与「原理」相关的搜索结果

模型刚出生那会儿，用的哪块显卡，居然能查出来？🔍 11 月 12 日，前 OpenAI 研究员 Will DePue 的团队发了份报告：6 个中国开源模型的权重里，藏着英伟达 Blackwell 芯片的指纹。 原理说人话就是：模型出生前先撒一把随机初始值，撒在哪块卡上，落点就不一样。训练时没碰过的词，初始值还留在权重里，一对就对上了。 点名的有 DeepSeek-V4-Flash，证据 1385 个标准差，报告称"结论性"；还有 V4-Pro、Kimi K3、K3.1-Pro、MiniMax-M3、蚂蚁 Ling-3.1-flash。 六万亿种组合里瞎猜只能到 8 个标准差，这六个全都远远甩开。 但报告自己划了线：只能证明"一开始用的是这批卡"，证明不了卡在哪、怎么来的、算不算违规。查证脚本公开，笔记本几秒就能跑一遍。 说白了，以前查芯片走私靠报关单、靠线人，现在靠下载权重、跑个脚本——查案的工具先变了🤯 以后每个开源模型发布，是不是都得先过一遍"验卡"？你跑不跑这个脚本？

一台电脑的装配动画，三个 Claude Agent 做了近八小时。 11月13日，创作者 Mr Tactical 晒出了一段用 Blender 制作的三维主机动画。主机里的零件逐步组装起来，镜头还能贴近内部，展示硬件细节。 按作者给出的记录，参与制作的是三个 Claude Fable 5.2 Agent，耗时7小时41分钟，模型用量按 API 价格折算约138.82美元。这个数字不能直接当成全部制作成本，作者教程中的统计口径也不包含管理 Agent 自身的规划和检查。 他还在评论区附上了自己的制作教程，做法很具体：让 Claude Code 写 Python 脚本，在后台运行 Blender，把模型、材质、灯光、镜头和动画逐项搭出来，再渲染成视频。 其中值得参考的一步，是先别急着输出整条成片。 按照他的教程，Agent 要先做一张目标效果图，再渲染几个关键时刻的测试画面。看看材质对不对、零件有没有穿插、镜头是不是离得太远。修改几轮之后，先出一版低质量预览，确认运动和节奏，再正式渲染。 用代码驱动 Blender，方便的地方就在于：做完后，手里还留着一套可以继续改的三维场景。 某个零件挡住了，换个机位；装配过程太快，放慢这一段；想给客户单独看看内部结构，就沿用同一套模型再拍一条。模型、灯光和镜头都可以分别调整，不必每次重新描述整段画面。 这对产品结构展示、安装说明和机械原理科普，都有参考价值。不过，画面看着像，不代表尺寸和装配关系就一定正确。真要拿来解释产品，还得对照实物或设计资料检查。 想试这套做法，可以先拿两三个零件做一段简单拆装：先把结构搭对，把动作讲清，再往上加材质、灯光和镜头。这样更容易看出，Agent 到底能帮自己省下哪部分工作。

Polymarket上有个账户闷声发大财，只用50美元本金，愣是滚到了43万5千美元，这事居然没几个人聊 我把它的操作逻辑扒了个底朝天，还让Claude照着同款策略，花40分钟就搭出了一个功能差不多的机器人 核心原理特别简单：Polymarket更新BTC合约价格的速度，比真实市场行情慢半拍 机器人一边盯着TradingView和CryptoQuant的BTC预测数据，一边捕捉Polymarket价格滞后超过0.3%的瞬间，在市场价格追上来之前，用不到100毫秒的速度完成交易，每秒能处理1000多笔订单，每笔交易只冒0.3%到0.8%的风险 风控也做得很死：单笔交易风险控制在0.5%，单日总风险不超过2%，跑下来每天能稳定赚400到700美元 而且这机器人直接本地就能跑，不用云端服务器，也不用GPU，纯靠Rust写的，效率拉满 就想问问，这种机器人收割的好日子，还能持续多久？

软件工程这个行业未来即将大变天，包括编程语言。 就像 Elon Musk 说的一样，从第一性原理来看即将变天：现在我们用的传统编程语言 efficiency 不够高，马上就有一套新的范式出来。现在很多人已经做出了雏形。 举个例子：最近那个 React Native 的 SaaS 叫 Expo，他们的老板是之前 Quora 的 CTO。他 follow 了我，然后我发现他做了一套新的 domain-specific language 来描述 UI，并且做了一套 Rust 的跨平台框架。 这套东西未来肯定会替代 Electron，但是 iOS App 的话不好说，桌面端肯定是，绝对会天翻地覆。 但我们也不需要 FOMO，因为这个东西最强的地方就在于：我们现在不去投资也没有关系，未来重写很容易

建议大家都去油管学 AI Agent，真的能打破信息差！ ① Jeff Su
节奏快、实用导向，适合普通人入门。他有大量把 Prompt、AI Agent、工具落地讲清楚的短视频（例如约 10 分钟的 AI Agents, Clearly Explained 播放量很高）。 内容直给，新手跟着做能上手。频道约 190 万订阅，风格轻松实用。 ② Andrej Karpathy
AI 领域真正的大神（前 Tesla AI、OpenAI 等）。他的 LLM 入门/深度讲解视频（1 小时版和更长的 Deep Dive）在圈内刷屏，原理、训练、应用讲得通俗，非技术背景也能跟上。干货密度极高。 ③ Tina Huang
前 Meta 数据工程师/科学家。录有《Building AI Agents In 44 Minutes》《AI Agents Fundamentals In 21 Minutes》等视频，擅长把复杂资料提炼成清晰框架和实操路径，非常适合作为入门第一课。频道约 140 万订阅。 ④ Dave Ebbelaar（Datalumina）
Datalumina 创始人，内容聚焦可落地的 AI 系统工程（生产级 Agent、架构、部署）和 AI 自由职业/创业建议。 实战导向，经验分享多，适合想真正做出系统的人。 ⑤ IBM Technology
IBM 官方频道，覆盖 AI、自动化、DevOps、量子等，常有领域专家讲解。内容广度好，解释相对严谨可靠，像一个小型 AI 知识库。适合建立系统性认知。 ⑥ Google Cloud Tech
Google Cloud 官方频道，更垂直深入（Vertex AI、Agent 相关、NotebookLM、实用工具等）。 如果说 IBM 更“广”，这个更“深”，尤其适合想用 Google 生态落地的人。 ⑦ Cole Medin
强烈推荐做 Agent 实操。重点讲生产级 AI Agent、n8n / LangGraph 全流程构建、本地部署、架构设计。 内容实战、有完整项目和仓库，适合从“会用”进阶到“能做出稳定系统”。在很多“学 Agent 必看”列表里常出现。 ⑧ Liam Ottley
偏商业落地和变现角度。有超长完整指南（如《How to Build & Sell AI Agents》），覆盖无代码/低代码构建、自动化业务、接单卖服务。 适合想把 AI Agent 技能直接变成收入的人。 ⑨ Andrew Ng / DeepLearningAI
Andrew Ng 是 AI 教育与实践的标杆人物。DeepLearningAI 频道有关于 Agentic AI、设计模式（reflection、tool use、planning、multi-agent）的短课程和讲解，质量高、结构清晰。 适合想建立扎实基础并理解“为什么这样设计”的人。 ⑩ Nate Herk
以 n8n + AI Agent 实操闻名，有完整的无代码/低代码 Agent 教程和长视频课程。 非常适合不想先写大量代码、又想快速做出能用的自动化 Agent 的人。 和 Cole Medin、Liam Ottley 互补。 学习建议（快速上手路径） 1.完全新手：Jeff Su + Tina Huang 先建立概念 → 再看 Karpathy 补原理。 2.想动手做：Tina Huang / Cole Medin / Nate Herk 跟做项目。 3.想做生意/自由职业：Liam Ottley + Dave Ebbelaar。 3.想系统扎实：Karpathy + Andrew Ng + IBM / Google Cloud 官方内容。 这些频道大多免费、更新相对及时，能有效打破信息差。 建议先看 1-2 个入门视频确认风格是否适合自己，再深入。 如果有具体方向（比如纯无代码、Python 工程、商业变现），可以再细化推荐。

😇小小剧透，Mole 的下一个版本，还会上一个有趣的功能，WiFi 高性能模式整好了，原理是临时关闭苹果设备间直连使用的 AWDL 接口，减少 WiFi 的延迟波动，想尝鲜小伙伴可以去试试 Preview 版本。

中国超过日本了！ 越南超过日本了！ 印度超过日本了！ 知道了！ 但，很多中国越南印度人争前恐后移民日本，愿意在日本生活老去到死都住在日本，不给续签不给永住不给归化还很有意见。 有反过来的吗？ 有日本人愿意全家移民去中国越南印度生活并愿意在那里养老到死吗？ 这算不算宣传的第一性原理？哈哈

Prism：开源AI视频模型，高画质音视频同步生成 现在的 AI 生成视频如果想达到 2K 这种超高清分辨率，并且让声音和画面完全对齐，计算量会极其庞大，普通训练方式容易让显卡吃不消，细节也容易变模糊。 针对这个问题，复旦大学、腾讯混元和浙江大学的研究团队提出了一套名为动态稀疏注意力的技术方案。它的原理可以简单理解为抓重点。AI 不会把整个高清画面的每一处像素都平均分配算力，会先判断哪些区域在发声、哪些画面的变化更快，然后重点把算力集中在声画强相关的区域。这样既能保证声音和动作紧密契合，又能把训练速度提升约 2.5 倍，同时生成画质更好。 模型：