与「参鶏湯」相关的搜索结果

Codex、WorkBuddy 等 Agent 已经能读取 PDF。面对扫描件、多栏排版、跨页表格和公式时，解析质量仍会直接影响后续的检索、问答和数据提取。 Mac 上可以本地运行的 PDF parser 很多，PaddleOCR、GLM-OCR、MinerU 等工具的安装方式和运行环境各不相同。文档类型变化后，想换一个 parser 重新处理，通常还要重新配置。 DocDot @docdotai 把多个本地 parser 集中到了同一个 CLI 中管理。 官方安装命令： curl -fsSL | bash 安装 DocDot 后，可以在 NanoDoc、PaddleOCR、GLM-OCR、MinerU、LiteParse 之间安装和切换，并将 PDF 解析为 Markdown 或 JSON。后续还会继续增加新的 parser。 DocDot 也提供了 Web Mode。运行 `docdot web` 后，可以在浏览器中并排比较 3 个 parser 的结果。遇到复杂表格、公式或特殊排版时，可以根据实际输出选择更合适的解析器。 根据官方说明，安装程序还能扫描本机的 Codex、Claude Code、OpenClaw、Hermes 等 Agent，并配置相应的 Skill；需要接入其他应用时，也可以通过 MCP 调用。解析在本机运行，PDF 无需上传，目前主要面向 Apple Silicon Mac。 我在 Mac 上安装了 DocDot 和 NanoDoc，并准备了一页包含中英文、表格和公式的 PDF。 首次启动完成模型编译后，再次解析同一份 PDF 用时约 2.3 秒。正文和公式基本准确，表格结构得到保留，小字号表头仍有少量误识别。 这只是一份单页样本，不能替代完整的性能测试。官方技术报告使用了 4,231 页、64 类文档进行比较，NanoDoc 的综合质量和 Table TEDS 在参测解析器中均排名第一。 DocDot 今天在 Product Hunt 上线：

今天 GitHub 被逆向 Agent 彻底刷屏了！ 5 个星标暴增、真正能落地的硬核项目，专业拆解下： 1. diegosouzapw/OmniRoute 
免费 MIT AI 网关：一个 endpoint 通吃 290+ 供应商（90+ 免费额度）、500+ 模型，配额感知自动 fallback + 强压缩，直接兼容 Claude Code / Cursor / OpenCode / Cline。 
🔗 直达： 
以前切模型像换 VPN，现在一个 endpoint 通吃，token 成本直接腰斩。网关赛道新王！ 2. Optim-Agent/optim-agent 
把 LLM Agent 变成超参数优化器，自动帮你调模型、调工作流、调 prompt。 
🔗 直达： 
以前调参靠玄学，现在 Agent 自己跑实验、自己收敛。MLOps + Agent 的完美交叉点！ 3. zhaoxuya520/reverse-skill 
AI 逆向 / 渗透 / 安全研究技能路由包。自动路由方法论 + 按需自举工具链 + 自进化知识库，原生支持 Claude Code、Cursor、Cline 等一众 Agent。 
🔗 直达： 
以前安全研究像手动堆工具箱，现在 Agent 自己挑刀、自己进化经验库。硬核到爆！ 4. huggingface/speech-to-speech
本地语音 Agent 管道（VAD → STT → LLM → TTS），OpenAI Realtime 兼容，组件全可换，支持实时打断与工具调用。 
🔗 直达： 
真正能本地跑起来的实时语音对话 Agent，隐私和延迟双赢，开源玩家狂喜！ 5. lyogavin/airllm 
单卡 4GB 就能跑 70B（甚至更大），层式加载，无需量化蒸馏。支持 Llama / Qwen / DeepSeek 等主流模型。 
🔗 直达： 
显卡乞丐也能养起大模型 Agent 的神器，本地推理直接起飞！ // 总结 2026 年的风口已经从“会聊天的模型”全面转向“能干活、能进化、能本地落地的 Agent 基建”。谁先把这些玩透，谁就站在下一波生产力 C 位。

謝謝這三天所有來參加ForAver活動的大家🫶🏻 不論是很久不見的人 在TRE沒能見到面的人 還有總是為了我奔赴現場的人 真的都是因為有了這麼多很棒的你 這次的活動才能以大成功的形式圓滿結束 真的超級超級開心🌼 當然對於讓我擁有不只在日本 在海外也能活躍 以及積極創造讓我能與大家見面的機會的ForAver也除了感謝還是感謝！ 感謝你們的完美支援以及創造了這麼溫馨又歡樂的工作氣氛☺️💙 如果馬上就能再見面就好了💭 大家對我說的話語以及愛的心意都會成為我往後努力的能量！ 謝謝你們為我帶來許多的笑容！ 還有好多好多的愛！ 到能夠再次見面以前也請務必都要注意身體健康快樂唷⭐️

让 Claude Code 说人话的 instruction 1. 使用标准术语。已有通用说法的概念不要另造表述。 2. 不要使用比喻。如果一个说法需要读者推断其指代对象，改为直接说明。 3. 表头和分类名使用中性名词，如“问题”“现象”“影响”“结果”。 4. 不使用“是 X，不是 Y”的对比句式。 5. 表格条目不要求每条都包含数字或结论。部分条目可以只说明发生了什么。 6. 未查明原因的问题写“原因未查明”。 7. 不使用口语词。 8. 不使用拟人表述。 规则 1：使用标准术语 超长度 / 超不超长度 → 截断 / 是否触及长度上限 Ray 的端口会跟自己撞 → 多个任务的 Ray 抢占同一端口 臂 → 方案 只看长度那条线 → 长度启发式基线 刷奖励 → 奖励被优化但评测指标未改善 存档 → checkpoint 规则 2：不发明比喻作为术语 血统 → 基座来源 8 个不同血统 → 8 个不同基座的模型 那是尺寸差异，不是血统差异 → 原有区间由 Qwen 的 14B、32B、72B 构成，差异来自参数量而非基座 已经吃掉一半空间 → 已覆盖一半区间 变成了一个认题目的检索器 → 退化为问题识别，与学习价值无关 挑出来的题目看上去健康得多 → 选中问题的截断比例更低 误差范围还盖着基准线 → 置信区间与基线重叠 规则 3：表头和分类名使用中性名词 坑 / 代价和教训 → 问题 / 影响 把握 → 确认程度 怎么做的 → 实验设置 重挑一次还剩多少重合 → 重采样后的重合率 有几种不同取值 → 取值数量 还在跑的 → 进行中 一个必须关掉的开关 → 需要关闭的过滤器 章节状态标签需要保持一致。 如果前面使用： 已完成 已确认 未达到基线 结论待定 后面出现了： 做通了 意外发现 需要修 没有买到想要的 统一使用前面部分的中性状态标签。 规则 4：不使用“是 X，不是 Y”的对比句式 梯度对齐：是噪声，不是信号 → 梯度对齐：三项检查结果均在噪声范围内 我们买到了血统上的多样性，但没有买到能力上的多样性 → 新增模型覆盖了更多基座，但正确率均低于原有区间下界 考法和用法对不上 → 评测口径为成对比较，与实际使用方式不一致 稳定是靠粗糙换来的 → 取值数量少的指标重合率高 越稳定的指标越挑不出东西，越挑得出东西的指标越不稳定 → 重合率与取值数量呈反向关系 规则 5：允许条目不包含数字或结论 例如： 对照组为随机选取的 32 个问题。 这条内容已经完整，不需要继续补充其他方案与对照组的关系。 规则 6：未查明原因时直接写“原因未查明” 前文已经写明“原因未查明”时，后文不要继续补充未经验证的解释。 这可能也解释了前文那个现象 → 该现象与截断的关系尚未验证 第十章“后来查明了机制”之后的内容已经得到确认，可以保留。 规则 7：不使用口语词 赢得很干脆 → 差值为 0.030 测得更准 / 测得更糙 → 估计精度更高 / 更低 可选的余地很小 → 候选范围小 基本上等于抓阄 → 接近随机选取 本来就分不出高下 → 真实差距低于可分辨范围 白跑 / 白占 → 无效运行 / 空占 不是白捡的 → 需要 79 GPU·小时 一个致命问题 → 主要问题 有事后找补的嫌疑 → 该切分方式在观察结果之后确定 原因不复杂 → 删除 既然预测这条路走不通，那就退一步 → 删除，直接进入实验设置 规则 8：不使用拟人表述 天生需要几百到上千次采样 → 该信号所需的采样量为几百到上千次 一旦超就制造出参差 → 截断发生时会增大奖励方差 24 步训练只挪动 0.05 → 24 步训练后正确率变化为 0.05 超得越彻底反而越稳定 → 截断率越高，奖励方差越低 回答内容本身的好坏参差 → 答案质量的差异

Karpathy 搞的那个 autoresearch 脚本，我是真服，一晚上不睡觉，自己跑上百轮实验调参，换我早崩了。 现在好了，有人把这套路直接搬到 Claude Code 和 Codex 上了，项目名也叫 autoresearch。 玩法特简单：丢一个目标和量化指标进去，Agent 自个儿在那儿改代码、跑验证，效果变好了就留，翻车了自动撤回去。 最戳我的是给了 14 个子命令，调优、找 Bug、安全审计、发版都能管，还塞了 9 个安全钩子防手滑。

沒subscribe the information, 但宇量昇通過了alpha stage不是人所皆知嗎？做幾台繼續測試有什麼驚奇的？ 有人能回答我套刻精度和throughput參數嗎？😅 謝謝大家

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3# #月之暗面# #AIAgent# #多模态大模型# #VibeCoding# #VibeGaming#

传闻：Anthropic欲收购机器人AI公司Physical Intelligence 据匿名投资人，Anthropic正在收购机器人基础模型开发商Physical Intelligence，但交易“尚未完成”。 今年6月，Anthropic在Project Fetch实验中报告称，Claude Opus 4.7完成多项机器人编程任务的速度远超人类团队，但在精确物理操作上仍然吃力。此外，Anthropic近来确实更愿意收购技术团队，先后买下了Bun、电脑操作开发商Vercept，以及API基础设施公司Stainless。 Physical Intelligence于2024年成立于旧金山，公司的目标是打造一个能驱动任何机器人的通用模型。其开源的pi 0模型包含了模型权重及单臂、双臂和移动平台的示例，开发者可以用自己的机器人数据进行微调。 其模型正在控制Weave的叠衣机器人和Ultra的仓储机器人。Weave称加入部署数据预训练后，抓取失误减少42%，人工干预减少50%；Ultra则报告了一次96.4%自主率的连续打包作业。 Physical Intelligence目前身价不菲：2025年11月完成6亿美元融资，投后估值56亿美元，由Alphabet旗下CapitalG领投，Lux Capital、Thrive Capital和贝索斯参投，OpenAI也是早期投资方之一。2026年3月，公司又在洽谈约10亿美元的新融资，估值超过110亿美元。 这个传闻单源匿名，不一定可靠。但方向上完全说得通，大模型公司卷完“数字世界的手”（操作电脑），下一步必然抢“物理世界的手”（机器人），Physical Intelligence是个不错的标的，但是股东里还坐着OpenAI和谷歌，不一定能成。

🔥 K3 杀疯了，阿里坐不住了！ 今天，阿里千问正式预告 Qwen3.8 —— 参数量直接拉到 2.4T，官方放话："可能是除了 Fable 5 外最强大的模型"。 还没正式发布，但 Qwen3.8-Max-Preview 已经抢先上线 Qoder、QoderWork 和千问 PC 端，限时 1 折调用，夜间甚至 0.2 折。 内部测评显示，在全栈开发、数据分析、Office 办公等复杂长程任务上，它已经匹敌世界前沿模型。 更夸张的是，我用它 1:1 复刻了《坦克大战》—— 碰撞、草地、道具、特种敌人，一句提示词全搞定。之前用 Fable 5 做过同样的 demo，这次 Qwen3.8 已经能和它扳手腕了。 正式版即将开源，以"天"为单位进化中。 #Qwen3#.8 #AI大模型#