我的 X 阅读

重看《大明王朝1566》， 越往后越明白，整部剧最实用的一句处世道理，就是嘉靖说的那八个字， 万稳万当，不如一默。 今晚重看了《大明王朝 1566》，看到嘉靖在精舍里敲磬的那一幕，我按了暂停，坐在屏幕前沉思了很久， https://t.co/YRK5pyoC9M

就像你说你不会签署这个法律，然后还是签了的时候？

牛津大学、芝加哥大学、清华大学和北京大学正在筹备特别放映活动。 如果你的学校有一个想主办放映活动的AI俱乐部，请私信我。 注意，放映活动不能向公众开放，也不能收取门票费用（圣丹斯电影节和SXSW首映规则）。 引用：RSI 观察： 《机器之神》片段。Hinton 等人的论文如下。

https://t.co/9jeeCdAhRb 引用：已确认：@Muse 可以向小额索赔法庭起诉他人 https://t.co/dddfrKmoq6

这是一篇适合所有预训练和后训练爱好者的优秀论文。令人惊讶的发现是，经过预训练的大型语言模型（LLMs），配备一个轻量级推理框架，就可以作为强大的代理，甚至在足够的测试时预算下，超越后训练的对应模型。 引用：来自 Meta 超级智能实验室的劲爆论文。 他们发现了一些超级有趣且出人意料的东西。 （收藏它） 带有轻量级束缚的基模型，通常在获得足够样本时，比其 RL 后训练版本能解决更多代理任务。 后训练模型在 pass@1 上获胜。在较大的 K 值时，基模型经常能在 BFCL v4 多轮、ACCBench 和 WebShop 上解决后训练模型从未解决过的任务。 这是因为后训练会将每个任务推向“总是解决”或“从不解决”。一致性提升，覆盖率下降。 作者将这种测试时可扩展性的损失称为“锐化税”。在 42 对基模型和后训练模型中，它在大多数设置中出现，随模型规模增长，并且可以从几次 rollout 中估计出来。 他们的解决方案 PTGS，在 RL 期间根据每个提示的估计难度设置采样温度。它支付的税更小，同时也提升了 pass@1。 论文：

RSI 观察： 《机器之神》片段。Hinton 等人的论文如下。 引用：由递归自我改进引发的智能爆炸这一想法已经存在了很长时间，但直到最近，它似乎还并不迫在眉睫。现在，许多领先的研究人员认为它可能很快就会发生。你可以在这里阅读我们关于它的论文： https://t.co/sgUpugjpRY

Meta Superintelligence Labs 的这篇论文简直太棒了！ 他们发现了一些非常有趣且出乎意料的东西。 （记得收藏哦！） 当基础模型和强化学习后训练的模型都获得足够多的样本时，它们通常比强化学习后训练的模型更能解决智能体任务。 强化学习后训练的模型在 https://t.co/wvVLF2pGdQ 上表现更佳。

先是 AutoHarness，然后是 AutoContext，现在又是 AutoCompact。 我注意到，越来越多的研究致力于训练模型，使其能够原生支持更多 Harness 的功能。 这项研究专门训练智能体，使其能够自行决定何时进行压缩。 这让我想起了 Meta 的这篇新论文：https://t.co/DhgVOIdQa4

冰川融水的浓烈蓝色源于光线在冰川粉末上的散射——冰川粉末是由冰川运动产生的细磨岩石沉积物。 : escalandomendoza/ig

只有 2% 的 AI 用户为 AI 付费；98% 使用免费版本，更不用说那些根本不使用 AI 的人了。我们仍处于如此早期的阶段，大多数人甚至都不知道这些模型的全部能力。 引用：98%的美国家庭尚未为人工智能付费 更多图表见《市场状况 II》：https://t.co/MTaxKUxa2w

它似乎与EoF有关，但我不能马上确定。

我确信，在 dot 之前我本可以完成我现在正在做的很多事情，但这个界面让它感觉简单多了。比如，从 .co 迁移到 .com 不再那么无聊了，而我本该一年前就做的。 引用：我的点现在正在管理我的 Claude。

转帖：Meta 发布了 Muse Gadgets，这是一个开源程序，让任何人可以将廉价的现成电子产品转化为与 Muse 兼容的物理设备。 代码在 GitHub 上以 Apache 2.0 许可公开，并以两个套件的形式提供：用于小型微控制器板的 ESP32 固件，以及用于 Raspberry Pi 或任何 Linux 计算机的 Linux SDK。 Meta 还构建了自己的设备 Muse Home Link，这是一个插件设备，将 Muse 连接到您的家庭 Wi-Fi，从而可以访问您已拥有的兼容设备，或使用本地 HTTP API 构建的任何设备，例如电视、灯具和打印机。 首批 5000 台设备已生产完成，仅限美国 Muse 活跃订阅用户免费领取，每位订阅者限领 1 台。

真的吗？这是将目标空间纠缠与常规二分纠缠联系起来吗？需要确认。 引用：纠缠的不确定性原理 Mitali Nanda，Daochen Wang https://t.co/sNOYndbz14 [anth-ph] https://t.co/EJ7DxkZ1Th

豹纹变色龙（Furcifer pardalis）的惊艳色彩，原产于马达加斯加东北部。 : Kammerflage Kreations