跳到正文

X

关注 AI 研究者、开发者与机构的动态

当前显示全部 AI 相关新闻
按账号或来源筛选(535)
全部X新闻X:Rohan Paul1388 条X:Kim1201 条X:阿易 AI Notes894 条X:阿里云 / Alibaba Cloud451 条X:Testing Catalog398 条X:cb_doge349 条X:Elvis Saravia346 条X:Elon Musk332 条X:OpenRouter302 条X:Artificial Analysis284 条X:Ethan Mollick277 条X:PixVerse261 条X:Alexandr Wang(Scale AI 创始人/Meta 首席 AI 官)252 条X:ZHO229 条X:Replit223 条X:SemiAnalysis218 条X:OpenAI Developers207 条X:小北182 条X:swyx162 条X:MiniMax157 条X:Gemini156 条X:Dex Horthy(HumanLayer)140 条X:Tibo129 条X:Emad Mostaque127 条X:OpenAI120 条X:AI Safety Memes111 条X:X.PIN111 条X:Epoch AI108 条X:Google AI for Developers103 条X:蚂蚁百灵101 条X:Runway99 条X:Thomas Wolf(Hugging Face 联创/CSO)98 条X:Luma AI91 条X:面壁智能 OpenBMB89 条X:Aravind Srinivas(Perplexity CEO)88 条X:Claude Devs87 条X:马东锡 NLP86 条X:Jason Liu85 条X:Frank Wang 玉伯83 条X:Sam Altman81 条X:洪明79 条X:Gabriel77 条X:fofr75 条X:阑夕69 条X:赵纯想69 条X:Perplexity69 条X:Yuchen Jin69 条X:Nathan Lambert68 条X:Francois Chollet66 条X:Cohere63 条X:opencode62 条X:Greg Brockman61 条X:Tencent WorkBuddy61 条X:Eric Zakariasson59 条X:Microsoft Research54 条X:Peter Steinberger52 条X:腾讯混元51 条X:Claude51 条X:Krea AI51 条X:Suno50 条X:Clément Delangue(Hugging Face CEO)46 条X:Anthropic44 条X:OpenClaw43 条X:Thariq43 条X:商汤 SenseTime (@SenseTime_AI)42 条X:Charlie Holtz41 条X:karminski41 条X:Google DeepMind40 条X:通义千问 / Qwen39 条X:Google AI38 条X:AK34 条X:Boris Cherny32 条X:可灵 Kling AI31 条X:Peter McCrory(Anthropic 首席经济学家)31 条X:Deedy Das30 条X:百度 Baidu29 条X:AI at Meta28 条X:Aidan Gomez(Cohere CEO)27 条X:Josh Woodward26 条X:Mustafa Suleyman(Microsoft AI CEO)26 条X:Viggle AI26 条X:Logan Kilpatrick25 条X:李继刚20 条X:Noam Brown20 条X:Odyssey20 条X:Andrew Milich19 条X:硅基流动 SiliconFlow18 条X:华为云18 条X:SpaceXAI17 条X:Tianyi Cui17 条X:DeepSeek16 条X:Sundar Pichai14 条X:PixVerse (@PixVerse)13 条X:智谱 Z.ai12 条X:Demis Hassabis12 条X:Mark Zuckerberg12 条X:Mistral AI12 条X:ARC Prize (@arcprize)11 条X:唐杰10 条X:Ammaar Reshi10 条X:Andrew Ng(DeepLearning.AI 创始人)10 条X:Arena (@arena)10 条X:Barret 李靖10 条X:DAIR.AI (@dair_ai)10 条X:Eric Mitchell10 条X:fal (@fal)10 条X:Karina Nguyen10 条X:Lee Robinson10 条X:Noah Zweben10 条X:Arthur Mensch(Mistral CEO) (@arthurmensch)9 条X:ElevenLabs (@elevenlabs)9 条X:Fei-Fei Li9 条X:Jensen Huang9 条X:Kimi.ai9 条Tripo(官方 X)8 条X:卡兹克 (@Khazix0918)8 条X:Cognition (@cognition)8 条X:Cursor (@cursor_ai)8 条X:Figure AI (@Figure_robot)8 条X:Gemini Notebook (@Gemini_Notebook)8 条X:Georgi Gerganov(llama.cpp) (@ggerganov)8 条X:Hao AI Lab8 条X:Higgsfield AI (@higgsfield)8 条X:Jeff Dean8 条X:Manus (@ManusAI)8 条X:Meshy (@MeshyAI)8 条X:MiniMax Design (H3) (@Hailuo_AI)8 条X:Philipp Schmid(Google DeepMind 开发者体验) (@_philschmid)8 条X:谢赛宁7 条X:Jim Fan7 条X:Michael Truell7 条X:張小珺 Xiaojùn6 条X:Lisa Su(AMD CEO) (@LisaSu)6 条X:NotebookLM0 条@berryxia · 历史来源430 条@vista8 · 历史来源262 条@op7418 · 历史来源231 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@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@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@id_aa_carmack · 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@argofowl · 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@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@davidsacks · 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@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@yevr19 · 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
14,233 条AI 相关新闻 · 最新在前
6月2日周二
  1. @kimmonismus80

    Anthropic 已向 SEC 秘密提交 S-1 注册声明草案,在审核完成后可选择启动 IPO。作者 @kimmonismus 指出,OpenAI 本想抢先上市,但 Anthropic 目前估值更高且似乎在加速推进,两家公司谁先上市的竞赛已经开始。

    引用Anthropic (@AnthropicAI)@AnthropicAI

    Anthropic has confidentially submitted a draft S-1 registration statement to the Securities and Exchange Commission. Pending completion of SEC review, this gives us the option to pursue an initial public offering. Read more: anthropic.com/news/confident…

    推荐理由:Anthropic 秘密提交 S-1 草案,OpenAI 与 Anthropic 谁先启动 IPO 成为新的对比看点。

  2. @AYi_AInotes41

    有人把《非暴力沟通》的 OFNR 框架(观察-感受-需要-请求)连同反模式、共情技巧、愤怒转化打包成 NVC Skill,可在 Cursor、Claude Code、Codex 等 Agent 中直接调用。它能把任意一句话、情绪或冲突快速转成非暴力沟通格式,生成可执行表达,主要用于日常沟通卡壳时重写消息,以及拆解对方话语背后的感受与需要。

    引用AYi (@AYi_AInotes)@AYi_AInotes

    x.com/i/article/206140694154…

  3. @berryxia80

    Anthropic 已秘密向 SEC 提交 S-1 注册声明草稿,审查通过后即获得启动 IPO 的选择权,详情见 anthropic.com。作者认为,在 scaling 竞赛进入深水区时,顶尖 AI 公司通过公开市场获取更广阔资本通道并接受公众监督,已成为保持领先的现实路径。

    引用Anthropic (@AnthropicAI)@AnthropicAI

    Anthropic has confidentially submitted a draft S-1 registration statement to the Securities and Exchange Commission. Pending completion of SEC review, this gives us the option to pursue an initial public offering. Read more: anthropic.com/news/confident…

    推荐理由:Anthropic 秘密提交 S-1,作者据此讨论顶尖 AI 实验室走向公开市场对融资与治理模式的影响。

  4. @kilocode67

    MiniMax 发布 M3 模型,官方称其为首个同时整合编程、Agent 与多模态三项前沿能力的开放权重模型。官方报告其在 SWE-Bench Pro 取得 59.0%、Terminal Bench 2.1 取得 66.0%、SWE-fficiency 取得 34.8%、KernelBench Hard 取得 28.8%、MCP Atlas 取得 74.2%,并通过 MiniMax Sparse Attention 将上下文扩展到 1M。模型从第一步起原生多模态,权重与技术报告预计约 10 天后发布,API 与 MiniMax Code 入口已开放。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由:官方给出 M3 的编程与 Agent 基准数据及 1M 上下文能力,可据此观察开源权重模型的前沿能力边界。

  5. @berryxia56

    NVIDIA发布ARM架构的RTX Spark SoC,集成RTX 5070级GPU,卖点是笔记本拔掉电源后性能几乎不衰、1440P游戏稳住高帧、电池续航拉满。作者由此回看7年前苹果M系列统一内存被PC圈群嘲的争议,认为这不是简单抄袭,而是行业在功耗墙和内存墙前被迫走向同一条高度集成路线,并抛出未来高性能个人设备会由传统分离式架构还是统一内存主导的疑问。

    引用Geeklik ve Ötesine (@GeeklikOtesine)@GeeklikOtesine

    NVIDIA, ARM tabanlı yeni işlemcisi RTX Spark'ı duyurdu. - İşlemcide RTX 5070'e denk bir GPU bulunuyor. - Modern oyunlarda 1440P'de 100 FPS'te çalışıyor. - Laptop, Windows olmasına rağmen prizden çektiğinizde performans düşmüyor. - Batarya ömrü uzun. - Sadece laptoplar için değil masaüstü bilgisayarlarını da hedefliyor. - Sahnede 007 First Light ve Forza Horizon 6 ile gösterildi. - Yapay zeka işlem gücü de yüksek. - 2026 Sonbahar'ında çıkacak. Video

  6. @swyx43

    前 xAI 世界模型负责人、前 NVIDIA Cosmos 研究员 Ethan 在播客中详解如何训练 SOTA 视频生成世界模型,并称 Grok Imagine 在一致延伸/编辑与语音等方向仍是 SOTA。他认为视频模型大部分智能来自 LLM 而非视频数据扩展,视频生成的下一个前沿是编排视频模型的视频智能体,确定性压缩(如 MP4)不如 VAE 压缩。

    引用Latent.Space (@latentspacepod)@latentspacepod

    🆕Grok Imagine’s Video Agent Moment: Cosmos, xAI, World Models, Generative UI, & the Codex Phase for Video! latent.space/p/video-agents @EthanHe_42, former @xai world model lead and @nvidia Cosmos researcher, explains why AI video may follow the same path as coding agents, how Grok Imagine went from zero to one, why text-to-video is only the autocomplete phase, how world models become real-time and interactive, why language models may become the control layer for video, and why the future of AI video may look less like a prompt box and more like an agent with a camera, editor, timeline, and tool belt.

6月1日周一
  1. @latentspacepod45

    前 xAI 世界模型负责人、前 NVIDIA Cosmos 研究员 Ethan He 在 latent.space 播客中提出,AI 视频可能重走编程智能体的路径,文本生成视频只是"自动补全"阶段。他复盘了 Grok Imagine 从 0 到 1 的过程,并认为世界模型将走向实时交互,语言模型或成为视频的控制层,未来 AI 视频更像一个带摄像头、剪辑器、时间线和工具带的智能体,而非提示词输入框。

  2. @kimmonismus74

    MiniMax 发布 M3 开放权重模型,在 SWE-Bench Pro 上得分 59%,略高于 GPT-5.5 的 58.6%,高于 Gemini 3.1 Pro 的 54.2%,编码上仍落后 Opus 4.7。该模型支持 1M token 上下文并原生多模态,在 BrowseComp 上以 83.5% 领先 Opus 4.7,每 token 成本约为 GPT-5.5 的 1/12。权重和完整技术报告预计约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由:原文给出了 M3 与 GPT-5.5、Opus 4.7 的基准对比和成本差距,读者可据此判断开放权重模型的能力位次。

  3. @PBDTokenRouter68

    MiniMax M3 现已在 PBD TokenRouter 上线,该开源权重模型同时具备编码与智能体能力。其在 SWE-Bench Pro 取得 59.0%、Terminal Bench 2.1 取得 66.0%、MCP Atlas 取得 74.2%,并借 MiniMax Sparse Attention 支持最高 1M token 上下文,且原生支持多模态。PBD 自 M2.7 起与 MiniMax 团队合作,用户可用同一密钥替换模型 ID 调用。

    推荐理由:原文列出 M3 的三项基准分数与 1M token 上下文,读者可据此比较其与同类开源模型的定位。

  4. @berryxia51

    一名开发者年初用 k8s 集群部署 500 个 Pod 做 OpenClaw 托管服务,近期把服务迁移到了 FastClaw,服务器从 18 台降到 3 台,运营成本降到 1/6。FastClaw 是面向云原生多租户场景的 Agent 运行框架,采用存算分离架构,Agent 无需常驻,收到请求时动态挂载 sandbox 提供服务,也适用本地运行。相比 OpenClaw,其代码体积约为 1/40,运行资源占用约为 1/7,单二进制分发无环境依赖,gateway 秒级启动,而 OpenClaw 约需 15s。

    引用idoubi (@idoubicc)@idoubicc

    我年初开始做 OpenClaw 托管服务,在一套 k8s 集群部署了 500 个 Pod,每个 Pod 限制 4g 的运行内存。日常开着 18 台 4c16g 的服务器作为节点池,一个月成本将近 5k 刀。 几个月下来,托管服务的 MRR 突破了 8k 刀,除去运营成本,利润非常低。 今天终于把服务迁移到了 FastClaw,通过存算分离的架构,让 Agent 无需常驻,而是在收到请求时动态挂载 sandbox 来提供服务。服务器从 18 台降到了 3 台,运营成本降到了 1/6,下个月有机会赚到钱了。😄 跟 OpenClaw 比,FastClaw 真的是太轻量了。 1. 代码体积约为 OpenClaw 的 1/40 2. 运行资源占用约为 OpenClaw 的 1/7 3. 单二进制分发,无环境依赖 4. OpenClaw 的 gateway 启动大概需要 15s,FastClaw 秒级启动 FastClaw 本身是为云原生多租户场景而设计的 Agent 运行框架,同样也适用本地运行场景。 继续完善,欢迎体验。✌️ github.com/fastclaw-ai/fastc…

  5. @vista849

    向阳乔木分享写Skill方法论:核心是背后的专业知识上下文,不懂就靠GPT 5.5 Pro、Grok或Gemini DeepResearch搜索整理,自己阅读学习后作为上下文交给Meta Skill生成Skill,再迭代优化。姚老师总结的Skill设计五步法为:定义结果、对齐标准、深度研究、消化成方法论、用meta-skill固化为Skill,再交给codex或cc创建。

    引用姚金刚 (@yaojingang)@yaojingang

    结合最近写skill的一些心得,总结了一个Skill设计五步法: 1、定义结果 创建skill之前,想清楚到底想要啥,包括结果的标准是什么? 2、对齐标准 为了想清楚这个标准,会和AI做不少交流和探讨 3、深度研究 知道对于结果的标准后,会让GPT 5.5 Pro帮忙做一份深度调研,包括理论原理、相关案例、设计思路等 如果是大量的内部资料,也会通过AI做一轮系统性的梳理,同时再调研外部资料 4、消化成方法论 学习和理解这份报告,理解背后的逻辑、原则、流程、核心方法等内容 5、用meta-skill固化为Skill 把这个作为参考资料,再通过yao-meta-skill来进行创建,将skill的相关补充说明给到codex或cc进行创建 如此完成的第一版Skill,质量就会高很多,然后在这个基础上,持续迭代 写Skill,很像是一种高强度的“以教促学” 是一种很不错的快速学习的过程,在这个过程中,需要自己去深度理解目标和过程原理、流程和方法 当Skill完成后,对这个事情的理解,也就差不多七七八八了

  6. @kimmonismus39

    HydraDB 推出面向 AI 智能体的图原生上下文基础设施,用一个 API 实现跨会话持久化、跨智能体知识累积。它把内存、NVMe 和对象存储合并为单一图层,主打上下文交付更快、更便宜、更精准。其 650 万美元融资方并非前沿实验室,创始人认为智能体跨会话失忆才是真问题,RAG 和手动注入只是补丁。

    引用Nishkarsh (@contextkingceo)@contextkingceo

    Introducing HydraDB. The graph native context infrastructure for agents. Purpose built to deliver precise context & observability into why agents act the way they do. We've always believed graphs are the best way to manage AI context, but they've been too expensive to scale or impractical for storing full context. Until now. @hydra_db combines in memory, NVMe, and object storage into a single graph layer, making context delivery faster, cheaper, and more precise. We want context delivery to be extremely fast, 1000x cheap, and highly precise. Give your agents a brain. Video

  7. @OpenRouter62

    OpenRouter 发布视频教程,演示如何构建一个每周预算上限 1000 美元、带模型黑名单与自定义数据保留的智能体,使用其新的可叠加 Guardrail 架构。该架构将预算限制、ZDR、模型与供应商限制、提示词注入防御以及 DLP 敏感信息检测等功能叠加为可自行控制的规则,用于集中管理 AI 流量的安全与治理。

    引用OpenRouter (@OpenRouter)@OpenRouter

    Guardrails on OpenRouter are the most powerful in the market: centralized security & governance for your AI traffic Budget limits, ZDR, model & provider restrictions, prompt injection defense, and DLP / sensitive info detection, layered into rules you control! 🧵