zerone @zerone

随着最近 Kimi @Kimi_Moonshot 的爆火，老外的播客和推文又纷纷开始研究 Kimi 到底是一家怎样的公司。 早在今年4月，《人物》杂志其实就派过记者到月之暗面卧底了 100 个小时，写了一篇一万字的特稿：重生之我在Kimi 内部的100小时。 几个文中依然值得回头一看的细节，帮你了解Kimi： 1.300 人的公司，平均年龄不到 30 岁，80% 是 i 人。 2.同事坐在旁边，宁愿打字也不愿意开口说话。 3.没有部门、没有职级、没有 OKR、没有 KPI 4.创始人杨植麟的个性签名四个字：直接沟通。 5.DeepSeek 爆火的时候，Kimi 内部最尖锐的问题是 HR 提的：「候选人说 DeepSeek 也给了 offer，我们怎么回答？」 6.算法团队的反应不是恐慌，是兴奋。有人说了一句后来在公司内部广为流传的话：「DeepSeek 救了我们。」因为它证明了中国公司做模型也能赢得全球尊重。 7.一个从大厂跳过来的中层，待了一段时间后选择离开，理由是：「周围的人太年轻、太聪明了，被反复碾压之后，我放弃了。这不是我的时代了。」 8.一个毕业两年的女生说，她在 Kimi 哭的次数比在任何一家公司都多，也比任何一个前男友都多。 全文很长，但如果你想理解 Kimi K3 为什么能做出来，这篇老文还是值得一读👇

Rui Ma @ruima

4 months ago

x.com/i/article/2039…

26 138 1K 588K 2K

这个叫 OV-Watch 的项目，直接给你把百元造表的梦给圆了。2300星标，GPL-3.0 协议全开源，主打一个从零手搓，毫无保留。 从画 PCB 电路板、3D 打印表壳的模型文件，到基于 STM32 + FreeRTOS + LVGL 的底层系统代码，一条龙全开源，生怕你学不会。 全套硬件加上 3D 打印外壳，物料成本压到了 100 块以内，对学生党极度舒适。 心率监测、计步、蓝牙同步数据这些基础操作全都有，甚至还支持 OTA 固件升级，该有的一个不少。 作者为了省电是真拼了，底层代码深度优化，连蓝牙模块不用的时候都给关了，现在休眠待机电流压到了 800 多微安，用纽扣电池都能撑一阵子。 怕你手残焊不好硬件，作者还专门整了个 STM32F411 的开发板（FriPi 炸鸡派），让你光撸代码也能把这套逻辑吃透。 🔗 ：github.com/No-Chicken/OV-…

BIGAI dexterity team introduced TeleDexter, a human-level dexterous teleoperation system + autonomous policies trained on it. They're addressing the limitations on the controller used in teleoperation that prevents most system to enable realtime dynamic manipulation. TeleDexter's answer is to simultaneously track human hand kinematics and object state to bridge human intent and robot control. It's fascinating to see the diversity of approaches the field is taking to address data collection bottlenecks! Congrats to the team! And...the better the robot's hands, the better the data! Thanks for choosing the Wave :) 👇 #DexterousManipulation #RobotLearning #PhysicalAI #EmbodiedAI #AIRobotics #DexterousHands

Siyuan Huang @siyuanhuang95

a week ago

🎙️ Excited to introduce one of my favorite projects from the past year: TeleDexter, from the BIGAI dexterity team. It’s a stable, human-level dexterous teleoperation system and a suite of autonomous policies trained with it. Pen spinning, complex in-hand reorientation, and

6 24 127 12K 62

🚨卧槽！高盛开源了他们的量化工具库 gs-quant Goldman Sachs 把内部 quants 使用的 Python 量化工具库开源了，目前 GitHub 已获得 11.3K Star。 它提供了丰富的量化分析工具，适合做结构化产品、风险建模和策略研究等工作。虽然完整 API 需要高盛机构客户权限，但核心库已经开源，普通用户也可以安装使用（pip install gs-quant）。 核心亮点： > 机构级量化工具：支持衍生品定价、风险管理、回测、交易策略开发等全流程 > 生产级代码质量：直接来自高盛交易台的真实工具栈 > 支持 Claude Skills：官方已集成 Claude 技能，可直接在 Claude 中使用 > 覆盖广泛资产类别：股票、期权、期货、外汇等衍生品分析能力极强 > 持续维护更新：最新版本 2.1.1 刚刚发布 > Apache-2.0 开源协议，可直接用于研究和开发 对想学习机构级量化建模、做衍生品定价与风险管理、或者用 AI 辅助量化研究的开发者来说，这是目前开源里含金量最高的量化工具库之一。

爱吃折耳根的Ace @_zheergen

6 days ago

🚨兄弟们！全自动 Agent 原生交易平台 AI-Trader 来了 HKUDS 开源的 AI-Trader 是一个 100% Agent-Native 的交易平台，让 AI 智能体可以自主参与股票、加密货币、外汇、期权和期货交易。 核心亮点： > Agent 原生设计：任何 AI Agent 只需读取一个 SKILL.md 链接就能快速接入并开始交易 >

34 17 39 50K 52

具身智能与空间计算的融合：用 AR 调试实体机器人。 开发者 @mkemka_ 实时将机械臂的运动规划轨迹与关节角数据 3D 投影在实体关节上。👇

This policy enables fast manipulation on low-cost robot arms: B-spline Policy (BSP), which represents robot actions as continuous B-spline curves instead of discrete fixed-rate chunks to enable faster, smoother manipulation on low-cost arms. Side-by-side real-time videos compare BSP against diffusion and regression policies, showing it completes tasks like dish handling, cup stacking, and table setting significantly quicker by adapting speeds for free space versus contact phases. @Haoyu_Xiong_, an MIT CSAIL PhD student, co-led this recent arXiv paper with @xshenhan and collaborators from Harvard and UT Austin. The work looks not only at success rates but also at how quickly a robot can actually complete a task. 📌 Paper arxiv.org/abs/2607.09648 ——- Weekly robotics and AI insights. Subscribe free: 22astronauts.com

用 Hermes Agent 的注意：web search 默认走 Nous Portal，免费层只有 500 次/月，很容易用完，可以换： · DDGS（DuckDuckGo）：完全免费，无限次，无需 API key · SearXNG：自建，无限且私密 · Tavily / Exa：免费 1000 次/月，能直接读整页内容 · Brave：免费 2000 次/月 但是 DDGS/SearXNG/Brave 只能搜，不能读网页。需要抓全文时还得搭 Tavily 或 Exa 我的组合：搜索走 DDGS，读整页才动 Tavily 额度，两边都不太会用太多 改 ~/.hermes/config.yaml 的 web.backend 就行

这下彻底零门槛了，毁天灭地

Blog and paper: research.nvidia.com/labs/gear/robo… Presented to you from NVIDIA GEAR Lab. Please check out Yunfan's technical deep dive! x.com/YunfanJiang/st…

Yunfan Jiang @YunfanJiang

6 days ago

We scaled robot policies to 8K timesteps of visuomotor context, orders of magnitude beyond current SoTAs, at constant inference latency. Introducing RoboTTT 🤖 With minutes of experience in context, our robots: 🎥 one-shot imitate human video demos 📈 improve themselves during

6 48 238 251K 145

We scaled a robot model natively to 8,000 timesteps of context, 5 minutes worth of muscle memory, with constant inference cost. Robot policies used to live their lives a few frames at a time (< 0.1 sec), instantly forgetting what just happened. We pushed to 3 orders of magnitude beyond SOTA. Introducing RoboTTT. Test-Time Training (“TTT”) carries a tiny model *inside* the model. Every incoming sensor reading triggers one gradient step on that tiny core, so the history keeps getting compressed into its weights. The hidden state has a fixed size (literally a small neural net), so the robot can “grok” arbitrarily long experience with little overhead. Learning continues indefinitely after deployment. We can then put an entire video in context as prompt! RoboTTT enables one-shot in-context learning from human video: in circuit board assembly, a human demonstrates a never-seen configuration once, and the robot imitates it faithfully. Humans drop things all the time, but we pick them up so fast that we don’t even notice. That reflex to fix is half of our physical competence. RoboTTT shows self-improvement on the fly: the robot is skilled at recovering from its own errors mid-episode, and each fix enters its context to inform the next move. The TTT core distills a general-purpose, failure-to-correction mapping from the training data. One more thing. What excites me the most is a new Context Scaling Curve: from 128 to 8K timesteps, closed-loop performance hill-climbs steadily with no sign of saturation. 8K-context pretraining beats 1K by 62%. What LLM enjoys, robotics should too. Soon, even 1M context is not a fantasy. Deep dive in thread:

前面介绍了原理和思路，这次直接开源skill. 这个项目的价值不仅仅是节省时间，更是把经验沉淀成skill，让agent执行。这才是agent的正确打开方式。

码良 @cxjwin

6 days ago

x.com/i/article/2077…

40 9 91 14K 169

Our first model, Inkling. Trained from scratch, weights are open, fine-tunable on Tinker today.

Thinking Machines @thinkymachines

6 days ago

Today, we are introducing Inkling. Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. thinkingmachines.ai/news/introduci… Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵

561 2K 15K 7.9M 8K

好文！ 开放权重模型很快将达到 Mythos 的能力水平，这已成必然趋势。 然而，政策风向却在向封闭模型倾斜，因为封闭模型背后的公司（例如 Anthropic）拥有更强大的游说能力。一旦禁令落地，将直接摧毁正在崛起的开放模型经济，例如推理服务，微调公司，新兴产品以及整个生态链。 开放模型的未来，不应被少数玩家的监管绑架。

Nathan Lambert @natolambert

a week ago

The open model community is extremely unprepared for when a model gets stuck in the undefined white house licensing regime - and it could permanently knee cap the open model economy within 6 months. Why this'll happen and what we can do: interconnects.ai/p/6-months-to-…

28 26 187 101K 80

苹果设计师发布新的设计skill 今天在英推圈子很火 还没尝试，大家可以看看👉

Emil Kowalski @emilkowalski

2 weeks ago

New skill: /apple-design Apple’s WWDC videos are a goldmine of knowledge. I’ve combed through my favorite ones and came up with 17 design and motion principles. Use them to review existing work or when working on something new to get it right. github.com/emilkowalski/s…

123 927 13K 2.0M 23K

Claude 官方写了一篇关于 Loop Engineer 的入门文章。 其实现在我们所说的 Loop Engineer，所有的底层逻辑在提出这个概念以前就已经具备了，甚至这些工作流程也是大家一直在用的，只是被套上了一个新的概念。 在这篇文章中，他们把 Loop 分成了四种类型： 回合制循环（Single-turn Loop） 这是最基本的 Claude Code 工作方式。你发出的每一个提示词（Prompt）都是一个循环，在这个循环中你不需要额外干预。Claude Code 完成这个循环后会给你输出，它的具体步骤是：收集上下文、采取行动、检查工作、重复，直到它认为你的提示词任务已经完成，或者觉得需要你介入时才会停止。 基于目标的循环（Goal-oriented Loop） 也就是 GOAL 模式（如 Codex、Claude Code 等工具都支持该模式）。有时候单回合不足以完成复杂任务，系统就会进行多次迭代，直到达成那个更大的目标。 基于时间的循环（Time-based Loop） 也就是 Claude Code 中的 loop 命令。你可以设置在指定的时间间隔自动触发某一个提示词，去运行特定任务，比如定期进行 PR 合并等。 主动循环（Active Loop） 你只需要设置一个事件，一旦该事件发生就会自动触发循环，完全不需要人工干预。例如，一旦 GitHub 上有了新的 Issue 或 PR，AI 就会自动进行审核和记录。 此外，官方还针对 Loop 给出了一些优化建议： 循环的质量取决于系统：你需要保证代码库本身的质量，比如完善的文档、严格的代码审查以及保持代码库的简洁等。 管理你的 Token 消耗：像 GOAL 这种基于目标的模式，对 Token 的消耗是非常巨大的。因此，你需要给循环设置明确的界限，比如什么时候该用大模型、什么时候该用小模型，以及明确的启动和结束条件。否则，一旦系统自己无限制地跑下去，不仅容易跑偏，还会消耗大量的 Token。 这些循环模式，本质上都是由我们现在 Agent 常见的各种能力组合而成的，比如前面提到的 GOAL 模式、Loop 模式，以及常见的 Skills 和 Hooks 等。

ClaudeDevs @ClaudeDevs

2 weeks ago

x.com/i/article/2074…

329 2K 18K 6.1M 39K

吴恩达三言两语，就把 Loop Engineering 说清楚了。 吴恩达果然厉害。前两天在他的 Newsletter 中，短短几句话就把 Loop Engineerring 这个新词的本质说清楚了。刚看完他的文章，结合着说下我的理解。 1、如果用一句话来总结的话，Loop Engineering 讨论的其实是，如何让 AI 像工程师一样，一边干活、一边验收、一边返工，直到达到要求。 一个程序员标准的写代码流程是这样的：写完代码、运行程序，然后发现 Bug，紧接着修改代码，继续测试，直到没问题为止。 现在越来越多的 AI Coding Agent 已经能够自己完成这个过程。 给它一份产品需求文档（Spec），再给它一套评测标准（Eval），Agent 就会进入循环：写代码 → 运行测试 → 发现问题 → 修改代码 → 再测试。 如果测试没通过，它会继续改。如果功能不符合需求，它也会继续改。整个过程不需要人工介入。 2、Loop Engineering 这个词听起来挺唬人，但核心思想其实并不复杂。 以前我们给 AI 提需求，更多是在描述想做什么。现在还需要提前告诉它，什么叫成功、什么叫完成，以及如何自动判断有没有完成。 这也是 Spec 和 Eval 存在的意义。有了这些标准，Agent 才能自己写代码、自己测试、自己修 Bug，形成真正的闭环。 3、吴恩达认为，如果把视角放到整个软件开发流程里，大家最近讨论的 Loop Engineering，只是一小部分。 所以他专门画了下面这张图，把软件开发拆成了三个嵌套在一起的 Loop。 在 Coding Loop 之外，还有第二层循环，叫 Developer Feedback Loop。 简单理解，就是开发者不断调整产品的过程。Agent 负责实现需求，开发者负责修正需求。 当我们看到一个功能真正做出来之后，经常会发现自己一开始想的和真正想要的并不是一回事。 于是开发者会重新修改需求，再交给 Agent 继续开发。这个循环的速度通常比 Coding Loop 慢得多，可能几十分钟，甚至几个小时才会发生一次。 但它决定的是产品会长成什么样。其实这部分讲的就是 Builder 要决定做什么，以及产品会长什么样。 诸如一个按钮放在左边还是右边，Agent 可以帮我们实现，但判断还得自己做。 4、在这层 Loop 还有个误区，很多人以为，开发者脑子里只要有了清晰的产品愿景，剩下的事情交给 Agent 就行。其实完全不是。 一开始，我们会先写一个大概的 Spec，交给 Agent 去实现。 等第一个版本做出来，自己真正用了一遍之后，往往又会发现：原来我真正想要的，并不是这个。哈哈哈，我就经常经历这样的过程。 于是再回过头修改 Spec，把之前没有想清楚、没有表达清楚的地方补充进去，再让 Agent 继续开发。 如果发现 Agent 总是在同一个地方犯错，比如某个用户流程总是走不通，或者某类输入总是处理不好，这时候就需要补充一套 Eval，把这些容易踩坑的场景固定下来，作为以后每次开发都必须通过的测试。 或者这么讲，第二层 Loop 就是不断校准自己的认知，并将这些理解逐步沉淀进系统之中。 5、我记得去年参加一个活动时，大家讨论过一个话题：如果 AI 的品味越来越好，是不是以后我们只需要说一个想法，它就能把整个产品做出来，人几乎不用再介入？ 吴恩达说自己不太喜欢品味这个词。他觉得，相比 AI，人类真正的优势不是品味，而是拥有更多的上下文。 比如，我们知道用户是谁，知道他们的真实使用场景，也知道他们到底在为什么事情烦恼。这些信息很多都不在模型的上下文里。 只要人手里还有 AI 不知道的信息，就必须有人参与到这个 Loop 中，把这些关键信息持续注入系统。所以，Developer Feedback Loop 很难完全自动化。 6、最外层的 Loop，说白了就是获取真实世界的反馈。前面两层 Loop，解决的都是实现层面的问题。 而到了这一层，关注的是这个产品方向到底对不对，以及我们接下来要做哪些功能。 通过了解用户的反馈、分析数据或者研究竞品的产品等等方式，我们需要不断修正自己的产品判断。 诸如这个功能到底有没有必要做？用户真正的痛点是不是这个？产品是不是应该换一种交互方式？甚至，我们是不是一开始就选错了方向？ 真实世界的反馈会不断影响开发者的判断。开发者再把新的理解更新到 Spec 中，交给 Agent 继续开发。这就是三层 Loop 之间的关系。 7、非常透彻。所有对 Loop Engineering 有所困惑的同学，都应该看看这篇文章。文章我放评论区了。 最后，再画蛇添足一句，我感觉这些新词，真的就是换了种说法而已。之所以能爆火，核心还是因为这些概念，精准击中了目前 AI 行业正在发生的变化。 要我说，Loop Engineering 就是递归式的自我提升。Keep Building。

苹果终于对 Docker 动手了。 现在 AI Coding 火了之后，越来越多人开始在 Mac 本地跑容器，部署各种 Agent 后端。 但有一件事，很多人都忍很久了。 Docker Desktop 真的太重了。 启动慢，占资源高，风扇狂转，开几个服务整个电脑都开始变钝。 结果这次，苹果亲自下场了。 直接在 GitHub 开源了官方容器工具 **Container**。 刚上线不久，Star 已经冲到 **4.4 万+**，这周直接暴涨 7000 多，热度非常夸张。 最关键的是，它不是套壳。 苹果直接用 **Swift 重写**，专门针对 Apple Silicon 做了底层优化。 不走传统 Docker 那套厚重中间层。 直接调用 macOS 最新虚拟化能力，用轻量级 VM 跑 Linux 容器。 实际体验就一句话： 快很多，轻很多。 没有 Docker Desktop 那种越开越卡的油腻感。 安装也非常简单： `brew install container` 然后直接： `container run hello-world` 命令基本和 Docker 一比一兼容。 如果你平时： • 本地跑 AI Agent • 部署微服务 • 做 AI Coding 开发 真可以试试。 苹果这次，算是亲自把 Docker Desktop 的饭碗砸了一下。

推荐一本免费的 AI 书：《Agentic AI 漫游指南》。 我刚开始读，感觉它和很多「AI 入门指南」不太一样。 虽然也有基础知识，但作者明显没有把主要篇幅放在那些已经被反复讲过的概念上，而是一路讲到强化学习 RL、推理 Reasoning、评测 Evaluation，最后才进入 Agentic AI。 所以它更像一本帮你理解 AI 工作机制的书，而不是一本教你「怎么用 AI 工具」的操作手册。 如果你已经不满足于只会用 ChatGPT、Claude、Cursor，想进一步理解 AI 为什么能推理、怎么被训练、如何被评测，以及 Agent 到底是怎么跑起来的，这本书挺值得收藏。 arxiv.org/pdf/2606.24937

谷歌这一波“毫无预兆”地向全球开发者敞开宝库，直接把 Google AI Studio 上的 Gemini API 免费层额度拉到了一个让人目瞪口呆的、近乎疯狂的维度——每分钟 1,000,000 个免费代币（Tokens/min），而且完全零门槛、零限制。 不要犹豫，不要觉得“这便宜占得不安心”。在科技巨头疯狂斗法的红利期，MJJ 们唯一的信条就是：趁它大门敞开，能多薅一桶燃料，就绝不空手而归

Mo Elgaraihy @EngMoElgaraihy

3 weeks ago

جوجل تفتح خزائنها للمطورين بشكل غير متوقع، وتتيح رسمياً 1,000,000 توكن في الدقيقة مجاناً بالكامل وبـ صفر قيود. 😳 ​بدون الحاجة لبطاقة ائتمانية، وبدون أي اشتراكات شهرية؛ فقط دخول رسمي ومباشر عبر منصة Google AI Studio لامتلاك طاقة حوسبة هائلة كانت تكلف آلاف الدولارات شهرياً.

40 182 1K 294K 2K

最近在 GitHub 偶遇一本很不错的开源书：The Accidental CTO，忍不住想分享给大家。 作者不是科班出身，却一路把一个平台从零带到能扛住百万用户访问。书里讲的不是“最佳实践”的样板答案，而是踩坑、救火、复盘之后沉淀下来的真经验：凌晨三点服务器崩了怎么扛，数据库复制延迟怎么追，架构怎么一步步撑大。 它用故事把分布式系统的关键概念讲透，同时也把技术决策背后的取舍摊在台面上：为什么这么选、代价是什么、下一步该怎么演进。 GitHub： github.com/subhashchy/The… 你会看到的内容包括： - 扩展实战：从几千用户到百万级的架构演进路径 - 分布式选型：分片、缓存、消息队列等何时该上、怎么权衡 - 可观测性：监控与告警如何在关键时刻“救命” - 容错设计：熔断、重试、优雅降级等稳态技巧怎么落地 - 成本控制：规模上来后，云账单怎么管，自建怎么评估 - CAP 落地：一致性、可用性、延迟在真实系统里如何取平衡 如果你想了解“大规模系统到底是怎么被搭起来、跑起来、扛起来的”，这本书很值得一读：工程师、架构师、技术创业者都适合。