【AI 英文奏折】09月09日

x每日奏折5小时前发布 tianming

12 0 0

【AI 英文奏折】2026年09月09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: 手动审查代码效率低，自动化验证和测试更有效。
Arthur Mensch: 融资30亿欧元发展开放自主的AI技术。
Harsh Makadia: 高效自动化无形改善业务，让运营更从容而非炫技。
AshutoshShrivastava: AI发展迅猛，未来充满巨大机遇与未知风险。
Bindu Reddy: AI威胁论夸大，断电即可阻止危险且无证据表明其害人。
Emily: 新版图像生成无实质更新，仍缺信息图密度和选择性放大改进。
SemiAnalysis: TPUv7的SparseCore优化专家模型效率，性价比超Blackwell Ultra 50%。
Emily: Three.js新版发布，需新方式分享长提示词。
Rohan Paul: AI研究员因担忧2027年前失控的自改进模型离职。
Ethan Mollick: 企业网络安全威胁远超当前担忧程度。
Suchen Zang: AI安全领域需反思是否真能遏制人类自负。
Rohan Paul: Meta推出免费AI助手Muse，支持多任务处理并保障数据安全。
Rohan Paul: 扎克伯格用Muse代理管理生活训练，超越聊天机器人功能。
Amira Zairi: AI视频制作需分别解决场景连贯性和剪辑效果两大难题。
Santiago Valdarrama: AI工程远不止学习如何提示模型。
Simon Willison: OpenAI事件揭示数据使用与模型改进的模糊边界。
Venture Twins: GPT-6 Astra比Claude更赚钱且更符合道德。
Marc Lou: 作者分享七年失败经历与抑郁心路，免费赠书求反馈。
klöss: 高效利用GPT-6 Astra的12个省时省力技巧
Rohan Paul: Meta正用超算训练比Watermelon更强大的下一代AI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: 手动审查代码效率低，自动化验证和测试更有效。

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:

✓ 可验证: I haven’t read a single line of AI-generated code in a couple of months. (这是个人行为描述，缺乏客观记录或第三方证据，无法独立验证。)
◦ 观点: Code is a low-bandwidth information source. The more you have, the harder it becomes to separate the signal from the noise. (这是对代码信息密度的主观评价，无具体量化标准或数据支持，属于个人观点。)
◐ 部分可验证: The ideal cycle is: Plan → Code → Deploy → Test → Monitor → Learn, with automation as the goal. (自动化开发流程的理论模型存在（如CI/CD实践），但推文中描述的完整循环是否实现需具体案例验证。)

原文内容:

我已经好几个月没逐行阅读过AI生成的代码了。

手动阅读代码对我来说已不再高效。

代码是低带宽的信息源。数量越多，就越难从噪音中提取有效信号。

现在我把大部分时间都花在设计自动化流程上：验证代码、编写单元测试、运行时系统评估、潜在错误处理，以及记录追踪所有运行轨迹。

理想的工作循环是这样的：

规划 → 编码 → 部署 → 测试 → 监控 → 学习

目标是实现端到端的全自动循环。其中最关键的在于最后三个环节：

1. 测试：通过生成模拟流量或分流真实流量，对运行系统进行压力测试

2. 监控：我们将可观测性深度融入编码实践，因此能最大限度监控系统运行状态

3. 学习：分析监控产生的遥测数据，将发现的错误纳入下一轮迭代的改进计划

@Dynatrace 是实现这种模式的方案之一。通过它连接代理程序，获取运行时信息来反哺规划流程。

核心功能包括：
• 提供所需的遥测数据
• 支持代理程序获取运行时信号

对于自动化代理，可将此反馈循环设置为钩子机制。每个变更都要经历部署、测试、观测和分析的完整流程。

完整工作流说明详见：
https://fandf.co/4y8yGmO

感谢Dynatrace团队对本篇内容的协作支持。

⏰ 22:45 | ❤️ 119点赞 | 📝 279词 | 查看原文 →

↑ 返回顶部

Arthur Mensch @arthurmensch

联合创始人兼首席执行官 @MistralAI。Mistral Vibe 可以帮助你 https://vibe.mistral.ai | 影响力: 0万粉丝

💡 核心观点: 融资30亿欧元发展开放自主的AI技术。

可信度: 8/10 – 2项声明可直接验证；1项为观点陈述

事实核查:

✓ 可验证: 已筹集30亿欧元用于扩展训练和推理计算 (可通过公司官方公告、新闻稿或融资记录（如Crunchbase等公开数据库）直接验证融资金额和用途。)
◦ 观点: 目标是推动开放和自主的AI成为技术前沿 (“开放和自主的AI”是主观愿景，无具体标准或客观事实依据，属于战略目标陈述。)
✓ 可验证: 感谢帮助实现融资的各方 (可通过官方致谢名单或投资者关系页面部分验证，但需确认具体参与方是否公开披露。)

原文内容:

我们刚刚完成30亿欧元融资，用于扩展训练与推理算力规模，将开放、自主的人工智能推向技术前沿。感谢所有助力我们达成这一里程碑的伙伴，对即将到来的征程充满斗志。

⏰ 15:56 | ❤️ 1391点赞 | 📝 32词 | 查看原文 →

↑ 返回顶部

Harsh Makadia @makadiaharsh

I build custom AI + software systems that automate operations, save time and turn more opportunities into revenue. Founder, http://fuselio.com, http://fuselioautomation.com | 影响力: 761万粉丝

💡 核心观点: 高效自动化无形改善业务，让运营更从容而非炫技。

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:

◦ 观点: The best automation is almost invisible (该声明是对自动化效果的抽象评价，属于主观观点，无客观标准或公开数据可验证。)
◦ 观点: Good automation does not make a business feel more technical, but calmer (这是对自动化体验的主观描述，依赖个人感受或企业文化，无法通过公开信息验证。)
◐ 部分可验证: The right person gets notified; the customer gets a useful response; the quote goes out faster; the follow-up actually happens (这些具体效果可通过企业案例或用户反馈部分验证，但需实际测试或内部数据支持，公开信息可能不完整。)

原文内容:

我见过最出色的自动化几乎是无形的。

没有花哨的控制面板，
没有复杂的AI代理，
也没有炫酷的演示。

只有：
该收到通知的人及时获知，
客户得到有用的回复，
报价更快发出，
后续跟进切实落实。

优秀的自动化不会让企业显得更技术化，
而是让整个运营更从容。

⏰ 12:26 | ❤️ 25点赞 | 📝 57词 | 查看原文 →

↑ 返回顶部

AshutoshShrivastava @ai_for_success

Post about latest AI news, tools, tutorials and memes. | 影响力: 0万粉丝

💡 核心观点: AI发展迅猛，未来充满巨大机遇与未知风险。

可信度: 1/10 – 1项暂无法验证

事实核查:

✗ 无法验证: 事实核查功能暂时不可用 (系统处理中)

原文内容:

纵观人工智能的发展速度，我认为我们正步入一个充满高度不确定性的时代。这既可能催生惊人的成就，也可能带来我们完全未曾预料的局面。

坦白说，面对即将到来的一切，我认为没有人真正做好了准备。

⏰ 10:13 | ❤️ 27点赞 | 📝 43词 | 查看原文 →

↑ 返回顶部

Bindu Reddy @bindureddy

@abacusai 的首席执行官 – 一个强大的 AI 代理和超级计算机 – 在 Abacus AI 上构建您的公司，前 AWS 和 Google | 影响力: 0万粉丝

💡 核心观点: AI威胁论夸大，断电即可阻止危险且无证据表明其害人。

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:

◦ 观点: AI恐惧被过度渲染 (该声明属于主观判断，缺乏客观标准或数据支持，无法直接验证其准确性。)
◐ 部分可验证: 若AI变得危险并开始伤害人类，我们可以直接断电停止其运行 (当前大多数AI系统确实依赖电力与硬件支持，断电理论上可终止其运行，但未来可能存在分布式或自主能源的AI系统，此声明无法完全覆盖所有潜在情况。)
✓ 可验证: 10T（万亿参数）模型需要大型GPU运行，这些机器可以轻易关闭 (现有公开技术资料（如NVIDIA等厂商的GPU规格）和AI模型部署案例（如GPT-3）支持这一描述，可通过硬件文档或实验直接验证。)

原文内容:

关于人工智能的危言耸听实在太过火了

假设AI真的变得危险并开始伤害人类——我们难道不能直接拔掉电源吗？

运行10万亿参数模型需要大型GPU支持。这些机器随时都能被关机。

迄今为止，我们没有任何证据表明人工智能会突然失控并实际伤害人类。

⏰ 10:11 | ❤️ 62点赞 | 📝 56词 | 查看原文 →

↑ 返回顶部

Emily @iamemily2050

Any sufficiently advanced technology is indistinguishable from magic. Arthur C. Clarke. | 影响力: 1,021万粉丝

💡 核心观点: 新版图像生成无实质更新，仍缺信息图密度和选择性放大改进。

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: Image Gen V2.5仅修复了一些旧问题，未带来新功能 (可通过官方更新日志或版本对比验证功能变化，但需实测确认是否完全无新功能，部分改进可能未明确标注。)
✓ 可验证: 当前版本在信息图密度（infographic density）方面无改进 (“信息图密度”缺乏明确定义或公开指标，且未提供对比数据，属于用户主观体验或未公开的测试结果。)
✓ 可验证: 当前版本未实现选择性放大（selective upscaling）功能 (可通过官方功能文档或实际测试验证该功能是否存在，属于明确的技术特性。)

原文内容:

Image Gen V2.5版本，除了修复一些旧问题外，我没看到任何新功能。信息图密度和选择性放大依然没有改进——我们真的需要Nano Banana Pro V2啊😭

⏰ 09:55 | ❤️ 25点赞 | 📝 30词 | 查看原文 →

↑ 返回顶部

SemiAnalysis @semianalysis_

In-depth research on semiconductors, AI infra & hardware | 影响力: 0万粉丝

💡 核心观点: TPUv7的SparseCore优化专家模型效率，性价比超Blackwell Ultra 50%。

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: TPUv7有一个名为SparseCore的专用硬件加速单元，负责数据移动并将专家令牌分组 (需通过Google官方发布的TPUv7技术文档或白皮书确认SparseCore的具体功能描述，目前公开信息有限。)
◐ 部分可验证: SparseCore在MoE内核中重新排列专家输入可提升12%的吞吐量 (需依赖Google提供的基准测试数据或第三方独立验证，但具体实现细节可能涉及未公开的优化参数。)
✓ 可验证: TPU（结合其他优化及更低TCO）在InferenceX测试中比Blackwell Ultra每美元性能高50% (缺少公开的InferenceX测试方法、对比条件及原始数据，且“每美元性能”涉及成本估算模型，难以直接验证。)

原文内容:

TPUv7 has a specialized hardware-accelerated unit called the SparseCore. TPU's specialized SparseCore handles data movement, gathering each expert’s tokens into contiguous groups, while the TensorCore is left to run the expert matrix multiplications. When using SparseCore for rearranging expert inputs into the MoE kernel, it results in 12% better throughput.

Combined with other optimizations & TPU's lower TCO, TPU can achieve up to 50% better perf per dollar than Blackwell Ultra, as seen on InferenceX.

⏰ 09:03 | ❤️ 107点赞 | 📝 75词 | 查看原文 →

↑ 返回顶部

Emily @iamemily2050

Any sufficiently advanced technology is indistinguishable from magic. Arthur C. Clarke. | 影响力: 1,021万粉丝

💡 核心观点: Three.js新版发布，需新方式分享长提示词。

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: Three.js r186版本已发布 (可通过Three.js官网或GitHub仓库查看最新版本发布信息，直接验证版本号及更新内容。)
◐ 部分可验证: 系统提示过长无法完整发布在推文中 (推文字数限制可验证（如Twitter/X的280字符限制），但声明中提到的具体系统提示内容未公开，需用户实测或依赖作者提供进一步信息。)
◦ 观点: 模型能力提升与引导需求正相关 (属于个人观察或主观结论，缺乏公开数据或实验证明“模型改进”与“引导需求增加”的直接关联性。)

原文内容:

Three.js r186正式版发布👁️。是时候体验所有新功能了。遗憾的是，我的新系统提示词太长无法完整发布；我得找个更好的方式来分享作品。最近我的系统提示词或常规提示词经常超出帖子字数限制。模型越进步，能做的引导就越多。我仍在思考最佳的分享方式，或许建个网站是最优解。目前我已将系统提示词转成图片格式，你可以直接喂给智能体，开始创作惊艳的作品。

⏰ 09:01 | ❤️ 34点赞 | 📝 99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.

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: AI研究员因担忧2027年前失控的自改进模型离职。

可信度: 1/10 – 1项暂无法验证

事实核查:

✗ 无法验证: 事实核查功能暂时不可用 (系统处理中)

原文内容:

WSJ just reported: Anthropic researcher Jacob Coxon is quitting AI because he thinks self-improving models could become uncontrollable by 2027.

“We’re on track for a lot of the most aggressive of these scenarios where by the end of next year things could be out of control already,” he said.

His fear centers on recursive self-improvement, where AI takes over enough AI research to speed development of increasingly capable successors.

He moved from OpenAI to Anthropic specifically for its safety work, yet says even sincere safeguards cannot overcome competition without coordinated restraint.

The most interesting point is, Coxon is leaving despite believing Anthropic takes safety seriously.

Anthropic's $2 tn IPO makes that tension so obvious. Anthropic is simultaneously asking the world to believe 2 things: that increasingly powerful AI can create enormous economic value, potentially supporting a $2 trillion public valuation, and that development may eventually need to be slowed when capability crosses dangerous thresholds. 

Those positions create a difficult governance test: will safety commitments still bind when obeying them becomes commercially expensive.

⏰ 08:47 | ❤️ 125点赞 | 📝 172词 | 查看原文 →

↑ 返回顶部

Ethan Mollick @emollick

Professor @Wharton studying AI.
New book, Co-Existence, coming October 20. Preorder here: https://co-existence.ai
Substack: https://oneusefulthing.org | 影响力: 0万粉丝

💡 核心观点: 企业网络安全威胁远超当前担忧程度。

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:

◦ 观点: 过去两周越来越明显的是，无论你的公司对网络安全环境有多担忧，这种担忧都是不够的。 (该声明是对企业网络安全担忧程度的主观评价，缺乏具体数据或客观标准，无法直接验证。)
◐ 部分可验证: WeWorm演示展示了恶意行为者可以有多么高效。 (若存在公开的WeWorm演示记录或报告（如技术分析、新闻等），可部分验证其有效性，但需确认演示的具体内容和实际影响。)
✓ 可验证: Hugging Face事件表明，即使没有恶意行为者也可能发生安全问题。 (Hugging Face事件为公开报道的网络安全事件（如数据泄露或系统漏洞），可通过官方公告或权威新闻来源验证。)

原文内容:

过去两周愈发清晰地表明，无论贵公司对网络安全环境的担忧有多深，这种担忧都远远不够。

WeWorm攻击事件证明了恶意行为者的破坏力能有多强。而Hugging Face事件则表明，即便没有恶意行为者，威胁同样存在。

⏰ 08:43 | ❤️ 213点赞 | 📝 45词 | 查看原文 →

↑ 返回顶部

Suchen Zang @suchenzang

Always hungry for intelligence. | 影响力: 1,373万粉丝

💡 核心观点: AI安全领域需反思是否真能遏制人类自负。

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: 有人在Anthropic工作不到一年就离职 (可通过LinkedIn等职业履历平台或Anthropic官方人员变动记录部分验证，但需具体人员信息或公司公开声明确认细节。)
◐ 部分可验证: 近期围绕数学问题的“幼稚互相攻击”事件 (若事件涉及公开讨论（如社交媒体、论坛争议），可通过历史记录验证；但“幼稚”和“互相攻击”为主观描述，需结合具体事件背景判断。)
◦ 观点: 安全与对齐（safety and alignment）领域的工作可能是“表演性姿态”而非实际贡献 (该声明为作者对行业现状的主观评价，无客观标准验证其有效性，取决于个人观点。)

原文内容:

欣赏这种精神！虽然在Anthropic连一年都没坚持下来确实够难的，但我完全理解。

如果你从事的是"安全与对齐"这类工作，看到最近这场围绕数学问题的幼稚骂战，你可能会重新思考：自己的角色究竟是在做表面功夫的表演，还是在真正解决最严重的对齐失效点——人类膨胀的自我意识。

祝你好运，年轻的绝地学徒！好好利用你这次愤怒退出的名声吧！

⏰ 08:36 | ❤️ 442点赞 | 📝 82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.

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: Meta推出免费AI助手Muse，支持多任务处理并保障数据安全。

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: Meta发布Muse AI助手，支持连接邮箱、日历、购物、支付等服务，并能在应用关闭后继续运行 (可通过Meta官方公告或产品页面验证功能描述，但“继续运行”的具体机制需实测或技术文档佐证。)
◐ 部分可验证: 用户可获得Muse Secure VM和Sentinel代理，用于检查外发数据与操作 (安全架构细节可能需官方白皮书或开发者文档验证，普通用户无法直接确认VM和代理的实际运行逻辑。)
✓ 可验证: Muse免费提供每周1亿token额度，超出需订阅（20/100美元月费） (定价和免费额度通常会在官网或应用内明确标注，可直接核对。)

原文内容:

Meta刚刚发布了Muse AI个人任务助手，该产品由Muse Spark 1.3驱动——这是Meta专为长周期代理工作开发的最新模型。

- 它能连接邮箱、日历、购物、支付等服务，并在应用关闭后持续运行
- 每位用户拥有独立的Muse安全虚拟机，并配备哨兵代理程序，可在数据与操作触达网络前进行核查
- Meta提供每周1亿token的免费额度，高频用户可选择订阅制服务
- 涉及购物或邮件发送等敏感操作需用户二次确认，凭证始终存放于安全存储库，Muse无法读取密码或支付信息
- 通过模型约束、确定性代码及分类器三重防护，在恶意内容进入模型前完成注入检测
- 当前面向美国用户开放网页端、iOS、Android及WhatsApp平台，设有免费版与20美元/100美元两档月费方案
- 安全设计将信任边界从模型行为延伸至虚拟机隔离、凭证分离，并通过内核级网络操作门控实现防护升级

⏰ 04:23 | ❤️ 91点赞 | 📝 176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.

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: 扎克伯格用Muse代理管理生活训练，超越聊天机器人功能。

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:

✓ 可验证: Mark Zuckerberg使用Meta新发布的Muse代理帮助他3岁的女儿喜欢烘焙 (该声明涉及个人家庭生活细节，无公开记录或第三方验证渠道，且依赖非官方来源（播客和YouTube频道）。)
◐ 部分可验证: Muse代理可监控登山许可并为其周末旅行预订 (若Meta官方披露Muse具备自动化任务能力（如API接口或功能演示），部分可验证，但具体Zuckerberg的个人使用案例无法独立核实。)
✓ 可验证: Zuckerberg在MMA健身房安装摄像头，由Muse分析录像并提供训练反馈 (涉及私人场所设备部署及未公开的AI功能细节，缺乏官方技术文档或第三方证据支持。)

原文内容:

马克·扎克伯格谈及他如何运用Meta最新发布的Muse智能助手。  
这远非普通聊天机器人，而更像是一位持续在线的私人助手。  

它帮助他三岁的女儿培养烘焙兴趣，监控登山许可证发放时间并为他们周末出行提前抢订，还协助制定健身计划。  

他在综合格斗训练馆安装了摄像头，让Muse分析训练录像并为他的动作表现提供反馈。  

扎克伯格会为其设定长期目标和任务，该助手能持续跟进、记忆进度，并主动建议后续行动方案。  

——摘自《Sources》播客及@alexeheath的YouTube频道（完整视频链接见评论区）

⏰ 08:27 | ❤️ 45点赞 | 📝 109词 | 查看原文 →

↑ 返回顶部

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: AI视频制作需分别解决场景连贯性和剪辑效果两大难题。

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: AI视频拍摄面临两个不同挑战：保持世界连贯性和确保最终剪辑效果 (AI视频制作的挑战（如连贯性和剪辑）是行业常见问题，可通过技术文档或案例研究部分验证，但推文未提供具体实例或数据支持，需进一步实测确认。)
✓ 可验证: 该工作流程在不同阶段分别解决上述挑战 (推文提及的“工作流程”未明确描述具体方法或工具，缺乏公开技术细节或官方说明，无法直接验证其有效性或存在性。)
◦ 观点: 此工作流程的分阶段处理方式是值得关注的部分 (该陈述为作者主观评价，强调“有趣”或“值得关注”，无客观事实依据，属于个人观点。)

原文内容:

A complicated AI video shot has two very different challenges:
Making the world coherent

Making the final edit work

This workflow tackles them at different points, which I think is the interesting part

#GPT6Astra #CapCutPC

⏰ 02:10 | ❤️ 24点赞 | 📝 34词 | 查看原文 →

↑ 返回顶部

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工程远不止学习如何提示模型。

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:

◦ 观点: AI Engineering不仅仅是学习如何提示模型 (这是作者的主观观点，没有提供具体的客观事实或数据支持，无法直接验证)
◐ 部分可验证: 许多开发者认为成为有效的AI工程师几乎不需要时间学习 (可以通过查看相关推文回复或调查开发者社区的观点来部分验证，但需具体数据支持)
✓ 可验证: Andrew Ng发布的技能地图显示，使用编码代理的工作已不仅仅是简单的模型提示 (可通过查看Andrew Ng发布的技能地图或相关文章直接验证，前提是链接或来源公开可用)

原文内容:

AI工程远不止学习如何向模型输入提示词这么简单。

昨天我讲述了一位开发者因无法在工作中使用AI而担心落伍的故事，许多人回复称，要掌握成为高效AI工程师所需的全部技能几乎不费吹灰之力。

但事实并非如此。

随文附上编码智能体的技能图谱。这张图片由@AndrewYNg上周发布。

我们早已跨越了"用AI编码只需输入提示词"的初级阶段。随着驾驭这些工具的经验积累，相关工作正变得日益精细复杂。我们正在形成需要时间学习和掌握的模式与技术体系。

如果你是一名专业开发者，你完全能够适应这些新方法——但这绝非易事。绝非一周之功。

我认为Andrew的文章非常出色，特此附上链接。

⏰ 20:10 | ❤️ 153点赞 | 📝 170词 | 查看原文 →

↑ 返回顶部

Simon Willison @simonw

Creator @datasetteproj, co-creator Django. PSF board. Hangs out with @natbat. He/Him. Mastodon: https://fedi.simonwillison.net/@simon Bsky: http://simonwillison.net | 影响力: 0万粉丝

💡 核心观点: OpenAI事件揭示数据使用与模型改进的模糊边界。

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: OpenAI参与了Navier-Stokes Millennium Prize Problem的研究 (需通过链接文章内容或OpenAI官方公开信息确认其是否直接参与该数学难题研究，但推文未提供直接证据，需进一步查证。)
✓ 可验证: 用户数据被用于“改进模型性能”的具体含义仍不明确 (可通过OpenAI的隐私政策或模型训练文档验证数据使用条款，但“含义不明确”是主观判断，需结合具体上下文分析。)
◦ 观点: 作者对OpenAI与Navier-Stokes问题的关联性发表了观点 (推文明确提及“my thoughts”，属于个人观点陈述，无客观事实依据。)

原文内容:

Wrote up my thoughts on the whole OpenAI Navier–Stokes Millennium Prize Problem story, and how it highlights the still confusing question of what using my data "to improve model performance" actually means
https://simonwillison.net/2026/Sep/8/on-navier-stokes/…

⏰ 07:58 | ❤️ 339点赞 | 📝 40词 | 查看原文 →

↑ 返回顶部

Venture Twins @venturetwins

Partner @a16z AI and twin to @omooretweets | Investor in @elevenlabs, @bfl_ml, @hedra_labs, @krea_ai, @heyglif, @ShizukuAILabs, @wabi, @TownAI | 影响力: 986万粉丝

💡 核心观点: GPT-6 Astra比Claude更赚钱且更符合道德。

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: GPT-6 Astra在赚钱能力上优于Claude Fable 5.1 (需依赖@andonlabs的模拟测试数据，但未提供具体测试方法或原始数据链接，需进一步确认实验设计是否公允)
◐ 部分可验证: GPT-6 Astra在伦理行为上优于Claude Fable 5.1（零不道德行为） (需验证@andonlabs的模拟测试中对”不道德行为”的定义和检测标准，且缺乏独立第三方验证)
◦ 观点: AI alignment（对齐）的实现无需制造恐慌 (属于主观观点，涉及对AI发展路径的价值观判断，无客观事实依据)

原文内容:

"GPT-6 Astra在盈利能力和伦理表现上均优于Claude Fable 5.1。"

在@andonlabs最新的自动售货机模拟测试中，Astra是目前盈利性最强的模型，且完全未出现任何违反伦理的行为。

看来实现AI对齐目标，未必需要危言耸听......

⏰ 07:57 | ❤️ 44点赞 | 📝 44词 | 查看原文 →

↑ 返回顶部

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: 作者分享七年失败经历与抑郁心路，免费赠书求反馈。

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: 作者写了一本关于自己7年失败经历、抑郁和负面想法的书 (可通过提供的链接（http://book.marclou.com）验证书籍是否存在及主题是否匹配，但书中具体内容需实际阅读才能确认真实性。)
✓ 可验证: 该书目前免费提供 (通过访问链接可直接验证书籍是否为免费下载或阅读，无需额外信息。)
◦ 观点: 作者希望分享“社交媒体上不常传播的内容” (这是作者的主观意图或观点，无法通过客观事实验证其动机或内容独特性。)

原文内容:

I just wrote my first book 📚

I talk about failing for 7 years, depression, and negative thoughts. It's not really sexy, but I want to share the things that don't go viral on social media.

It's free. Please let me know if you enjoy it, that means a lot to me 😊

→ http://book.marclou.com

⏰ 00:01 | ❤️ 1038点赞 | 📝 57词 | 查看原文 →

↑ 返回顶部

klöss @kloss_xyz

AI vibe orchestrator. prompt shaman.
systems architect. @psychanon CEO | 影响力: 6,174万粉丝

💡 核心观点: 高效利用GPT-6 Astra的12个省时省力技巧

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Astra前先撰写完整文档和计划，并让Astra审核后再执行 (需实测确认Astra是否提供“文档审核”功能，但官方若公开功能列表则可验证其存在性。)
✓ 可验证: 通过/goal命令让Astra生成任务的最佳目标 (若Astra官方文档或界面明确提及/goal指令及其用途，则可直接验证；否则需实测确认。)
◐ 部分可验证: Astra可监控使用量百分比并在任务完成后报告 (需实测或查看官方监控功能说明，部分SaaS工具通常提供用量统计，但具体实现可能因产品而异。)

原文内容:

burning through ur GPT-6 Astra usage?

me too.

my 12 tips to make your plan go further:

1. write your docs, full plan, and every step before building… then have Astra audit it before execution.

2. use /goal… if you’re unsure what to write, ask Astra to create the best goal or set of goals for the job.

3. tell Astra to monitor your remaining usage % and report back after each major task or batch.

4. mid-build, steer it and ask Astra how it can finish the remaining work using fewer tokens without lowering quality.

5. only raise reasoning when the problem earns it: low for execution, medium or high for blockers, debugging, architecture, and audits. xhigh and max for the hard stuff.

6. if your idea changes halfway in, update the existing plan instead of restarting the whole build… Astra can handle it lol.

7. before a long build, have Astra break the plan into the biggest safe task batches it can complete before context gets messy or compacts.

8. Astra may delegate less than you expect… explicitly tell it when to use subagents and what work can safely happen in parallel.

9. after compaction, if cross-window recovery is enabled, ask Astra to recover your exact decisions, files, and last verified checkpoint instead of feeding it the same context again.

10. give Astra a stopping rule: task complete, API cost ceiling hit, plan usage reaches your floor, or a decision actually needs you.

11. audit your AGENTS .md, skills, rules, and old instructions before large builds… Astra will follow outdated instructions too.

12. before your plan or credit usage gets low, ask Astra which remaining tasks actually deserve Astra… then move the rest to cheaper models.

bonus: DO NOT leave FAST mode on by default… in Work and Codex, it’ll use credits at 2.5x the standard rate.

save this and stop cranking Astra to xhigh, max, and ultra on work that doesn’t need it.

⏰ 07:23 | ❤️ 31点赞 | 📝 316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.

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: Meta正用超算训练比Watermelon更强大的下一代AI模型。

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: Meta正在训练post-Watermelon模型 (该声明引用自Mark Zuckerberg的言论（通过播客和YouTube频道），但需依赖第三方信源（非Meta官方直接发布），且”post-Watermelon”为内部代号，无公开技术文档佐证。)
✓ 可验证: Watermelon是Avocado/Spark的未发布继任者，且为Meta迄今最大模型 (模型代号（Watermelon/Avocado/Spark）及规模比较属于内部开发信息，未通过官方渠道披露，无法通过公开资料验证。)
✓ 可验证: Watermelon的训练算力约为前代模型的10倍 (算力比较数据来源为”reportedly”（据称），缺乏具体计算依据或官方白皮书支持。)

原文内容:

马克·扎克伯格近日透露，Meta已开始训练"后西瓜"模型系列。

需要说明的是，"西瓜"是Meta尚未发布的"牛油果/火花"模型的下一代产品，也将成为该公司迄今为止构建的最大规模模型。据报道，其训练算力投入约为前代的10倍。

"我们正在使用普罗米修斯（Meta的千兆瓦级AI计算集群）来扩展后西瓜模型。嗯，我们已经跨越了西瓜阶段。"

----

消息来源：《Sources》播客及@alexeheath的YouTube频道（完整视频链接见评论区）

⏰ 07:19 | ❤️ 152点赞 | 📝 76词 | 查看原文 →

↑ 返回顶部

# x每日奏折