Sabitlenmiş Tweet
用实际行动支持一下matters，注册了个ID，把我自己六七年前被困在一片滩涂上，化无聊为学习，翻译的一本关于量子物理的科幻小说发了两章到matters。
中文
salomechen
33.3K posts
salomechen retweetledi
爱看书的人有福了！
在GitHub挖到一个电子书资源大本营 EBOOK ETC，直接把微信读书、京东读书、喜马拉雅等平台的书都集中到一起找。
经典文学、经管励志、职场创业、技术手册……不管你想看哪类，
标签分类 + 搜索超方便。
最爽的是很多书直接附 epub、mobi、azw3 三种格式，Kindle、各大阅读器秒开无压力。
GitHub地址：github.com/jbiaojerry/ebo…
喜欢的快去收藏，找书效率直接拉满！
中文
salomechen retweetledi
最新分享，小米大模型团队负责人罗福莉3个半小时专访
她曾供职阿里达摩院、DeepSeek，主导研发MiMo-V2系列模型。这是她首次接受长时间技术深度访谈。
专访聊了2026年Claude Opus 4.6等技术引发的AI剧震、Anthropic路径判断、国内团队Pre-train代差消失后的Agent RL scaling策略、算力配比从3:5:1到3:1:1的转变，以及后训练组织重组等核心话题。
信息密度极高，干货满满，值得每一个关注AI未来的人细读。
保存下来慢慢看⬇️
🔗：pan.quark.cn/s/7a2a842177a4
中文
salomechen retweetledi
马斯克要到头了 ……
“ 根据纽约时报的一项调查，马斯克在过去二十年里一直把 SpaceX 当作某种’储蓄罐’，把这家公司当作金融工具，用来获取贷款并支撑他那些陷入困境的其他公司。”
请看纽约时报英文的详尽分析。
The New York Times@nytimes
Elon Musk has used SpaceX as a kind of piggy bank over the last two decades, turning to the company as a financial tool to get loans and bolster his struggling companies, according to an examination by The New York Times. nyti.ms/4w8dInZ
中文
salomechen retweetledi
Hamming 80 岁那年录了一个总长 30+ 小时系列讲座 youtube.com/watch?v=AD4b-5… ，后来汇集成 The Art of Doing Science and Engineering: Learning to Learn 这本书。amazon.com/Art-Doing-Scie…
YouTube
皓樂芒@howlemont
美国数学家Richard Hamming是图灵奖得主，计算机先驱，纠错码之父。 他说自己很早在Los Alamos见过Feynman费曼、Oppenheimer奥本海默等。他承认自己当时很嫉妒，凭什么大家都是物理人，你们这些人是大牛人？ 他后来在贝尔实验室Bell Labs继续观察Shannon香农、这些人，为什么有些人做到了，而其他人只是差点做到了？ “运气”只能解释一半。具体做成哪一个题，当然有运气。 Hamming自己也承认，他和Shannon香农同在贝尔实验室Bell Labs，同一时期一个做coding theory，一个做information theory，确实有运气成分。 但Einstein爱因斯坦、Shannon香农这类人可以反复做出好东西。一次可以说是撞上了，反复撞上，就要看准备工作、胆量和选择了。 机会会飘过很多人身边，但只有少数人已经在脑子里预留了接口。 他讲，重要问题不是结果影响听起来多大。比如时间旅行、传送、反重力，结果影响当然巨大，但手里没有合理的入口，也只能供人幻想。 一个真正该上的科题，要同时有分量和入口，如果做成，它会改变一些东西；而你现在又能找到一条可以攻进去的路。 很多聪明人输在这里。他们每天忙忙碌碌，设计问题很精致，方法很专业，可心里其实知道，这些东西就算做完，也很难通向更大的东西。 Hamming每周五中午以后给自己留“Great Thoughts Time”，只聊大问题，比如计算机会怎样改变科学？ 这听起来像偷懒，其实是给自己留10%的雷达时间。 你如果一周五天都在处理眼前小事，很容易把效率误认为方向。你会变成一个很勤奋、很可靠、很会交付的人，然后十年后发现，自己一直在小问题上越做越熟。 Hamming还有一个观察： 关着门工作的人，完全隔绝噪音，短期内很舒服，貌似产出更高；长期看，你会错过那些不成体系、没法写进报告、但能告诉你“问题变了”的信号。 而开着门工作的人，虽然经常被打断，但更可能知道世界的新动向。一流工作需要深度，也需要暴露在真实问题流里。 他讲，成名后的危险，也很像今天的创业者、研究者和内容创作者。 一旦做出一个大东西，人会不愿意再种小种子，只想一上来就抱大树。Hamming说Shannon香农在信息论之后，可能就被“下一次必须同样伟大”这件事困住了。 早期的伟大而会把人冻住。因为你不愿意再做那些小、丑、未成形、别人看不上的起点。 但大东西通常就是从这种小起点长出来的。 还有一点很多人不爱听。 做出来还不够，你要会把它讲出去。 Hamming说科学家讨厌“sell”这个词，觉得好东西应该自然被世界看见。可现实是，所有人都在忙自己的事。你写得不清楚，讲得不清楚，会议上不敢开口，别人就会翻过去。 所以表达不是包装，是研究的一部分。 一个想做一流工作的人，至少要会三种表达： 写清楚，在正式场合里讲清楚，在混乱的场合里也能讲清楚。 很多“事后诸葛亮”三周后写报告证明自己早就看对了，但时过境迁了。 才华放晚了也会变成旁白。 把“伟大”从天赋、环境、运气这些大词拽回到具体的日常动作： 你有没有固定时间想大问题。 你手里有没有10到20个真正重要、且可能进攻的问题。 你遇到一个机会时，能不能立刻看出它碰到了你哪一个老问题。 你做一个项目时，有没有顺手把它变成一类问题的方法，而不止交一个答案。 你有没有把自己的缺点拿来当借口。 你会不会和大的体系合作，借力秘书、同事、老板、听众、组织流程打战役，而不是一生耗在小型战斗里。 讲真，你可以说自己缺运气，缺资源，缺年轻，缺老板支持。那你有没有准备好？有没有选对问题？有没有留出想大问题的时间？有没有勇气押上去，把成果讲到别人愿意停下来听？ 说到最后，很多所谓怀才不遇，可能只是长期没有管理自己。
中文
salomechen retweetledi
迄今为止，最真切的乌克兰报道：
基辅没垮，俄军炸不动了，乌克兰到底干了啥。
去年冬天我又在基辅地铁站里充电，旁边大爷用太阳能板给收音机供电，还塞给我一块巧克力。他说现在停电比下雨还平常，但医院、指挥所、手机信号塔，从来没真断过。我以前觉得打仗就是炸电厂、炸工厂、炸首都——可现在电厂炸了，街口小超市的冰箱照样冷，社区诊所的呼吸机照常响。
他们真不靠奇迹活着。我表哥在利沃夫修无人机，厂子就藏在旧面包房地下，30个人轮班，干的是以前一个大兵工厂的活。他手机里存着几百个零件图纸，哪台机器坏了，隔壁五金店老板马上送新轴过来。德国人送来的机床不是摆在展厅里，是直接焊进车间墙里，师傅边用边学怎么调精度。
能源也变了。我家楼顶装了光伏板，政府补一半钱，剩下自己掏。邻居老奶奶卖腌黄瓜攒的钱，买了个移动发电机，说“万一哪天全城黑，我起码能给孙子手机充个电”。DTEK公司在基辅郊区建了个大电池阵，听说明年还要扩建。他们不再讲“总发电量多少”，而是说“医院供电能撑几天”“指挥车充电要多久”。
指挥系统更怪。泽连斯基的直播从没固定过地方，有时背景是军用帐篷，有时是加油站便利店，有次我亲眼看见他对着镜头说话，话没说完就钻进一辆旧出租车走了。政府网站底下写着A计划和B计划，A是国产弹药产量，B是进口多少吨，连运费和关税都算得清清楚楚。
“无敌点”这词是我妈先说的。小区门口那个小棚子，冬天供暖、夏天供冰水，还能给手机充电。它没名字，就挂个红十字旗。里面放着热汤、耳塞、手电筒，还有几台老式收音机。没人派任务，大妈们轮流来，谁有空谁来。
俄军的导弹越来越便宜，可炸掉的东西越来越不值钱。一个FPV无人机一千美元，能干掉一辆百万美元的雷达车；他们砸了敖德萨一座老变电站，结果附近渔民自己拉线，用柴油发电机+光伏板给渔港供电。德国人帮忙建的那座热电联产厂，烧的是城市垃圾沼气，连烟囱都没冒几回烟。
这不是临时凑合。去年底我帮社区登记物资，看到一份表格上写着：沙袋存量、混凝土预制块编号、反无人机网部署点位、备用通信频段列表。连修水管的焊工都知道，炸断主干管之后，前3个小时该接哪3条支线。
有人还说乌克兰靠外援硬撑。可我看德国工程师在哈尔科夫教焊工怎么校准炮管夹具，美国顾问在扎波罗热调试数据链终端，北欧人蹲在车间里改SOP流程表——他们不是来送钱的，是来教怎么把工厂拆成几百个零件，再重新拼起来。
前线士兵用的炮弹，引信是敖德萨小作坊做的，弹壳是第聂伯罗钢厂压的，火药配方去年刚国产化，检测标准直接套用北约。152毫米炮弹打出去，落点偏差比以前小了三分之二。
我去年十月去利沃夫火车站接人，广播响了三次空袭警报，没人跑，都在低头看手机。一个穿校服的女孩边等车边刷题，她妈妈在旁边给平板充电，用的是折叠太阳能板，巴掌大一块。
战争没让乌克兰停下，反而逼它把所有“不能倒”的东西，全换成小块的、可替换的、能藏着的、坏了马上能换新的。
去年春天我路过基辅老电厂，铁架子还在，但旁边多了三排光伏板，底下停着几辆移动储能车。工人说，以后这地方不发大电，只供隔壁医院备用。
我没再听说谁因为断电死在手术台上。也没听说哪个营级指挥部，因为网络中断丢掉前线信息。
他们不是没被炸，是炸了也停不下来。
乌克兰人现在不说“重建”，只说“接上”。
接上线，接上电，接上数据，接上人。
接上了，就还能动。
中文
salomechen retweetledi
salomechen retweetledi
MIT一招，直接把AI巨头过去5年的百亿“上下文窗口军备竞赛”打成笑话！
所有大模型最头疼的“Context Rot”（上下文腐烂）终于被干掉了！
MIT CSAIL三位研究员刚放出的RLM（Recursive Language Models）直接把规则改了：
✅ 超长文档不再塞进AI窗口，而是以外部Python变量存着
✅ AI像顶尖程序员一样写代码：正则搜索、结构导航、精准切片
✅ 需要哪块就只拉哪块，读完后递归生成子AI并行分析，再主AI合成答案
✅ 无总结、无丢失、无性能衰减
实测结果炸裂：
• 最难的长上下文基准上，传统前沿模型接近0分
• RLM直接双位数百分比提升
• 可处理1000万token（主流模型原生窗口的100倍！）
• 成本甚至更低
代码已开源，GitHub一键替换现有LLM调用，零改动就能支持以前完全不可能的超长任务。
上下文窗口战争？结束了。
MIT不是把窗口做更大，而是直接走出了战场。
这才是2026年真正的具身智能/长期Agent杀手级方案。
（原论文+完整代码已附👇）
Elias Al@iam_elias1
MIT just made every AI company's billion dollar bet look embarrassing. They solved AI memory. Not by building a bigger brain. By teaching it how to read. The paper dropped on December 31, 2025. Three MIT CSAIL researchers. One idea so obvious it hurts. And a result that makes five years of context window arms racing look like the wrong war entirely. Here is the problem nobody solved. Every AI model on the planet has a hard ceiling. A context window. The maximum amount of text it can hold in working memory at once. Cross that line and something ugly happens — something researchers have a clinical name for. Context rot. The more you pack into an AI's context, the worse it performs on everything already inside it. Facts blur. Information buried in the middle vanishes. The model does not become more capable as you feed it more. It becomes more confused. You give it your entire codebase and it forgets what it read three files ago. You hand it a 500-page legal document and it loses the clause from page 12 by the time it reaches page 400. So the industry built a workaround. RAG. Retrieval Augmented Generation. Chop the document into chunks. Store them in a database. Retrieve the relevant ones when needed. It was always a compromise dressed up as a solution. The retriever guesses which chunks matter before the AI has read anything. If it guesses wrong — and it does, constantly — the AI never sees the information it needed. The act of chunking destroys every relationship between distant paragraphs. The full picture gets shredded into fragments that the AI then tries to reassemble blindfolded. Two bad options. One broken industry. Three MIT researchers and a deadline of December 31st. Here is what they built. Stop putting the document in the AI's memory at all. That is the entire idea. That is the breakthrough. Store the document as a Python variable outside the AI's context window entirely. Tell the AI the variable exists and how big it is. Then get out of the way. When you ask a question, the AI does not try to remember anything. It behaves like a human expert dropped into a library with a computer. It writes code. It searches the document with regular expressions. It slices to the exact section it needs. It scans the structure. It navigates. It finds precisely what is relevant and pulls only that into its active window. Then it does something that makes this recursive. When the AI finds relevant material, it spawns smaller sub-AI instances to read and analyze those sections in parallel. Each one focused. Each one fast. Each one reporting back. The root AI synthesizes everything and produces an answer. No summarization. No deletion. No information loss. No decay. Every byte of the original document remains intact, accessible, and queryable for as long as you need it. Now here are the numbers. Standard frontier models on the hardest long-context reasoning benchmarks: scores near zero. Complete collapse. GPT-5 on a benchmark requiring it to track complex code history beyond 75,000 tokens — could not solve even 10% of problems. RLMs on the same benchmarks: solved them. Dramatically. Double-digit percentage gains over every alternative approach. Successfully handling inputs up to 10 million tokens — 100 times beyond a model's native context window. Cost per query: comparable to or cheaper than standard massive context calls. Read that again. One hundred times the context. Better answers. Same price. The timeline of the arms race makes this sting harder. GPT-3 in 2020: 4,000 tokens. GPT-4: 32,000. Claude 3: 200,000. Gemini: 1 million. Gemini 2: 2 million. Every generation, every company, billions of dollars spent, all betting on the same assumption. More context equals better performance. MIT just proved that assumption was wrong the entire time. Not slightly wrong. Fundamentally wrong. The entire premise of the last five years of context window research — that the solution to AI memory was a bigger window — was the wrong answer to the wrong question. The right question was never how much can you force an AI to hold in its head. It was whether you could teach an AI to know where to look. A human expert handed a 10,000-page archive does not read all 10,000 pages before answering your question. They navigate. They search. They find the relevant section, read it deeply, and synthesize the answer. RLMs are the first AI architecture that works the same way. The code is open source. On GitHub right now. Free. No license fees. No API costs. Drop it in as a replacement for your existing LLM API calls and your application does not even notice the difference — except that it suddenly works on inputs it used to fail on entirely. Prime Intellect — one of the leading AI research labs in the space — has already called RLMs a major research focus and described what comes next: teaching models to manage their own context through reinforcement learning, enabling agents to solve tasks spanning not hours, but weeks and months. The context window wars are over. MIT won them by walking away from the battlefield. Source: Zhang, Kraska, Khattab · MIT CSAIL · arXiv:2512.24601 Paper: arxiv.org/abs/2512.24601 GitHub: github.com/alexzhang13/rlm
中文
salomechen retweetledi
今天简单说乌克兰在匈牙利大选后的操作。应该说欧盟政治韧性惊人。在受美俄同时威胁、挤压，风雨飘摇的情况下，严格遵循制度操作，大量磋商、投票，捏合了各国左中右政府，并成功拔掉了俄国扎进来的刺。
很多人觉得匈牙利这么捣乱，欧盟怎么不把它踢出去，而是它不停一票否决，欧盟不停找替代方案。
因为民主就是这么运作的。过于古板会引入风险，但抛开法律和程序，有更长久更恶劣的负面影响。
匈牙利剧变后，地缘政治有巨大变化。首先压力给到了斯洛伐克这边，而菲佐在国内没有欧尔班这样的威望和铁盘，估计会马上服软。而泽连斯基也借此立刻拉拢盟友。
- 友谊输油管道，匈牙利反对派获胜以后，乌克兰拖了几个月都没修好的管道，6天就迅速修好了。也算是对匈牙利表达了善意。
- 乌克兰的生命线，欧盟最重要的900亿贷款放行在即，估计欧尔班5月10日下台之后10天内就能搞定。
- 这一轮乌克兰外交的重点是德国，德乌签订国防合作协议、关系提升到战略伙伴。更关键的是，在双方的发言人，两国的口气基本是对等关系。这也说明乌克兰已经是欧洲举足轻重的大国了。
- 在到达德国之前，西班牙、比利时分别给泽连斯基送来了礼物。包括20亿欧元援助，附加更多的F-16战斗机，以及零件和维护人员。这甚至不是热门新闻。大家已经完全默认他就是能白拿那么多。
- 德国表示会考虑把乌克兰难民送回去参军。这估计是泽连斯基开口提要求了。目前德国登记的乌克兰难民数为135万，其中35万是符合征兵条件的成年男性。两周前，朱拉尼过来开口索要叙利亚难民。估计德国会找个方法两波人一起送走。虽然有一些经济和法律障碍。
- 德国送上40亿欧元军援。
- 第二站是挪威，双方签订了深化防务伙伴关系的宣言。挪威是2026年乌克兰最重要的援助国之一，援助金额高达850亿克朗（91.4亿美元）。
- 英国表示将提供12万架无人机。与俄罗斯被冻结资产的利息10亿美元。
- 第三站意大利，没有实质支持，但是加深了关系，主要是来拉拢梅洛尼这个极右翼。她刚刚和特朗普因为伊朗战事发生了矛盾。
- 第四站荷兰，荷兰是铁杆盟友，所以就是稍作停留发了个声明。
- 第五站瑞典，去要鹰狮战斗机，只是给了模糊的承诺。但瑞典回访乌克兰并掏了40亿欧元。
- 沙特、阿联酋、卡塔尔，各自送上10年军购合作协议。
- 泽连斯基说接下来还会拉拢北高加索地区。挖俄罗斯墙角呢。
- 马扎尔胜选后，原本支持欧尔班的中美俄，中国是立刻发了贺信，美国、俄国政府官员都没有。
- 万斯表态：“停止资助乌克兰是本届美国政府做的最让我自豪的事”。（见视频）
- 乌克兰现在对美国的态度：凉拌。基本不理会了。
老夫当时就说了，什么28条，18条，大家不要太花精力在上面，没意义。因为没诚意。之后俄军还是天天炸，乌克兰不停的改条款、拉盟友、谈判什么的，最后得到特朗普一句“乌克兰才是和平的阻碍”。据泽连斯基说，美方一直施压要求乌克兰让出剩余的乌战顿巴斯地区，这是不可接受的。卢比奥则回应说，美方只是转达俄罗斯的要求。
中文
salomechen retweetledi
Cat Wu 说了一句话让我印象很深，「Jobs are fake.」
她是 Anthropic Claude Code 的产品负责人，刚上了 Lenny's Podcast。这期信息量很大，我试着把核心的东西压缩一下。
Anthropic 的产品节奏已经快到不讲道理，功能从构思到上线，最快一天。不是因为用了最强模型（虽然确实有帮助），核心是组织和流程。几乎零审批、所有功能先以「研究预览」上线降低发布承诺、工程师端到端自己看到 Twitter 上的用户反馈就能周末把功能做完发出去，不需要经过 PM。PM 的角色不是审批门，是给团队搭好发射台，让工程师想发就能发，营销和文档能在第二天跟上。
最反直觉的是她对新模型的态度。别人上新模型是加功能，他们上新模型第一件事是删功能，把之前给模型打的补丁一个个撕掉。to-do list、强制提醒、各种 prompting 干预，模型变聪明了就不需要了。比如早期模型做 20 个 call site 的重构会漏改，团队加了 to-do list 工具强制跟踪；到 Opus 4 之后模型自己就会用，根本不需要提醒。她说每次模型升级，团队都会通读整个 system prompt，逐段问「模型还需要这个提醒吗？」不需要就删。播客里引用了一句话，「模型会把你的 harness 当早餐吃掉。」
但更重要的是提前构建「还不能工作的产品」。代码审查功能他们尝试了好几个版本，早期模型准确率不够一直没正式发。直到 Opus 4.5/4.6，团队才觉得可靠到工程师可以信赖它在合并前发现大部分 bug。她的建议是，永远提前做好原型，新模型一出来直接换进去验证差距是否被填上。
关于 PM 未来最稀缺的能力，她反复提到一个词，product taste。代码越便宜，品味越值钱。GitHub 上几万条 issue 什么需求都有人提，知道该做哪个、怎么做最好，这个判断力才是最值钱的。工程背景短期有用（能判断实现难度从而更好地做优先级决策），但她刻意只说「未来几个月」，因为每隔几个月模型能力就跳一级，所需技能跟着变，没人能预测更远。她觉得最重要的是第一性原理思维，搞清楚技术环境怎么变了，团队最缺什么，然后低自尊地戴上任何需要的帽子。
Anthropic 能跑这么快还有一个原因，使命统一。如果两个优先级冲突，问哪个更符合 Anthropic 的使命，答案就出来了，全员立刻执行。Cat 说了一句很重的话，「如果 Claude Code 失败了但 Anthropic 成功了，我会非常开心。」整个团队都愿意为公司目标牺牲自己产品的 KR。这种文化让决策极快，也是为什么一家起步晚、融资少、没有分发优势的公司能跑到 110 亿美金 ARR。
她对从业者几条比较实在的建议。
1/ 把重复劳动交给 AI，但别只做到 95% 就放弃。95% 准确率的自动化不是自动化，最后那 5% 才是真正值得投入的地方。
2/ 构建你真正每天在用的应用。One-shot 一个原型发个推然后再也不打开，你既没学到东西，也没获得杠杆。
3/ 别沉迷于炫耀 setup。她原话，「简单的配置往往效果更好。」有一群人花大量时间堆 skill 和 MCP，结果核心工作反而没做。
4/ 2024 的产品是对话式的，Claude Code 这一代产品是行动式的。当 AI 真正能代你执行而不只是告诉你该怎么做，那才是真正的顿悟时刻。
她的人生信条回到开头那句话，Just do things。理解约束，推导行动，然后直接去做。不要等许可，不要被岗位定义限制。这大概也解释了为什么 Anthropic 能跑这么快。
Lenny Rachitsky@lennysan
How Anthropic’s product team moves faster than anyone else I sat down with @_catwu, Head of Product for Claude Code at @AnthropicAI, to get a peek into their unprecedented shipping pace, how AI is changing the PM role, and how to be the right amount of AGI-pilled. We discuss: 🔸 How Anthropic’s shipping cadence went from months to weeks to days 🔸 The emerging skills PMs need to develop right now 🔸 Why you should build products that don't work yet—then wait for the model to catch up 🔸 Why a 95% automation isn't really an automation 🔸 Cat’s most underrated AI skill (introspection) 🔸 What Cat actually looks for when hiring PMs now (hint: it's not traditional PM skills) Listen now 👇 youtu.be/PplmzlgE0kg
中文
salomechen retweetledi
后续来了兄弟们，卧槽真的太炸了，同样的任务，同样的配置，速度比Claude Sonnet 4.6还快 6 倍，成本低约 50 倍，
openrouter 和 官方 API 均限时免费 1 周使用时间，白嫖的机会，冲啊兄弟们！
我上周那条讲Elephant Alpha的推不是爆了吗，很多兄弟在评论区猜背后是谁，现在谜底揭晓了。
蚂蚁集团AGI团队（@AntLingAGI）的Ling-2.6-flash，
猜中国产大厂马甲的兄弟，你赢了。
说实话我看到架构数字那一刻，上周用它的所有体感全部对上了。
总参数104B，每次推理真正激活的只有7.4B，激活率7%，256个专家里每次只叫醒一小撮干活，其他的继续睡觉😂
这就是为啥上周我说它token消耗肉眼可见往下掉——100块钱的模型，每次推理只烧7块钱的算力，跑出了100块钱的智能，这可不是玄学啊，属于架构层面就在为效率让路。
再叠Linear Attention把传统Transformer的二次复杂度压下来，再加Multi-Token Prediction做推理加速，三件事一起上，FP8单卡341 tokens/s，Artificial Analysis实测输出215 tokens/s，和gpt-oss-120B并列第一梯队。
说实话，速度方面上周体验之后我早就服了，这回真正让我愣住的是跑分。
Artificial Analysis跑完全量评测，Ling-2.6-flash只烧了大约15M tokens，Nemotron-3-Super烧了接近10倍，Intelligence Score却拿到26，和Gemini 2.5 Flash同梯队。
都便宜到这个份上，大家下意识觉得肯定哪里凑合了，但agentic跑分直接打脸，SWE-bench Verified 62，BFCL-V4 67，TAU2-Telecom 93.86，SWE-bench测的是真实代码仓库里定位Bug加生成补丁，BFCL测的是函数调用准确性，全是硬场景，不是那种学术榜单刷分。
上周我搭那个串三个工具的小Agent跑得贼利索，现在明白了，这模型从训练阶段就是奔着Agent去的，别人做Agent是改装车，它是原厂出的Agent专用机。
所以我上周说的那套玩法现在有了官方解释——Claude管架构和规划调一次，Ling-2.6-flash管分步执行跑一百次，成本砍到十分之一，不是我瞎搭的野路子，是这个模型本来就为这个场景而生。
蚂蚁的产品线逻辑也清晰，Ling做基础，Ring做推理，Ming做多模态，这次先以stealth身份在OpenRouter和Kilo上免费放出来收集反馈，后面会开源，再推商用版LingDT，还会出BF16/FP8/INT4量化版。
路径就是社区验证→开源扩散→商业落地，对开发者来说，现在就是白嫖窗口期，免费还剩几天。
用了这段时间我给它的定位很明确，它是目前最适合一直开着的模型之一，Agent持续跑、代码补全随时触发、长文档批量处理，越高频越省钱，账单每个月都会替它说话。
但极端复杂的推理链、需要反复自我纠错的长思考任务，你可能还是得上重型推理模型，它的sweet spot是够聪明+极快+极省那个三角区，日常80%的活它接得住，接得还比大多数模型便宜。
所以说2026年看模型不能再盯着单一智能分了，当Agent从偶尔问一下变成24小时不间断跑的基础设施，每个token的有效产出就是新的胜负手，Ling-2.6-flash是目前这个方向上跑得最激进、也交出实际成绩单的选手之一。
上周说过的话，这周全部兑现，挺爽的🌚
#ElephantAlpha #Ling2Flash #AntAGI #Agent #大模型
阿绎 AYi@AYi_AInotes
说个暴论，AI界的iPhone时刻可能就要到来了。 OpenRouter上最近杀出来一个匿名模型，把所有Agent开发者都打懵了。 它叫Elephant Alpha，没有发布会，没有营销通稿，连开发者是谁都不知道😂 纯靠用户口口相传，一周就冲到了平台日活前十，token使用量暴增377%。 我自己测了三天，结论是这他么才是2026年AI该有的样啊！ 速度快到离谱，不是那种一个字一个字蹦的慢输出，是你刚敲完回车，一整段带注释的代码直接完整输出，体感和Grok 4 Fast差不多，但代码质量高一个档次。 最夸张的是智效比，同一份任务，完全相同的输出质量，它的token消耗是Claude Opus的一半，GPT-5.4的三分之一，账单是真的肉眼可见地往下掉。 它不是啥全能思考型模型，更像一个纯粹到极致的执行机器，跨十几个文件找Bug，256K上下文稳如狗，一点不丢引用。 几十页合同直接转成结构化的条款表，会议记录转待办，群聊转摘要，网页转初稿，所有你不想干的脏活累活，它干得又快又好。 唯一要注意的是它不会帮你脑补，指令越清晰，约束越明确，输出质量越爆炸，模糊的需求很容易得到平庸的结果，也不适合复杂的多步长链规划，知识时效性需要自己注入上下文。 最反直觉的地方来了，以前我们总觉得，什么活儿都得用最好的旗舰模型 ，但实际上你每天80%的工作，根本不需要Claude或者GPT的深度思考能力，你只是需要一个东西，能准确、快速、便宜地把事做完。 现在OpenClaw和Hermes社区已经形成了标准玩法，Claude管整体规划和架构设计，只调用一次。 Elephant管分步执行、局部修复、批量生成，跑一百次，整体效率翻三倍，成本直接砍到原来的十分之一甚至更低。 这才是Agent经济真正的突破口啊，以前Agent跑不起来，不是因为不够聪明，是调用一次太贵，延迟太高😟 当执行层的成本趋近于零的时候，所有自动化才真正变得可行。 更有意思的是匿名模型这个趋势，以后最好用的模型，可能都不是大厂发布会吹的那些。 OpenRouter的盲测机制，让模型纯靠真实使用数据说话，没有品牌溢价，没有营销滤镜，谁好用谁就会被用户用脚投票选出来。 社区普遍猜测这是某国产大厂的马甲在全球盲测，也侧面说明中国AI在推理优化赛道已经跑在了前面。 现在它还在盲测期，完全免费，256K上下文，32K输出，函数调用，结构化输出，全开放。 OpenRouter和Kilo Code上都能用，建议兄弟们把所有日常重复任务都切过去，把省下来的预算，留给真正需要深度推理的场景。 Elephant Alpha 是不是下一个ChatGPT 呢，我觉得不是，它更像是AI从偶尔炫技变成每天省事省钱的基础设施。 所以别再用大炮打蚊子了，模型分层才是2026年AI玩家的核心竞争力啊， 咱们工作流里有哪些活儿，其实根本不需要用旗舰模型🌚 #AI #大模型 #OpenRouter #ElephantAlpha #开发者 #Agent
中文
salomechen retweetledi
美国数学家Richard Hamming是图灵奖得主，计算机先驱，纠错码之父。
他说自己很早在Los Alamos见过Feynman费曼、Oppenheimer奥本海默等。他承认自己当时很嫉妒，凭什么大家都是物理人，你们这些人是大牛人？
他后来在贝尔实验室Bell Labs继续观察Shannon香农、这些人，为什么有些人做到了，而其他人只是差点做到了？
“运气”只能解释一半。具体做成哪一个题，当然有运气。
Hamming自己也承认，他和Shannon香农同在贝尔实验室Bell Labs，同一时期一个做coding theory，一个做information theory，确实有运气成分。
但Einstein爱因斯坦、Shannon香农这类人可以反复做出好东西。一次可以说是撞上了，反复撞上，就要看准备工作、胆量和选择了。
机会会飘过很多人身边，但只有少数人已经在脑子里预留了接口。
他讲，重要问题不是结果影响听起来多大。比如时间旅行、传送、反重力，结果影响当然巨大，但手里没有合理的入口，也只能供人幻想。
一个真正该上的科题，要同时有分量和入口，如果做成，它会改变一些东西；而你现在又能找到一条可以攻进去的路。
很多聪明人输在这里。他们每天忙忙碌碌，设计问题很精致，方法很专业，可心里其实知道，这些东西就算做完，也很难通向更大的东西。
Hamming每周五中午以后给自己留“Great Thoughts Time”，只聊大问题，比如计算机会怎样改变科学？
这听起来像偷懒，其实是给自己留10%的雷达时间。
你如果一周五天都在处理眼前小事，很容易把效率误认为方向。你会变成一个很勤奋、很可靠、很会交付的人，然后十年后发现，自己一直在小问题上越做越熟。
Hamming还有一个观察：
关着门工作的人，完全隔绝噪音，短期内很舒服，貌似产出更高；长期看，你会错过那些不成体系、没法写进报告、但能告诉你“问题变了”的信号。
而开着门工作的人，虽然经常被打断，但更可能知道世界的新动向。一流工作需要深度，也需要暴露在真实问题流里。
他讲，成名后的危险，也很像今天的创业者、研究者和内容创作者。
一旦做出一个大东西，人会不愿意再种小种子，只想一上来就抱大树。Hamming说Shannon香农在信息论之后，可能就被“下一次必须同样伟大”这件事困住了。
早期的伟大而会把人冻住。因为你不愿意再做那些小、丑、未成形、别人看不上的起点。
但大东西通常就是从这种小起点长出来的。
还有一点很多人不爱听。
做出来还不够，你要会把它讲出去。
Hamming说科学家讨厌“sell”这个词，觉得好东西应该自然被世界看见。可现实是，所有人都在忙自己的事。你写得不清楚，讲得不清楚，会议上不敢开口，别人就会翻过去。
所以表达不是包装，是研究的一部分。
一个想做一流工作的人，至少要会三种表达：
写清楚，在正式场合里讲清楚，在混乱的场合里也能讲清楚。
很多“事后诸葛亮”三周后写报告证明自己早就看对了，但时过境迁了。
才华放晚了也会变成旁白。
把“伟大”从天赋、环境、运气这些大词拽回到具体的日常动作：
你有没有固定时间想大问题。
你手里有没有10到20个真正重要、且可能进攻的问题。
你遇到一个机会时，能不能立刻看出它碰到了你哪一个老问题。
你做一个项目时，有没有顺手把它变成一类问题的方法，而不止交一个答案。
你有没有把自己的缺点拿来当借口。
你会不会和大的体系合作，借力秘书、同事、老板、听众、组织流程打战役，而不是一生耗在小型战斗里。
讲真，你可以说自己缺运气，缺资源，缺年轻，缺老板支持。那你有没有准备好？有没有选对问题？有没有留出想大问题的时间？有没有勇气押上去，把成果讲到别人愿意停下来听？
说到最后，很多所谓怀才不遇，可能只是长期没有管理自己。
中文
salomechen retweetledi
1880年，一个叫米尔顿·赫尔希的糖果商第三次破产了。
第一次在费城，开了一家糖果店，六年后关门。
第二次在纽约，做焦糖，撑了三年，又倒了。
第三次在芝加哥，连三个月都没撑过。
他回到宾夕法尼亚老家兰开斯特，口袋里什么都没有。
他的母亲范妮和姨妈玛蒂借给他一百五十美元。
他用这笔钱重新开始做焦糖。
这一次他改了一样东西——用鲜牛奶代替石蜡。
当时所有便宜糖果都掺石蜡来增加体积和光泽。赫尔希觉得那个口感不对，但用鲜牛奶成本高得多。
一个英国进口商路过他的摊位，尝了一颗焦糖，停下来了。
当场下了一笔订单。
赫尔希靠这笔订单翻了身。兰开斯特焦糖公司几年内做到了年销百万美元。
1893年，他去芝加哥世博会，看到了一台德国产的巧克力制造机。
他站在那台机器前面看了整整一天。
回来之后，他把焦糖公司以一百万美元卖掉了。
所有人都觉得他疯了——焦糖正在赚大钱，为什么卖？
他说了一句话："焦糖是一阵风。巧克力是永远。"
他拿着卖焦糖的钱，在宾夕法尼亚乡下买了一大片牧场。
旁边什么都没有。只有奶牛。
他需要奶牛。因为他要做牛奶巧克力。
当时的巧克力是苦的，是奢侈品，只有欧洲富人吃得起。瑞士人发明了牛奶巧克力，但配方保密，价格极高。
赫尔希没有配方。
他关起门来自己试。
失败的巧克力倒掉了几千磅。工人们觉得老板在把钱往河里扔。
他的合伙人勒罗伊·莱斯特利来找他，说："Milton，我们已经烧了两年的钱了。"
赫尔希从锅里舀出一勺巧克力浆，递给他尝。
莱斯特利尝了一口，不说话了。
1900年，赫尔希的牛奶巧克力上市了。
他定了一个价——一块巧克力五美分。
五美分。当时一杯咖啡的价格。
所有人都说太便宜了。他说："我不是在卖奢侈品。我在卖每一个美国小孩放学路上买得起的东西。"
然后他做了一件事——他在工厂旁边建了一个镇。
给工人盖房子、建学校、修公园、铺有路灯的街道。
他把这个镇命名为赫尔希镇。
这还不是最疯狂的部分。
1909年，他和妻子凯瑟琳因为没有孩子，创办了一所孤儿学校。
1918年，凯瑟琳去世后三年，赫尔希把自己的全部财产——整个赫尔希巧克力公司的股权——悄悄转给了那所学校的信托基金。
没有通知董事会。没有通知媒体。
直到多年后审计时，人们才发现公司的实际拥有者是一群孤儿。
到今天，赫尔希信托基金仍然是赫尔希公司的控股股东。
基金的全部收益用于运营米尔顿·赫尔希学校，为贫困家庭的孩子提供免费教育和寄宿。
一百多年来，超过一万两千名孩子从这所学校毕业。
赫尔希1945年去世，享年八十八岁。
他没有亲生子女。
但一整个镇的孩子叫着他的名字长大。
他这辈子说过的话很少被记录下来。
但有一句流传了下来：
"给一个孩子一块巧克力， 你让他快乐了一个下午。 给他一所学校， 你让他有能力给自己买一辈子的巧克力。"
中文
salomechen retweetledi
美国前国务卿，主导促成了伊朗核协议和《巴黎气候协定》的约翰·克里在CBS的《斯蒂芬·科尔伯特深夜秀》中说到了特朗普发动的伊朗战争。
主持 人：十多年前，你参与推动了一项协议——《联合全面行动计划》，也就是大家常说的伊朗核协议。2018年，我们现任总统退出了这个协议。
昨天他发文说，他现在能谈出的协议，会比你当年谈成的好得多。
带我们回到2015年——当时的协议具体内容是什么？你觉得要怎样才能“更好”？
克里：不能更好。只要当年的协议还在，现在的局面就会比现在好很多。
我们当时谈判的核心，是终止伊朗在我们毫不知情的情况下制造核武器的可能性。
当然，没有人能保证他们不会试图作弊。事实上，我们预料到他们会这么做。
所以我们安排了130名额外核查人员进入伊朗现场监督。我们对他们开采的每一盎司铀都进行记录，从开采、加工，到进入核生产体系，再到最终废料，全流程跟踪。
我们摧毁了他们数以万计的离心机——他们同意销毁，我们就在现场看着他们执行。
我们还在中国、俄罗斯、法国、德国、英国以及欧盟的协助下，把铀运出伊朗。
这些国家都一致认为，这是当时能达成的最好协议。因为作为《核不扩散条约》的成员，伊朗有权进行铀浓缩。
他们不愿放弃这个权利，现在依然如此。所以这就是根本矛盾所在。
主持 人：好，我大概理解你们当时设立的那些核查机制了。
特朗普一开始说，协议必须今晚午夜前达成；后来改成明天晚上6点；现在又变成无限延期。
我想问，你们当年谈成这个协议用了多久？
克里：我在担任参议院外交关系委员会主席时，就和奥巴马总统以及当时的国务卿希拉里开始推动谈判。
总共花了大约四年——两年在参议院，两年多在国务卿任内。
主持人：所以你的意思是——明天晚上6点就要搞定，可能有点仓促？
克里：可以说是非常仓促。
外交其实没那么复杂，本质上就是人与人之间的关系。
最重要的是，你必须站在对方的角度思考，理解他们的历史、立场和动机。
我虽然从没被问过，但如果让我给现政府提建议，我会说：花时间制定议程，保持理性，不要让对方觉得你是在强压他们。
如果一边威胁封锁霍尔木兹海峡——这个海峡在过去任何冲突中都没有被真正关闭过，那只会升级对抗。
特朗普退出协议，其实让局势比之前更糟。我们当时最担心的就是：一旦没有协议，战争几乎不可避免。
而现在，他们的做法实际上正在让战争变得不可避免——既不给伊朗留下转圜空间，又采取轰炸等手段。
我认为必须换一条路线。这场战争本可以避免，现在反而比之前更危险。
美国总统最重要的责任，是在决定让年轻人上战场前，能够面对他们的父母，清楚说明——战争的目的是什么，目标是什么，牺牲的意义是什么。
但这些都没有做到。所以这是一次失败的总统决策。
主持 人：大约两周前，《纽约时报》报道说，内塔尼亚胡曾亲自进入战情室，向特朗普说明为什么应该采取行动。
报道还说，他过去也曾向其他政府提出类似主张。
在奥巴马政府时期，你担任国务卿，他也提出过吗？
克里：是的。
主持人：当时的回应是什么？
克里：不。
主持人：为什么？
克里：我看过你说的那篇报道。报道里说，内塔尼亚胡陈述了自己的方案，预测会发生叛乱、政权更替等等。
结果这些都没有发生。
报道还引用特朗普的话说：“我同意。”
奥巴马并没有这么说。
奥巴马说“不”，布什说“不”，拜登也说“不”。我参与过这些讨论，记得很清楚。
我们认为，和平解决的手段还没有用尽。
我作为越战老兵，很清楚这种决策有多重要。当年我们被误导了，才卷入那场战争。
越战和伊拉克战争的教训就是：不要欺骗美国人民，然后再让他们的孩子去打仗。
主持人：今天早上，特朗普在CNBC节目上说，如果他当年是总统，越战会很快结束。
你不觉得很讽刺吗？那个“本可以赢得战争的人”，却因为骨刺不用上战场。
克里：你刚才放的那张照片——把特朗普画成耶稣。
如果他是耶稣，那他完全可以治好自己的骨刺，亲自上战场，一个人打赢战争，对吧？
中文
salomechen retweetledi
Anthropic 的哲学家@AmandaAskell 最近参加了一个访谈，在访谈中她分享了自己探索好奇领域的一个方法。
提示词大概是：
我希望你从「xx」领域里选一个大概研究生水平的概念。然后我希望你通过写一个寓言的方式，间接地把这个概念完整讲出来。最好一直到快结尾时，人才会慢慢意识到这个概念究竟是什么。然后在故事之后，再补一段解释，把你刚才真正要讲的概念说清楚。
中文
salomechen retweetledi
如果你每周时间有限，但又想获得前沿AI信息？
除了刷推特，分享三个精选信息源，读完基本不落伍。
1. 老牌AI Newsletter
沉浸式翻译原作者Owen推荐我，三年以来更新稳定，每周AI热点和AI工具非常全面。
bensbites.com
2. AK大神去Huggingface后搞的热门AI论文Digg榜。
靠人工投票筛选出每日、每周、每月最热AI论文。
huggingface.co/papers/week/20…
3. 著名在线阅读器 Readwise 精选每周必读。
随着AI火热，AI相关文章越来越多。
除AI，还有行业大牛文章推荐，好书推荐，让你不局限于信息茧房，最新一期是138，每周修改URL+1访问即可。
wise.readwise.io/issues/wiserea…
中文
salomechen retweetledi
作为图灵奖获得者，深度学习神经网络的“教父”级人物，Yann LeCun（扬・立昆），这几年比较憋屈，
因为现在大行其道的生成式AI恰恰不是他主张的AI道路。
Yann LeCun 这些年一直在说，如果你想让 AI 真正理解世界，尤其是去做规划和控制机器人，光靠“生成下一个词”或者“补出下一张图”可能不够。
他提出一种非生成式自监督学习框架JEPA（Joint-Embedding Predictive Architecture，联合嵌入预测架构），核心是在抽象嵌入空间中预测相关部分的表征，而非重建原始数据。
最新的这篇关于LeWorldModel的论文，第一次把这个想法做得比较像样了。
15M 参数，一张 L40S，几个小时训完。
虽然它还没有宣告生成式AI（generative AI）是死路一条，但是至少大家现在知道了，除了把模型越做越大，确实还有另一条路，而且这条路开始能跑了。
你可以把现在的两种训练AI 的思路，想成有两种学生。
第一种学生很会背题。
你给他看很多很多例题，他就记住这类题长什么样，下一步通常写什么。这样的学生很适合做“续写”和“补全”，这很像今天很多生成式 AI 擅长的事。
第二种，学生不急着背每一道题的表面。而是先搞清楚这道题背后的规律：哪些信息重要，哪些只是噪音，下一步为什么会这样变。
LeCun 更看好的就是第二种学生，JEPA 就是这条路线的代表。
JEPA 的想法可以用一句话解释：
别让模型死盯着每个像素的细节，先让它学会抓住世界的“摘要”，再预测这个摘要会怎么变化。
这个“摘要”在论文里叫 latent state。你可以把它理解成“高度压缩的世界笔记”。
比如一个机器人在桌子上推方块。对它来说，真正重要的也许不是每个像素的颜色和纹理，
而是：
方块在哪儿，机械臂在哪儿，
它们朝哪个方向动，下一步可能撞到什么。
如果模型抓住的是这些关键信息，它就更容易做计划。
问题是这条路以前一直容易出事。
最麻烦的问题叫 representation collapse。
听起来吓人，其实简单来说就是：模型偷懒了。
就像一个学生，不管老师问什么题，都写差不多的答案。表面上他每题都“答了”，实际上他根本没分清不同题目的区别。
JEPA 过去常常卡在这里。所以很多老办法都得加很多补丁：额外技巧、额外损失、冻结预训练模型，或者一堆难调的超参数。
现在的LeWorldModel 的进展在于它把训练这件事简化了很多。
按论文的说法，它只用了两条主要训练规则：
一条是预测下一步的 latent state。
一条是约束 latent space，不让它塌成一团。
可以这么理解：
你可以把世界压缩，但不能压缩到什么都分不清。
这就让 JEPA 这条路第一次看起来不像“只能在论文里讲得很漂亮”的东西，终于像一个真的能训练、能测试、能拿来比的系统。
结果表明，在 PushT 任务上，LeWM 的规划成功率是 96%，DINO-WM 是 92%。高了一点点。
但是重要的比较是速度，相比DINO-WM 约 47 秒的规划时间，LeWM仅需约 0.98 秒，。
为什么这很重要？
因为如果一个模型要拿去控制机器人，速度才是生命线。
花47 秒才想清楚下一步，机器人早就该撞墙了。
少于1 秒左右想完一轮，才开始像能真的用起来的系统。
这也是这篇论文最值得看的地方。
它提醒大家世界模型不只是比谁“看起来更聪明”，还要比谁“来得及行动”。
论文里还谈到两个很有意思的现象。
一个是，模型学出来的内部轨迹会慢慢变直。可以把它理解成：现实世界里本来很复杂的变化，到了模型脑子里，变成了更容易预测的路线。
另一个是，如果只是把物体颜色改掉，模型反应没那么大；但如果让物体突然瞬移，打破物理连续性，模型会感到惊讶。
这说明它学到的东西，可能不只是“画面长什么样”，还包括“世界应该怎么连续地运动”。
当然，这篇论文现在的规划步数还不长，只做到 5 步，它还依赖比较密的动作标签。
所以远远没到宣布胜利的时候。
到了更复杂的 3D 场景，尤其是需要很强视觉先验的任务，DINO-WM 还是更强。
因此LeWorldModel 没有证明，从今往后跟生成式AI （generative AI ）非此即彼，
如果目标是聊天、写作、图像和视频生成，生成式模型当然还很强。
但如果目标是理解物理世界、快速做计划、把模型接进真实控制系统，让 AI 真正学会“下一步该怎么做”，而不是只会“下一帧该长什么样”，那未来几年最值得看的，也许就是这种更小、更快、更像在学世界规律的模型。
LeCun 这位计算机界诺贝尔奖的获得者（图灵奖），这条“先压缩，再预测”的路线，终于拿出了一份像样的工程答卷。
你大爷还是你大爷
arxiv.org/pdf/2603.19312
LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels
中文
salomechen retweetledi
🚨突发新闻：美国陆军化学和核安全主管安德鲁·哈格在一段泄密视频曝光后被护送出五角大楼，并被停职调查。
哈格（其正式职衔为 化学与核安全主管）被指控在一家餐厅内，向一名所谓的CJF 主播（实为卧底调查员）泄露了极度敏感的国家安全信息。
在流出的视频中，哈格似乎完全被对方“迷住”了，甚至开玩笑说对方可能是间谍，但依然在酒精和恭维的作用下开始“吐露真言”。
隐藏摄像机拍到他涉嫌泄露以下敏感信息：
📌美国仍然储备着神经毒剂以及一名陆军化学家据称近期接触毒剂致死的事件。
哈格说: "所以，神经毒剂是一种化学武器。它就像潘多拉的盒子。
调查员（CJF 主播）: "美国陆军部的一名核能与化学安全分支主管，泄露了关于他们持有神经毒剂的详细信息……
哈格: "你的肺会停止工作。你的心脏会停止工作。一切都会停止工作。
---‼️承认美国依然持有并可能部署神经毒剂，这在国际法和外交层面上是极具争议的。‼️
📌美国在伊朗的空袭造成平民死亡，其中包括儿童。
调查员: "我听人说我们可能在伊朗杀死了孩子。我们真的做了吗？
哈格说: "有一些附带损害。是的。肯定的。战争中总会有【孩子】死亡。
--坦率承认了在美军之前的空袭中存在伊朗儿童伤亡，并将其轻描淡写为“附带损害”。
📌最重磅的是他披露了美军甚至有“除掉伊朗新最高领袖（穆杰塔巴·哈梅内伊）”的计划。
他说：”如果他【穆杰塔巴·哈梅内伊】不改变他的做法，是的，他们【美国】会杀了他。“
--‼️首次在非官方层面由军方高层确认了针对伊朗现任最高领袖穆杰塔巴·哈梅内伊的暗杀计划。‼️
📌关于情报收集、核决策流程以及美国“没有对任何人使用核武器的计划”的一般性评论。
他说：“我们会发射导弹，摧毁一些东西。但如果你想赢，如果你想让那个国家按你的意愿行事，你就必须派人过去。
📌美国陆军发言人辛西娅·史密斯：“我们已将哈格先生停职，同时进行彻底调查。”
中文
salomechen retweetledi
Anthropic干了一件特别恶心，但又特别聪明的事。
没有任何公告和说明，他们悄悄把Claude Code，从20美元的Pro计划里删掉了🌚🌚🌚
现在只有100美元以上的Max计划，才能用这个能读全仓库、自动改文件、跑命令的真正的agentic coding工具。
现在全世界的 Pro 用户都炸了，有的人刷新定价页，已经看不到Claude Code的选项了。
有的人还能正常用，甚至官方文档今天还在写Pro和Max都支持。
这可不是bug 兄弟们，属于典型的灰度A/B测试，
先悄悄切一部分用户，看反应，再全量推，真的鸡贼啊哈哈哈哈😂
很多人在骂他们割韭菜，但说实话，我觉得真算不上不是割韭菜，应该算是救命。
Claude Code的算力消耗，是普通聊天的几十上百倍。
一个重度开发者，用20美元的Pro，一个月能跑出几千美元的等效API成本。
之前的订阅模式，本质上是所有普通用户在补贴那10%的重度开发者🤣🤣🤣
这回 Anthropic终于扛不住了，他们做一次最粗暴的用户分层我觉得也是必然的，
Pro留给只写文案、做总结、聊聊天的普通用户，
Max留给真的靠它干活、能赚回票价的开发者🫢🫢🫢
骂归骂，但这件事对90%的Pro用户，其实一点影响都没有。
因为你本来就用不到全仓库读写和自动执行循环啊🤣🤣🤣
真正炸锅的，只有那10%把Claude Code当主力生产力的人，
更重要的是，这也不是Anthropic一家的问题，属于整个行业的必然。
可能以后再也不会有20块钱包月随便用的顶级agent了，
订阅制只适合轻度的、一次性的任务，
所有重度的、长循环的、高消耗的工作流，都会走向按用量付费。
我猜测下一个被悄悄拿掉的会是Cowork，会是Research，会是所有真正能帮你干活的功能🙃🙃🙃
最后给所有开发者一个建议，
别再把所有工作流绑在某一个订阅上了，现在就开始准备B计划，Cursor加混合API。
Continue.dev加多模型路由，开源的agent wrapper。
毕竟真正的高手，从来不会把鸡蛋放在一个篮子里。
兄弟们清醒一点吧， AI的免费午餐早就结束了咯，
现在连平价午餐也开始慢慢撤掉了😳
George Pu@TheGeorgePu
Anthropic just pulled Claude Code from the Pro plan. Pro users wanting it need Max now. $100/month minimum. 5x jump. I'm on Max 20x so I'm fine. Flagging for anyone on Pro who's about to find out. No announcement. Just a pricing page edit.
中文
salomechen retweetledi
强犟手下无弱逼。诺姆和她老公已经很彪了，想不到川娈普的部下还有更猛的。劳工部长洛丽·查韦斯-德雷默（Lori Chavez-DeRemer）刚刚因丑闻辞职。她和他老公的光荣事迹，比诺姆及其老公还要猛。
首先她和一名负责她安全保护的下属保持不当性关系。她利用政府资源进行个人旅行，并多次带员工前往脱衣舞俱乐部等不当场所。将下属当作私人助理，要求他们在办公时间为她处理私事，例如清理她私人的衣橱。经常在工作时间内于办公室内饮酒，让属下给她带酒。劳工部取消了数百万美元用于打击全球童工和奴役劳动的国际赠款，引发了人权组织的强烈抗议，还将政府补助金定向拨给有政治关联的人物。最奇葩的是她丈夫性骚扰两名劳工部的年轻女性职员，她不仅没有问责丈夫做出交代，反而对举报者进行了职场报复和恐吓。
这真是物以类聚，人以群分。
BrooklynDad_Defiant!☮️@mmpadellan
Holy shit, trump's Labor Secretary, Lori Chavez-Deremer has just resigned in shame after allegations of misconduct, including asking staffers to "bring her wine." This whole regime is drunk on power, and UNFIT.
中文
salomechen retweetledi
