本教程利用 NVIDIA cosmos-framework 的 CLI、输入模式和模型结构，在 Google Colab 上构建并训练了一个紧凑的 Omnimodal Mixture-of-Transformers 世界模型。标准 Colab 硬件（T4 GPU，显存不足 80 GiB、硬盘空闲低于 150 GiB）无法运行真实 Cosmos 3 检查点（如 Nano-16B 需单卡 H100 及以上），因此教程转向模拟实现：通过共享跨模态注意力与文本、视觉、动作流的模态特定专家路由，使用合成物理世界数据训练小型模型，并跟踪训练损失与自回归展开，演示模型学习跨模态关系及预测未来潜在状态的过程。
作者将斯坦福《人生设计课》理论体系制成Prompt，通过Claude逐步提问、追问和分析。Prompt融合设计思维、心流理论和积极心理学，分为看清现状、找到指南针、寻路、制定奥德赛计划四阶段，主线问题控制在6到9个。AI引导用户给健康、工作、娱乐、爱打分，区分重力问题与可设计的真问题，生成三个五年人生版本，最终输出8000至12000字的《个人人生设计蓝图》。作者实测效果超预期。
推荐理由：卡兹克把《人生设计课》的整套方法论炼成了一个追问型Prompt，它不替你规划人生，但能用一连串苏格拉底式逼问把你心里一直没厘清的线头拽出来。比心理咨询轻量，比鸡汤硬核，想用AI认真盘一盘自己方向的人值得花半小时玩一遍。
ClaudeDevs@ClaudeDevs精选AI 评分6060我们常与 Fable 5 一起使用的几个模式： 将 Fable 5 作为“顾问”。 一个执行者（Sonnet 5）调用 Fable 5 寻求指导。 大多数 token 按较低的执行者费率计费。
推荐理由：Anthropic官方手把手教的两层模型用法，用Fable当军师、Sonnet当执行者，省token又提质量，Agent开发者值得抄。
Suno@sunoAI 评分4040
Claude Code 提供模型（model）和努力级别（effort）两种设置。模型选择决定能力范围，更大模型（如 Claude Fable 5）在基准上优于 Claude Sonnet。努力级别不单是思考时间，还控制读取文件数、验证步骤及多步任务的推进深度。较高努力下 Claude 会自行读取文件、运行测试并复核；较低努力则更倾向请求用户提供上下文。若 Claude 已掌握上下文但仍出错，应换更强大模型；若因跳读文件或未运行测试而出错，则应提高努力级别。
厦门大学会计系研二学生牛牛酱基于面壁智能开源端侧多模态模型 MiniCPM-V 4.6（1.3B 参数）搭建财报核验引擎。该应用将“读”与“算”分离：MiniCPM-V 负责识别表格、抽取数字，确定性代码负责会计等式勾稽校验。测试中，在 1044 处人为注入的 OCR 错误中检出召回率达 96.5%；在 137 张合并资产负债表中准确抓出全部 63 个真实不平衡项；在 1000 份真实招股书与年报中抽取 36.3 万个数字，独立复核确认 4100 多处真实 OCR 误读。开源策略使学生在普通 PC 上即可微调部署。
本文构建端到端自主AI协同科学家工作流，针对非小细胞肺癌C797S奥希替尼耐药突变发现下一代EGFR抑制剂。从ChEMBL和UniProt解析靶点，挖掘EGFR IC50活性数据并转换为pIC50建模数据集。使用RDKit标准化分子、计算Morgan指纹和理化描述符，进行骨架多样性分析。训练骨架分割随机森林QSAR模型，评估其对未见化学类型的泛化能力，并用SHAP解释效力驱动特征。最后通过BRICS片段重组从强效类药活性分子中生成虚拟类似物，经药效、类药性、可合成性、新颖性和可开发性关卡筛选，并在PubChem交叉验证候选分子。
OpenAI Developers@OpenAIDevsAI 评分4141
ClaudeDevs@ClaudeDevs精选AI 评分7070推荐理由：Claude Code 团队官方的循环设计指南，把 `/goal`、`/loop` 这些原语讲得很清楚，想从单次提示转向自主代理工作流的开发者可以直接照着搭。
Claude Fable是第一款要求用户主动澄清未知才能获得高质量工作的模型。与Claude Fable协作是一个在实现前后迭代发现未知的过程。通过将问题分解为已知的已知、已知的未知、未知的已知和未知的未知四类，用户可以借助Claude Fable和Claude Code进行盲点检查、头脑风暴、原型设计、实现笔记记录以及答辩解释，从而高效挖掘并解决深藏于代码库和设计与实现中的潜在问题。
推荐理由：Anthropic 官方分享的 Claude Fable 协作方法论，把「发现未知」拆成盲点扫描、原型、面试等可操作步骤，如果你用 Claude Code 但常觉得代理跑偏，这篇是必读实践指南。
Google 于 6 月通过客户邮件低调更新了搜索服务隐私设置，新增“搜索服务历史”和“个性化推荐”两项开关，默认将用户上传的图片、文件、音频和视频录制等媒体数据保存并用于训练 AI 模型。该更新适用于搜索、地图、购物、航班、酒店、翻译、新闻等服务。用户可通过取消勾选“保存媒体”框来退出，同时可设置数据自动删除周期（3/18/36 个月）。此前独立的网络与应用活动设置不再影响搜索服务数据保留。Meta 等其他公司也在大规模收集用户媒体数据用于 AI 训练。
推荐理由：Google 悄悄把用户上传的媒体数据默认用于训练 AI，这篇教程是及时且实用的避坑指南，花两分钟改设置就能保护隐私，所有 Google 用户都该看看。
分布式 AI 训练常因单台机器故障导致整个多节点作业崩溃，需耗时重启。Google 的 JAX 生态通过 Pathways 实现弹性训练，将硬件故障转化为可捕获的 Python 异常，使运行进程存活。测试中，训练中途终止一个 TPU 后，系统自动替换损坏的节点、从 Cloud Storage 恢复最新检查点并原地恢复训练，总停机时间低于 2 分钟，主控制器进程全程无需重启。
Modal 发布交互式成本模型工具，帮助团队估算 serverless GPU 与预留 GPU 的成本并附定价方法解析。模型用峰值均值比对比两种模式，称预留折扣通常为 2-5x，而推理、训练和 agentic 开发等负载的峰均比常达 5:1 至 10:1，此时 serverless 总成本更低；文中还讨论了需求预测、弹性伸缩和混合策略等模型假设的局限。
本教程演示如何利用 Tunix 框架与 GRPO 算法对 Gemma-3-1B 进行强化学习训练，通过 LoRA 适配器（秩 32）和自定义奖励函数（评估格式遵循与数学正确性）在 GSM8K 数据集上优化结构化数学推理能力。训练仅更新适配器权重，单加速器即可运行，共 100 步，NUM_GENERATIONS=2，BETA=0.08，EPSILON=0.2，TEMPERATURE=0.9。
谷歌DeepMind AI Studio产品与设计负责人Ammaar Reshi（非程序员）使用Anthropic的Claude Fable 5，将2003年PC游戏《命令与征服：将军零点时刻》原生编译到iOS。160万行C++代码经五层图形API翻译链，40分钟首次构建，战役、遭遇战、将军挑战赛均流畅运行。AI还重构触控交互。但因翻译层开销，iPad长时间运行内存飙至3GB以上，iOS可能杀进程；无联机功能，需侧载。Reshi两天烧光一整个Max订阅配额。
Claude Fable 5即将下线，作者整理了8个经实战验证的提示词：/goal提示语让模型自主跑25次实验（花费165美元，构建速度提高50%、token开销降60%）；工作模式提示语将用户习惯转化为可复用Skills；行动规范提示语约束subagent行为；subagent分配提示语智能分配任务；25个定时循环工作流（含Shadow prompt loop做A/B测试）；自治运行+自动暂停提示语；记忆系统提示语保留错题本；反向面试提示语确保95%把握再执行。这些提示词可迁移至API计费后继续使用，核心是让模型研究用户而非限制能力。
推荐理由：Fable5下线前的窗口期指南，把社区实战精华浓缩成可直接复制的 prompt，同时告诉你如何把模型行为模式固化成系统，换模型也不慌。
Google DeepMind 开发者 Ammaar Reshi 使用 Anthropic 的 Claude Code 和 Fable 5，将 2003 年即时战略游戏《命令与征服：将军绝命时刻》移植到 iPhone 和 iPad。游戏原生运行于 ARM64，无需模拟器，战役、遭遇战和“将军挑战”均支持触控操作。首次构建约 40 分钟，随后经数小时调试，两天内耗尽 Claude Max 配额。Reshi 已开源完整源码，但需自备游戏资产（Steam 约 5 美元）。iPad 长时间游玩可能因内存占用过高崩溃，工程日志记录了所有 bug 与修复。
开源文档提取分为schema驱动的字段提取和文档结构解析两类。Datalab lift（9B视觉模型，基于Qwen 3.5）在225文档基准上达90.2%字段准确率、9.5秒中位延迟，代码Apache-2.0，权重使用修改版OpenRAIL-M。NuMind推出NuExtract 3（4B视觉语言模型），支持结构化提取和内容提取，通过vLLM提供OpenAI兼容API。IBM Docling（MIT许可）可解析PDF/DOCX/PPTX/HTML等，集成LangChain、LlamaIndex。Granite-Docling-258M在A100上约0.35秒/页（Apache-2.0）。OpenDataLab MinerU改用MinerU开源许可（基于Apache 2.0），支持复杂布局解析。Datalab Marker管道支持PDF/图片/PPTX/DOCX等转Markdown/JSON。
sqlite-utils 4.0rc2 发布，大部分代码由 Claude Fable 编写，成本约 $149.25。作者通过 Claude Code 对 4.0rc1 进行最终审查，发现 delete_where() 未提交导致数据丢失的严重 bug。经 37 次提示、34 次提交、30 个文件修改，修复问题并重构事务模型：每个写操作自动提交，新增 db.atomic() 支持分组事务，兼容 Python 3.12 autocommit。最后用 GPT-5.5 xhigh 交叉审查，发现 db.query() 副作用和事务未关闭两个待修复问题。
jason@jxnlcoAI 评分4646最简单的方法是给Codex发送截图，然后告诉它使用图像生成。
This is a good feature request. We will take more feature requests like this one. The combination of {motivation, explanation, screenshot} forms a perfect prompt for Codex. Thank you.
Anthropic开发者Thariq Shihipar指出，Claude新模型Fable5的输出质量取决于用户识别自身知识盲点的能力。他将知识分为已知已知、已知未知、未知已知和未知未知四类，建议通过盲点检查、结构化访谈、编码中维护详细实现笔记、实现后生成总结文档并通过小测验验证等技巧系统性地发现盲点。Shihipar以自己完全用Claude Code剪辑的Fable发布视频为例，展示了这些技巧的实际应用。
Rohan Paul@rohanpaul_aiAI 评分7272~60% Fable cost cut by transparently turning the code into an image and having the model OCR it. WILD idea. also hilarious. https://github.com/teamchong/pxpipe
Lilian Weng 近日系统探讨了 AI 的“装备层”（Harness）——位于基础模型与现实世界之间的系统层，负责编排执行、控制模型思考与规划。文章归纳三种核心设计模式：1）工作流自动化，采用“计划-执行-观察-改进”循环；2）将文件系统作为持久化内存，解决长程任务上下文窗口与状态持久化问题；3）子智能体与后台任务，实现并行执行与隔离管理。案例聚焦于 Claude Code、Codex 等编程智能体的装备层设计。未来方向包括上下文工程、工作流优化以及通过进化搜索联合优化模型权重。
推荐理由：Lilian Weng 这篇综述把 agent 自改进的脉络从 harness 设计一路拉到进化搜索，近期关键研究基本都串起来了，做 coding agent 和自动研究的同行建议通读。
本教程使用 lift-pdf 构建端到端应付账款提取流水线，将发票解析视为 Schema 引导的文档理解，而非简单 OCR。通过生成合成发票 PDF 作为测试文档，定义供应商身份、账单方、采购单号、行项目、税额、总金额、应付余额及支付状态等结构化字段，并处理实际财务流程中的常见陷阱（如区分 bill-to 与 ship-to、分离小计与税后总额、对缺失值返回 null、正确标记部分付款余额为未付）。支持 GPU 感知模型加载与可选 4-bit 量化，实现 PDF 生成、提取、评分和账目构建。
这份术语表用简明易懂的英语定义了你最可能遇到的AI术语，涵盖AGI（通用人工智能）、AI智能体、API端点、链式推理、编码智能体、计算、深度学习、扩散模型等。文章解释了这些概念在现实场景中的含义，例如AGI指比普通人类更强大的AI，AI智能体可自动执行多步骤任务，链式推理通过分解问题提升推理质量，编码智能体自主编写和调试代码。术语表持续更新，旨在帮助开发者、投资者和关注AI的读者理解行业术语。
Simon Willison 在 AIE 上与 Claude Code 团队交流后建议，让 Fable（以及 Opus）用自己的判断力工作，而非硬性规定行为。例如，直接让 Fable 自行决定何时编写测试，比给出具体规则更好。为应对价格即将上涨、节省 Fable token，Jesse Vincent 的另一个技巧是告诉 Fable 将较小任务委托给较低功耗模型（Sonnet 用于实质性实现、Haiku 用于机械修改），主循环保留判断、审计和数据合成等任务。Willison 已将提示词存入 Claude Code 记忆文件，实际效果良好，Fable token 消耗速度明显下降。
推荐理由：Simon 从 Claude Code 团队得到的实战技巧：别硬性规定 Fable 怎么写测试、用哪个模型，让它自己判断。他实测这条 prompt 能明显节省代币消耗，Fable 涨价前偷时间的利器。
本教程使用 RAG-Anything 搭建多模态检索工作流，可检索文本、表格、公式和图像。首先在 Colab 中安装依赖并修复 Pillow 版本，通过 OpenAI API key 配置对话、视觉和嵌入函数。接着生成包含图表和 PDF 的合成多模态报告，将其转为 content_list 格式并插入检索系统。最后配置并测试 naive、local、global 和 hybrid 四种检索模式。环境变量包括 CHUNK_SIZE=900、CHUNK_OVERLAP_SIZE=120，便于在笔记本中复现。
Runway 开发了名为 deckard 的容量控制器，在生产推理集群与研究集群间动态重分配 GPU。生产流量在北美工作日上午 9 点 ET 达峰，晚 8 点 ET 跌至不足一半。控制器基于预计算的时间窗口（如工作日 8:30–12:30 ET 高峰子窗口）提前扩容和回收，每次集群间转移耗时 20–60 分钟。利用排队论（Erlang‑C、Little's Law）确定目标利用率，避免接近 85% 后的队列发散（90% 利用率下等待时间约为服务时间的 10 倍）。此方案使夜间闲置 GPU 回归研究、白天排队等待缩短。
Simon Willison 通过 Claude Code 中的异步研究任务（基于 Claude Fable 5）尝试用 DSPy 对 Datasette Agent 执行只读 SQL 查询时的系统提示词做评估与优化。Fable 选择测试 GPT 4.1 mini 和 nano，发现改进方向：模式列表仅给出表名，而“如果已有信息不要调用 describe_table”的建议导致列名猜测和错误重试循环。建议在提示词的模式列表中包含列名或软化该建议。
SGLang团队将LLM服务、分布式运行时、GPU内核、扩散管道等工作流编码为可执行的SKILL.md文件、脚本、基准合约和审查循环。现有技能包括：SGLang .claude/skills（CUDA调试、内核集成、性能分析等）、SGLang diffusion .claude/skills（扩散模型添加与调优）、BBuf/AI-Infra-Auto-Driven-SKILLS（跨框架SOTA循环）、KDA（MLSys 2026 FlashInfer内核竞赛获胜方案）以及BBuf/KDA-Pilot（已合并三个SGLang集成PR）。Profile证据是性能工作的核心，长期优化转向Loop Engineering——SGLang SOTA Performance Loop将追求SOTA分解为公平基准测试、差距决策、性能分析、补丁和再验证，Humanize/RLCR添加外部审查，Codex Goal以更低协调开销运行相同循环。评审重要性提升，开发者需定义问题、选择证据、设计工作流并判断结果是否可用于生产。
推荐理由：这不是一篇普通的开发经验总结，而是 SGLang 团队把调试、基准测试和性能调优等重复劳动变成可执行 agent 技能的实操手册，对于做推理框架和复杂工程的人非常值得一看。
OpenRouter@OpenRouter精选AI 评分6868
推荐理由：一个好玩又有技术含量的玩法示范，Fable 5 配上精心调教的 prompt 把复杂机械动画成本压到几美元，做创意内容的可以直接抄作业。
编码智能体（如 Claude Code、Cursor、Copilot）的账单容易失控翻倍。LangChain 提供了一套方案，帮助用户在单一平台追踪、比较和治理这些工具的支出，从而控制成本。
内容创作者Ben Guez用开源AI智能体OpenClaw追踪世界杯赛果，触发Claude自动生成Instagram试播视频，配文“我无法相信{国家}输了……需要情感支持的{国家}女孩请私信我”，几天内获得超过100万次观看和200条私信。另一位用户Jeff Weisbein利用OpenClaw规划南佛罗里达约会地点。还有人用Claude自动编写分手消息。安全公司NanoClaw联合创始人Lazer Cohen警告，让AI智能体单方面控制账户存在隐私风险，强调需要人类参与审批。
Lift 是一个 PDF 到结构化数据的提取工具，本教程构建了完整的受控评估工作流。通过 4-bit NF4 量化，约 10B 参数模型可在 16 GB GPU（如 T4/L4）上运行。教程生成含干扰项的合成多页研究论文，测试模型在真实文档布局中恢复标题、作者、数据集、指标、超参数、局限性和仓库链接的能力，并输出结构化 JSON，实现模式引导的字段级评估。
Deep Agents 通过动态子智能体和轻量级代码解释器实现递归语言模型（RLM），让智能体以编程方式对大型输入执行 grep、map、reduce 等操作，而非将所有内容塞入单一上下文窗口。在长上下文推理基准 OOLONG 上，该方案在逐轮交互式智能体开始失效的场景中仍能保持稳定表现。
OpenAI 每周为 9 亿用户运行语音 AI，采用 WebRTC 协议实现低延迟连续音频流。其架构将堆栈拆分为两部分：无状态中继在地理边缘处理协议感知的数据包路由，有状态收发器管理 WebRTC 状态，通过 ICE ufrag 作为路由键连接两者。该方案解决了 Kubernetes 环境下端口耗尽与状态粘性问题，确保对话式语音 AI 的实时体验。
François Chollet@fcholletAI 评分6060tufalabs 刚刚开源了他们获得第一名的 notebook。主推文表示，这有望解锁新一波更好的参赛作品。
.@tufalabs just open sourced their 1st place notebook 👀
