我的 X 阅读

对目前的结果感到惊讶

还没忘记 @Kardashev_AI，目前每天全力投入 14 小时在 @extropic 的一些重大里程碑上，然后才能真正建立研究机构

看起来他们已经黔驴技穷了。我怀疑周日会有一次储备重置。 引用：第6天/重置

周末是用来举铁、观看战斗机，以及晚上进行疯狂研究狂欢的

解决之道始终在于资本主义 我们需要培养更多人的企业家思维，未来必将一片光明 引自：后劳动经济学简述。https://t.co/utm0Mx2RsE

AI 无法发生智能爆炸，因为地球上当前的计算资源极其有限 引用：人工智能并不会导致后稀缺经济学，它只是改变了稀缺性的所在。

另外，存在极度先进潜在对手的事实，将是全力推行 e/acc、不受任何限制的充分理由。

老实说，如果管理员有什么东西的话，他们应该加速披露的过程，因为展示先进文明仍然有生物实体在掌权，这对许多人来说将是 ASI 对齐可能性的一个白药丸。

在我看来，投票决定政策的权利应该在通过基础经济学考试之后才能获得 我们需要摆脱局部最优解，即大规模情感操纵，以制造对那些利用许多人经济无知的破坏性政策的共识 引用：我们真的必须开始把社会主义者当作经济上的“扁平地球论者”来对待。他们运作的复杂程度完全一样，无法理解用证据可以证明的基本概念等等。我不明白为什么他们还能参与成人讨论（NASA里没人认为太空是假的）。

Next Token 上周的观察，再次领先国内其他媒体 关于“一切都会被开源”和“游戏破解”这事，我们在前几天的播客里就非常详细地讨论过，今天突然就火了。 业内的人还是可以多看看我们聊的这些东西。 总结一下我们在播客里面的观点。 https://t.co/WxBbJKUOWD 引用：Next Token 第 5 期更新了！如果你不太清楚国庆节期间发生了什么，刚好可以来补补课。 我们继续聊了聊关于 personal agent 的话题： • 为什么 Dots 这么难用 • 为什么国内 personal agent 可能不成立 也详细聊了聊关于 AI 复刻任何软件可能会带来什么影响，最后还探讨了一些小硬件带来的机会。 第 4 期在小宇宙获得了 1 万播放，我们才做了 5 期就到了 5,000 订阅，进展相当快！

顺手把官方文档里最关键的 3 个机制细节整理在这，方便随手改脚本： 1. 默认挂载的隐蔽风险： 平常在本地终端运行，遇到未受信任的仓库工具会停下来等你按确认；但在 CI 或脚本的无界面模式下，系统为了保证流程不中断会直接跳过交互，默认把仓库根目录的 hooks 和 MCP 连同上下文一起执行，非常容易被恶意 PR 投毒。 2. 纯净模式的核心效果： 加上 --bare 之后，会强行跳过 hooks、MCP、甚至默认的项目文档自动加载。所有需要喂给模型的规则和文件，必须通过显式参数传入，把输入完全锁死在可控范围内。 3. 认证方式切换： 这个模式默认隔离了本地的浏览器授权状态，CI 环境变量里必须显式导出 ANTHROPIC_API_KEY。 官方无界面运行指南：https://t.co/fTiipEf808 大家在流水线里跑 AI 自动修代码或者跑测试，平时最怕它在后台胡乱改文件，还是担心环境变量被偷偷扫走？我先说，在没有确认框的环境里放开执行权限，我睡觉都得悬着一颗心。

把 Claude Code 放进自动化脚本或者 CI 流水线里的朋友，赶紧去查一眼你们的启动参数。 如果不加那个最不起眼的 bare 参数，直接敲一句无界面执行，系统在后台不仅会自动吃掉你的配置，还会悄无声息地加载仓库里的 hooks、MCP 扩展和项目， https://t.co/pxJQmIeIGx

转帖：https://t.co/Or2xH7MK98

专业用户，你们更愿意拥有

转帖：一个更强大的机器人并不总是需要一个更强大的基础模型。 有时，它只需要一种更好的行动方式。 SenseNova 团队的最新研究提供了一个有趣的例子，展示了代理系统设计如何提升具身 AI 性能。 在 GPT-6 Astra 的模型权重不变的情况下，SenseNova-RoboRSI 报告了 RoboDojo 的平均分数为 56.83，与已发布的基线 28.97 相比，同时任务成功率为 50.83%。 它还在 LIBERO-PRO（94.50%）和 RoboCasa（64.60）上报告了强劲的结果。 SenseNova-RoboRSI 探索的一种策略是多点末端执行器（EEF）预测。与其一次预测和执行一个目标，它在单一步骤中生成动作目标的短序列，从而有助于改善运动连续性，同时减少重复的模型调用。 结合规划和反馈子代理，主代理可以分解任务、执行动作、监控进度，并根据反馈调整后续动作。 更重要的是，SenseNova-RoboRSI 将这些策略带入一个递归自我改进（RSI）循环中，其中执行结果有助于指导对未来代理框架配置的改进。 改进框架可能变得与改进模型本身一样重要。