用它们来做 bot 头像 不是更可爱吗？

这真的是中登最好的时代，有历史积累和审美素养的 AI 创作者，不断创作出惊艳作品。

观 Opus 5.5 做视频有感。

当然，少一些拿别人的分享，改几个提示词宣布自己开源，多一些引用来源更好。

Qwen-Image-2.1 7B 挺不错的～
原生支持透明底图生成，以及最多10张参考图的全局编辑，是让我眼前一亮的两个点。

Adob​​e 股票可以再跌一点～

X 这个桌面小组件还挺方便，

btw iOS 27 丝滑的不像话

RSS订阅工具，目前在 Folo 和 inoreader 中摇摆不定，
总不能真的在 Obsidian 中再造一遍吧～

还想要一个媲美 Reeder 的阅读器。

无法想象在超市买了食材，回家做什么饭被监控不说，
卖菜老板还要评价我做的差，因为不是“白人饭”

推荐几部日漫➡️
如果你二十多岁，推荐你看 《强风吹拂》；
如果你三十多岁，推荐你看 《摇曳露营△》；
如果你四十多岁，推荐你看 《悠哉日常大王》。

“语言即世界”，或许只是人类的一种自大。

这一轮 AI 的成功，很大程度上得益于 LLM 的突破。而语言，本身就是人类使用了上千年的思考工具。

维特根斯坦说过：
我语言的边界意味着我的世界的极限。

我们使用语言来思考和描述世界，但能够被描述的世界，并不一定就是世界本身。
处于马车时代的人无法想象今天的汽车，农民也只能想象皇帝耕地一定用的金锄头吧。

我们对未知的想象，很难真正逃离已经知道的东西，今天的 LLM 也面临类似的问题。它们学习了几乎所有人类的知识，越来越擅长回答已知的问题。

但如果答案根本还不存在呢？

这个时候，“生成一个看起来合理的答案”其实没有太大意义。

最近读了
@Apodex_AI
及其创始人
@tianqiao_chen
发布的论文和观点，里面抛出的核心问题非常深刻：

怎么让 AI 在一个答案尚未知、过程也尚未定义的现实问题里，持续行动、得到反馈、验证自己、修正自己，最后得到一个值得相信的结论？

过去我们使用AI，是人给 Prompt ， AI 在已有 Context 中寻找答案。

但做未知领域的研究发现，我们需要另一套逻辑，让 AI 可以调用工具、运行代码、搜索证据、提出假设，再根据实验或环境返回的新信息不断修正自己的判断。

基于这个思路，Apodex 做了一个叫 TRACES 的 “Benchmark”。

把 Model、Tools、Memory、Harness 和 Agent Loop 放在一起，形成一个完整的 Solver System，基于此作为新的评估基准。

T (Tools)：有没有选对并用对工具？
R (Repair)：遇到错误后能否自主修复？
A (Alternatives)：是否评估了其他可能的假设？
C (Coherence)：长路径探索中逻辑能否保持一致？
E (Evidence)：结论是否有真实证据支撑？
S (Scope)：是否清晰界定了结论的边界与局限？

在此模式下，AI 获得的 Context 不再仅依赖初始 Prompt，是在与环境的持续交互中动态涌现。评估视角也随之改变：比起单次输出的“答案正确与否”，系统更关注这个答案“究竟是如何被推演和验证出来的”。TRACES 重点评估的是探索未知答案的逻辑严密度。

论文开头用 Apollo 登月做类比，十分精辟： 真正让人类登上月球的，不只是几个天才工程师，而是一整套围绕目标建立起来的工具、系统、反馈与持续纠错机制。

面对复杂未知，单纯的语言智能固然重要，但让智能沿着可靠路径持续自我迭代的系统，才是未来。

UU 远程，理论上有了高质量的 “computer use” 数据，
网易会做自己的 Manus 吗？

Minimax H3 你的结果是入局！

从H3发布到现在，目前视频生成的效果估计 Minimax 自己没有想到吧，股票都跟着涨了一轮。
这得益于社区内各路大佬、组织的二次优化。

当一个模型出厂可能仅 70 分，由于开源开放，全世界的开发者都能参与进来，完全可以帮它做到 90 分。

我发现有很多这类模式的成功产品：
Obsidian 的第三方插件、Comfyui 的第三方节点、包括现在火爆的 Omarchy 等等 ，都有自发的第三方开发者，自愿为爱发电。

回到大模型领域，各厂开源“大“模型，不如开源“小”模型，能让一些家用级别的设备也能参与进来，反而可能会促进自己下一代模型的进步。

开源 100 T 的模型，约等于没有开源。