❤️‍🔥 第二个插件 Plugin-pedia 上架插件商店，我自己太喜欢这个插件了，它能根据你的问题为你推荐其他插件，非常建议它长期留在你的Chat中。然后它也是一个让 OpenAI 审核团队开了一次特例的插件（在描述中出现了 plugin 词），可以说是检验 OpenAI 是否Open 的一道金线了。 笑死，还帮 Webpilot 作者加了他插件的优先推荐。

周末最后一天简单跑了下 Tinker 的 Quick Start ，一句话总结：就像使用 Huggingface 的 TRL 一样简单，在本地的 jupyter book 上写好代码，看着训练结果在本地输出，但实际训练过程却非常自然的跑在 Tinker 的服务器里，不用担心自己设置的超参会让显存爆炸，还是在让显卡摸鱼，Tinker 会在它的服务器端解决好这些。

除了方便之外，另一个优势就是价格了，这个每百万 Token 的训练价格，让我恍惚了一下以为只是推理的。之前拿来测试的 GSM 8K 这个试题集，跑完一个循环算下来，这里面大多数模型可能都花不了 1 刀。

另一个优势是大多数情况下 Tinker 微调的模型都是用 LoRA 来存储权重变化的，这是因为 ThinkingMachines 一直都比较推崇 LoRA 认为在大多数情况下，LoRA 能够获得和全量微调一样的效果。这样带来的另一个好处是，训练好的 LoRA 所占空间很小 Tinker 基本可以帮你保存在它的服务器端，这样推理的 Router 也可以通过 Tinker 来做了。

工作视角

Tinker 的模型训练价格

Cool！ 可以玩玩 Tinker 了

副作用现在优化代码的时间，比写新代码的时间还久。 好处能看懂自己写的到底是什么了。

Vibe Coding 不下去了，还是看看书了

看完 LangChain 和 Manus 的采访视频，感觉确实 Manus 可能比 Langchain 还懂上下文管理
www.youtube.com

之前有段时间看东西都是打开 Arc 然后再分页一个 ChatGPT 把当前的网址告诉给它。现在用 Atlas 就可以直接用询问 ChatGPT 可以说是非常方便了。

最后为我做了一个总结

做了一个 App 在 ChatGPT 上，实现了人类第一次和 AI 打德州。