跳到正文
10月22日周四
  1. indigo47

    旧金山的 Marathon Fusion 计划先商业化小型聚变反应堆,用聚变中子生产供不应求的医用同位素。该公司此前演示了将汞转化为稳定金、速度超 CERN 纪录 10 倍,并在全球最强等离子体离心机中富集同位素,打破苏联保持 40 年的纪录。靶向放疗需求指数级增长,现有供给跟不上。

    引用Marathon Fusion@MarathonFusion

    Last month, we demonstrated high-rate alchemy: turning mercury into real, stable gold, beating CERN’s record by a factor of 10. Last week, we enriched isotopes in the world’s most powerful plasma centrifuge, beating the Soviet record that stood for 40 years. Now, we’re building a fusion reactor in San Francisco to achieve record power density.

  2. n8n Blog44

    有状态 vs. 无状态:AI 智能体构建中的上下文管理

    n8n 博客对比了有状态与无状态架构在 AI 智能体构建中的取舍:有状态应用保留对话历史、认证信息等跨请求状态以维持连续性,无状态应用则让每个请求独立处理,更易在实例间分发、扩展和容错。LLM 本身不会在两次推理请求间自动保留对话,智能体的记忆需由系统在模型外存储并检索状态,再注入后续请求的上下文。n8n 中可按状态存活时长选择 memory 节点或 state store。

  3. IT之家·人工智能41

    比尔·盖茨:人们要为 AI 带来的二十年颠覆性变革做好准备

    比尔·盖茨在接受 The Verge 采访时表示,人们要为 AI 带来的二十年颠覆性变革做好准备,这段时期可能非常痛苦,甚至将社会分裂成乐于接受前沿科技与拒绝两派。他认为 AI 过去一年在编写代码、发现网络漏洞、生物学推理和颠覆就业市场方面进步惊人,过渡期会有输家和赢家。他还称届时人类将拥有可建造房屋、种植食物、进行手术的机器人,绝大多数商品和服务不再需要人类劳动力。

  4. Google DeepMind:Blog53

    Google DeepMind 与 WRI、IIASA 发布 ForTy 全球森林类型地图

    Google DeepMind 与 Google Research 联合 World Resources Institute 和 IIASA 发布 Forest Typology(ForTy)2020 全球地图,以 10 米分辨率将地球每块土地划分为 FAO 定义的六类森林与土地类型,并首次提供 2017 至 2025 年逐年变化时间序列,展示天然森林被种植园或农场取代等变化。

  5. 404 Media82

    404 Media 分析 PHP2Shell 事件如何改变 AI 时代的攻防格局

    404 Media 的 Jason Koebler 梳理近一个月安全专家对 AI 挖洞能力引发的"Black October"恐慌。Wiz、Calif 和 OpenAI 的研究者用 AI 发现了 PHP 的 PHP2Shell 漏洞,Cloudflare CEO 称公开公告前 10 小时已见数千次利用尝试,公告后 2 小时内增至数十万,目前达数百万级。

    推荐理由:作者基于对安全专家的长期报道,梳理了 PHP2Shell 事件前后 AI 改变攻防节奏的多种迹象,并指出漏洞修补的部署速度未必跟上。

  6. meng shao45

    斯坦福与伯克利研究者提出可插拔小模块 TokenGate,插在现有 LLM 浅层学习"跳读"长上下文,只把 top-K token 传给上层。论文报告无精度损失时首 token 时间快 1.4–11.3 倍、峰值显存降 1.5–3.4 倍,相对最强免训练剪枝最高约 6.4 倍更快、2 倍更省显存。训练成本接近 LoRA,无需从零预训练。

    引用Liana@lianapatel_

    Introducing ✨Token-Gated Language Models✨ for up to 11x faster prefill by learning to skim context, conditionally forwarding only tokens that matter. Akin to the shift from dense models to MoEs, the next frontier of efficient LLMs is conditional computation over a new scaling axis: context tokens🧵👇

  7. Sierra:Blog60

    Sierra 发布 𝜏-Entity 基准,检验语音智能体能否准确采集姓名、电话等实体信息

    Sierra 发布 𝜏-Entity 基准,测量语音智能体能否正确采集、识别错误并修复姓名、电话号码、地址和邮箱等细节,包含 10 种实体类型共 200 个任务,并与 𝜏-i18n 一样覆盖六种语言。

    推荐理由:Sierra 自建基准和论文量化了语音智能体在准确采集姓名、电话等细节上的失败率,并给出可迁移的验证策略效果数据。

  8. OpenAI:官网动态57

    OpenAI FDE 团队负责人详解前沿部署工程如何弥合部署差距

    OpenAI 前沿部署工程负责人 Colin Jarvis 撰文说明 FDE 团队的工作方式,即与客户合作弥合模型能力与可靠业务价值之间的部署差距。文中给出半导体客户验证案例,AI 定向测试生成节省约 48% 时间、内核优化中位性能提升 22%;迁移到以 Codex 为核心的通用 harness 后,每项目移除约 90% 定制代码,第二团队接入从 2 个月缩短到 1 天。

  9. meng shao27

    邵猛表示已难以继续订阅 Codex,Cursor 打开频率也在下降,开发之外的需求用 Grok Bot 就够,开发方面则想重新订阅 Claude。但他此前订阅 Claude 用过的支付方式均已被封,因此打算先尝试在线购买账号用 10-15 天,确认顺手后再考虑长期订阅。其引用的推文提到 GamsGo 上 Codex Pro 的 $200 月费档现为 $145.99/月,独享账号 1 个月。

    引用丰收@ai_fengshou

    我靠,我靠, 我靠!兄弟们,我找到一个比菲律宾还便宜的订阅 20X 的地方。 Codex Pro 的 $200 月费档,GamsGo @GamsGo_Global 现在 $145.99/月。 这价格,比我在菲律宾区订阅的价位还要便宜了。 Codex、Claude、Grok 我自己都在订,这类工具用得多,看到 Pro 这档的价格,会特别留意一下。 刚看了 GamsGo 的 Codex 自营套餐:Pro-200,独享账号,1个月。 想再加一个 Codex 账号,或者准备上 Pro 的,这个价确实值得看看。 用评论区的链接下单,还可以再返 3%,相当于用U卡返现了。

  10. meng shao49

    邵猛看到AI做的街头霸王后感慨,09年刚学编程时写个扫雷、1024就能玩半天,如今这类程序Claude Code / Codex 几分钟就能搞定。他想把小时候和上学时玩过、如今已失传的小游戏重做一遍,让10后的儿子看看,先从第一个手机Moto E770装的WAP页游“打砖块”开始。

    引用曾探@TanZeng1021

    2012 年:花 1 个月,用canvas写了个简单的街头霸王 2026 年:花 3 天,用 AI 做了个 3D 街头霸王,复杂代码一行都不用自己写了 🔗 试玩地址:https://street-fighter.tutti.sh/ 由于非常不擅长和没耐心做效果,主要用了这几个工具: 1. 混元 3D 建模,最开始试了下付费的 3D 建模工具(充了几十块只用了 1 次),发现混元效果更好一些,1 天 20 次免费,虽然只能去网页上用,不过让 agent 读一下网站自己的 cookie,然后直接让 agent 调就行。 2. Blender,做一些精修(实际也不知道修的怎么样,没太关注,就是让混元建模完之后修一下) codex和claude code,claude code 只有 20 美金的订阅,大部分活还是 codex 干的,偶尔也让 workbuddy 干一点 3. Tutti(我们自己开发的),主要用来协作和分享,负责建模和负责部署、音效的是另外的人,我主要写游戏逻辑,大家在同一个云端电脑环境里干活,实时协作性比较强。 全套提示词、过程都在:https://tutti.sh/share/v2/289b0c16-630d-43ae-91e0-b4a0b5932cd1?inviteType=guest&token=bjwqJx2VzR7scvtfwcBf1P_sJ3MZmQ0x7CoAPsS9HMM

  11. meng shao67

    ByteByteGo 作者 Samuel Wong 撰文讲解 LLM 应用中两类缓存如何分工并叠加使用:Prompt Caching 复用共享前缀的 KV 计算以降低输入成本,Semantic Caching 复用语义相近问题的整条答案,可完全跳过模型调用。

    引用Samuel Wong@samuel_wong_

    LLM Prompt Caching Versus Semantic Caching Caching LLM costs is two different problems: reuse the prefix with prompt caching, reuse the answer with semantic caching, and never confuse one for the other https://open.substack.com/pub/bytebytego/p/llm-prompt-caching-versus-semantic?r=57j98&utm_campaign=post-expanded-share&utm_medium=web