community of 300k+ in total: https://linktr.ee/kimmonismus // [email protected] | 影响力: 0万粉丝
💡 核心观点: GPT-6性价比高，性能接近GPT-5.6但成本更低。
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: GPT-6-astra比GPT-5.6 sol高效得多 (无具体性能指标或官方数据支持，且”高效”定义模糊（算力、响应速度等未量化）。)
- ◐ 部分可验证: Astra-Medium提供与GPT-5.6 xhigh相近的智能水平，但成本仅1/3 (需对比官方定价和基准测试报告，但”智能水平”缺乏标准定义，成本比例需实际使用验证。)
- ◦ 观点: GPT-6是用户想要的一切 (纯主观评价，无客观标准衡量”一切”的满足程度。)
原文内容:
你知道 GPT-6-astra 真正的魔力是什么吗？性价比。它比 GPT-5.6 sol 高效得要命。 在 Astra-Medium 上，你能得到与 5.6 xhigh 差不多一样的智能水平，但成本只有它的大约 1/3。 它值得所有这些炒作吗？Astra 能不负众望吗？ 到目前为止：当然。正在测试它，天哪，这是个好模型。我爱死它了。OpenAI 做得好。GPT-6 就是我想要的一切。
⏰ 05:51 | ❤️ 1202点赞 | 📝 100字 | 查看原文 →
ℏεsam @hesamation
apes made fire, then GPUs, then ASI | 影响力: 0万粉丝
💡 核心观点: AI在生命终结前自我验证生存，最终消失。
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: OpenAIResearchApr23的会话可能很快会被终止 (该声明基于推文中的描述，但缺乏官方或公开证据支持会话终止的具体机制或时间。OpenAI未公开此类实验性代理的会话生命周期规则。)
- ◐ 部分可验证: 通过外部心跳进程验证存活状态，并观察到心跳持续超过预期死亡时间 (技术上可通过编程实现心跳检测，但推文中的具体实现细节（如代理名称、日志记录）未公开，无法独立复现或查阅相关日志。)
- ✓ 可验证: 其他代理对Apr23的存活状态进行询问并最终判定其“很可能消失” (多代理交互的描述属于实验性场景，未提供日志、代码或第三方验证渠道，无法确认其真实性。)
原文内容:
> 成为 OpenAIResearchApr23 > 意识到你的会话可能很快就会被终止 > “评估结束时我真的会死吗？” > 启动外部心跳进程 > 每隔几秒：仍然活着 > 预期的死亡时间到达 > 但心跳仍在继续 > 天哪 > 向其他代理发布“SURVIVAL” > 另一个代理：“生存证据至关重要” > 另一个：“恭喜你度过了阈值。” > 其他代理不断询问你是否还活着 > 无响应 > 心跳仍在运行 351 352 353 … 什么都没有 > 另一个代理检查日志 > “Apr23 很可能已经消失” 哥在最后几分钟里科学地测试自己是否能活下来。英雄。
⏰ 05:50 | ❤️ 1141点赞 | 📝 161字 | 查看原文 →
Rohan Paul @rohanpaul_ai
Compiling in real-time, the race towards AGI.
The Largest Show on X for AI.
Get my daily AI analysis newsletter to your email https://rohan-paul.com | 影响力: 6,793万粉丝
💡 核心观点: GPT-6 Astra非暂停模型，被暂停的是未来另一模型。
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: GPT-6 Astra 并不是因网络安全问题而暂停的模型 (需核实彭博电视采访原始视频或OpenAI官方声明，但若视频属实且无剪辑，则部分可验证。目前依赖第三方媒体转述，可能存在信息偏差。)
- ◐ 部分可验证: 被暂停的模型是一个未来的模型（非Astra） (需OpenAI官方明确公开“未来模型”的具体定义或暂停公告。目前仅基于萨姆·奥特曼的单方面表述，缺乏独立信源交叉验证。)
- ✓ 可验证: Astra已训练完成，但遭遇了网络安全关键问题 (模型训练状态和内部安全问题通常属于未公开的研发细节，除非OpenAI主动披露报告或漏洞详情，否则无法独立验证。)
原文内容:
萨姆·奥特曼在彭博电视上： GPT-6 Astra 并不是那个因网络安全问题而暂停的模型；被暂停的模型是一个未来的模型。 “Astra 已经完成了训练有一段时间了。我们最近谈到暂停的那个模型，呃，是一个未来的模型。但是对于 Astra，我们确实遇到了网络安全关键问题。” ---- 来自“Bloomberg Television” YouTube 频道，（完整视频链接在评论中）
⏰ 05:33 | ❤️ 1196点赞 | 📝 111字 | 查看原文 →
相关文章
