吴说获悉，Casa 联合创始人 Jameson Lopp 发文表示，旨在追踪政府官员加密持仓的众包开源数据项目网站 BitcoinPoliticians 已根据今年最新公开的财务申报文件完成数据更新。统计结果显示，在美国参众两院共 535 名国会议员中，仅有 5% 的议员正式申报持有加密货币或相关数字资产。

读知乎回答有感，浅谈一下后训练 benchmark Any benchmark will be saturated，而随着工业界后训练的发展，reasoning / coding 的 benchmark 越来越泛化 / 众包化。其实 LLM eval 一直是个草台班子，每家都可以有自己的 setting，而任何 setting 只要不被强行统一就存在操作的空间，最早可以调 temperature / top_p / length，后来可以调 harness / setting。 AA 给出了一个相对“规范”的 setting，让大家都听它的而不是野蛮生长，但这并不 make sense。只要评测非中心化就一定存在 noise，任何结果都可以是 cherry pick 后的，而 AA 官方的 95% 置信度结果就成了 judge 模型能力的标杆。 代价是什么呢？模型如果没有很亮眼的 AA 分数，即使精心打磨体感 / working / CUA，无人在意，这本质也是模型要 sell 就要迎合表面主流的评测中心化组织。 至少我们可以从每家基模厂、每个新模型的发榜看出来大家并不会被 AA 所局限，而 OSWorld v2、ALE、TB4 / TB-Sci 等 frontier 众包 benchmark 已经告诉我们：最 frontier 的能力一定是最通用的能力，而 agent 已经站在了单 domain 能力的肩膀上。 现在的职业任务分为三类，已经被 AI 训练好的，无法被 AI 训练的，还在被 AI 训练的。所有能归纳在 Computer Use 的都是第三类，而模型如何解决第三类职业任务仍需要数年的进化。 这些众包 benchmark 越来越变成第三类任务的闭包，决定了未来数个月内基模团队的优化方向，而越是 frontier 的 benchmark 就越有 noise。如果 benchmark 团队不为自己的错题率负责，只会诞生越来越多的错题 benchmark：GPQA-Diamond，HLE，充斥大街的弱模型 judge。 为了消灭 LLM-judge 所引发的不确定性，众包 benchmark 一定会越来越商业化，而 evaluation 一定会在短暂的时间内迎来大洗盘。

Olibeater： 当社区里所有的 Issue、PR 和 Comment 都由 AI 生成时，人和人之间的情感连接就消失了，社区完全变成了一个 Token 众包的生产模式。 花了半天时间古法 Review 代码，对方一分钟就改完，再让你 Review 时的那种绝望感，很多开源社区的 Maintainer 应该都体验过。 而且在大量使用 AI 编程后，自己和项目之间的情感连接也变淡了，感觉这是 AI 生出来的野孩子，自己也莫名其妙地从孩子亲妈慢慢变成了后妈。 然后我就开始产生虚无主义了，觉得一切事情 AI 都能做，自己做什么都没有意义了。 你看，开源大佬们都遇到了过不去的坎

CNN放出消息称，美国中央司令部情报部门的一名官员上周三向大批军事分析人士发送邮件，“我们正在寻找新的、富有创意且非常规的方式来向伊朗施压和惩罚。” 军方官员表示，这种通过电子邮件发起的众包式征询实属罕见，这表明特朗普在迫使伊朗接受其条件方面，可选择的方案有限，而且可能并不理想。

这年头其实可以搞一个ai改造所 专门改造失业群众 白天带着失业群众学用ai 晚上给企业老板开ai沙龙 从企业拿单子 第二天又众包给失业群众 一份学费 送一杯无限续杯的白开水 店里小吃餐饮另算钱 学员工资回收计划 改造一个月出师 都是按学费给座位 一点儿不空 这效率杠杠的 出师了企业要的话 还能分配再就业 再赚个猎头费 开什么茶餐厅咖啡馆啊 搞ai主题沙龙线下场所完事了 饮品就叫什么 gpt5.5 fable glm5.2 还能拉一堆模型冠名赞助 讲师就从各大ai startups出 他们不是要推自己的产品吗 来这里宣传 正好每天开个24小时直播间 线上获客也完事了 这年头ai啥都能干 但真实的场域 是难以替代的

🧑‍🏫 兄弟们，想把 C 和 Linux 系统编程真正啃透的，伊利诺伊大学这本 Coursebook 直接免费拿去读 GitHub 上 2200+ star、两百多个 fork，它就是伊利诺伊大学厄巴纳-香槟分校 CS 341 系统编程课在用的教材 系统编程这块最难受的是资料断层：入门书讲到指针就收尾，真要搞懂进程、内存、文件描述符和并发，又只能去啃手册和大部头，翻两页就想放弃。Coursebook 假设你已经上过一门编程课、见过汇编指令，从这个起点接着往下讲，代码和讲解全是 C。 它最早是 Angrave 教授发起的一个众包 wikibook 实验，后来被课程社区接着做成了正式教材：补引用、补脚注、补延伸阅读和术语表，把当年野生的内容一点点做严谨，同时保持谁都能读、谁都能改。 想在电脑上看、想打印出来、想丢给 AI 当资料，pdf、markdown、html 三种导出格式都有，构建还是自动化的。 一门大学核心课的教材完全摊开在 GitHub 上，这事本身就挺了不起。 GitHub：

🔥为什么机器人学了上万条轨迹，换个杯子就傻了 玩 Axis @axisrobotics 轨迹任务一段时间。浏览器里遥操机械臂，几分钟采一条轨迹，上传拿积分。社区几天堆出上万条数据，听起来很高效。 可正是这种“高效”，让问题暴露得更清楚。 不管实验室真人遥操，还是 Axis 的仿真众包，本质上都是让机器人“背答案”。它记住的是：在这个角度、这个光线、这个材质下，手臂该走哪条路径。场景一换，哪怕只是把陶瓷杯换成玻璃杯，成功率就崩了。 问题出在哪？ 大语言模型有整个互联网当教材。文字、代码、网页，知识早已被数字化，躺着等算力挖掘。机器人面对的是物理世界。杯子有没有水，桌面有没有油污，摩擦力变了多少。这些细节人类天生能判断，机器人没有内置模拟器，只能靠一条条轨迹硬记。 更糟的是试错成本。大模型猜错词，重新生成就行。机器人摔一次零件，代价是灾难性的。于是大家躲进仿真，让用户在虚拟环境里失败几百万次。这很聪明，但仿真永远差一口气：光线折射、材质磨损、湿度变化，电脑模拟不全。 所以杨立昆、李飞飞反复提醒：机器人需要世界模型，不是识别物体，而是能推演“如果我动了，世界会怎样”。没有这层能力，它永远是背题机器。 Axis 的闭环设计在往这个方向走，但收集的依然是轨迹，不是物理因果。而这类数据，地球上几乎为零。 这也是为什么宇树把机器人卖到万元级，出货量全球第一，买家却多是高校和实验室。他们买硬件，只为采集稀缺的物理数据。硬件不赚钱，但作为世界模型的数据入口，资本愿意给高溢价。 历史反复提醒我们：方向没错，速度常被高估。互联网泡沫、自动驾驶狂热，都是前车之鉴。具身智能是终极未来，在今天，它也是一场资金泡沫。商业世界不靠惊叹盈利，只靠不可替代赚钱。 在机器真正理解这个世界之前，所有高估值，都只是提前冲向尚未到来的未来。 #宇树科技# #PhysicalAI# #Robotics# #EmbodiedAI#

新手跑外卖必看•避坑指南 1.别信高收入洗脑，新手一天几十到一百很正常 2. 取餐时找不到商家，不要犹豫，直接打商家电话问，或者问路过的骑手 3. 工作日午高峰，不要接写字楼、医院的订单 4.众包超时就超时，千万不要去赶、闯红灯 5. 蛋糕单一定要少碰；大型商超的单，一定看下重量 6. 帮丢垃圾一定要小心，只丢门口普通外卖垃圾，不明物品、尖锐、液体一律不碰，最好拍照留证，防止被坑 以上是本人学到的一些经验，欢迎大家补充