与「LAB」相关的搜索结果

End-to-End 4-Bit Training：让大模型用更粗糙的数字格式完成全流程训练，大幅缩短显卡训练时间 训练大模型需要处理海量数据，直接把数字精度压到4位虽然能加快计算，但四舍五入累积的误差会严重拖垮模型的学习效果。 为了解决这个矛盾，Thinking Machines Lab在英伟达GB300显卡平台上开发了名为BBBK的专用底层加速程序。采取了分工策略，在模型向前推理计算时使用高速度的4位数字格式NVFP4，在向后更新参数时切回较精细的8位格式MXFP8，并在传输数据时顺手进行旋转压缩与随机舍入修正，省去了传统训练完成后还要单独做低精度校准的麻烦步骤。 这套方案应用在Inkling 2 Small模型的全流程训练中，显卡的运算管道和传输带宽同时跑满，没有出现互相等待的卡顿。原本需要好几周才能跑完的同体量模型，现在在GB300机柜上只用了68小时就完成了预训练。对比全程使用8位格式训练，新方案在预训练阶段节省了8%的时间，在强化学习阶段直接提速了20%，省下了大量算力开销，同时模型最终的回答准确率几乎没有受到影响。 链接：

世界上前20的Skill必装榜！ 1、superpowers（by obra），当时星标 30.2 万 它把开发拆成四步：头脑风暴、写计划、测试驱动、代码审查，串成一套开发流程。做中大型功能之前装上，AI 不会一上来就乱写代码。 2、skills（by mattpocock），当时星标 29.8 万 需求说不清的时候，它会反过来追问你，再帮你理清架构。排查 bug、重构老项目，用它最顺手。 3、andrej-karpathy-skills（by multica-ai），当时星标 22.1 万 一份项目规则：AI 先想清楚再动手，只改该改的地方。放进项目根目录，写代码时就生效。 4、skills（by anthropics），当时星标 18.2 万 官方技能库，Word、PPT、表格和 PDF 都能直接做。想自己写 Skill，照着它的模板改就行。 5、ponytail（by DietrichGebert），当时星标 16.8 万 让 AI 像最懒的资深工程师一样思考：能不加的抽象就不加。代码写完让它过一遍，把过度设计和技术债挑出来。 6、ui-ux-pro-max-skill（by nextlevelbuilder），当时星标 13.8 万 整套配色、字体搭配和交互规范都在里面。做落地页、后台和 APP 界面之前装上，页面更像设计师做的。 7、graphify（by Graphify-Labs），当时星标 12.9 万 把代码、文档和数据库结构转成一张知识图谱。接手陌生项目时先建图，再问"这个函数被谁调用"，一查就清楚。 8、caveman（by JuliusBrussee），当时星标 11.4 万 让 AI 用最少的字回答，啰嗦的铺垫全删掉。长时间跑 agent 的时候装上，能省下一大截 token。 9、agent-skills（by addyosmani），当时星标 10.9 万 谷歌工程师整理的工程规范，覆盖接口设计、上下文管理和质量检查。团队一起写项目，用它统一写法。 10、taste-skill（by LeonxLnx），当时星标 9.9 万 给 AI 补上审美：排版、参考图和动效都有讲究。做官网首页和作品集的时候用，页面不再像套模板。 11、Understand-Anything（by Egonex-AI），当时星标 8.7 万 把代码变成能点开的交互图谱，还会讲清楚业务流程。新人上手项目、读开源代码，最省时间。 12、impeccable（by pbakaus），当时星标 8.3 万 专门提升 AI 的设计能力，会检查间距、层级和细节。页面做完先让它审一遍，再按建议打磨。 13、awesome-claude-skills（by ComposioHQ），当时星标 7.7 万 一份技能合集，按场景收录了八百多个 Skill。不知道该装什么，先来这里挑。 14、last30days-skill（by mvanhorn），当时星标 6.5 万 它会去 Reddit、X 和 YouTube，汇总最近 30 天的讨论。 做选题、追热点、调研同类产品的时候用。 15、humanizer（by blader），当时星标 5.9 万 专门去掉文字里的 AI 痕迹，比如套话和固定句式。公众号、口播稿和邮件写完，都可以让它过一遍。 16、diagram-design（by cathrynlavery），当时星标 5.8 万 支持四十多种图表，直接输出成网页文件。写技术文档、做方案汇报，用它画架构图和流程图。 17、i-have-adhd（by ayghri），当时星标 5.8 万 让 AI 先说结论和下一步，再给细节，不把答案埋在长段落里。问技术问题、想马上拿到结果，就装它。 18、marketingskills（by coreyhaines31），当时星标 5.6 万 覆盖文案、SEO 和数据分析这些营销技能。写推广文案、提升网站搜索排名的时候用。 19、academic-research-skills（by Imbad0202），当时星标 5.3 万 从查文献、写论文到模拟审稿，一条流程串起来。写毕业论文、投期刊之前都能用。 20、scientific-agent-skills（by K-Dense-AI），当时星标 5.3 万 让 AI 变成科研助手，接入生物、化学这些领域的数据库和工具。做实验分析、查专业资料的时候用。

老马是真的把 $DOGE 忘了 所以说，为啥不要对太多币有太多信仰 今天 $DOGE 最低砸到 0.0621，币安现货 K 线上一次这么低，还是 2023 年 10 月 从 2024 年 12 月 0.484 的高点算，已经跌了 87% 离 2021 年那个 0.73 的历史高点，跌了 91% 同样挂着老马名字的三个资产，中期选举之后那一周 $SPCX +0.5% $TSLA -5% $DOGE -7% SpaceX 中间跌了 9% 又拉回来了，狗狗币一直没回头 更抽象的是 DOGE-1 一个全程用狗狗币付钱的月球任务，原本 2022 年要坐猎鹰 9 号上天，一拖再拖到现在 今年 2 月老马还说，SpaceX 明年大概会把 DOGE 送上月球 月球还没到，币价先回到了 2022 年下半年的位置 Dogecoin Labs 创始人这周更说，老马发推已经带不动币价了，这是健康的表现 确实健康，现在跌都不用等他发推，笑死 不会有人2026了手上还有狗狗币吧？

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

Ever seen cherries labelled "J," "JJ" or "JJJ" in a Chinese supermarket? Here's what it means. In China, imported sweet cherries are called "che li zi," a transliteration of the English word "cherries." They're sold by size grade, and the number of J's tells you the diameter. Based on common labels on Chinese e-commerce platforms:
 J: about 26 to 28 mm
JJ: about 28 to 30 mm
JJJ: about 30 to 32 mm
4J: about 32 to 34 mm Each extra J adds roughly 2 mm, and can add quite a bit to the price. Right now is Chilean cherry season in China. Chile's summer is China's winter, so the first air shipments arrive in late October, with peak supply in December and January, just in time for New Year and Lunar New Year gifting. China is Chile's biggest cherry customer by far: according to 21st Century Business Herald, China has bought more than 90% of Chile's cherry exports for seven years in a row. Does anywhere near you grade fruit by size like this? 
#cherries# #Chile# #agriculture# In-depth reports at

Hello guys, tonight I watched a 50 minute podcast with Albert Castellana from GenLayer on The Future of Crypto Compliance, and one minute in it is still stuck in my head. Code is free now, execution is becoming free, so what still has value? According to Albert, it’s judgment. AI already decides what we see on Twitter, whether we get hired, whether we get a loan or insurance, and right now we’re just trusting a few big AI labs with that power Main points: - His previous project lost access to around $150M after keys were lost, and the courts turned out to be too slow and expensive - GenLayer is building a small digital court onchain for decisions that aren’t just yes or no - Five random validators, each with its own AI model, vote on the outcome - Disagree? Appeal, and the validator set doubles each time, up to 1,500 - The first decision takes minutes and costs around 50 cents - It doesn’t replace real courts, it handles small disputes nobody would take to court anyway

Meta vừa bỏ một thứ chẳng liên quan gì tới điện toán: tên trái cây cho model AI. Model mới nhất của họ vẫn mang tên "Watermelon" — quả dưa hấu — trước khi quyết định dừng hẳn cách đặt tên này. Theo Business Insider, Meta đã quyết định nội bộ rằng tên trái cây không còn phù hợp với tham vọng AI của họ. Model gần nhất vì thế là "Watermelon", và nó sẽ là quả cuối cùng trong danh sách. Ba điểm: - Đây là quyết định nội bộ, không phải thông báo ra công chúng: nguồn tin là một người hiểu vấn đề, không phải tài liệu công khai. - Vấn đề không nằm ở tên gọi mà ở thứ tên gọi phải gánh: một cái tên trái cây nghe vui, nhưng không truyền tải được tham vọng mà Meta muốn gắn với dòng model đó. - "Watermelon" là model cuối cùng theo lối đặt tên cũ — nghĩa là toàn bộ danh mục trái cây trước đó sẽ thành lịch sử, không có phiên bản kế tiếp. Góc nhìn: Nhiều người sẽ đọc tin này như một chi tiết vui rồi lướt qua, nhưng nó nói đúng thứ mà dân làm hạ tầng nên để ý. Cách một lab đặt tên model thường phản ánh họ đang bán nó cho ai: tên trái cây hợp với giai đoạn thử nghiệm nội bộ, còn khi model trở thành sản phẩm cho doanh nghiệp thì cái tên phải chịu được hợp đồng và slide họp với khách hàng. Bỏ trái cây không phải chuyện thẩm mỹ, mà là dấu hiệu đổi tầng khách hàng và đổi cách định vị. Người trong ngành nên nhìn vào những thay đổi nhỏ kiểu này thay vì chờ benchmark. Điểm đáng lưu: Lưu bài này làm mốc — lần tới khi một lab đổi hệ thống đặt tên model, đó thường là tín hiệu họ sắp đổi thị trường mục tiêu. Bạn đang đặt tên cho model nội bộ của mình theo lối "vui" hay theo lối "bán được", và bạn đã thấy cái tên đó cản việc gì chưa? #Meta# #Watermelon# #BusinessInsider# #MoHinhAI# #DatTenModel# #DoanhNghiep# #HaTang# #VipZone# #nguyenchitrongnghia#

Meet the backers helping us build DI. We’re proud to introduce our investors: OKX Ventures, Lingfeng, DraperDragon, W3 Storage Lab, DepinX, Central Pinnacle Technology Limited, and individual investors. Our latest funding round closed at a $100M valuation. We believe everyone should have access to a team of financial AI agents that helps them explore ideas, challenge assumptions, and make sense of the markets. That’s the future we’re building at DI: a user-owned AI financial agent network for U.S. stocks and crypto. First up: Event Engine, launching soon. Bring a market question. Our specialist agents will explore what could happen next, where they agree, where they disagree, and why. Thank you to our investors and community for building with us.

MiniMax H3-Image is the #1# open model in Multi-Image Edit Arena, scoring 1365 (#11# overall) and tied with Nano Banana 2 and Nano Banana Pro. It is the only open model in the top 20. It also lands: - #2# open model in Single-Image Edit (1359, tied with Qwen-Image-2.1) - #3# open in Text-to-Image (1197, tied with Ideogram 4.0) The lab reports this as the fastest 2K image editing model: 3x faster than Nano Banana 2.1 at 10-15s of generation time for 2K editing. Open weights are starting to close the gap towards the frontier. Congrats to the @minimax_AI team!