AI 资讯
已同步 36981 条公开资讯，来源和发布时间保留在每条记录中。
AIGOOD 已同步公开来源；每条资讯详情保留来源和原文链接。
架构说明 首先说明一下我的使用环境以及模型配置：Claude Code + Trellis Opus 负责 Plan + Check （ Review ） 唯一选择：GPT-Sol(xhigh) Sonnet 负责主会话 + Implement 首选：GLM(max) 备选：GPT-Terra(xhigh) Haiku 负责 Research / Explore 首选：GLM-Flash(high) 备选：GPT-Luna(xhigh) 为什么 Sonnet 和 Haiku 优先选 GLM GLM 又快又好，并且…
rt 比如建立私服？？这个应该可以。还有其他吗？
架构说明 首先说明一下我的使用环境以及模型配置：Claude Code + Trellis Opus 负责 Plan + Check（Review） 唯一选择：GPT-Sol(xhigh) Sonnet 负责主会话 + Implement 首选：GLM(max) 备选：GPT-Terra(xhigh) Haiku 负责 Research / Explore 首选：GLM-Flash(high) 备选：GPT-Luna(xhigh) 为什么 Sonnet 和 Haiku 优先选 GLM GLM 又快又好，并且我有之…
10M是10%额度的话 那么一条free号就是100M 理想情况下是够个人轻中度使用的了
有没有seeddance nsfw的中转站推荐
claude 一小时速通！ 我恨这个世界 😅 46 个帖子 - 35 位参与者 阅读完整话题 via LINUX DO - 热门话题 (author: zee)
国产AI并没有掉队 看到好多佬对国内大模型进展悲观我其实不太理解，黑灯工厂，无人码头早就是多年前的实践，智能网联汽车和xxwork也在真实解决出行和办公的问题，娱乐领域，字节的视频生成和minimax的h3也是在闭源开源领域大热的产品，国外很多starup公司确实也在使用qwen,ds,glm等国产模型，可能顶尖模型确实有差距，但是我认为边际效应已经非常明显，三个月前还是gpt 5.5扛旗，当前国模差不多甚至超过它的不是没有吧，比起一年前，两年前，r1出来前那种黎明前的黑暗来说，当前前途已经相当光明，退一万步说，…
随着opus sol luna的降价，本地端侧模型的世纪骗局快圆不下去了 你部署一套设备+运维+电费+人工，总成本估计够买opus/sol订阅额度10年，够luna额度20年，即便为了数据的相对安全，去买国产api，那也够小10年，还要被蒸馏和路由 要想绝对安全，同时还要全公司爽用v4.1 flash这个体量的模型，不来几个H200 B200 是不现实的，自己算算能买多少年api 端侧模型这个世纪骗局快圆不下去了，下一步估计是改成吹100M级的开发板/树莓派 边缘模型，但是随着几乎无延迟几乎不要钱的jev的发布，…
很久之前 5 月份，我看过腾讯研究院一篇关于"超级个体"的文章。 文章的核心观点是：每个人都应该端到端地去做需求。 其实很久之前我也有类似的看法：在大模型时代，你不需要在某一个单一领域钻得足够深，因为即便是最顶级的数学难题，借助大模型也能解决；但需要在不同领域掌握更广泛的知识，去激发大模型的能力，这样整体水平才能提上来。 我一直也是这么践行的，利用实习机会接触了各行各业不同领域，之前也做过全栈。 但在我最近做产品的过程中，却暴露出了最大的问题。 这段实习里我既负责开发也负责产品，但这次在产品设计上踩了大坑，有些甚…
起因是睡不着去知乎刷到了这个帖子 然后我也去测了下，用的 gpt6-sol high 大概是 plus 5 小时额度的 2% 题目：做一张精细的SVG图片，内容是鹈鹕骑着自行车在孙悟空开的大型飞机机翼上骑行，鹈鹕展开翅膀，上面托着秦始皇的北极熊，秦始皇骑在熊上打螺丝。鹈鹕喊出 “在一个黑色的袋子里放有三种口味的糖果，每种糖果有两种不同的形状（圆形和五角星形，不同的形状靠手感可以分辨）。现已知不同口味的糖和不同形状的数量统计如下表。参赛者需要在活动前决定摸出的糖果数目，那么，最少取出多少个糖果才能保证手中同时拥有不…
hsyysy.github.io RG35XX-SP BSP Anbernic RG35XX-SP (Allwinner H700) 内核 / 固件 / rootfs 开发笔记 欢迎掌机佬友围观
最新话题 - 2026年9月24日03:00摘要 (近3小时) 本期内容聚焦人工智能技术进展、模型测评、工具应用及社区热点，涵盖金融科技与教育议题。 大模型性能与评测 ● Opus 5.5模型被指为防蒸馏限制输出内容。 原文链接 ● Opus 5.5在雨夜便利店代码测试中表现优异。 原文链接 ● Jev模型在游戏决策场景响应速度达500ms。 原文链接 ● Facebook Muse多模态模型图像与视频生成能力获评测。 原文链接 ● Mimo 2.6版本绘图能力显著提升。 原文链接 ● GPT团队版用户额度疑似上…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…
https://github.com/yu1745/wetype-ime-linux 使用了安卓的微信输入法作为底座，使用 qemu 运行其 so ，完全剥离了 Java 部分，不联网，保留了用户输入学习功能，输入一个词之后，再次输入，其权重将提升。最终内存占用 平均 80M 峰值 160M 停止打字之后迅速回落 ,硬盘占用仅 207M ,冷启动 1.5 秒出候选，热状态 70ms 出候选，依赖 Fcitx 框架，UI 复原了 windows 微信输入法的不翻页单行展示候选词，翻页后多行展示候选词。 注：由于我主…