Myysophia

@objboya @imwsl90 我被封了两个了

@imwsl90 我感觉还是和账号注册时间关系大一点、我有时候开着claude 忘记开vpn，都好几次了，依然好好的

国内用户如何稳定的使用 claude ? 上月充了 20 刀的 claude，前一周充了 100 刀，目前用起来还算稳定 总结一下如何稳定使用，只是个人总结，仅作为参考 1、gmail 登录注册 claude 2、海外卡充值 claude，我是英国卡 3、干净的节点，用一些工具可以检测，比如不要用 HK 节点 4、不要用第三方工具，比如 sub2api之类的 claude.ai

@imwsl90 干净的节点怎么弄 求渠道

claude 在干嘛 11G

/plugin install claude-code-setup@claude-plugins-official 好东西啊

@thsottiaux reliability, Currently, remote connections to the session are being lost. Please

For those of you living inside the codex app, what should we prioritize among features, reliability or performance?

@op7418 已经用上了

我终于知道昨天 OpenAI 官方的人回复我是啥意思了! Codex 除了用 ChatGPT 连接和远程控制以外，还可以在 Codex 再控制你的另一台电脑。 这样你就可以在 ChatGPT 上直接控制多台电脑，而不用在 ChatGPT 切换设备，只需要切换项目就好。 比如我这个 Mac Book 的 Codex 可以读取他本地的文件，也可以直接读取我另一台 Mac Mini 的上下文和文件。 说一下怎么做： 1. 首先你去“设置”里的“连接”，选择“控制其他设备”。 2. 在“控制其他设备”里点击加号，选择你其他已经安装 Codex 的设备。 3. 选择完了以后，你需要在新聊天下的“选择工作区”里连接远程项目。 4. 找到你另一个远程设备下需要让它访问的文件夹。 这样你就可以在 Codex 下看到另一个设备跑的项目，ChatGPT 选择这个设备时也能看到另一个设备的项目。 它们的上下文就共享了。这个太有用了！

@fankaishuoai 期待API 尽快支持

今天 Codex 更新了移动端支持，ChatGPT App 可以远程连桌面。我本来没当回事，因为 Paseo 早就能做这些——多智能体切换、多模型切换，我玩得很熟了。 升级完试了一下，倒抽一口凉气。 震撼我的不是功能本身，而是上手成本。Computer Use、Browser Use 的权限设计，一看就是给普通人做的。桌面打开 Codex App，手机连上去，对话就能操控整台电脑。不限于写代码，处理各种任务都行。 再回头看我们现在用的 OpenClaw、Hermes 这些工具——安装守护进程、配模型、配 Plugin 和 Skill、再连一个 Telegram 或 Discord Channel。整套下来，90% 的人在第一步就放弃了。Codex 直接跳过了这些，开箱即用，几乎零配置。 易用性这件事，一直被技术圈低估。真正的普及拐点，不是 AI 变得更强，而是上手成本突然塌了。这一次，塌了。

在 Cloudflare 的架构下，504 Gateway Timeout 通常触发条件是 上游服务器（origin server）在 Cloudflare 规定的超时时间内没有响应。

@FgPMl9GqeNormm4 @dominolu 你需要的应该是反代 多个账号项目对话不中断

@dominolu 怎么把不够用的codex进程项目迁移到新号继续聊！

最近搞了二个量化项目，订阅的中转站额度不够用了 试着自己使用土耳其 apple id+apple 礼品卡 注册了一个gpt plus账户 整个流程可参考：linux.do/t/topic/1837955 plus账户 还是土耳其最优惠 pro5x还是美国账户最优惠

@richpeach888 我是telegram直接收不到消息

牛逼亲测有效，正常推送了 我用的shadow rocket把小火箭的具体步骤补充分享一下 小火箭打开-下方栏点配置-本地文件-正在使用项的右边圆形感叹号标点开-规则（Rules）-右上角加号 设置以下内容，域名直接填写老师原推的具体网址，不需要填入前面的 DOMAIN-SUFFIX 和后面的逗号。 设置好重启就可以啦

@Ion_Mio_ 看来还是孙割的中转靠谱

@manateelazycat Plan的时候一定要给模型足够的自由度，否则很容易跑偏

给大家分享一个AI编程超高质量的秘诀 先进入plan模式， 不要让AI着急改代码 每次列方案都问这句灵魂拷问， 直到它最后回答完善后才开始改代码， 这样改代码最后的质量就超级高，bug少 到底是那句灵魂拷问呢？ 评论区见

中转的生意风生水起

CPU vs GPU vs TPU vs NPU vs LPU, explained visually: 5 hardware architectures power AI today. Each one makes a fundamentally different tradeoff between flexibility, parallelism, and memory access. > CPU It is built for general-purpose computing. A few powerful cores handle complex logic, branching, and system-level tasks. It has deep cache hierarchies and off-chip main memory (DRAM). It's great for operating systems, databases, and decision-heavy code, but not that great for repetitive math like matrix multiplications. > GPU Instead of a few powerful cores, GPUs spread work across thousands of smaller cores that all execute the same instruction on different data. This is why GPUs dominate AI training. The parallelism maps directly to the kind of math neural networks need. > TPU They go one step further with specialization. The core compute unit is a grid of multiply-accumulate (MAC) units where data flows through in a wave pattern. Weights enter from one side, activations from the other, and partial results propagate without going back to memory each time. The entire execution is compiler-controlled, not hardware-scheduled. Google designed TPUs specifically for neural network workloads. > NPU This is an edge-optimized variant. The architecture is built around a Neural Compute Engine packed with MAC arrays and on-chip SRAM, but instead of high-bandwidth memory (HBM), NPUs use low-power system memory. The design goal is to run inference at single-digit watt power budgets, like smartphones, wearables, and IoT devices. Apple Neural Engine and Intel's NPU follow this pattern. > LPU (Language Processing Unit) This is the newest entrant, by Groq. The architecture removes off-chip memory from the critical path entirely. All weight storage lives in on-chip SRAM. Execution is fully deterministic and compiler-scheduled, which means zero cache misses and zero runtime scheduling overhead. The tradeoff is that it provides limited memory per chip, which means you need hundreds of chips linked together to serve a single large model. But the latency advantage is real. AI compute has evolved from general-purpose flexibility (CPU) to extreme specialization (LPU). Each step trades some level of generality for efficiency. The visual below maps the internal architecture of all five side by side. 👉 Over to you: Which of these 5 have you actually worked with or deployed on?

HeroUI

做到了我以前想用agent做但做不到的能力

@deleted_neko 基操

刚刚 codex 做出了一个让我瞠目结舌的事情，它装依赖遇到了网络问题，于是它直接把那个包的仓库 clone 到我的 monorepo 里，切到我需要的版本，然后在另一个包里用 workspace:* 的方式引入进来了 虽然这个 workaround 很糟糕，但是我穷尽所有的脑细胞也想不出这种方法，不得不服 然后，我回滚了这部分

@NekoStranding 5.4的审美确实不在线，修bug实现后端功能比cc强。 我是两个plus感觉不够用，在纠结要不要上100刀的pro

Codex 真是极致耐用！而且智商稳定，比那个动不动就限额的 Claude Code 强多了 GPT-5.4 xHigh Fast 搞了一下午加一晚上，周限额还剩 95%，5h 限额一次没超过。如果换成 Claude Code 4.6 Opus 现在已经开始冷却了，4.7 更是别想。AI 厂真是此消彼长，俩月之前都想不到 Codex 还能翻盘 Codex 牛逼！