我的 X 阅读

转帖：决策模型，现已开源并支持多模态！

转帖：本地 Liquid d1 3B 在 Snake 游戏中碾压 OpenAI Decision @liquidai d1 在单个 RTX 3090 上仅需 8 毫秒即可决策，因此它每秒做出 82 步蛇的移动并吃掉 86 个苹果，而 OpenAI 的 API 每次调用需 345 毫秒且仅吃掉 3 个 运行决策模型 -> https://t.co/RbcCOIgVkj

转帖：我已将 @LiquidAI 的 d1-omni-600M 移植到适用于 Apple Silicon 的 MLX。 文本、图像和音频 → 在您的 Mac 上进行结构化决策。 1.17 GB FP16 数据。在 M3（热身）上处理 3 道文本题大约需要 80 毫秒。 79/79 个已检查的决策与原始结果一致。

转帖：“决策模型”太有吸引力了，我非常喜欢它——而且我们现在有很多这样的模型。

转帖：新模型“决策”名为 d1 它的概念和 jev 一样，不生成文本而是生成编程决策 接受文本、图片和音频 仅 600M 大小 我认为决策模型已经足够成熟.. 剩下的就是让它在其他语言上变得强大

转帖：@liquidai 的决策模型一直都很出色！

转帖：1991 版本是一份鲜为人知的科技报告，里面只有一个模糊的想法，没有理论，没有值得一提的实验，当然也没有代码，而且作者从未重新审视或推进过它。 它有一个手绘的架构图，一个 f(x)=0 类型的公式，以及一个声明：如果你正确实例化 f 和 x，那么其他所有技术都是它的特例。

从一人多机器人到几乎无需人工监督，机器人可控劳动力价值将从每年 1.3 万亿美元飙升至 10.5 万亿美元。 —— RoboStrategy 估算。https://t.co/w3cfJVYyTt 引文：来自前沿物理人工智能公司的最新进展表明，机器人能够从单任务自动化发展到完整的工作流程自动化。 这开启了一个比单任务自主性大一个数量级的市场。这类似于 Waymo 从 L3 级到 L4 级驱动自动化的飞跃，使其得以开始扩大运营规模，或者人工智能聊天机器人向人工智能代理的飞跃。 世界上只有不到 5% 的体力劳动是单任务的，例如机器操作、包装和简单的组装。许多工作，即使看似重复，也需要比我们想象中更高层次的决策。 以 Dyna 最近展示的洗衣物理代理为例，仅洗衣这一环节的年度可控劳动力价值就约为 95 亿美元。北美59,000家酒店中，85%的客房数量在200间或以下。这些酒店平均只有一名全职洗衣工。 洗衣工需要不断地处理多个决策树——何时装洗衣机、何时将衣物从洗衣机转移到烘干机、何时折叠衣物、何时将折叠好的衣物堆放到架子上等等。正确做出这些决策需要对场景有深刻的理解、良好的记忆力以及可靠地执行大量子任务的能力。 即使洗衣工配备了一台功能单一的折叠机器人，他们仍然需要在大部分工作时间内待在洗衣房附近，因为他们需要协助机器人装卸衣物、转移衣物堆以及移动洗衣篮。 虽然他们确实节省了一些时间，但由于需要持续的协助，他们无法有效地将这些时间重新分配到客房清洁工作中。当机器人能够无人值守地完成整个洗衣流程时，酒店经理就可以迅速用机器人来满足实际的洗衣工招聘需求，或者将一名洗衣工重新分配到客房清洁工作中。 机器人能够完成整个工作流程，这使得它们对企业来说更有价值。这就是物理代理的价值所在。

这太棒了！ Grok Bot 现已获得原生 X 平台搜索功能。 因此，它现在可以直接从 X 平台抓取内容并批量处理帖子，而无需像以前那样从平台外拼凑零散信息。 功能包括帖子搜索、时间线阅读、提及检查和活动监控。 该机器人还可以撰写帖子。不过，它目前还无法发布帖子。直接发布功能尚未推出，因此仍需人工点击发布按钮。 https://t.co/HJFg1pg5Dd

转帖：@helloiamleonie，这个演示在哪里？！我有很多使用场景。

转帖：我们的前两个开放权重决策模型已经发布，它们是多模态的！在 NVIDIA GeForce RTX 4090 上仅需 8 毫秒即可做出决策。

转帖：Liquid @nvidia @NVIDIARobotics

转帖：麻省理工学院的新论文指出，将代理赋予自己的历史记录和提示，作为代码变量供其搜索并传递给子代理，这样一个简单的代理循环就能以更低的成本击败专为记忆和自我改进而设计的系统。 代理在手动将上下文复制到子代理时会丢失指令，而通过引用传递提示和历史记录，让 JAZ 击败了专用的记忆和自我调整系统。 长期记忆和自我改进通常需要额外的系统，如 Letta 或 ACE，这些系统会增加成本，并且当任务不符合其设计时就会失效。 JAZ 只保留循环。模型编写 Python 代码，将自身作为子代理调用，并将其提示和完整历史记录视为变量，无损传递给下游。 在 StuLife 任务中，这些任务需要从 50 个以上早期任务中提取事实，JAZ 的通过率为 69.9%，而 Letta 为 61.8%，成本不到其一半。在 417 个 AppWorld 任务中自我改进时，它完成了 74.2%，而 ACE 为 69.9%，成本同样更低。 – arxiv. org/abs/2609.26891 标题："Harness as a Language: A Minimalist Agent Framework With Maximal Expressivity"

转帖：这是个好消息。 Claude Opus 5.5、MidJourney、Suno on Grok @bot

转帖：安大略省两只猞猁猫正在进行一场激烈的对话。 ：妮可·刘易斯 https://t.co/RgAmZHk438