WquGuru (@wquguru)

李飞飞这段回答，真的挺能说明她的个人性格的。 HumanX 大会上，主持人问李飞飞：被叫AI 教母是什么感觉？ 李飞飞回答道： 大概四年前第一次听到，我真的浑身不自在，我不会管自己叫任何事物的教母。 然后她停下来想了想，继续回到： 如果我拒绝这个称呼，可能就是对很多领域的女性和女孩，关上了一扇门。 最后一句，全场笑了： 各行各业的“xx之父”多得是，其中还有不少是自封的。 就在昨天，AMD 宣布花 82 亿美元收购她创办的 World Labs，顶尖 AI 科学家实现了财富自由，我觉得这是一件很好的事情。你觉得AI教母这种称号，是在框住一个人吗？

所有有 GPU 或者 Macbook 的朋友，都应该本地部署一次 Qwen-Image-2.1（写实） 和 Anima（二次元）！不联网、无审查，小显存、小统一内存也能跑。 我测试了一周，感觉的十分惊艳，下面整理了一批本地能跑的出图模型。友情提示： Qwen 擅长写实、构图、图里写字，需要二次元就换 Anima。 一、写实主力：Qwen-Image-2.1 Mac 首选 MLX 4bit（mflux 跑）： GGUF Q4_K（stable-diffusion.cpp 跑）： 文本编码器： 专属 VAE（别换成别的）： 两个坑：cfg 用 1，这个模型按无引导训练，开到 6 慢一倍、画质没提升；mflux 跑 20 步构图容易崩，正式出图用 40 步。 二、二次元主力：Anima 基于 NVIDIA Cosmos-Predict2 的新架构，约 2B，不是 SDXL 微调。Danbooru 标签和自然语言都能用，比 Qwen 轻得多。 官方： Civitai： WAI 作者的版本 WAI-Anima： WAI-Anima int8 量化（约 2.1GB，省显存）： 有三个版本：Base 适合练 LoRA，Aesthetic 默认画风更好看，Turbo 8–12 步出图。要单独配文本编码器 qwen_3_06b 和 Qwen-Image VAE，不是普通的 checkpoint，丢进去不能直接跑。 三、要锁定角色、要海量 LoRA：Illustrious 系列 WAI-Illustrious SDXL： 角色一致性和服装标签，LoRA 数量约 20 万级，冷门角色基本都有。 最后值得注意：模型文件本身也可能被投毒。只下 .safetensors，不碰 .ckpt / .pt；Civitai 上来源不明的 merge 慎用，注意核查hash。Anima 系列是非商用许可，商用前需要注意这点。 效果直出👇

有一个模型比 Qwen-Image-2.1 更牛，可能 90% 玩本地大模型的朋友都不知道。论 NSFW……人家可是老祖宗，更关键的是，生成速度是 Qwen 的 5 倍！！！ 这么说吧，我在 Mac 上跑了上百张实测，Qwen-Image-2.1 出一张最高分辨率（1328×1328）的图要 30 分钟，这个模型出一张只要 5 分钟😆 它就是 WAI-Illustrious SDXL v17.0。Illustrious（SDXL）底模，fp16 单文件 6.5GB，VAE 内置。不用 N 卡，ComfyUI 走 Metal 直接跑，1024 方图只需 15 步，78 秒出图。 whatever，模型链接我都整理好了，供有需要的朋友去研究： 1. WAI-Illustrious SDXL v17.0 🔗🫱 2. Qwen-Image-2.1： MLX 4bit（mflux）🔗🫱 GGUF Q4_K（sd.cpp）🔗🫱 很难想象，如果有本地世界模型了，这个世界会变成什么样😅

关于世界模型的一点思考，目前主要有三大派： 1. 李飞飞派，主打从最少输入实时生成持久可交互空间世界的全生成路线 2. PixVerse R2派，用预生成高质片段叠加Omni Causal AR实时因果生成，属于实用过渡 3. 我的世界派，用离散方块限制换来共享一致性与自由探索

🔥卧槽，AI 游戏终于不只是跟AI聊天了。 蔡浩宇的《星之低语》押注让一个 AI 角色活过来，能做的只有跟她说话。 @PixVerse R2：预生成的院线影片级别质感，加上跟 AI 说完话，还能走进她的世界，用WASD操纵体验（核心技术是Omni Causal AR）。 实测了三件事： 1. 问 Eve：开门会怎样，她会实时回答我 2. 点一下开门，剧情接着往下走 3. 按 W 走进洞穴，画面边走边生成 最骚的是：视频里最好看的片段，反而是预生成的 🙂 哪段实时，也全标在视频里了。 你会先让它生成什么？ 👉 快去体验吧 #PixVerseWorldModel#

世界就是个巨大的草台班子。安全研究人员炒饭君（第一位公布 Claude Code 源码泄漏的人）从在中国广受欢迎的中转站哪里拿到了一份 Fable 数据集，其中包含 7 个政府机构和 19 个顶级科技公司的私密信息，包括 SSH Key、VPN 配置、阿里云配置信息。

这个中转站老板后台挺硬的，身价几百个亿。我原来以为他浓眉大眼，值得信赖，没想到今天我一试，直接完蛋，Pro全被路由到了Flash。害得我精心打磨、稳定跑了几个月的提示词和流程编排，又得全部推倒重来。这还不是最糟心的，根本没给用户任何缓冲时间，说切就切，连个提前公告、灰度、兼容期都没有。几百亿身价，连点基本的生产变更通知都做不到，格局就这？总之，避雷就行了👇

🎉Claude Code推出一个翘首以盼的新功能！session之间交流通信现在可以有类似Airdrop的无缝体验！ 它终于能够在session之间无缝传输信息了！全新跨会话消息功能震撼发布！ 升级即可使用，具体见录屏📷 针对不同agent session之间通信不便的问题，Claude Code引入一个/rename命令，可以给agent session命名，方便人类和Agent识别 从设计来看，这简直和Airdrop有异曲同工之妙呀，打开Airdrop，找到目标设备，就能发送信息。打开Claude Code，输入目标session，就能传递信息。这意味着原来费劲信息寻找长串session id的时代币已经过去！ 直接用自然语言让 Claude 发消息，Claude 会自动： 1. 用 /list-agents（或 /peers） 2. 找到可到达的会话 3. 自己写好消息内容发送过去 enjoy🥳

AI 同时满足了一个中间商市场繁荣的所有条件：技术变化足够快，信息差足够大，资本足够多，故事足够性感。如果把大模型训练、推理、应用整条产业链拆开来看，有些价值上百亿美金的机会是3年之前甚至完全不存在的。最典型的就是推理工程。 三年前这个词几乎没人提，今天它已经是独立学科：核心问题是把训好的权重，变成又快、又稳、又便宜的生产级API。几个关键概念，看完就知道为什么中间商能吃这么大： 1. Prefill vs Decode 分离 输入很长时，先算一遍整个prompt（prefill），再一个个生成token（decode）。两者算力特征完全不同，现在直接拆到不同GPU上跑，效率暴增。 2. Cache-aware Routing + KV Cache复用 用户发来20万token的请求，系统先问：这段内容我之前算过吗？有现成KV Cache就直接跳过重复计算。缓存命中率决定成本和延迟。 3. Speculative Decoding（投机解码） 用一个小模型先猜大模型接下来要说什么，猜对了就直接用，猜错了再纠正。小模型便宜，而且整体速度可提升2-3倍。 4. 量化（Quantization） 把模型从FP16压到FP4/FP8，很多人以为精度必掉。但实际中不同层的误差会相互抵消，有时吞吐量涨20%，基准分数几乎不变。 5. Day-0支持新模型 开源模型一发布，中间商要在几小时内完成量化、投机头训练、内核适配、多机并行……否则就错过热度。这本身就是一门高壁垒手艺。 这些优化叠加起来，能把同一个模型从30-40 tokens/s 推到300-400 tokens/s，最高近10倍。中间层吃的，就是这从能跑到跑得极致的巨大价差。 技术变化越快，信息差越大，中间商越香。推理工程只是这条链上最早长出百亿公司的典型例子，后面还会有更多此类初创公司出现。

一个残酷的真相，目前大部分 AI 创业的公司都不怎么赚钱，甚至利润都不如曲曲大女人卖自己的 skill。 所以发现一个有意思的事情，很多公司表面是一个业务，仔细一聊，“原来你也是卖 Token 的呀”，“原来你也是卖算力的呀”，原来大模型公司也倒卖算力赚差价呀。 真正赚钱的就还是皮条客们。 FA、撮合老股、倒 B300、卖 Token、卖数据集、卖算力，甚至卖一个能见到某位创始人的机会…… AI 同时满足了一个中间商市场繁荣的所有条件：技术变化足够快，信息差足够大，资本足够多，故事足够性感。

不得不说Claude这次想出来的算法太损了，几乎不会误杀，而且是精准的超大规模打击。 此刻这篇推文的价值继续在提升，一个很重要的问题——稳定的Claude Code订阅应该是怎么样的？ 我见过最离谱的做法是让在欧洲的朋友买一台物理机器，平时开发完全远程操作，几乎100%可以规避问题； 次一点的办法：保持用户指纹的一致性，本地时区+付款方式地区+IP所在区域，这三点是重中之重。

端午三天都在Vibe Coding，研究了一下Vibe Coding成瘾危害性，还蛮可怕的😨 1. Burnout（职业倦怠）几乎必然发生 2. 心血管疾病风险升高（多项追踪研究显示工作狂心梗风险高出1.5-2倍） 3. 人际关系严重受损——伴侣、孩子常感到被“工作第三者”替代，亲密关系破裂率提升约40% 4. 创造力与战略性思维退化——大脑长期处于交感神经主导状态，难以进入默认模式网络（创造力所需的状态） 5. 抑郁与焦虑共病率极高——一旦工作受挫，容易陷入自我认同崩溃

很好奇 @nntaleb 为何能创造出“黑天鹅”“杠铃策略”“反脆弱”这些惊为天人的理念，深度研究才发现这些其实根植于他的成长经历和投资经历：一半来自战争，一半来自交易。 1. 黎巴嫩内战是“黑天鹅”的原型 塔勒布出生在黎巴嫩希腊东正教政治精英家庭，外祖父、外曾祖父曾任副总理，祖父是最高法院法官。战前黎巴嫩看起来繁荣、稳定、多族群共处，像一个不会崩的世界。 但1975年内战爆发时，他只有15岁。家族财富、政治影响力、祖屋和生活秩序，几乎一夜之间被摧毁。 这让他很早就明白：真正危险的系统，往往不是看起来混乱，而是看起来太稳定、太精致、太理所当然。 这就是“黑天鹅”的底层直觉：历史经常被少数罕见、高冲击、事前难以预测的事件改写。 2. 精英家庭的崩塌：本质上是“脆弱结构” 塔勒布亲眼看见，身份、财富、政治关系、制度背书，都可能在极端事件中瞬间失效。 所以他后来反感大政府、中央集权和过度规模化系统，更推崇地方自治、小共同体和少数派规则。 在他看来，真正抗冲击的社会，关键不是制度看起来多漂亮，而是谁来承担后果。没有后果约束的权力，本质上就是脆弱性的制造机。 3. 华尔街21年交易：“尾部风险”的实践 1984到2005年，塔勒布在华尔街做了21年期权和衍生品交易，任职过Credit Suisse、UBS等机构，后来创办Empirica Capital。 交易让他确认一件事：现实世界不是温顺的正态分布，而是充满肥尾风险。模型喜欢平滑，现实经常跳崖。 他这种理念也曾让他备受打击，因为“杠铃策略”的另一端意味着长期流血：平时买入大量价外期权，忍受时间价值衰减和连续小亏，等待极端事件到来。 这些做法，多数日子看起来都像错的，少数日子决定全部收益。 4. “切肤之痛”，来自真金白银的盈亏 塔勒布最讨厌没有切肤之痛的专家：学者、官僚、咨询师、经济学家可以预测、建模、提建议，却不用承担错误后果。 交易员则不一样，判断错了，账户会先流血。 所以他强调，没有风险共担，就没有道德资格。决策者必须和后果绑定，否则就是把风险转嫁给别人。 黎巴嫩内战让塔勒布知道，世界随时可能崩；华尔街交易让他学会，别预测崩盘，要设计一个能从崩盘中活下来、甚至变强的系统。这两点也是普通人能够吸收的经验。

一个符合“反脆弱”的小而美个人系统： 1. 每周留足一定的思考时间：深度思考、写笔记、了解潜在或已有客户群体 2. 维护反脆弱资产清单：开源项目、个人品牌、真实人脉、现金流产品、 领域知识笔记等等任何 AI 无法取代的东西 3. 收入结构多元化：SaaS + 咨询 + 内容 + 反脆弱式投资（塔勒布的杠铃策略：90% 保守 + 10% 高风险高凸性 bet）

跨境支付一直以来都是难题，谁能架起一座桥梁，连接鸿沟两端，谁就拥有源源不断的收入 比如Anthropic和OpenAI对大陆用户的付费阻断，造就的桥梁平台就数不胜数，我所知道的就有超过5家年纯利润达到了A8左右，这些平台人均员工数量不超过5人 我亲眼看到其中一个平台从老板自己单打独斗，兼顾技术和客服角色，初始用户不到50，两个月做到700用户，如果按照年度净利润算，妥妥的A7.5 这个两个月从0到500万净利润的例子中我比较有感慨的有3点： 1. 用户留存度超过80% 2. 技术核心100%依赖开源项目，引流平台（也是文档平台）100%依赖AI代码工具 3. 这个生意中完全没用到自动化支付（比如Stripe），100%依赖微信红包收款 微信红包的收款方式局限在大陆用户，在稳定币浪潮中，全球化收款才是大势所趋。不论是薪资管理还是跨境支付，@allscaleio 的两大核心产品AllScale Payroll 和 AllScale Pay都能彻底革新掉现有模式，让全球化生意不再难做。