我的 X 阅读

向 @ctjlewis 大喊一声，感谢你引诱我去研究这个

转帖：向消费者提供个人代理将比以往任何AI产品类别都具有无限的挑战性。然而，我确实相信我们（作为一个行业）能够提供的价值是巨大的。 最近AI历史的时代（在我看来）： 1. 2022 - chatGPT（思想伙伴、新颖、有趣） 2. 2024 - 编码工具（强大、真正的经济价值） 3. 2025/6 - 工作工具（编码工具加表面层） 4. 2026 - 个人代理工具（编码工具加插件、带有计算机和浏览器使用的独立虚拟机） #4 将是迄今为止向客户提供的最具挑战性的。#1 chatGPT 被视为一个令人愉快的、无威胁性的聊天机器人。#2/#3 被开发者和捣鼓者同样拥抱，而全新的能力让人无法忽视。企业也支持这一推动。 个人代理确实拥有我们所知的通用人工智能的终极承诺。但要真正实现这一价值（作为一个行业），我们需要应对消费者的冷漠拥抱，他们是： - 对向AI公司授予个人数据访问权限持谨慎态度（这是个人代理成功的前提条件） - 对整个行业感到威胁 - 对展示能力而非价值的展示内容不以为然 这是一个激动人心的挑战，要做好这一点，将需要对我们的最终客户极度共情。

转帖：d1 已开放 d1-3B 仅需一次前向传播即可回答，无需生成 token。在 RTX 4090 上每题耗时 8 毫秒，在 Jetson AGX Thor 上每题耗时 16 毫秒，在 Jetson Orin Nano 上每题耗时 50 毫秒。 在 Decision Index v0.2.1 上的得分为 48.57，与规模是其 12 倍的决策模型性能相当。权重来自今天更新的 Hugging Face，llama.cpp 从一开始就存在。 Jetson 的数据由 @NVIDIARobotics 合作完成。 https://t.co/KMRht9Gidc

好吧，所以从这里推导出一个 *更酷* 的结果，但我不想让大家干等着，所以…… https://t.co/CY7GGJTdEz 让11格打包再次变得性感。 特色：Erdos 106 反证。 后续更多

给你！我们与 @nvidia 合作推出的首批开源权重多模态决策模型系列 我对我们 6 亿参数的全能模型着迷不已，它真正为该领域带来了处理图像、音频和文本的全新可能性。 为你的系统一应用微调这些厉害家伙吧！ 我们后训练和应用 AI 团队的杰作。 引用：今天我们发布了 Open d1：我们 d1 决策模型系列中的两个开源权重多模态模型。 > d1-3B：文本 + 视觉 > d1-omni-600M：文本 + 图像 或 文本 + 音频 > 实时决策，随时随地，从数据中心如 @nvidia DGX 到 RTX 工作站，再到边缘的 Jetson。 1/

@ctjlewis @ojoshe @kleddamag @wand_125 @guzhou0806 @ManassehA06 如约而至。我额外附上了对埃尔德什106的反证。 https://t.co/CY7GGJTdEz @ctjlewis @ojoshe @kleddamag @wand_125 @guzhou0806 @ManassehA06 等等

许多人感到不安的真相是，在任何行业中，许多最成功的人都极其聪明。我们根据最喧嚣的人来套用刻板印象，但这并不代表常态。大多数人聪明得惊人，正是因为这一点，他们才达到了如今的位置。 我在洛杉矶长大，我的一位父母是电视制作人，我的妻子是演员，许多朋友“在行业内”。我一直被这个圈子包围着，其中一些看起来最蠢的人（因为那是他们的表演风格）在私下里其实聪明得发疯，而且极具策略性。有时出于各种原因，隐藏这一面反而更有利…… 我最喜欢的轶事是，我的一个朋友（一名模特）当时正在和一位物理学博士约会，一个非常粗鲁的人随口对模特朋友说了些贬低的评论，却没意识到模特朋友自己也有数学博士学位哈哈。不过从他们的Instagram上看，你是猜不到的！ 关于引用的视频，我不认识本·阿弗莱克。我不知道他的知识深度有多深。他几乎肯定不会比那些全职专业从事这个领域工作的人更有知识，但从表面上看，他听起来像是知道远比普通人多得多，甚至可能比普通的软件工程师（在这个话题上）知道得更多。 总之，这也适用于科技行业。我经常看到这种情况。 引用：本·阿弗莱克透露他会写Python代码，懂得卷积神经网络，曾广泛使用GPU，并利用自己的名人身份获得谷歌和OpenAI视频模型的私下参观机会。 “我从小就对计算机有点兴趣。后来，当电影从胶片转向数字时，我对这方面变得更加感兴趣。多年来，视觉特效工作流程一直包括机器学习，所以我能写一些相当糟糕的Python脚本之类的东西。 “卷积神经网络是Transformer模型的前身，后者能同时进行更多计算，你会做一些像查看所谓张量这样的操作。那是视觉图像在数字中的数值翻译，比如批次编号、帧编号，以及每帧中每个像素的红、绿、蓝值。就这么简单。那个数值就叫张量。 “你会用卷积神经网络来识别揭示所谓边缘检测或特征提取的模式，也就是识别模式好到足以知道，这是窗台的位置，这样我们就能更容易地把绿幕图像抠掉并替换成其他东西。 “这对我来说很早就很熟悉了，因为在Artists Equity之前，我有一家小型视觉特效公司。我也经常使用GPU。视觉特效团队说，‘嘿，你应该看看。有两家公司：谷歌和另一家OpenAI，它们在视频领域的Transformer上做了一些非常有趣的东西。’ “我发现我其实可以直接打电话说，‘嘿，我是本·阿弗莱克。我能来看看你们在做什么吗？’有时人们会说好，让我惊讶不已。”

不，不仅仅是“还不错”。 他被评估为“新晋博士后”的水平。 就在五个月前！ https://t.co/4urJPahpjv 引用：在数学领域， 他被描述为“大约是新晋博士后的水平”。 https://t.co/oxe3QzriRm

直到最近，人工智能还只是个“略懂皮毛的博士后”……！ 它在如此短的时间内发展如此迅速，令人惊叹。 引用：我认为任何认真使用人工智能的人都已经意识到这一点，但它在理论领域的研究能力如今甚至超越了这些领域中最杰出的研究人员（而且这种情况正在迅速发生，每周都在增长）。那些未能为人类研究活动本身的重新定义做好准备的研究人员，终将被淘汰。

让智能更便宜 -> 让智能无处不在 引用：一个不生成文本的模型能与前沿大语言模型竞争吗？ 我们独立测试了 TypeSafe 的 Jev 与其他 11 个模型。在 400 个声明验证问题上，它达到了 GPT-6 Astra 97.5% 精度的匹配水平，成本仅为其约 1/500。

没错！ 引用：我们即将将所有已知的数学转化为形式化代码。https://t.co/hj64KYKyxc

完整帖子：https://t.co/Fo650TUZos

准备好迎接这种程度的怪异吧 引用：> 学习数学 > 欣赏结构与美感 > 上帝一定有好品味 > 构建人工智能以窥探上帝的心智 > 它不过是蛆虫污泥

最近到处都响起了危险信号。 这种追求极致速度的执念必须停止了。 品质才是模型的精髓。这就是为什么人们会一直选择 Qwen3.8-27B 的原因。 为了追求更高的代币/秒数而牺牲品质，最终只会导致更多需要清理的垃圾。https://t.co/Bo2iIIszcz

转帖：自1968年以来未解之谜：关于奇异小形状的一个问题 早在1968年，德国数学家海因里希·希施（Heinrich Heesch）提出了一个无人需要解答的问题。如果一个形状无法无限铺满地板，那么在环状排列中，你能用它的副本围绕它多少次，然后这些环就会卡住？ 大多数形状很快就会卡住。对于仅由正方形、六边形或三角形构成的形状，目前最好的结果是4个环。 https://t.co/sb9WmYYSXj 上当前的最佳是一个由15个六边形组成的形状。它能完成4个完整的环，并在第5个环中覆盖251个（总共254个）单元格。然后，一个机器验证的证明表明，它永远无法再进一步。 现在，数学家和研究人员正在深入探讨填补最后这些空隙需要什么条件。巴托什·纳斯克雷茨基博士（Dr. Bartosz Naskręcki），@nasqret，一直在领导这项努力，与贡献者公开合作，筛选候选形状和想法。 实现一个完整的第5环不仅仅会登顶排行榜。它将是一个全新的数学成果。 近60年过去了，人们仍在追逐它。 每一次尝试都会从头重新检查并公开发布，任何人都可以尝试。多玩家自动研究，由人类和AI代理共同瞄准同一个未解问题。