海拉鲁编程客

💥💥💥突发：#OpenCode 收到 #Anthropic 法律投诉，现已清空任何与Anthropic/Claude相关的内容。 变更内容如下： 删除 Anthropic 专有的系统提示词文件 anthropic-20250930.txt 从模型提供商和模型枚举列表中完全移除 Anthropic 和 Claude 相关选项 从软件内部彻底删除原本用来认证的 opencode-anthropic-auth 插件 清理代码中针对 Anthropic 的特殊请求头处理，例如 claude-code-20250219 更新支持文档删除有关 Claude Pro 和 Claude Max OAuth 登录流程的描述 调整 CLI 提供商登录界面不再显示任何与 Anthropic 有关的 API KEY 提示标签 👉ourl.co/112251?x

Introducing the Readwise CLI. Anything you've saved in Readwise (highlights, articles, PDFs, books, youtube, newsletters) is now instantly accessible from the terminal. For you, and your AI agents. npm install -g @readwise/cli

@Erwinminion @turingou 我反而觉得，不要再迷信“经验壁垒”了。过去很多靠经验和架构积累形成的护城河，正在被 AI 快速抹平，尤其对中小应用和服务来说更是如此。现在稍微好一点的 AI，在架构层面给出的方案，已经越来越接近业界通用最佳实践了。

We've reached an agreement to acquire Astral. After we close, OpenAI plans for @astral_sh to join our Codex team, with a continued focus on building great tools and advancing the shared mission of making developers more productive. openai.com/index/openai-t…

论文来了。名字叫 MSA，Memory Sparse Attention。 一句话说清楚它是什么： 让大模型原生拥有超长记忆。不是外挂检索，不是暴力扩窗口，而是把「记忆」直接长进了注意力机制里，端到端训练。 过去的方案为什么不行？ RAG 的本质是「开卷考试」。模型自己不记东西，全靠现场翻笔记。翻得准不准要看检索质量，翻得快不快要看数据量。一旦信息分散在几十份文档里、需要跨文档推理，就抓瞎了。 线性注意力和 KV 缓存的本质是「压缩记忆」。记是记了，但越压越糊，长了就丢。 MSA 的思路完全不同： → 不压缩，不外挂，而是让模型学会「挑重点看」 核心是一种可扩展的稀疏注意力架构，复杂度是线性的。记忆量翻 10 倍，计算成本不会指数爆炸。 → 模型知道「这段记忆来自哪、什么时候的」 用了一种叫 document-wise RoPE 的位置编码，让模型天然理解文档边界和时间顺序。 → 碎片化的信息也能串起来推理 Memory Interleaving 机制，让模型能在散落各处的记忆片段之间做多跳推理。不是只找到一条相关记录，而是把线索串成链。 结果呢？ · 从 16K 扩到 1 亿 token，精度衰减不到 9% · 4B 参数的 MSA 模型，在长上下文 benchmark 上打赢 235B 级别的顶级 RAG 系统 · 2 张 A800 就能跑 1 亿 token 推理。这不是实验室专属，这是创业公司买得起的成本。 说白了，以前的大模型是一个极度聪明但只有金鱼记忆的天才。MSA 想做的事情是，让它真正「记住」。 我们放 github 上了，算法的同学不容易，可以点颗星星支持一下。🌟👀🙏 github.com/EverMind-AI/MSA