我的 X 阅读

转帖：收钱的方向吗。

我觉得 Cursor 正在做一些相当了不起的事情，它极大地提升了 Grok 的数学能力。以下是一些例子： 我让 Grok Bot 使用我的 Cursor 账户，启用 Grok 4.7 超高速度模式，来处理 Sedykh–Shapiro 猜想：即在 ℝ⁴ 中闭合凸曲线的椭圆壳体积被一个通用常数乘以其长度的四次方所界定。它找到了一个反例： https://t.co/lwLS5Y6wsb 然后我让它解决一个我多年前玩味过的一个开放问题（独自一人，有时和同事一起），后来在孩子出生时搁置了。问题是将 https://t.co/6Jd2TuR4B4 中定理 3.1 的超球收缩性扩展到 ultraspherical 测度，对于所有 0<p<q。Cursor 中的 Grok 4.7 超高模式找到了一个不错的 ODE 解： https://t.co/Mrhlol9C7h

转帖：随伴、极限定理、米田的引理、单子等中自然变换是不可避免的，而且 从历史上看，自然变换也是促使范畴论创立的原因之一， 自然变换的视觉化讲解非常有价值 个人觉得对象用 、△、 来表示 「 →△的变形」 转换成 「 → 的变形」 这种不依赖路径的转换例子很棒

转帖：在 ChatGPT Dots 里面启动 Blender，让它帮我建模、加骨骼，然后做了个舞蹈视频哈哈哈 曲子居然也莫名其妙地加进去了w

转帖：今天主要围绕模块化展开。 我从第一天起就在构建 MOSS，让它具备模块化特性，这样开始使用时并不意味着必须购买我所使用的确切硬件。也许你已经从另一个项目中闲置了一个树莓派。也许一个更实惠的深度摄像头更适合你的预算。 Pi 5，带或不带 Hailo，或者 Jetson。RealSense 或 Gemini。不同的组合，同样的漫游车。 这就是我在申请 @OpenAIdevs Codex Physical Builds 计划时所承诺的。这里就是那个想法正在成形。

我最喜欢你这周推出的产品是那个 50% 使用率的地毯式撤资。

迄今为止，dot 是我最喜欢的一个 OpenAI 产品！ 对我来说，每天它通过学习我的工作流程和风格而变得明显更好，这让我感到惊叹。 让它来做那些我不喜欢做的事情——那些通常会像引力井一样积累成恐惧——让我非常开心。

本周 LLM 提示小贴士：如果您不要求将每个后续版本的竞选文档保存为唯一 ID，则每个版本都会覆盖前一个版本，LLM 将对您的竞选账簿中关于其内容的各种错误声明感到非常困惑。

继续这个小小的 GPT-2 测试。在这之后，它开始重复早期的输出。Sol 建议，如果我们继续这个实验，就添加一个“重新生成”按钮。 引用：好的，所以现在 GPT-6.1 Sol 已经在我本地的 GPT-2 安装基础上扩展了一个交互式聊天应用。注意，即使是刚开箱即用的状态下，只要给它一个功能性的聊天框架和吸引人的提示，GPT-2 也能相当出色地扮演“自己”的角色。这与我从旧 AI Dungeon 日子中记得的它的能力和性格非常吻合。也许以后我会把这个小应用托管到某个地方，让大家可以玩玩。

@TetraspaceWest @8teAPi 所以卡尔达舍夫-0的规模将达到兆瓦级……按今天的标准来看，基本上就是一座小城市了。

@TetraspaceWest @8teAPi 哦，不错……真幸运事情能这样解决。:)

我给 Claude fable 5.5 一个提示：一段展示所有人类进步的视频，然后延伸到未来 30 年。 它返回了一个 3 分钟的动画电影和一首原创配乐。没有素材录像，没有库存音乐。

转帖：同一个模型，使用相同的权重，在一个代理框架中得分 62%，而在另一个中得分 33%。 @adithya_s_k 和 @huggingface 团队刚刚发布了多框架 RL 的终极指南，这是今年最实用的 RL 文章之一，而且一切都是开源的！ 诀窍很简单。不要触碰框架。让它指向一个代理而不是模型。这个代理支持编码代理使用的所有四种 API 格式（OpenAI Chat Completions、OpenAI Responses、Anthropic Messages、Gemini）。它记录 vLLM 采样的确切 token ID 和 logprobs，然后你基于这些数据进行训练。你不需要更改 Claude Code、Codex 或 OpenCode 中的任何一行代码。 结果： 在 4 个框架中同时训练，@liquidai 的 LFM2.5-2.6B 从 42% 提升到 54% 工具调用减少 31%，得益于为更少步骤解决问题的小奖励 仅在 OpenCode 中训练，将 OpenCode 从 34% 提升到 58%，但多框架模型在所有地方都有提升 他们还尝试了每个人都会想到的捷径：使用来自 Qwen3.8-27B 的 3,189 个成功 rollout 进行微调。模仿学习在 47.5% 时达到了平台期，低于两次 RL 运行。复制更大的模型并不能让你达到目标。实践才能。 最好的部分是，一切都是开源的：OpenEnv 中的捕获代理、TRL 中的训练器、任务、SFT 数据、训练代码以及所有七个训练模型。 代理将在数十个框架中运行。 现在，任何人都可以为它们中的每一个训练开源模型。 在这里阅读

@cbnfvrchronicle @gmkurtzer 为了彻底阐明我的立场，我不认为LLM（法学硕士）是有意识的。 我也不确信我们人类是有意识的。

@cbnfvrchronicle @gmkurtzer 是不是那种促使我们发展智力、自我意识等等的生物学必然性，赋予了这些能力我们称之为意识的感受质？ 或者，如果不同的目标函数也能达到同样的最终状态，是否也足够了？ 如果答案是“是”，为什么不是LLM困惑呢？