即刻App年轻人的同好社区
下载
置顶“我喜欢看到欣欣向荣的世界”
国内已经有很多创业者社群了，但 builder的社群比较少
有时候，不考虑盈利，纯粹做一个喜欢的事情也是挺不错的
————Hackathon Weekly 北京01场纪念
国内已经有很多创业者社群了，但 builder的社群比较少
有时候，不考虑盈利，纯粹做一个喜欢的事情也是挺不错的
————Hackathon Weekly 北京01场纪念
114 138
突发！OpenAI宣布GPT-5.6大降价！！
OpenAI刚刚宣布，他们决定即刻起对GPT-5.6系列模型进行降价！
GPT-5.6 Luna降价80%，输入价格降至每百万Token 0.20美元，输出1.20美元。
GPT-5.6 Terra降价20%，输入价格降至2美元，输出12美元。
GPT-5.6 Sol标准价格不变，但API新增Fast mode：智能水平不变，速度最高达到标准模式的2.5倍，价格为2倍。
OpenAI还将ChatGPT和Codex CLI中的Auto-review模型从GPT-5.4升级到GPT-5.6 Luna。
结合新价格，OpenAI预计自动审阅的成本将下降约10倍。
这次更新真正值得注意的地方，是降价的原因：
GPT-5.6Sol自己优化了自己的推理，导致成本和骤降。
此前，OpenAI让GPT-5.6 Sol进入Codex，分析真实生产流量、优化负载均衡，并自主重写生产环境中的GPU内核，最终让端到端推理成本下降20%。
随后，Sol又为自己的推测解码模型设计并运行了数百次实验，使Token生成效率提高15%以上。
模型训练层面的递归自我改进还没有出现，但模型优化自身运行基础设施、再将收益转化为价格优势的商业闭环，已经跑起来了。
接下来的AI价格战，可能会由模型亲自下场打。
降完价后GPT5.6-Luna的性价比要比DeepSeek V4 Pro预览版要好了
@deepseek_ai梁叔叔你倒是发力啊😭
OpenAI刚刚宣布，他们决定即刻起对GPT-5.6系列模型进行降价！
GPT-5.6 Luna降价80%，输入价格降至每百万Token 0.20美元，输出1.20美元。
GPT-5.6 Terra降价20%，输入价格降至2美元，输出12美元。
GPT-5.6 Sol标准价格不变，但API新增Fast mode：智能水平不变，速度最高达到标准模式的2.5倍，价格为2倍。
OpenAI还将ChatGPT和Codex CLI中的Auto-review模型从GPT-5.4升级到GPT-5.6 Luna。
结合新价格，OpenAI预计自动审阅的成本将下降约10倍。
这次更新真正值得注意的地方，是降价的原因：
GPT-5.6Sol自己优化了自己的推理，导致成本和骤降。
此前，OpenAI让GPT-5.6 Sol进入Codex，分析真实生产流量、优化负载均衡，并自主重写生产环境中的GPU内核，最终让端到端推理成本下降20%。
随后，Sol又为自己的推测解码模型设计并运行了数百次实验，使Token生成效率提高15%以上。
模型训练层面的递归自我改进还没有出现，但模型优化自身运行基础设施、再将收益转化为价格优势的商业闭环，已经跑起来了。
接下来的AI价格战，可能会由模型亲自下场打。
降完价后GPT5.6-Luna的性价比要比DeepSeek V4 Pro预览版要好了
@deepseek_ai梁叔叔你倒是发力啊😭
11 32
卧槽，美股半导体被中国光刻机砸盘了。。
据The Information报道，中国一家国资背景企业已经开始小批量生产国产浸没式DUV光刻机。
今年预计生产约5台，2027年增加到20台，计划交付给中芯国际、华虹和长鑫存储。
机器目前在性能、可靠性和制造质量上仍然落后于ASML，距离真正成熟还有很长一段路。
只看这几个数字，市场似乎确实反应过度了。
5台机器，性能还不如ASML，怎么可能威胁一家垄断全球高端光刻机市场几十年的公司？
但资本市场交易的是未来。
实验室里造出一台样机，只能证明技术路线勉强可行。
真正送进中芯、华虹和长鑫的生产线，经过精度、稳定性、良率和设备兼容性的长期验证，再根据客户反馈不断修改，才意味着国产光刻机开始建立完整的产业迭代闭环。
第一批机器可能很差，产量也少得可怜。
但只要能够在晶圆厂里跑起来，后面就会产生真实数据、客户反馈、供应链订单和工程师经验。
下一代机器的研发，也终于不用继续对着实验室参数闭门造车。
更关键的是，西方每收紧一次出口限制，都在替国产设备创造一个必须被使用、必须被改进的市场。
ASML短期内依然没有真正的对手。
中国国产EUV目前也还停留在原型阶段，浸没式DUV今年预计只有约5台产量。
但ASML在中国市场的垄断，已经出现了一条可以持续扩大的裂缝。
所以今天半导体跌的，并不是这5台机器对应的订单。
它跌的是一条过去只存在于新闻和PPT里的国产替代路线，第一次真正开始进入晶圆厂。
一台性能更差的机器不足以威胁ASML。
一条能够持续获得订单、数据和客户反馈的国产供应链，足以让市场重新定价。
据The Information报道，中国一家国资背景企业已经开始小批量生产国产浸没式DUV光刻机。
今年预计生产约5台，2027年增加到20台，计划交付给中芯国际、华虹和长鑫存储。
机器目前在性能、可靠性和制造质量上仍然落后于ASML，距离真正成熟还有很长一段路。
只看这几个数字，市场似乎确实反应过度了。
5台机器，性能还不如ASML，怎么可能威胁一家垄断全球高端光刻机市场几十年的公司？
但资本市场交易的是未来。
实验室里造出一台样机，只能证明技术路线勉强可行。
真正送进中芯、华虹和长鑫的生产线，经过精度、稳定性、良率和设备兼容性的长期验证，再根据客户反馈不断修改，才意味着国产光刻机开始建立完整的产业迭代闭环。
第一批机器可能很差，产量也少得可怜。
但只要能够在晶圆厂里跑起来，后面就会产生真实数据、客户反馈、供应链订单和工程师经验。
下一代机器的研发，也终于不用继续对着实验室参数闭门造车。
更关键的是，西方每收紧一次出口限制，都在替国产设备创造一个必须被使用、必须被改进的市场。
ASML短期内依然没有真正的对手。
中国国产EUV目前也还停留在原型阶段，浸没式DUV今年预计只有约5台产量。
但ASML在中国市场的垄断，已经出现了一条可以持续扩大的裂缝。
所以今天半导体跌的，并不是这5台机器对应的订单。
它跌的是一条过去只存在于新闻和PPT里的国产替代路线，第一次真正开始进入晶圆厂。
一台性能更差的机器不足以威胁ASML。
一条能够持续获得订单、数据和客户反馈的国产供应链，足以让市场重新定价。
16 117
卧槽？！沉寂两年的Ilya终于出来了！
Ilya创办的SSI刚刚宣布与NVIDIA达成长期战略合作。
NVIDIA会对SSI进行一笔重大投资，并提供下一代Vera Rubin系统，在未来12个月内把SSI的算力扩大10倍。
更关键的是，NVIDIA是在看过SSI高度保密的研究成果后，才决定正式下注。
Ilya对外只透露了一句话：We have research that is worthy of scaling up.
伊利亚对外只透露了一句话：我们有一些值得进一步推进的研究。
SSI成立两年以来，没有公开模型，没有产品，没有Demo（之前联创还跑了）。
在此期间Ilya一直在做一件事：先找到真正值得扩展的研究方向，再投入大规模算力。
现在他亲口宣布可以scale，说明SSI大概率已经完成了小规模路线验证，准备进入真正的大规模训练阶段。
不过，目前还不能直接断言他们已经解决了continual learning，或者找到了超越预训练的新范式。
官方只确认SSI过去两年一直在秘密推进一条new research direction，具体方法没有公开。
模型还没出来，围观群众已经替Ilya把论文结论写完了，人类在这方面一向很勤奋。
还有一个容易被忽略的变化。
据《华尔街日报》报道，SSI此前主要依赖Google的TPU。现在它开始大规模采用NVIDIA Vera Rubin，还会用自己的研究洞察，参与NVIDIA当前及下一代计算平台的技术推进。
所以NVIDIA这次提前进入了SSI的研究路线，获得下一代模型对芯片、互联、内存和系统架构的真实需求。
老黄继续用投资锁定最重要的模型公司，顺手把Google TPU最有分量的客户之一拉进了自己的生态。
SSI至今没有公开产品，却已经融资约20亿美元，估值约300亿美元。
现在算力再扩大10倍。
这还不能证明GPT之后的新范式已经出现。
但这可能是目前最强的一次信号。
Ilya创办的SSI刚刚宣布与NVIDIA达成长期战略合作。
NVIDIA会对SSI进行一笔重大投资，并提供下一代Vera Rubin系统，在未来12个月内把SSI的算力扩大10倍。
更关键的是，NVIDIA是在看过SSI高度保密的研究成果后，才决定正式下注。
Ilya对外只透露了一句话：We have research that is worthy of scaling up.
伊利亚对外只透露了一句话：我们有一些值得进一步推进的研究。
SSI成立两年以来，没有公开模型，没有产品，没有Demo（之前联创还跑了）。
在此期间Ilya一直在做一件事：先找到真正值得扩展的研究方向，再投入大规模算力。
现在他亲口宣布可以scale，说明SSI大概率已经完成了小规模路线验证，准备进入真正的大规模训练阶段。
不过，目前还不能直接断言他们已经解决了continual learning，或者找到了超越预训练的新范式。
官方只确认SSI过去两年一直在秘密推进一条new research direction，具体方法没有公开。
模型还没出来，围观群众已经替Ilya把论文结论写完了，人类在这方面一向很勤奋。
还有一个容易被忽略的变化。
据《华尔街日报》报道，SSI此前主要依赖Google的TPU。现在它开始大规模采用NVIDIA Vera Rubin，还会用自己的研究洞察，参与NVIDIA当前及下一代计算平台的技术推进。
所以NVIDIA这次提前进入了SSI的研究路线，获得下一代模型对芯片、互联、内存和系统架构的真实需求。
老黄继续用投资锁定最重要的模型公司，顺手把Google TPU最有分量的客户之一拉进了自己的生态。
SSI至今没有公开产品，却已经融资约20亿美元，估值约300亿美元。
现在算力再扩大10倍。
这还不能证明GPT之后的新范式已经出现。
但这可能是目前最强的一次信号。
15 16
从过去来看，高LTV和低LTV的客户之间的差异可能有几万倍。 //@罗杰儿Jieer: 900万付费企业客户，即使假设是按照多个企业邮箱算多少个企业（不少b2b的算法，不去重）
假设平均每900个账号有一个高消费的付费企业，那真的是非常holy grail了。
不过直觉在高ltv的企业客户上，应该是差出数量级的水平。
直接，盲猜。
假设平均每900个账号有一个高消费的付费企业，那真的是非常holy grail了。
不过直觉在高ltv的企业客户上，应该是差出数量级的水平。
直接，盲猜。
Gavin_C.: 算了下，ChatGPT 到现在应该有 6000 万付费用户： - 今年 2 月 27 日官方披露有 5000 万个人订阅用户 - 另外还有 900 万付费企业客户 - 数据来源：https://openai.com/zh-Hans-CN/index/scaling-ai-for-everyone 截至 7 月 22 日，Codex 和 ChatGPT Work 加起来约有 1000 万周活用户 - 数据来源：Tibo 的帖子 https://x.com/thsottiaux/status/2079609157934886975 因为免费用户也可以使用 Codex 和 ChatGPT Work，所以两者相减说明至少仍有 5000 万 ChatGPT 的付费用户没有活跃使用 Agent 功能（Codex+ChatGPT Work） 那这部分人到底在为什么付费？ 去年 OpenAI 与 NBER 对 150 万次消费者对话进行了研究（出处：https://www.nber.org/papers/w34255），如果粗暴地将大盘的结论套在付费用户身上，那些付费但没使用 Agent 功能（进 Codex+ChatGPT Work）的人，主要可能在做： ·搜索、解释、比较和研究； ·写邮件、文章、方案、简历、营销文案； ·总结、翻译和改写； ·学习、考试、语言练习和技能辅导； ·旅行、购物、职业、健康、财务等决策规划； ·头脑风暴和创意生成； ·文件分析、数据解释、图片和语音使用； ·个人反思、陪伴和生活管理。 整体上，49% 的对话属于咨询、理解和判断，只有约 40% 属于生成内容或完成任务。 这意味着，我们可能高估了人们对“AI 替我工作”的需求，低估了“AI 帮我把事情想明白”的价值。 Chat 不一定只是 Agent 出现前的过渡产品。 “让人变得更聪明”和“直接代替人工作”，本来就是两个独立的巨大市场。 或许 5000 万 ChatGPT 付费用户购买的是更好的模型、更高额度、多模态能力，以及对我更了解。他们购买的是“认知能力”，并不一定是“自动化劳动力”。 而另外一方面，最近针对我们自己（Vertical Agent） 的 onboarding 阶段的用户做了些调研，发现那些不使用 Agent（以 Codex+ChatGPT Work 为例）的并不代表没有工作需求。 很多人会在普通 Chat 界面里完成研究、文件分析和数据处理，然后再手动去那些 SaaS 工具里完成执行，Ta 们只是没有把整项任务交给 Agent 独立执行，调研、给建议、共创的部分已经在让 AI 介入了。 而我们的产品之所以成为 Ta 这辈子第一次使用 Agent 的原因，是我们把大家整体工作闭环里的 SaaS 全部接入了。 比如用户过去因为要投 Meta 广告，需要把自己的投放标的以某一种形式给到 ChatGPT，同时还要把自己的入站用户关键词和画像提供给它。ChatGPT 针对 Ta 的情况做广告的 ABO 洞察，输出几组不同的画像给到用户。 到此为止用户对于 Agent 的交付需求已经满足了。因为 Ta 接下来只需要去到 Meta 的广告后台，把对应的这几组画像以 ABO 的形式手动创建出来就可以了。 那 Ta 们之所以从 ChatGPT 这样的产品转化到我们的 Agent，是因为我们把“最后一厘米”的问题给打通了。也就是说，我们接入了大家工作里涵盖的所有 SaaS，既可以帮他完成咨询、建议和策略制定，在得到 Ta 的允许之后，还可以直接帮他把这个广告配置成功。 所以我觉得 Vertical Agent 创业的本质是在“回答”和“行动”之间，提供这种缺口价值帮助用户把“最后一厘米”的问题彻底解决掉。
5 00
哈哈哈哈，也是我加入lobehub之后才有这么强的感触 //@AJ-opc: 做了挺长时间 AI 落地和 Agent 开发了，这个例子优秀得想转发给客户看看🤣
Max_means_best: 很多人都没意识到，用Agent做事，尤其是Vibe Coding，本质上就是去理发。 前段时间我去理发，拿了一张GPT帮我改过的发型图，问理发师能不能帮我剪成这样。 他明显有点犹豫。 我问他为什么。 他说，这种需求最难。 因为他根本不知道，这个发型是怎么剪出来的。 这只是一张最终效果图。 没有过程，没有侧面，没有背面，也没有告诉他每个地方该留多长。 他只能盯着结果，反推中间步骤。 更麻烦的是，他也不知道自己到底能不能做到。 图片里的效果可能依赖发质、头型、打理方式，甚至可能根本不符合现实。 他既不知道路径，也无法完全确认自己的能力能不能实现。 我当时突然觉得，这不就是今天所有Agent面对的问题吗？ 用户给出的通常只是一个模糊的结果。 但这个结果怎么实现，中间需要哪些步骤，有哪些隐藏条件，用户自己往往也说不清楚。 Agent只能猜。 它要猜用户真正想要什么，也要猜自己应该怎么做。 一个模型可能很会写代码，但它不知道这个项目里会不会遇到没权限的接口、不兼容的依赖、缺失的数据，或者某个自己根本处理不了的问题。 所以Agent面对的，其实是两种不确定性。 第一种是需求不确定性。 用户说想要一个高级的网站。 什么叫高级？ 是视觉高级、交互高级、代码架构高级，还是看起来适合融资？ 用户自己脑子里可能有一个感觉，但很难完整表达出来。 第二种是执行不确定性。 Agent即使理解了目标，也不代表它知道最合适的实现路径，更不代表它一定做得到。 这和理发师拿着一张AI发型图时的状态完全一样。 我又问理发师，那你遇到这种需求，怎么尽量避免剪坏？ 他说，最好的办法就是剪之前先给你看效果，剪的过程中不断问你。 这其实就是一个可靠Agent应该有的工作方式。 执行前，先把自己的理解展示出来。 执行过程中，也不要一口气直接做到最后。 遇到不可逆操作，需要单独确认。 Agent真正需要优化的，并不是少问问题。 它需要学会在正确的时间，问最有价值的问题。 问得太多，用户会烦。 完全不问，最后很容易把头发直接推成三毫米，然后告诉你任务已完成。 而理发师还告诉了我另一件事。 我问他，什么情况下你最有可能剪出一个超过客户预期的发型？ 他说，最好是这个客户已经在我这里剪过很多次。 我知道他的头发是什么状态，知道他喜欢什么，知道他平时怎么打理，也知道他说剪短一点，到底是多短。 这就是Memory真正的价值。 Memory并不只是记住用户上次说了什么。 一个长期合作的理发师，之所以越来越懂你，不是因为他的剪刀升级了。 是因为他逐渐学会了你的审美和验收标准。 Agent也是一样。 真正优秀的Agent，不会只保存聊天记录。 它会逐渐建立一个关于用户的模型，知道这个用户在什么场景下，想要什么样的结果。 所以我现在越来越觉得，Agent的核心并不只是模型能力。 它还包括需求确认、Context管理、过程反馈和长期Memory。 现在很多Agent最大的问题，就是太像一个过度自信的理发师。 用户拿出一张图，说照这个剪。 它回答：明白。 然后低头就是一剪刀。 真正可靠的Agent，必须知道自己不知道什么。
3 00
