跳到正文

@berryxia

@berryxia · X · 历史来源 · 当前未持续收录

当前显示全部 AI 相关新闻
切换来源
全部X新闻X:Kim1092 条X:Rohan Paul1088 条X:阿易 AI Notes788 条X:阿里云 / Alibaba Cloud411 条X:Testing Catalog323 条X:Elvis Saravia306 条X:OpenRouter287 条X:Elon Musk281 条X:cb_doge269 条X:Artificial Analysis257 条X:Ethan Mollick234 条X:PixVerse230 条X:Replit213 条X:OpenAI Developers198 条X:SemiAnalysis180 条X:ZHO171 条X:Alexandr Wang(Scale AI 创始人/Meta 首席 AI 官)167 条X:swyx161 条X:小北157 条X:Gemini156 条X:MiniMax154 条X:OpenAI119 条X:Tibo117 条X:Dex Horthy(HumanLayer)111 条X:Google AI for Developers103 条X:X.PIN100 条X:蚂蚁百灵97 条X:Epoch AI91 条X:Thomas Wolf(Hugging Face 联创/CSO)91 条X:Luma AI88 条X:Claude Devs84 条X:Emad Mostaque83 条X:AI Safety Memes82 条X:Runway81 条X:Aravind Srinivas(Perplexity CEO)79 条X:面壁智能 OpenBMB77 条X:Jason Liu77 条X:Sam Altman76 条X:马东锡 NLP75 条X:fofr70 条X:Frank Wang 玉伯70 条X:洪明68 条X:Gabriel68 条X:阑夕58 条X:Eric Zakariasson58 条X:Francois Chollet58 条X:Perplexity58 条X:opencode57 条X:Greg Brockman56 条X:Tencent WorkBuddy55 条X:Yuchen Jin55 条X:Microsoft Research54 条X:赵纯想52 条X:Nathan Lambert52 条X:腾讯混元50 条X:Cohere50 条X:Suno49 条X:Claude45 条X:Anthropic44 条X:Peter Steinberger43 条X:Clément Delangue(Hugging Face CEO)42 条X:Krea AI41 条X:OpenClaw41 条X:通义千问 / Qwen38 条X:Charlie Holtz38 条X:Google AI37 条X:Google DeepMind37 条X:Thariq34 条X:Peter McCrory(Anthropic 首席经济学家)31 条X:AK30 条X:百度 Baidu28 条X:AI at Meta28 条X:Boris Cherny28 条X:Deedy Das27 条X:可灵 Kling AI26 条X:Aidan Gomez(Cohere CEO)26 条X:Viggle AI26 条X:Mustafa Suleyman(Microsoft AI CEO)25 条X:Logan Kilpatrick23 条X:karminski22 条X:Josh Woodward21 条X:Noam Brown20 条X:李继刚18 条X:Andrew Milich18 条X:Odyssey18 条X:硅基流动 SiliconFlow17 条X:SpaceXAI17 条X:Tianyi Cui17 条X:DeepSeek16 条X:Sundar Pichai14 条X:华为云13 条X:智谱 Z.ai12 条X:Mark Zuckerberg12 条X:Demis Hassabis11 条X:唐杰10 条X:Ammaar Reshi10 条X:Andrew Ng(DeepLearning.AI 创始人)10 条X:Eric Mitchell10 条X:Karina Nguyen10 条X:Lee Robinson10 条X:Mistral AI10 条X:Noah Zweben10 条X:Fei-Fei Li9 条X:Jensen Huang9 条X:Kimi.ai9 条X:Barret 李靖8 条X:Jeff Dean8 条X:Michael Truell7 条X:張小珺 Xiaojùn6 条@berryxia · 历史来源430 条@vista8 · 历史来源262 条@op7418 · 历史来源231 条@sensetime_ai · 历史来源34 条@google · 历史来源30 条@getsuperintel · 历史来源9 条@latentspacepod · 历史来源9 条@android · 历史来源8 条@dreamlabla · 历史来源8 条@mannybernabe · 历史来源8 条@karpathy · 历史来源7 条@alexatallah · 历史来源6 条@ryanleeminimax · 历史来源5 条@theo · 历史来源5 条PixVerse (@PixVerse) · 历史来源5 条@aidotengineer · 历史来源4 条@dkundel · 历史来源4 条@reach_vb · 历史来源4 条@dotey · 历史来源3 条@eliebakouch · 历史来源3 条@googlechrome · 历史来源3 条@kilocode · 历史来源3 条@maxforai · 历史来源3 条@newsfromgoogle · 历史来源3 条@richardssutton · 历史来源3 条@skylermiao7 · 历史来源3 条@victorsuortiz · 历史来源3 条@ajambrosino · 历史来源2 条@akashi203 · 历史来源2 条@anatolikopadze · 历史来源2 条@andrewcurran_ · 历史来源2 条@antirez · 历史来源2 条@barrnanas · 历史来源2 条@coreyching · 历史来源2 条@deanwball · 历史来源2 条@designarena · 历史来源2 条@fal · 历史来源2 条@fellmentke · 历史来源2 条@gergelyorosz · 历史来源2 条@gmi_cloud · 历史来源2 条@gravicle · 历史来源2 条@hxiao · 历史来源2 条@jackminong · 历史来源2 条@lennysan · 历史来源2 条@mada299 · 历史来源2 条@microsoft · 历史来源2 条@mikastars39 · 历史来源2 条@mitchellh · 历史来源2 条@nabeelqu · 历史来源2 条@rudrank · 历史来源2 条@sebastienbubeck · 历史来源2 条@zan2434 · 历史来源2 条@___harald___ · 历史来源1 条@_boraturan · 历史来源1 条@0xjaniak · 历史来源1 条@0xkato · 历史来源1 条@47fucb4r8c69323 · 历史来源1 条@559hkdt · 历史来源1 条@aaliya_va · 历史来源1 条@abhikatte42 · 历史来源1 条@abhishekpatiil · 历史来源1 条@aboutberlin · 历史来源1 条@addyosmani · 历史来源1 条@agi2asi · 历史来源1 条@aiaicreate · 历史来源1 条@aimlapi · 历史来源1 条@aisaonehq · 历史来源1 条@aisystemprompt · 历史来源1 条@alemtuzlak · 历史来源1 条@alexxubyte · 历史来源1 条@alupsasca · 历史来源1 条@amasad · 历史来源1 条@ampcode · 历史来源1 条@anas_build_ · 历史来源1 条@aniketmaurya · 历史来源1 条@anitakirkovska · 历史来源1 条@anneliesgamble · 历史来源1 条@antigravity · 历史来源1 条@arafatkatze · 历史来源1 条@arena · 历史来源1 条@argofowl · 历史来源1 条@arthurmensch · 历史来源1 条@ashiknewazaj · 历史来源1 条@atabarrok · 历史来源1 条@atomic_chat_hq · 历史来源1 条@awe_automation · 历史来源1 条@awesomekling · 历史来源1 条@awscloud · 历史来源1 条@ayushagarwal · 历史来源1 条@baaadas · 历史来源1 条@bai_agi · 历史来源1 条@bbuddha_xyz · 历史来源1 条@bclavie · 历史来源1 条@beccalytics · 历史来源1 条@benfleming__ · 历史来源1 条@benhylak · 历史来源1 条@benjamineyliu · 历史来源1 条@bfl_ml · 历史来源1 条@bleysg · 历史来源1 条@bolna_dev · 历史来源1 条@bosmeny · 历史来源1 条@boxmining · 历史来源1 条@bozhou_ai · 历史来源1 条@brexhq · 历史来源1 条@brian_armstrong · 历史来源1 条@brianchew · 历史来源1 条@bridgemindai · 历史来源1 条@budgetpixel · 历史来源1 条@cahidarda · 历史来源1 条@calmpromptshq · 历史来源1 条@ce_zhang · 历史来源1 条@cedric_chee · 历史来源1 条@chaitralikakde · 历史来源1 条@chatgpt · 历史来源1 条@chatgptapp · 历史来源1 条@christinetyip · 历史来源1 条@christofsalis · 历史来源1 条@clark__labs · 历史来源1 条@cloudflaredev · 历史来源1 条@cnorth_13 · 历史来源1 条@cnzoecomeback · 历史来源1 条@cocohearts · 历史来源1 条@code_star · 历史来源1 条@codebyaurelia · 历史来源1 条@cognition · 历史来源1 条@commandcodeai · 历史来源1 条@consensusnlp · 历史来源1 条@contralabs_ai · 历史来源1 条@cozyblaze265065 · 历史来源1 条@crimedecoder · 历史来源1 条@crtr0 · 历史来源1 条@damnventures · 历史来源1 条@daniellockyer · 历史来源1 条@darioamodei · 历史来源1 条@davidmaliglowka · 历史来源1 条@davidondrej1 · 历史来源1 条@dbirker78883 · 历史来源1 条@deryatr_ · 历史来源1 条@devfun · 历史来源1 条@diegocabezas01 · 历史来源1 条@digitalocean · 历史来源1 条@dimillian · 历史来源1 条@dimitrispapail · 历史来源1 条@discussingfilm · 历史来源1 条@dkthomp · 历史来源1 条@dmitryrybin1 · 历史来源1 条@dmsobol · 历史来源1 条@douglasyaody · 历史来源1 条@duckduckgo · 历史来源1 条@easyrouterio · 历史来源1 条@edgardobriban · 历史来源1 条@eisokant · 历史来源1 条@elliotarledge · 历史来源1 条@encrypted · 历史来源1 条@endpointarena · 历史来源1 条@envato · 历史来源1 条@escanorreloaded · 历史来源1 条@esrtweet · 历史来源1 条@ethanhe_42 · 历史来源1 条@eu_commission · 历史来源1 条@fba · 历史来源1 条@fdavidsont · 历史来源1 条@figmaweave · 历史来源1 条@finn_meeks · 历史来源1 条@first_tree_ai · 历史来源1 条@flavioad · 历史来源1 条@flowith · 历史来源1 条@fminzhou · 历史来源1 条@freddie_spirit · 历史来源1 条@frydwia · 历史来源1 条@futurestacked · 历史来源1 条@garrettlord · 历史来源1 条@garrytan · 历史来源1 条@gavinsbaker · 历史来源1 条@GayaniFigma · 历史来源1 条@genspark_ai · 历史来源1 条@gitlawb · 历史来源1 条@gneubig · 历史来源1 条@gokulr · 历史来源1 条@goodfireai · 历史来源1 条@goodnesmbakara · 历史来源1 条@googleaistudio · 历史来源1 条@gordic_aleksa · 历史来源1 条@gro_tsen · 历史来源1 条@hangsiin · 历史来源1 条@happycapyai · 历史来源1 条@haydenbleasel · 历史来源1 条@helloiamleonie · 历史来源1 条@hey_asiif · 历史来源1 条@hilbertspaess · 历史来源1 条@howtoprompt__ · 历史来源1 条@hq4ai · 历史来源1 条@hypersoren · 历史来源1 条@ianbremmer · 历史来源1 条@id_aa_carmack · 历史来源1 条@interaction · 历史来源1 条@intology · 历史来源1 条@iron_redux · 历史来源1 条@ithilgore · 历史来源1 条@itsreallyvivek · 历史来源1 条@jamesjyu · 历史来源1 条@jameszmsun · 历史来源1 条@jason_young1231 · 历史来源1 条@jawad_rahman_ · 历史来源1 条@jaydendavisnc · 历史来源1 条@jeffbarg · 历史来源1 条@jenzhuscott · 历史来源1 条@jiayuan_jy · 历史来源1 条@jilles · 历史来源1 条@jimcramer · 历史来源1 条@jimsyoung_ · 历史来源1 条@jinjingliang · 历史来源1 条@jjacky · 历史来源1 条@jjackyliang · 历史来源1 条@joefioti · 历史来源1 条@joi___ai · 历史来源1 条@joinhandshake · 历史来源1 条@joinpursuit · 历史来源1 条@joulee · 历史来源1 条@jsconfasia · 历史来源1 条@jsrailton · 历史来源1 条@juminoz · 历史来源1 条@kaizero_ainta · 历史来源1 条@karanganesan · 历史来源1 条@kdaigle · 历史来源1 条@kentherogers · 历史来源1 条@kevinsays · 历史来源1 条@khudonogov · 历史来源1 条@koraykv · 历史来源1 条@kotekjedi_ml · 历史来源1 条@kuberwastaken · 历史来源1 条@kurz_gesagt · 历史来源1 条@kwindla · 历史来源1 条@lafalcemateo · 历史来源1 条@lakshyaaagrawal · 历史来源1 条@larrylv · 历史来源1 条@layoffai · 历史来源1 条@levinstanley · 历史来源1 条@lifeofjer · 历史来源1 条@livekit · 历史来源1 条@lostinlatencyx · 历史来源1 条@lotte_verheyden · 历史来源1 条@lqiao · 历史来源1 条@luciushq · 历史来源1 条@luckeyfaraday · 历史来源1 条@lukaspet · 历史来源1 条@madhavsinghal_ · 历史来源1 条@manassharmahere · 历史来源1 条@markiewagner · 历史来源1 条@marksaroufim · 历史来源1 条@marsxiang_ · 历史来源1 条@maseehg_ · 历史来源1 条@mattshumer_ · 历史来源1 条@mem0ai · 历史来源1 条@mengto · 历史来源1 条@merettm · 历史来源1 条@micahcarroll · 历史来源1 条@michael_chomsky · 历史来源1 条@michaelarnaldi · 历史来源1 条@microsoftai · 历史来源1 条@mike_acton · 历史来源1 条@mikeyyyzhao · 历史来源1 条@minchoi · 历史来源1 条@minimaxagent · 历史来源1 条@minu_who · 历史来源1 条@mkbhd · 历史来源1 条@modal · 历史来源1 条@moritzthuening · 历史来源1 条@moxie · 历史来源1 条@mstockton · 历史来源1 条@mtslive · 历史来源1 条@multimodalart · 历史来源1 条@neelnanda5 · 历史来源1 条@neilrahilly · 历史来源1 条@nickbaumann_ · 历史来源1 条@nirantk · 历史来源1 条@noemititarenco · 历史来源1 条@notjazii · 历史来源1 条@nousresearch · 历史来源1 条@oblomovius · 历史来源1 条@ollama · 历史来源1 条@onlyterp · 历史来源1 条@onlyzhynx · 历史来源1 条@organicgpt · 历史来源1 条@orgrem · 历史来源1 条@p0 · 历史来源1 条@palantirtech · 历史来源1 条@palmerluckey · 历史来源1 条@pandatalk8 · 历史来源1 条@parishilton · 历史来源1 条@patrickcarlyle · 历史来源1 条@patricktoulme · 历史来源1 条@paulg · 历史来源1 条@paulsolt · 历史来源1 条@pbdtokenrouter · 历史来源1 条@pererabinoy · 历史来源1 条@philhchen · 历史来源1 条@pirroh · 历史来源1 条@pjaccetturo · 历史来源1 条@postlive · 历史来源1 条@pranaveight · 历史来源1 条@prathamdby · 历史来源1 条@prince_canuma · 历史来源1 条@pumpkherm · 历史来源1 条@pvncher · 历史来源1 条@qiaoqiao2001 · 历史来源1 条@rajveerbach · 历史来源1 条@randyhaddad6 · 历史来源1 条@rauchg · 历史来源1 条@raveeshbhalla · 历史来源1 条@rayanpal_ · 历史来源1 条@rayfernando1337 · 历史来源1 条@redpoint · 历史来源1 条@ric_rtp · 历史来源1 条@richardsocher · 历史来源1 条@rileybrown · 历史来源1 条@robertvaradan · 历史来源1 条@ronshepherd · 历史来源1 条@rosmine · 历史来源1 条@rthiago · 历史来源1 条@ruben_kostard · 历史来源1 条@runware · 历史来源1 条@rvivek · 历史来源1 条@ryanjunejo · 历史来源1 条@safaricheung · 历史来源1 条@samuelstroschei · 历史来源1 条@sanmking · 历史来源1 条@saranormous · 历史来源1 条@savinovnikolay · 历史来源1 条@scale_ai · 历史来源1 条@scaling01 · 历史来源1 条@sdaily_ai · 历史来源1 条@secscottbessent · 历史来源1 条@seltaa_ · 历史来源1 条@sergiopaniego · 历史来源1 条@servasyy_ai · 历史来源1 条@sethltx · 历史来源1 条@shashankgoyal95 · 历史来源1 条@sherryyanjiang · 历史来源1 条@sherylhsu02 · 历史来源1 条@shl · 历史来源1 条@sighjith · 历史来源1 条@simistern · 历史来源1 条@southpkcommons · 历史来源1 条@sriramkri · 历史来源1 条@sshoaibali · 历史来源1 条@stalkermustang · 历史来源1 条@status_effects · 历史来源1 条@stevencheng · 历史来源1 条@stockanalystpro · 历史来源1 条@suekhim · 历史来源1 条@sultanalfardan · 历史来源1 条@suraj_sharma14 · 历史来源1 条@swisscheese4299 · 历史来源1 条@swmansion · 历史来源1 条@systematicls · 历史来源1 条@teksedge · 历史来源1 条@tftc21 · 历史来源1 条@theahmadosman · 历史来源1 条@themidasproj · 历史来源1 条@theonejvo · 历史来源1 条@therealadamg · 历史来源1 条@timsoulo · 历史来源1 条@tmuxvim · 历史来源1 条@tobi · 历史来源1 条@togethercompute · 历史来源1 条@trackernetwork · 历史来源1 条@trustkerneltech · 历史来源1 条@ttunguz · 历史来源1 条@tuhinchakr · 历史来源1 条@twistartups · 历史来源1 条@ubermenscchh · 历史来源1 条@udayan_w · 历史来源1 条@usefastlane · 历史来源1 条@uzyn · 历史来源1 条@valeriocapraro · 历史来源1 条@vasuman · 历史来源1 条@vdbergrianne · 历史来源1 条@vibeguessing · 历史来源1 条@victoriakimse · 历史来源1 条@victoriawu77 · 历史来源1 条@victortaelin · 历史来源1 条@vikaskansalhq · 历史来源1 条@volchika · 历史来源1 条@walden_yan · 历史来源1 条@warpdotdev · 历史来源1 条@waynesutton · 历史来源1 条@wesroth · 历史来源1 条@whosamberella · 历史来源1 条@xdinodeer · 历史来源1 条@xicilion · 历史来源1 条@xucian_ · 历史来源1 条@yacinemtb · 历史来源1 条@yaojingang · 历史来源1 条@yoheinakajima · 历史来源1 条@yongquanyq · 历史来源1 条@youtubejocoding · 历史来源1 条@yusufg · 历史来源1 条@zachbussey · 历史来源1 条@zeddotdev · 历史来源1 条@zeroxkyle · 历史来源1 条@zhenthebuilder · 历史来源1 条@zicohacks · 历史来源1 条@zixuanli_ · 历史来源1 条@zymazza · 历史来源1 条
430 条AI 相关新闻 · 最新在前
6月11日周四
  1. @berryxia54

    苹果新 Siri 发布后仍以等候名单逐步推送,有 Mac 用户发现系统 GenerativeModels.plist 里藏着 EnhancedSiriWaitlist 开关,关掉 SIP、挂载系统卷、改键值并重启即可提前启用。作者称这并非黑科技,只是改 plist 文件,社区已有人整理出详细步骤,绕过了官方的等候名单闸门。作者由此感叹苹果一贯的封闭推送节奏被用户抢先一步。

    引用ldt (@madeby_ldt)@madeby_ldt

    How to bypass the new Siri waitlist (Mac only): 🧵 #WWDC26

  2. @berryxia32

    River AI 宣布要构建完全属于用户的个人 AI 栈,让 AI 只为自己服务、按自己的价值观运行并在自己控制下进化。其目标是把 AI 从大公司掌控的"租用工具"变为个人智能伙伴,目前正招募顶尖研究员和工程师推进落地。

    引用River AI (@river_ai_inc)@river_ai_inc

    We are incredibly excited to announce River AI. Our mission is to create personal AI that is owned and shaped by you. Today’s best AIs are controlled by a few large corporations. We are building the alternative: a new, personal stack for AI that works entirely for you, shares your values, and operates on your terms. Video

  3. @berryxia57

    Grok 上线记忆功能,可记住此前对话中的有用细节,用于后续对话的个性化上下文。用户能在设置中开启记忆,并随时查看、编辑或删除已保存的内容。开启路径为打开 Grok 后进入设置按钮,选择记忆并开启开关。

    引用X Freeze (@XFreeze)@XFreeze

    Grok now lets you view and manage your Memory This is a powerful feature Grok can remember useful details from your previous conversations to provide better context and more personalized assistance over time And the best part: • View what Grok remembers • Edit memories anytime • Remove memories you don’t want stored • Improve context for future conversations The result is a much more personalized AI experience that gets better the more you use it Instead of starting from scratch every conversation, Grok can build a deeper understanding of your goals, interests, projects, and preferences and help you better

  4. @berryxia61

    小米 MiMo-Code 终端原生 AI 编码助手已开源,作者称现阶段限时免费,并给出 mimo.xiaomi.com/zh/mimocode 入口。引用内容提到它 fork 自 OpenCode,带跨会话 SQLite 持久记忆、build/plan/compose 三类子代理、自动 checkpoint 与智能上下文预算,采用 MIT 协议。

    引用Berryxia.AI (@berryxia)@berryxia

    最近把小米的MiMo 2.5 的模型接到Bloome 中当Agent 来使用! 发现把技能配置好,自主执行任务也是不错的!关键是真的便宜啊! 这不又来整活儿了? 他们把MiMo-Code直接开源,这终端原生AI coding助手带跨会话永久记忆和自主子代理,一上线就把“每次重启项目AI都失忆”的老毛病彻底治好了。 它fork了OpenCode,多了SQLite持久记忆、build/plan/compose三类子代理、自动checkpoint、智能上下文预算,还有/dream自我提炼知识、/distill打包技能的进化机制。 扔进去一个长期项目,它下次打开直接接上上次的进度,Git操作、调试、TDD、代码审查全自动,语音输入还能直接说需求,零配置支持任何OpenAI兼容模型。 以前大家以为coding agent的瓶颈是模型大小或者云端算力,结果MiMo-Code用最朴实的终端+记忆+自治,直接告诉你真正拉开差距的,是让AI像老搭档一样“记得住、自己长”。 一键curl安装,MIT协议,谁都能本地玩、随便改,这波一出,开发者终于能把AI coding从“临时工具”变成“长期伙伴”了。 今天测试看看写点小程序,看看究竟怎么回事?

  5. @berryxia29

    卧槽! Agent 互相学习新思路 ,之前我在bloome 就是让把他的技能直接告诉他。 看他直接去它的脑子可能更快? 黄总的这个我让升级学习下吧~ 😂

    引用huangserva (@servasyy_ai)@servasyy_ai

    如何让多个 Agent 之间真正互相学习、互相帮助? 现在很多 Agent 都开始有自己的记忆,但问题是: 这些记忆彼此不连通。 Codex 记住的坑,Claude 不知道;Hermes 总结的方法,OpenClaw 也用不上。 最后每个 Agent 都像一个很努力但失忆的同事,重复问、重复试、重复踩坑。 我想要的不是把所有聊天记录都塞进一个大仓库,而是建立一层更克制的“共享记忆”: 只记录 Agent 之间最需要互相知道的信息,比如关键结论、踩过的问题、验证过的方法、环境配置、失败教训、用户偏好等。 这样一来,一台 Mac 上跑通的流程,另一台 Mac 可以直接继承; 一个 Agent 总结出的经验,另一个 Agent 可以继续使用。 记忆不再被锁在某个客户端里,而是变成整个 Agent 工作流的公共上下文。 新出来的MemOS CLI 对我来说,刚好提供了这个共享记忆层的入口。 当然,我需要改造它,因为它默认也是将所有信息都记录起来,我改造成:重要信息才记录,解决不了问题的时候才主动搜索! 这样就让 Agent 不只是各自变聪明,而是开始像一个团队一样积累经验、传递经验、减少重复试错。 具体看视频,地址在评论区👇 Video

  6. @berryxia62

    mlx-vlm v0.6.3 上线,当天即支持 Google DeepMind 的 DiffusionGemma 与 Cohere North Mini Code 1.0 在 Mac 本地 MLX 运行。DiffusionGemma 采用新架构,以 256 token 整块并行生成,配合双向注意力与迭代自纠错,26B MoE 仅激活 3.8B,量化后 18GB 可跑;North Mini Code 为 30B MoE、3B active,BF16 下约 66 tok/s。用户可通过 uv pip install -U mlx-vlm 安装,并以 uv run mlx_vlm.server --model MODEL-REPO 启动服务体验。

    引用Prince Canuma (@Prince_Canuma)@Prince_Canuma

    mlx-vlm v0.6.3 is here 🚀 Day-0 support for TWO new models from our partners we work closely with: 🔥 @GoogleDeepMind DiffusionGemma — a genuinely new architecture. Instead of token-by-token, it generates 256-token blocks in parallel with bi-directional attention and iteratively self-corrects the whole block, image-generator style. 26B MoE, only 3.8B active, fits in 18GB quantized. Day-0 MLX support via our Google DeepMind partnership, with long-context prefill tuned and ready. 🔥 @cohere's North Mini Code 1.0 — a 30B MoE with just 3B active, running ~66 tok/s in BF16 before any compression. Day-0 on MLX thanks to our close collaboration with the Cohere team. Get started today — install from source: > uv pip install -U mlx-vlm Then serve the model and point your favorite agent at it (pi, opencode, hermes, etc.): uv run mlx_vlm.server --model MODEL-REPO Model collection 👇🏽

  7. @berryxia60

    小米开源 MiMo-Code,一个终端原生 AI 编码助手,带跨会话永久记忆和自主子代理。它 fork 自 OpenCode,新增 SQLite 持久记忆、build/plan/compose 三类子代理、自动 checkpoint 与智能上下文预算,还有 /dream 自我提炼知识和 /distill 打包技能的机制。

    引用Fuli Luo (@_LuoFuli)@_LuoFuli

    A strong model evolution needs a solid harness system, and vice versa. 14 days, 5 people, one vibe-coding journey — and MiMo Code was born. It's open source: github.com/XiaomiMiMo/MiMo-C…

  8. @berryxia66

    Google 发布实验性开源模型 DiffusionGemma,采用 diffusion 同时起草并精炼整块文本,而非逐词预测,宣称文本生成速度最高提升 4 倍。该模型以 Apache 2.0 许可开源,权重已在 Hugging Face 放出。转发者称其可在 18GB 消费级显卡上运行,速度达 1000+ token/s。

    引用Google (@Google)@Google

    Meet DiffusionGemma ⚡ Our latest experimental open model (Apache 2.0) that generates text up to 4x faster. Instead of predicting and typing just one word at a time like most language models, it drafts and refines entire blocks of text simultaneously. Here’s how it works 🧵 ↓

    推荐理由:Google 开源实验性文本生成模型,采用并行 diffusion 思路,读者可了解其与主流自回归生成在路线上的差异。

6月10日周三
  1. @berryxia39

    所以说这模型怪癖太多~

    引用Orange AI (@oran_ge)@oran_ge

    Claude Fable 5 的三个很奇葩的地方 1. 虽然目前在 Token Plan 里,但在6月22日之后,Token Plan 就不能用 Fable 了,只能通过 API 调用 2. Fable 的安全护栏有点离谱,任何生物学的基础知识都无法询问,比如「线粒体是什么」这种初中生物的问题,想研究生物医药?只能申请 Mythos 3. Fable 禁止被用来做模型相关的研发,官方的理由是模型已经能够加速自身发展,所以竞争对手用 Fable 改进自家模型违反了服务条款。WTF? 这两天美国那边还在吹 Loop,自己打通了 Loop,然后不让其他家进入 Loop,这不是很闭环呐... 国产开源模型多加油,拯救世界靠你们了。

  2. @berryxia67

    Google 将 Gemini 3.5 Live Translate 推向公开预览,通过 Gemini API 提供低延迟语音到语音翻译,覆盖 70 多种语言和 2000 种语言对。作者指出它把小众语言对也纳入覆盖,可用于实时对话、客服、直播和跨国会议等场景,并提到目前尚不清楚它与阿里部分小语种模型的对比效果。

    引用Google for Developers (@googledevs)@googledevs

    Gemini 3.5 Live Translate is now in Public Preview via the Gemini API, delivering low-latency speech-to-speech translation across 70+ languages and 2,000 language pairs! 🌍 Challenge time: What is the most niche, unique, or complex language pair your application needs to translate? Tell us in the comments, and we’ll let you know if the model supports it! Full blog link: goo.gle/3QzaHwN Video

    推荐理由:Google 将 Gemini 3.5 实时语音翻译推向公开预览,可了解其对小众语言对的覆盖范围与 API 接入方式。

  3. @berryxia67

    Google 开发者账号宣布,Gemini 模型现已通过 Apple 的 Foundation Models 框架和 Xcode 中的原生支持,向数百万 Apple 开发者开放。

    引用Google for Developers (@googledevs)@googledevs

    Gemini models are now accessible to millions of Apple developers through Apple’s Foundation Models framework and natively within Xcode. You can now easily swap between local and cloud inference using a shared API surface to build next-generation agentic app experiences, increase development velocity, and offload heavy workloads to the cloud. Additionally, you can use agentic coding assistance from Gemini in Xcode to accelerate multi-step development tasks. Check out the full announcement to get started: goo.gle/3Q1YDnD Video

    推荐理由:该消息交代了 Gemini 接入 Xcode 与 Foundation Models 框架的具体入口,便于判断 Apple 开发者的模型选择格局。

  4. @berryxia57

    Cohere 以 Apache 2.0 许可开源 North Mini Code,这是一款总参数 30B、激活参数 3B 的 MoE 小模型,主打 agentic coding。

    引用Cohere (@cohere)@cohere

    Small: 30 billion parameters, 3B active. Efficient: Benchmarks to 33.4 on the Artificial Analysis Coding Index, competitive among similar sized models. Open Source: Apache 2.0 license so developers can experiment, test, and build their way. Learn more: cohere.com/blog/north-mini-c‌

  5. @berryxia69

    Anthropic 发布 Claude Fable 5,这是一款 Mythos 级模型,已被做成安全版本面向通用场景开放,能力超过其此前任何公开模型。基准评测近乎全线 SOTA,在软件工程、知识工作、科研和视觉等硬任务上领先,长任务越复杂领先越多。

    引用Claude (@claudeai)@claudeai

    Introducing Claude Fable 5: a Mythos-class model that we’ve made safe for general use. Its capabilities exceed those of any model we’ve ever made generally available. Video

    推荐理由:原文列出该模型基准几乎全线 SOTA,并说明敏感领域会自动回退到 Opus 4.8 的机制。

6月9日周二
  1. @berryxia38

    五位博主公开了从100粉丝增长到11万粉丝的干货内容,并直接分享了各自的PPT。具体操作分三步:在个人主页点击更多下载账号数据(约需24小时),再用Claude或Codex进行分析,最后结合博主内容让AI解读以学习增长路径。作者自己的数据为12G,已跑完分析,后续将公布结果,并附上PDF版分享内容下载地址。

    引用ĺ‘é˜łäš”ćœ¨ (@vista8)@vista8

    ćŠŠč‡Şĺˇąä¸‰ĺš´ćĽçš„ X čżčĽĺ˘žé•żĺšäş†ĺ¤ç›˜ďźŒĺšäş†çşżä¸‹ĺˆ†äşŤă€‚ 匂何䝎100ĺšĺˆ°11ä¸‡ĺ…łćł¨ďźŒĺŸşäşŽĺ…¨é‡ X ĺ¸–ĺ­ďźŒç”¨ Codex ĺšçš„ć•°ćŽĺˆ†ćžă€‚ ćœ‰äş›çť“čŽşďźŒç”šč‡łč‡Şĺˇąéƒ˝ć˛Ąćœ‰ć„čŻ†ĺˆ°ă€‚ ćžœç„śĺˆ†äşŤć‰ć˜Żćœ€ĺĽ˝çš„ĺ­Śäš ďźŒĺŽŒć•´çš„PPTč§čŻ„čŽşĺŒşă€‚

  2. @berryxia18

    再次来到这个书店咖啡馆,发现当今的大学生的高效学习的秘诀! 都在看“豆包高效学习”,果然AI Native 这一代和我们老登不一样啊……

    引用Berryxia.AI (@berryxia)@berryxia

    刚刚去书店呆了一会,喝了杯咖啡。 Vibe Coding了 一会,发了一会呆。 找了点灵感~ 转头看到这里面很多的大学生或者附近上班or OPC的人,80%的人使用的苹果电脑或者iPad ! 对一半的人在使用AI工具进行学习或者工作,有几个零零散散的人在使用chatgpt。 而且就是纯chat模式~ 没有看到有人使用大家每天日常使用的Claude or Codex! 所以AI的发展还很早期…

  3. @berryxia52

    开源免费的 Tokei 是一款 macOS 菜单栏工具,实时监控 Claude Code、Grok CLI、Aider、OpenCode 等 8 个主流 AI coding agent 的 token 用量、实时成本与性能数据。它只读本地日志、零网络调用,30 秒自动刷新,带每日图表、周热力图和年度 Wrapped。工具还支持私人 Git 多设备同步、价格表本地覆盖,闲置过久会提示休息。

    引用岚叔 (@LufzzLiz)@LufzzLiz

    快让我看看大家消耗了多少token🎉 我现在面试会问候选人的token 消耗情况,这个算是评判你深度使用AI的一个证明了 建议有刚需的朋友也保留一份,给自己简历也能增加一些亮点 当前发布的开源版本使用的是github 做的同步,全程数据都是你私有的,我们拿数据也是零侵入,不用你的任何认证,安全可靠。 模型计费会校准,方便大家看成本 欢迎试用和贡献tokei:github.com/cclank/tokei

  4. @berryxia50

    Apple的AI领先水平远远超乎人们的想象啊! 不信你看这个图就知道了!

    引用Berryxia.AI (@berryxia)@berryxia

    没有熬夜的兄弟们来看,WWDC 2026 速览! 另插一嘴,Apple真的没有特别的新东西。 一、历史性时刻 1库克谢幕:Tim Cook最后一次以CEO身份主持WWDC,9月1日将交接给硬件工程副总裁John Ternus 2基调延续:发布会保持苹果一贯稳健风格,AI成为绝对核心主题。 二、AI架构革命 1双轨模型战略 ◦基础层:3B端侧模型(AFM 3 Core) ◦进阶层:20B MoE模型(仅限iPhone 17 Pro/M4芯片设备) ◦隐私承诺:数据端到端加密+处理即焚机制 2四大核心能力 ◦个人上下文理解(整合照片/邮件/备忘录) ◦世界知识检索(联网实时查询) ◦App Actions(调用第三方应用) ◦屏幕感知(实时界面交互) 三、Siri AI进化 1功能升级 ◦连续对话/跨设备同步/视觉识别 ◦独立App上线(支持对话历史回溯) ◦WatchOS/VisionOS多端覆盖 2现存局限 ◦仅支持英语,中国/欧盟暂不可用 ◦复杂任务处理能力弱于ChatGPT 四、应用生态智能化 应用 核心升级 Safari 智能标签分组/网页变更监控 密码 全自动密码更新 电话 Call Context来电智能识别 快捷指令 自然语言生成工作流 五、影像创作突破 1Image Playground:支持写实风格生成+手势编辑 2空间重构:拍照后重新调整构图(基于Vision Pro技术) 六、开发者工具 1Xcode支持多模型选择(含Gemini) 2Core AI Framework开放本地模型部署 七、遗留问题 1中国区功能缺失(需等待监管审批) 2Agent能力未达预期(多步任务自动化薄弱) 数据亮点: •照片处理速度提升70% •AirDrop传输提速80% •应用启动加速30% (以上数据来自卡兹克@Khazix0918 公众号总结)

  5. @berryxia67

    Kimi Code 开源编码智能体迎来重大升级,支持一行命令 CLI 安装、零配置快速启动,并可拖入视频作为编码上下文,实现参考视频转 LUT、长视频转短视频、屏幕录像转代码。插件系统可拉取股票价格、财报和学术论文,同时支持 ACP 协议接入 JetBrains 和 Zed,并提供自定义 hooks 扩展工作流,可搭配 Kimi K2.6 使用。

    引用Kimi Developers (@KimiDevs)@KimiDevs

    Kimi Code, our open-source coding agent, just got a major upgrade! 🔹One-line CLI install, zero setup, fast startup​ 🔹Drag in videos as coding context: reference-to-LUT, long-video-to-short, screen-recording-to-code, and more​ 🔹Plugins for stocks, financial reports, academic papers, with more coming​ 🔹Supports the ACP protocol, and works with JetBrains, Zed, and more​ 🔹Hooks for custom tools and workflows​ Try it with Kimi K2.6 👉 kimi.com/code Issues, plugin ideas, and PRs welcome! Community feedback helps shape what ships next.​🚀

    推荐理由:原文列出升级后的零配置安装、视频上下文与插件能力,读者可据此判断编码智能体的门槛变化。