我的 X 阅读

今天我们发布了 Open d1：我们 d1 决策模型家族中的两个开放权重多模态模型。 > d1-3B：文本 + 视觉 > d1-omni-600M：文本 + 图像或文本 + 音频 > 随时随地实现实时决策，从诸如 @nvidia DGX 等数据中心到 RTX 工作站，再到边缘端的 Jetson。https://t.co/aE4rnBfIkL

Muse这么快就推出了iPad版！ 论顶尖人才在AI领域的重要性， Alex刚帮 Meta 打赢了 一场AI 翻身仗。 扎克伯格@finkd 当年花了 140 多亿美元把 28 岁的天才 @alexandr_wang 挖进 @Meta 掌舵超级智能实验室时，全网都在嘲笑这是一场疯狂溢价的豪赌。 但短短几个月过去，华尔街和整个科技圈彻底闭嘴了： https://t.co/v2YDUnTLof

多年前从数学博士辍学转行AI的感觉 引用：我们正在发布一款内部前沿模型产生的大量新数学成果。 我们一直在与高级研究所的独立数学与人工智能顾问小组进行磋商，并借鉴了他们的建议和公开推荐，来指导我们如何发布这些成果。 https://t.co/7N6TPlft1P

发罗拉与兹韦尔内茨， “阿尔巴尼亚里维埃拉” https://t.co/9RWIOKNDER

了解更多关于使命的信息——直接来自参与其中的科学家和工程师团队。https://t.co/o6Xjo1MyZZ

有些事情只能在太空环境中测试——比如硬件如何应对太阳活动、宇宙射线，或辐射引起的位翻转错误——这就是为什么我们要将首批 TPU 送入轨道。

Suncatcher 项目是我们的一项登月计划，旨在探索我们有朝一日是否可以在太空中托管机器学习基础设施 为此，我们需要知道我们的 AI 硬件是否可以在轨道上运行。我们的 TPU 能否承受太空飞行的物理压力以及辐射和热环境 https://t.co/aDz7KRDinj

萨兰达，四十圣僧寺 https://t.co/G2r7dftT5t

完整视频请观看“名利场公平游戏”YouTube频道 https://t.co/0faCBaBNzH

山姆·奥特曼（Sam Altman）表示，公众将他误判为人工智能的“反派角色”，其原因与他曾经误解马克·扎克伯格（Mark Zuckerberg）如出一辙： 当一项新技术带来飞速变革时，人们往往会将内心的恐惧投射到那个看似掌握最大权力的人身上。 承认在早期 https://t.co/cT5hBg4Efp

转帖：我们构建的每个 RL 环境都运行在 AgentEnv 上。 今天我们将其开源，以便更多人能够构建代理学习的世界。

补充马斯克在《第三排特斯拉播客》（2020年2月9日）关于推特的核心原话与背景，供大家深入了解： → 注册与退坑风波： 作为全网前 10,000 名早期内测用户注册 Twitter，因无法忍受早期用户频繁汇报星巴克咖啡等琐碎日常而主动注销； 注销后出现大量高仿账号冒名发表极端言论，在投资人好友 Bill Lee 和 Jason Calacanis 劝说下重新注册并亲自接管个人声量。 → 个人表达哲学： Some people express themselves with their hair. I express myself with Twitter. （有些人用发型来表达自我，我用推特来表达自我。） → 传播学启示： 打破传统跨国企业 CEO 依赖公关通稿与层层审批的单向灌输模式，以绝对去中心化、高频互动且充满争议的真实人格，构建起极高粘性的超级个人引力场。

马斯克在早期访谈里聊起自己怎么玩上推特的这段原声切片，真实又荒诞得让人忍不住发笑： 他说自己其实是全网前一万个注册 Twitter 的骨灰级元老， 但当年刚注册没几天他就把账号彻底注销了， 因为全网的人天天都在给他发推，详细汇报自己在星巴克点了什么口味的拿铁，他当时觉得这简直是人类历史上最愚蠢的发明。 结果账号刚一注销，立刻有人抢注了他的名字开始在全网到处发疯话， 身边的朋友看不下去了，劝他说既然别人在冒充你胡说八道，不如你自己回来发声。 马斯克想了想说：那行吧，与其让别人冒充我说蠢话，不如我亲自用自己的名字说点更疯狂的。 从那一天起，他就彻底把推特当成了自己的精神发泄口与游乐场。 他在视频里笑着说： 很多人觉得我现在在推特上很疯狂，但其实我的疯狂弧线从来就没有变陡过，因为我从第一天起就极其疯狂； 有些人靠染头发和换发型来表达自己，而我靠推特来表达自己。 这段十几年前的原声之所以特别耐人寻味，是因为它彻底刺穿了大众对商业领袖公关人设的刻板认知。 绝大多数传统大厂 CEO 把社交媒体当成必须精打细算的公关通稿发布栏， 每一条推文都要经过法务、公关、高管团队层层开会审核， 发出来的全都是没有半点温度、字斟句酌的官方废话。 但马斯克从第一天起，就把这种虚伪的公关面具撕得粉碎。 他不请公关团队代笔，自己半夜趴在工位上发表情包、跟网友对线、公布火箭发射进展、甚至直接挑衅行业对手； 这种把真实的疯狂、幽默与偏执毫不掩饰地摊在阳光下的姿态， 反而让他在全球聚集起了任何传统广告预算都买不来的亿万级超级拥趸，最终顺理成章地以四百多亿美元把整个推特直接买成了自己的私人广场。 我一直认为最高段位的个人 IP 从来不是演出来的完美圣人， 而是敢于在全世界面前毫无保留地暴露自己最真实的锋芒与棱角。 我在社交媒体上输出内容时，一开始的习惯是字斟句酌维护完美的专业形象，逐渐更喜欢毫无包袱地展现真实的观点与情绪，比如我觉得牛逼的震撼的就会喊一声卧槽 https://t.co/nvic6NtxKe

我们让它成为可能，只需 3GB VRAM 即可在本地训练您自己的决策模型！ 我们通过使用 Clef 头进行微调，将 Qwen、Gemma、Llama 全部转换为决策模型，将准确率从 30% 提升至高达 78%。 您可以通过 Unsloth Desktop 亲自试用！ 引用：您现在可以在本地像 Jev 一样训练自己的决策模型！ 我们在 3 个决策基准测试中，将 Qwen3.5 0.8B 的综合准确率从 20.7% 提高到 74.3% - 只需 4GB VRAM。 使用我们的开源 Unsloth 仓库，将任何 LLM（如 Qwen3.8、Gemma 4）转化为决策模型。 我们使用 Unsloth 和 LoRA（r=64）进行 Clef 头的微调，训练一个 epoch，将下游准确率从 30–37% 提高到 78%。 GitHub: https://t.co/2kXqhhvLsb 指南和笔记本：

转帖：您现在可以在本地像 Jev 一样训练自己的决策模型！ 我们在 3 个决策基准测试中，将 Qwen3.5 0.8B 的综合准确率从 20.7% 提高到 74.3% - 只需 4GB VRAM。 使用我们的开源 Unsloth 仓库，将任何 LLM（如 Qwen3.8、Gemma 4）转化为决策模型。 我们使用 Unsloth 和 LoRA（r=64）进行 Clef 头的微调，训练一个 epoch，将下游准确率从 30–37% 提高到 78%。 GitHub: https://t.co/2kXqhhvLsb 指南和笔记本：