Philipp Schmid 分享一段可复用的只读安全排查提示词,用于检查本地仓库、容器和环境在 10 月 21-22 日安全披露中的受影响情况。
#教程/实践
Philipp Schmid@_philschmidAI 评分6363MarkTechPostAI 评分5959 NVIDIA Nsight Python 教程:如何在 Colab T4 上剖析 GPU kernel
教程演示如何用 NVIDIA 开源的 Nsight Python 库在 Colab T4 上剖析 GPU kernel:用 nsight.annotate 标注代码、用 nsight.analyze.kernel 装饰基准函数,直接得到包含每次运行硬件指标的 pandas DataFrame。
MarkTechPostAI 评分6565 Whistle 语音识别实测:16.9 MB CPU 模型与 Whisper base 的 WER、速度、流式与工具调用对比
这篇教程在 Apple M4 的 CPU 上实测 Cactus Compute 的 16.9 MB 语音转写模型 Whistle,用配对说话人聚类 bootstrap 加 Holm 校正与 Whisper tiny 和 base 对比。
LMSYS BlogAI 评分4848 SGLang 弹性专家并行扩展:用 NIXL 在线扩容 MoE 部署
SGLang 的 Elastic EP Scaling 让 MoE 模型可在运行中按细粒度增量加入 GPU,无需部署完整副本或重启服务,max_ep_size 预留元数据与通信缓冲容量。
eric zakariasson@ericzakariassonAI 评分5454引用Grok Bot@botGrok Bot can now build reports, memos, and dashboards. Ask Bot for a page, then edit it together or have Bot keep it up to date.
Hugging Face 社区博客AI 评分5353 NVIDIA Isaac Lab 3.0 教程:训练 Microduck 行走策略并部署到真机
Pollen Robotics 与 Hugging Face 联合 NVIDIA 发布教程,讲解用 Isaac Lab 3.0 和 Newton 训练开源双足机器人 Microduck 的行走策略并部署到实机。
Google Developers BlogAI 评分5151 Google Agents CLI 推出扩展系统,支持 LangChain 等任意智能体框架
Google 开发者团队宣布 Agents CLI 从 v1.5.0 起引入 Extension System,开发者可在不 fork 工具的情况下覆盖或新增命令。
GitHub BlogAI 评分5050 GitHub 如何为智能体规模的 Git 流量搭建过渡架构
GitHub 正把最繁忙的仓库迁入 Azure,通过将写入仲裁的串行化范围从整个仓库缩小到单个引用,解决跨区域约 25ms 往返带来的吞吐瓶颈。内部真实流量测试中,对不同引用的写入吞吐量提升 3–4 倍且延迟更低。目前多数仓库的五个副本已有两个位于 Azure,Azure 承担约一半 Git 流量。
LMSYS BlogAI 评分4949 用 Miles 在 MI355X 上训练 SWE 智能体:驯服长尾轨迹与复杂沙箱协同
研究团队用 Miles、SGLang、Megatron-LM 和 Harbor 在 AMD Instinct MI355X 上对 Qwen3-30B-A3B-Instruct 做全异步智能体 RL 训练,在 SWE-bench Verified 的 100 任务分层子集上把 pass@1 从 7.3% 提升到 27.5%。
OpenAI:官网动态AI 评分4444 OpenAI 如何为 ChatGPT 构建兼顾用户信任与相关性的广告技术栈
OpenAI 详解其为 ChatGPT 构建的 LLM 驱动广告技术栈,可理解对话意图、将广告与回答内容分离,并支撑大规模投放相关广告。该技术栈以用户信任与广告相关性为核心设计目标。
Latent SpaceAI 评分6868 Dan McAteer 实测 Claude Mods:把 Agent Harness 变成可编程的注意力界面
作者分享用 Claude Mods 定制 Claude Code 工作流的经验,认为它让 harness 从面向机器转向面向人类注意力,成为可与 Claude 共同编写的注意力界面。
matt palmer@mattypAI 评分4040
引用Grok Bot@botGrok Bot is now one step closer. Set it as your iPhone's Action Button and press it to talk with Bot.
Tessl:产品与工程博客AI 评分5959 Tessl 博客:用 JavaScript 和 SQLite 搭建 AI 生成的个人应用
Tessl 工程博客提出个人应用这一新类别,认为 JavaScript/TypeScript 加 SQLite 足以支撑 AI 生成的一次性个人软件,并用波恩垃圾回收日程 Bonn Tonne、约时间应用 Daybreak 和销售报价原型 Quote-Assist 三个实例验证,示例均由 LLM 生成。
lauren@potetoAI 评分5353引用lauren@potetopstack v0.15.27 ships with a new skill /create-formal-verification-skill! it's still in beta, and similar to /create-verification-skill, this is a meta-skill that creates a new skill and formal verification suite based on the characteristics you want to verify. for example, you may want to model state machines and systems with concurrency using TLA+, or use kani in rust to check for undefined behavior. if you're new to formal verification, think of it as mathematically proving properties and invariants (something that must always be true) or "laws" of your system. usually, this means modeling your programs in a separate language like with TLA+ and then running the solver on that spec. newer approaches like with kani and @bendlang take a different approach where there is no separate language: you write kani in rust, and bend in bend (it's also a programming language, and the proofs are written as laws and expressed in its type system). historically formal verification never reached mainstream status because of the difficulty in modeling and writing proofs. it's quite difficult to model your business requirements and keep them in sync! but i expect that we will see more innovation in formal verification in the future as being able to formally verifiy that the code does what you intended gives your agents superpowers in writing correct software. in the meantime though, i've been experimenting with modeling our code with TLA+ and have already found several bugs with the skill created by /create-formal-verification-skill. try it out and let me know how it goes!
公众号:数字生命卡兹克AI 评分5050 8个让人惊艳的 Claude Opus 5.5 创意玩法分享
自媒体作者数字生命卡兹克整理分享了8个基于 Claude Opus 5.5 的创意案例,包括将120页手写笔记提取成个人字体、构建古希腊世界、16天制作小王子3D剧情游戏、修复圆明园视频、用 REA 逆向电视等。
Every:最新文章AI 评分5959 Every 为何用全公司共享 Agent 取代个人 Agent Plus One
Every 团队复盘放弃个人 Agent 产品 Plus One、改为全公司共享的 Every Agent 的原因:每个用户的 Agent 独占一台运行开源程序 OpenClaw 的云电脑,运维负担过重,且许多试用者流失。团队在 5 月 12 日重构中删除了 86,730 行代码,并将基础设施迁移到 Anthropic 的 Claude Managed Agents。
Simon Willison 博客AI 评分6060 Simon Willison 复盘用 Claude Code 打造的 vibe coded RTS 游戏 Battle Drones
Simon Willison 介绍其完全 vibe coded 的 Command & Conquer 风格 RTS 游戏 Battle Drones,经 12 次大版本迭代、321 次智能体提交(主要用 Claude Code),支持手机和桌面浏览器游玩。
Every:最新文章AI 评分5656 Every 为何用全公司共享 Agent 取代个人 Agent
Every 作者复盘将个人 Agent 产品 Plus One 替换为全公司共享的 Every Agent 的过程。
Claude:YouTubeAI 评分4040 Anthropic 工程师如何用 Claude Docs 协作写文档
Anthropic 产品工程师 Doug 演示了如何用 Claude Docs 准备站会和发布评审。Claude 可在文档中与团队协同工作,负责提取数据、核查论断并回应评论中的问题。
Zyphra ResearchAI 评分4646 Zyphra Inference Wave 2:在 MI355X 上加速 MoE 与长上下文服务
Zyphra 发布 Inference Wave 2,在 MI355X 上通过投机解码与 MXFP4 量化加速 MoE 和长上下文服务。GLM-5.3 在 vLLM 基线中单请求解码提速 2.7x、32 并发提速 2.0x,分别采用 MTP(GLM-5.3、DeepSeek-V4)与 DSpark(Kimi-K3)。
Databricks:BlogAI 评分4343 Hamlet 如何用 Databricks Lakebase Postgres 拿生产数据测试改动
Hamlet 借助 Databricks Lakebase Postgres 为每个 pull request 建立独立的生产数据分支,让工程师和 AI 编码智能体在不触碰生产环境的情况下用真实数据测试改动,合并仍需人工审批。Hamlet 索引全美超过 7,200 个治理机构的会议,平均每场会议约三个半小时,AI 负责定位值得关注的片段并回链视频原文。
GitHub BlogAI 评分5858 GitHub 官方访谈:3 位 Java Champion 分享使用 GitHub Copilot 提效的实践方法
GitHub Blog 访谈 Vlad Mihalcea、Patrick Baumgartner 和 Frank Delporte 三位 Java Champion,介绍他们在生产与开源项目中使用 GitHub Copilot 的具体做法。
PyTorch:BlogAI 评分4141 从 KTIR 到 SpyreCode:IBM Spyre 的 MLIR 数据流后端
IBM 公布 Torch-spyre 的 MLIR 数据流后端设计:KTIR 承接 Inductor 已确定的并行划分,开源 Dataflow Scheduler 将其拆分为程序并扩展为嵌套、双缓冲、多实例的数据流流水线。
Tessl:产品与工程博客精选AI 评分6161 Tessl 团队分享:不再逐行审查 AI 生成代码,改为验证意图
Tessl 工程师 Ankit Jain 分享团队 PR 量翻四倍、代码几乎全部由 AI 生成后,放弃逐行 diff 审查、改为在代码生成前审查意图并逐条验证验收标准的做法。关键实践包括维护 offer-skill 技能理解代码变更,以及把重复出现最多的审查评论固化成机器自动执行的不变量规则,作者预计第二个月起审查负担明显缩小。
推荐理由:作者团队 PR 量翻四倍后放弃逐行审代码,改为事前审意图加可验证准则,给出了可直接照搬的做法和时间预期。
Google Developers BlogAI 评分4949 Arm 用 Google AI Edge Model Explorer 为自定义边缘编译器带来可视化图调试
Arm 基于 Google AI Edge Model Explorer 开发了 TOSA、VGF、PTE 三种开源适配器,可在模型图上直接检查边缘编译流程。借助分屏视图,Arm 对比了 Ultralytics YOLO 在 CPU 与 Arm Ethos-U85 NPU 上的图结构差异,确认算子委派与回退情况。
Hacker News:AI 热帖AI 评分6161 Berget AI 开源逐请求碳排放计算方法:同一 AI 请求在 Texas 排放是 Sweden 的 8.5 倍
瑞典推理服务商 Berget AI 联合 Stockholm Environment Institute、WattTime 和 Klimatkollen 发布开源方法,可计算每个 AI 请求的碳排放,遵循 Green Software Foundation 的 SCI for AI 规范,代码以 MIT 许可发布在 GitHub,并提供 co2.berget.ai 计算器。
Google Developers Blog精选AI 评分7070 Google 发布 TorchTitan TPU 分叉并给出模型优化 Playbook
Google 推出 TorchTitan TPU 分叉(github.com/google-pytorch/torchtitan),配合 TorchTPU 原生后端在 Cloud TPU 上训练 PyTorch 模型,提供 SimpleFSDP、Graph Trainer、Pallas 内核和优化 Playbook。
推荐理由:原文给出从基准到编译、内核、内存的完整 TPU 优化顺序,以及 FLUX.1、Qwen3 235B 等实测数字,可迁移到自己的训练工作流。
MiniMax Design (H3)@Hailuo_AIAI 评分4040引用aicreataro@aicreataro「2Dを3Dに繋ぐ」 生成した動画にアイデアを重ねたらどこまでやれるんだろう、と頑張ってみた軌跡です。 左上が元の生成、右上が完成、下がBlenderの画面。 ■やったこと 1. MidjourneyでKVを作る 2. MiniMax H3で10秒の走りを生成 3. 同じ動きのまま、素材だけ変えて7本に(絵の具/クローム/粉/墨/花/水/糸) 4. 前半の2Dは、Pythonでポーズごとに素材を切り替える 5. 2Dと同じ見え方の3D空間をBlenderに作り、つなぐ 6. 3Dでは、素材の軌跡の中にカメラが入っていく 7. 抜けて引くと、欠片が集まって巨大な走者の絵になる 8. 光の筋や床の映り込みも、Blenderの中で足す ■わかったこと ・生成とツールを組み合わせるとクオリティUP ・2Dを3Dに繋げば多少リッチな表現に AI生成で元からかっこいい素材を出せばいいのかもしれませんが、こういったアプローチもありそうだなと参考まで。
MiniMax Design (H3)@Hailuo_AIAI 评分4141引用aicreataro@aicreataro「音と動きをビジュアライズ」 Opus 5.5×Blender×Python ■素材 ・人物:MiniMax H3 ・キービジュアル:Midjourney ・音楽:MiniMax Music 3.0 ■Blenderとコードでやらせたこと ・音が大きいほど、絵が立体になって手前に飛び出す ・速く動いた所ほど、粒になって浮く ・打った瞬間に時間が止まり、カメラだけが回り込む ・止まっている間、空間ごと色と照明が切り替わる ■わかったこと ・生成だけでは出ない絵も組み合わせるとできる ・やりすぎるとだめ ・映像の動きにも反応させたら、映像そのものが鳴っているように見えてきた ・飛び出す量は曲の音と、素材の動きに任せた 実験的な映像ではありますが、何かの表現に使えそうだなと思います。AIをより拡張できる方法を探っていきたいです。 音と動きの両方で絵が動くと、なんか面白いですね。
OpenBMB@OpenBMBAI 评分5858引用Sally Stockholm@aiwithsallyI built an automated report generator that runs entirely on my own machine. Input: structured data + charts. Output: a full long-form report — earnings interpretation, weekly summaries, whatever you need. No API. No cloud. No monthly bill. -> Here's MiniCPM-V 4.7 35B-A3B doing exactly that 👇 It read the charts AND the dense tables in one pass, then streamed out analyst-grade markdown: scorecard, segment breakdown, margin drivers, cash flow, even a bull/bear case. The part that got me: it didn't just OCR numbers. It connected them — input costs → margin pressure → guidance risk. That's the jump from "text extraction" to "actual analysis." Why this works locally: → 35B total params, only ~3B active (MoE) → Efficient visual encoding keeps multi-chart inputs cheap → Structured markdown output — goes straight into your doc pipeline Try it GitHub: http://github.com/OpenBMB/MiniCPM-V Hugging Face: https://huggingface.co/collections/openbmb/minicpm-v-47
公众号:面壁智能精选AI 评分6868 面壁智能解析前瞻专家调度 LES 如何让 35B MoE 在手机端侧实时无损运行
面壁智能 MiniCPM-V 团队介绍支撑 MiniCPM-V 4.7 端侧运行的前瞻专家调度(LES)技术,称首次实现 35B-A3B 规模 MoE 在端侧实时无损运行,iPhone 18 Pro Max 实测解码超 20 token/s。
推荐理由:原文拆解了 LES 在调度、存储、计算三层的具体设计,并给出消融数据,方法可迁移到其他 MoE 模型的端侧部署。
Hamel Husain 长文AI 评分6666 Hamel Husain 详解如何用决策模型做自动评测
Hamel Husain 用 100 条公寓租赁客服 trace 实测 Jev 1.13、Perplexity Decider 1.1 27B、Liquid d1 与 d1-ultra、Cloudflare Clef Flash 和 OpenAI Decisions(GPT-6 Luna)识别失败案例。