与「审核」相关的搜索结果

🔥 网友爆料：DeepSeek Harness 内测保密级别有多高？直接拉满到“量化机构级”！ 多位内侧用户反馈：初筛过了，签名+身份证复印件也只是“报名资格”，最终通不通过还得再等通知…… 分点拆解当前流程 & 超高保密规格： 1️⃣报名本身就很严：必须有 Agent Harness 相关开源经验，提交 GitHub ID + 代表作 + 问卷匹配使用场景。 2️⃣初筛后才发正式邀请：邮件写“恭喜获得内测资格”，但真正开始前必须完成硬核步骤。 3️⃣核心保密硬要求（重点！）： ◦下载并手写签署《保密承诺函》 ◦必须附上身份证复印件 ◦添加官方小助手微信并备注 ◦所有信息仅用于内测资格核验 4️⃣完成以上≠入选：签名+身份证复印件只是拿到“报名资格”，最终放行还要再等官方通知。 5️⃣泄密代价极狠：一旦泄露，不仅取消本次资格，还会直接影响未来所有 DeepSeek 模型、产品内测及合作机会。 保密要求可以理解，但用身份证复印件换一个“可能入选”的资格，DeepSeek 这次对 Harness（Agent 执行框架）的保密级别，已经远超普通产品内测了。 你准备交身份证了吗？还是直接观望？😂 #DeepSeek# #Harness# #内测# #审核# #梁文峰#

Fable 和 Codex 一起用开发效率真的绝了 有个开源 Skill 叫 /codex-build，专门为这个组合设计的 Fable 负责规划和决策，Codex 写代码。中间有审核卡点，代码必须过 review 和测试才能上线 装这个 Skill 就能直接用，不用自己再折腾流程了

Codex 5.6 真的绝了 用了这么久，最值得装的插件就这几个 👇 ① Browser AI 自动操作浏览器，点击、输入、端到端测试全能干，再也不用手动验证了 ② GitHub 和 Issue、PR 打通，丢个任务给它，从编码到审核全搞定，开发流程快到飞起 ③ Codex Security 自动扫代码漏洞和密钥泄露，还能给出修复方案，省了一堆安全问题 ④ Build Web Apps 描述想法就行，设计、开发、测试一条龙，全栈项目的时间能省一半 ⑤ Figma Figma 设计直接转代码，响应式自动搞定，设计稿和代码终于能对上了 ⑥ Sentry 线上报错自动分析，帮你定位问题还给出修复代码，线上问题不再头大 但最绝的其实是「Sites」功能 开发完直接在里面预览，一键公开分享 还能用自定义域名 这意味着什么？原型秒送客户看 把这些组合起来用 Codex 就从单纯的「写代码 AI」变成了真的开发团队——设计、编码、测试、调试、上线全包

DeepSeek V4 Flash 与 Grok 4.5 实战对比 先说结论：DeepSeek 还差一截，日常还是回归Grok4.5 我让DeepSeek V4 Flash 和 Grok 4.5分别对同一个实盘交易系统做全面审核，然后由Fable5做一个实盘数据验证确认，最后的结果如截图 还是那句话：是骡子是马，一定要拉上去试试，其他都是瞎扯淡

今天有好几个开源的小模型。 Mach-1 Additive：35B，1.7bit量化，16G Mac可以流畅运行。 模型： Shieldstral 1.0 3B：多模态审核模型，仅3B，支持文字+图片输入，支持自定义审核规则。 模型： Maple-Preview：20B总参数，1B激活参数，1.58bit量化，iPhone可运行，在M4 Mac Mini上可以达到218token/s。 模型： Pokee-Isaac 28B：这个没开源，28B模型，特色是1000万上下文。luna水平和价格。 官方介绍：

最近在公司里推进 AI 落地，我越来越强烈地感受到： AI 搞得越猛，员工反而可能越累。 过去半年，我参与了不少 AI 数字员工和工作流优化项目。工具确实越来越强、执行速度越来越快，但真正进入组织后，很多问题并没有随着效率提升而消失。 我总结了 3 个有些反直觉的洞察： 1️⃣ 局部提效，不等于组织提效 AI 可以快速出稿、整理资料、分析数据，但初稿越快，后续的核对、审核和发布可能越多。 一个环节变快了，上下游却未必同步变快；一旦 AI 出错，还需要有人审核、兜底和承担责任。 2️⃣ 效率提高，不意味着工作更少 过去一天做一版，现在 10 分钟就能完成，于是新的要求可能变成：那能不能直接做 10 版、100 版？ AI 节省的是单个任务的执行时间，却不会自动减少任务。工具越来越全能，人的职责边界也可能被越推越大。 3️⃣ AI 推不下去，未必是员工不会用 员工不愿意分享自己的经验和工作流程，有时不是能力问题，而是一种自我保护： 把经验交给 AI 后，我会不会被替代？ 效率提高后，我会获得成长机会，还是接到更多任务？ 如果 AI 出错，最后由谁承担责任？ 所以，企业真正想推动 AI 落地，不能只增加工具和培训。 还需要建立更具体的机制：如何评价 AI 的结果、如何划分责任，以及员工贡献经验、参与转型之后，究竟能得到什么。 员工可能不缺培训。 他们更缺的，是一种可以放心参与变化的安全感。 你所在的公司开始推进 AI 了吗？工作真的变轻松了吗？

170 万 USDT 在 Gate 平台被盗——Gate 公关，请停止胡说八道，正面回答风控漏洞 1. 连最基本的法律常识都没有 案件已经正式刑事立案，Gate 还在影射“仙人跳”“监守自盗”。如果真是这样，事情反而简单了，警方依法调查、抓人即可，抓到的人最少坐牢 10 年起步。没有证据就不断抹黑受害用户，这不是公关，而是造谣式甩锅。 2.拿用户资料去“黑客社工库开盲盒” 一个管理着100亿美元级用户资产的平台，竟然拿用户资料去所谓“黑客社工数据库”查询。这已经涉嫌侵犯个人信息权益、触碰法律红线。 今天Gate可以随意“开盒”我的信息，明天就可能随意“开盒”任何一名用户的信息。这已经不是我个人的隐私问题，而是所有Gate用户共同面临的数据安全风险。更严重的是：Gate员工为什么能够随意调取、复制和使用用户资料？谁授权的？gate到底是想让警方抓用户还是抓黑客?gate到底有没有对用户资料的保护机制？ 不得不怀疑：攻击者掌握的账户注册时间、注册地点及历史OTC记录，是否可能来自Gate内部？平台是否存在违规查询、泄露甚至倒卖用户资料的情况？是否存在“内鬼”配合的可能？ 3. “看不清”的假材料，你们为什么敢审核通过？ 警方让我辨认手持身份证，是正常的侦查程序，却被 Gate 公关说成“警方也辨认不清”，后来又改口说“身份证太小，看不清”。既然看不清，你们当初凭什么敢审核？而且还审核通过了？这不是自己打自己脸吗？ 真实情况是，这份材料假得离谱： * 证件地址我从未使用过，警方已对此制作笔录； * 我办理过的身份证地址都带省份，该材料却连省份都没有； * 就算身份证地址还能狡辩，说我以前可能办理过，但身份证号码的字体、大小和长度都明显短半截的异常，这种低级的 PS 痕迹，你们审核人员是集体看不见吗？如此虚假的材料都敢审核通过，现在还有脸说风控没有问题？ * 整份材料存在肉眼可见的低级 PS 痕迹。 连普通人一眼都能看出的假材料，Gate 风控却能放行。 4. 再次公开请 gate 对“手持身份证原始材料+活体人脸视频”去做权威鉴定？ 我已咨询律师，Gate 完全可以将手持身份证原始材料和活体人脸视频交给具备资质的机构鉴定，也可以提交公安机关，由警方依法委托鉴定。但 Gate 始终不正面回答：到底什么时候鉴定？如果你们真认为材料真实、审核没有问题，那就立即送检，用鉴定结果说话。 一直回避，是不敢鉴定，还是已经知道鉴定结果？ 5. 假材料不会永远藏得住 目前案件仍在侦查阶段，我已经看到并辨认了相关材料，但暂时无法取得。案件进入后续程序后，我将依法委托律师申请调阅。届时在合法合规、完成必要脱敏的前提下，我会让所有用户看看：这份被 Gate 审核通过的手持身份证，究竟假得多低级、多离谱。 6. Gate 的套路只有六个字：拖、赖、编、转移 账户刚被盗时，Gate 阴阳怪气地暗示用户“监守自盗”；后来赌我无法立案，反复催我报警，又声称掌握大量线索；正式立案后，又抛出支付宝、“仙人跳”和所谓“两倍赔偿”等话题。用户的事情，你们可以无限放大；平台自己的风控漏洞，你们就集体装瞎、闭口不谈。说到底，就是拖延、甩锅、编故事、转移视线。Gate，请不要再避重就轻。现在只需回答二个问题： 1，你们什么时候将攻击者提交的“手持身份证原始材料、活体人脸视频及完整审核记录”送交权威机构鉴定，或者完整提交警方？什么时候公开鉴定结论，给警方、用户和公众一个明确交代？ 2，你们什么时候公开说明此次身份审核和提现风控究竟在哪些环节失效？目前已经完成哪些整改和系统升级？今后如何防止同类事件再次发生？ 请不要再答非所问、转移视线。把材料送检，把漏洞说清，把责任扛起来 @Han_Gate @Gate_zh @Gate

兄弟们给大家一个踩坑指南，准备订阅 ChatGPT 的，真别硬冲苹果 App Store 了。 苹果风控已经离谱到有点搞笑，尤其礼品卡余额，钱充进去很丝滑，订阅成功像抽卡，搞不好还给你卡审核。 最省事的路子： 安卓手机，或者电脑装个 BlueStacks，登录 Google 账号，直接走 Google Play 订阅。 不用充值，任意地区 Visa / Mastercard 都能试。 Google Play 没那么神经质，成功率高很多。 别问我为什么知道，都是钱砸出来的经验。

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

哇！第一次 在 造物雷达 感到 Aha Moment！ 上午审核 造物矩阵 今日更新，看到这个项目 眼前一亮： 这不就是我一直心心念想做的 物理外挂 Agent 吗！！ 现在有人直接做出了开源了👉 PhysiClaw 🤖 它不接 API，也不用 ADB，而是用摄像头“看”屏幕、用触控笔操作手机，像真人一样完成点外卖、购物、叫车。 更值得关注的是它“把屏幕当 API”的思路： 感知、决策、执行、反馈，组成完整的 Agent 循环。 想研究物理世界 AI Agent 或手机自动化原型，这个项目很值得拆 ⭐ 220｜Python｜MIT GitHub： via 造物雷达：