与「LOOP」相关的搜索结果

Milton Friedman said we can't have free immigration and a welfare state He was wrong Turns out that if you create pathways for illegal immigrants to vote, then actually, 100% of the time you INEVITABLY end up with both a welfare state and free immigration Because incentives determine actions Whichever politicians realize they can essentially use taxpayer dollars to fund welfare to import voters will exploit this hack ruthlessly 1. Offer welfare 2. Allow illegal immigration 3. Let illegal immigrants vote (they will 100% of the time vote for more welfare) 4. Win office 5. Raise taxes, offer more welfare, repeat It's a self-reinforcing feedback loop Allowing illegal immigrants to count in the census and vote cements this loop Literally only 12 states require proof of citizenship to register to vote. Look it up. It's horrifying. That is why 15m illegal immigrants came across the border in 4 yrs. It is game theory the only smart thing to do This ends in disaster

谷歌组织架构大洗牌！ Demis Hassabis 卸任 Google Deepmind 的 CEO，转任 GDM 主席兼 Alphabet 首席科学家，同时继续领导 Isomorphic Labs，把主要精力放在 AGI 的长远方向、全球战略以及用 AI 推动科学与医疗突破上； “我们已抵达人类历史上的一个关键时刻。我一生都在为 AGI 努力，现在，就像你们许多人一样，我感觉它近在咫尺” —— Demis Hassabis Koray Kavukcuoglu 从 Deepmind CTO、Google 首席 AI 架构师升任 Google DeepMind 高级副总裁，直接向 Pichai 汇报，全面负责 Gemini 模型研发、前沿 AI 研究以及 Gemini 应用与开发者团队。其实就是接替 Demis 的管理工作，他在 DeepMind 已工作 13 年，，曾主导 WaveNet、DQN 等成果； 在谷歌工作 27 年的 Jeff Dean 将与资深研究员 Sanjay Ghemawat 一起离开，创办一家独立的公益性质公司 Discovery Loop，专注“全自动科学发现的闭环”研究；Google 会作为创始投资方和云服务合作伙伴继续与他们合作。Dean 告诉 NYT，离开 Google 让他有更多余地专注于科学发现； 三位最初的 Gemini 负责人如今全部离职：Noam Shazeer 去了 OpenAI，Dean 和 Vinyals 去了 Discovery Loop。 我如何看待这次调整？ 在 2023 年 Google 合并 Google Brain 与 Deepmind，于是有了 Gemini 的成功；三年后 Google 再次面临大公司病、组织障碍（人才保留上的结构性问题）和工程低效的挑战，于是有了这次必要又意料之外的调整。 部分传言 Demis 因 Gemini 执行不力而被边缘化，换上Koray 是希望把“研究强、产品化慢”这个 Google 的老毛病治好，对比 OpenAI / Anthropic 快速产品化，Google 需要证明也能更快的迭代。所以 Google 全村的希望都在 Gemini 4，内部确认已经有了重大进展。我保留短期观察，长期看好的判断👀 其实 Google 已经证明了目前不用靠模型的能力，只用买算力就能保持盈利优势，Google 是目前唯一的全栈 AI 科技巨头。现在决定内部加速产品化，再利用投资加孵化，既能解决人才保留的问题，又可以抢占 AGI 与科学前沿。 这是 Google 的角色优化，并非危机。执行力与人才保留正在成为新的竞争护城河，技术不再是 Google 的短板，专注和敏捷才是。

自从 @ewind_dev 使用钞能力飞出了 PocketJS 并且蹬上不同硬件，我就在想能不能把 agent 也跑在这些设备上。🚴 最新的结果就是在 ESP32 上能运行的满血 pi harness！ 这个 pi core harness 可以正常对话、 调用 tools、管理自己的 workspace，还能设置 schedule，通过自己的 agent loop 再次醒来，并且也自带 UI！ Agent 后续可以作为整个系统的一等公民，自己创造迭代各种 plugins/apps 无痛跑在任何 PocketJS 支持的硬件上。感觉有超多好玩的应用场景可以蹬了！

Announcing Discovery Loop! I am very excited to announce that, along with my longtime friends and collaborators @Sanjay_Ghemawat, @OriolVinyalsML and @quocleix, we are founding Discovery Loop (@DiscoLoopAI), a Public Benefit Corporation whose mission is to automate machine learning, science, and engineering to accelerate discoveries and progress. The four of us have worked together for 14 to 30 years, and have helped build some of the world’s most used products, infrastructure and AI models, and we’re excited to turn our attention to this ambitious endeavor. ♾ Learn more at:

Imagine driving a single route that takes you along China's entire land border and coastline. That is exactly what a massive new 27,000-kilometer loop will make possible. According to the Ministry of Transport, China plans to build this super-highway during the 15th Five-Year Plan period (2026–2030) by linking three major routes—the G219, G331, and G228—end to end. Tracing the country's borders and coastline, the journey will stretch more than half the length of the Earth's equator. Far more than a transportation corridor, the route weaves together hundreds of scenic areas and historic cities, offering a journey across some of China's most diverse landscapes. G219 runs about 10,000 km from the Kanas Scenic Area in northwest China’s Xinjiang to Dongxing in south China's Guangxi, crossing deserts, the Qinghai-Xizang Plateau, the Himalayas, and other spectacular terrain. G331 stretches about 9,200 km along China's northern border, taking travelers through the vast grasslands of Inner Mongolia, the fertile plains of northeast China, and iconic destinations including Fuyuan, Mohe, Changbai Mountain, and the Greater and Lesser Khingan Mountains. G228 extends about 7,400 km from Dongxing in Guangxi to Dandong in Liaoning Province, linking China's coastal provinces and dozens of seaside cities. Running across major rivers including the Pearl, Yangtze, Yellow, and Yalu, it offers sweeping views of the country's coastline. If you could explore one part of this epic loop, where would you start?

🚨NEWS: A migrant surgeon in the NHS has been fired after he connected the wrong organs during a surgery Dr Abdel Rahman connected a patients small bowel back to their stomach creating a feedback loop meaning the patient did not defecate for 3 weeks before being rushed in for an emergency procedure to fix it We should train our own surgeons instead of importing people from the third world

Agent-pilled sales teams are building custom landing pages + demo videos for every buyer in their outbound campaigns Response rates are in a different league This agent runs 24/7 in a loop: >finds prospects with real buying signals in @useapolloio >builds a custom page for each of them >embeds a custom demo video rendered with @HyperFrames_ Get this agent, Signal, on Hyperagent Marketplace:

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。

📢Meet Qwen3.8-Max — our most capable model to date. Next week, the open weights of Qwen3.8-Max will be released, and Qwen3.8-27B is also going open-weights to meet you all!🎉 Qwen3.8-Max, a new bar for coding and cowork at 2.4T parameters: - Autonomous coding: 10+ days of self-evolving development, from empty folder to production without hand-holding, complete project trace in the GitHub： - Real work, real results: Production-quality deliverables across hundreds of professions. - Long-horizon mastery: System-level autonomous planning with closed-loop adaptive learning, driving 500+ turns of chip design optimization and 365 days of e-commerce strategy. - Native multimodal intelligence: Vision isn't just input — it's a continuous feedback loop for planning, execution, and self-correction. 💰Pricing: Input: $2.0 / M tokens Output: $6.0 / M tokens Implicit Caching: $0.25 / M tokens Start building with Qwen3.8-Max! 🚀 📖 Blog: ✅ Qwen Studio: ⚡ API: