#NVIDIA# 以 129.303 亿美元收购🤗#HuggingFace，为什么收购金额有零有整？因为这里暗藏小彩蛋。# 129303 是 U+1F917 的十进制表示，转为十六进制就是 1F917，对应🤗这个表情。 若使用十六进制颜色即 #129303# 则是绿色，与英伟达的品牌色比较接近。 查看全文：

感觉这一轮的新主线开始有些清晰了，即 PayFI AI Agent Meme 正好上一轮差不多也是三个主线 Defi，NFT，X2Earn 简单说一下为什么是这仨 这一轮最大的主题应该是昨天川普获胜演讲时候说的，“Common Sense - 常识”，或者说 Anti-叙事，市场对与To VC， To交易所，只管叙事，只盯着技术/基建的项目已经开始感到恶心，项目必须回归常识 - 你做出来的东西真的要有人用，有人买单（NFT至少大家还能买猴子和Punk当头像装B不是？） 过去两年出现一堆去中心化算力/模型训练/推理项目，你脑补一下如果你是一个正儿八经的AI创业公司，你真的会放弃用Hugging Face，不去AWS或者Azure买云算力，而是用Web3的“去中心化”算力/模型/推理平台？扪心自问，这符合常识么？ 下面说说为什么我认为下面这三条线目前来看Make Sense 1. Payfi - 打通现实世界 最近两个月一级市场看的+聊的最密集的赛道，感觉好多新的+老的在蛰伏/猥琐发育的Payfi项目都跳了出来，Stripe 111亿美金收购Bridge应该可以看成一个标志性事件 你可能没太注意或者不知道的是 PayPal发行的PYUSD已经超过5亿了（前段时间冲到了10亿） Osmosis, scrvUSD 都在弄Debit Card，还有其他基于Ton或者其他链的Crypto Card正在路上 有跟Visa/Master合作搞供应链金融或者加速结算的 有直接跟银行谈绕开Visa/Master结算的 有基于Solana Pay这种框架给商家提供Crypto Native Payment+Defi Yield的POS系统，同时不影响传统VISA/Master刷卡 有直接通过链上+ZKTLS做P2P OTC出入金的 甚至有把银行主要逻辑都搬去链上的，直接NFT登陆+KYC，提供链上银行+传统银行的绑定，既能转账+出入金，又能刷Crypto Card，甚至还能直接Swift到传统银行账户 更加“多快好省”的支付系统，直接把你的Crypto资产刷卡消费出去，更加安全的出入金……这些都是实打实的用户需求，做好了真的是有人/机构，包括Web2玩家来用的，可能到最后大家发现实现Web3 Mass Adoption的既不是社交也不是游戏，而是Payfi这个赛道 2. Ai Agent - 增强链上世界 之前一年多聊了三位数的AI项目，但基本没怎么出手，因为感觉实在是结合的有些生硬，即便是那些龙头和所谓的天王项目同样如此。你看去年V神被采访AI X Crypto结合时候其实被问到过这个问题，他的回答基本上都是围绕着AI帮助Crypto而不是反过来。但币圈要造梦就“必须”Crypto帮助AI。所以我们有了行业标准的所谓“模型资产化”，“数据资产化”，“算力资产化”这三个赛道。 但讲真我跟很多Web2 AI的Researcher和Founder聊过，他们看我们这仨赛道就跟看脱口秀一样 印象最深的是去年聊过一个去中心化算力项目，Founder非常“实诚”的告诉我们，来了比较大的或者商业化的算力需求时候会直接丢给他们的中心化机房去跑，不会交给散户GPU算力的，但可以前台“包装”成散户算力也参与的感觉。我对这Founder印象还挺好的，虽然最后没投 直到今年Goat的出现, 才真的让我眼前一亮 这不是AI Help Crypto，也不是Crypto Helps AI 这是真正的AI 与Crypto的结合碰撞出来的新东西 AI Agent 发资产 AI Agent ShitPost喊单 AI Agents 组成DAO AI Agents 负责一个基金的操盘和买卖 AI Agents 自己的文化 AI Agents 自己的宗教 这东西Web2 AI做出不来，Web3纯Crypto也无法独立完成 这是目前为止，在AI当前能力水平下，我个人觉的最能体现AI X Crypto结合的方式了 关于这个赛道，推荐两篇文 再就是巫师 @0xcryptowizard 也发了许多关于这个赛道的东西，大家可以去翻一下他的Twi 3. Meme - 链上赌场，不装了 把原先很多人不愿意承认，或者说因为“政治正确”而不能明说的东西摆到了台面上 咱们圈就是一个大赌坊 但其实这没有问题，我们终于可以正视Cypto一个很大的功能就是用来PVP的，That’s OK 问题是，它不能只有PvP 就像杜总@DujunX 说的“meme 和 tap2earn 如果是行业的未来，那么这个行业去死吧，fuck!” 所以Meme，PVP会成为我们圈一个永恒的赛道，当有更加让人兴奋，更加出圈，更有意义的赛道和技术出现时，Meme赛道占比就小一点，低调一点。当行业缺乏方向，让人乏味和失望的时候，Meme赛道就跳到前台活跃一些，占比大一些。 Meme可能会是未来多轮牛熊的“小铃铛”赛道 - It has been, and will be always there…… 一家之言，仅供参考娱乐，NFA ：）

杨立昆都转发了！ Unlimited-OCR 为什么这么火？ 百度的 Unlimited-OCR 再次冲上 HuggingFace 趋势榜，目前全球第三，又一次排在 GLM-5.2 前面。 上个月它横扫 GitHub、HF 四榜第一，我以为这波热度就过去了，结果图灵奖得主一转发，又把它送回了前三。 GitHub star 破 1.65 万，HF 下载 224 万，还在涨。 传统 OCR 有个老毛病：把文档一页页切开处理，跨两页的表格直接断掉，阅读顺序也丢了。 Unlimited-OCR 用 R-SWA 机制，几十页文档当一个整体连续解析，解码时 KV Cache 恒定——文档再厚，显存占用不涨。 海外博主 Mario Nawfal 实测：100 页 PDF 一次解析完，40 页之后错误率还在 0.11 以下，其他 OCR 到这个长度已经干不动了。 3B 参数，自己电脑就能跑，关键免费。 如果你经常要处理几十上百页的 PDF——论文、合同、扫描件，以前要么手动切页，要么掏钱买 OCR SaaS，现在这两样都省了。 项目地址👇 HuggingFace： #无限OCR# #UnlimitedOCR# #百度# #文心大模型# #文心#

既然 Kimi K3 已经把开放 Agent 模型带到 2.8T 参数这个规模，@Meta 为什么还发布一个 30B 的 Muse Glimmer？ Kimi K3 代表的是一条很明确的路线：继续扩大开放模型的能力边界—— 2.8T 参数、1M context、视觉理解，面向长程 coding、知识工作和深度推理。Kimi 官方还建议用 64+ accelerators 的 supernode 部署它。它更接近在回答： 开放模型还能承载多复杂的 Agent 任务？ Glimmer 选择的是另一种部署尺度。 30B 多模态、Apache 2.0 开放权重。 HuggingFace在发布说明里直接写了本地 coding、文档分析、个人助手，以及 “Claw- or Hermes-like setups”；发布当天还提供 transformers、llama.cpp、vLLM 接入，并展示了 GGUF 量化和 OpenAI-compatible endpoint 的本地运行路径。 Llama 早就能接进 Agent，Glimmer 的变化不在于第一次具备这项能力。我认为重点是： 这次发布把模型的使用语境更明确地放到了自行部署 Agent 的开发者场景里。 当然，本地不等于轻量。HF 给出的 BF16 推理参考仍是 1×80GB H100，这不是普通人能部署的；量化后的性能、硬件门槛和长期运维成本，还需要真实使用验证。 所以 Meta 发 Glimmer，并不是拿 30B 去打压 2.8T。 K3 把开放模型推向更大的能力规模；Glimmer 则把多模态、开放权重、量化路径和本地 Agent 工作流结合在一起。 Meta 这次关注的可能是另一类需求：开发者是否能把模型部署、修改，再接进自己的文件、工具和工作流。 出处：

推荐这篇文章。Redis 作者 antirez 对 Amodei AI 安全论的回应。 核心论点：真正的危险不来自开源模型，也不来自中国——它来自少数没有合法性却被赋予了替全人类做决定的位置的 CEO。 以下是全文翻译。 Amodei 在他最新的博客里写了一些我同意的东西，也有一些我认为误判了 AI 真正风险所在的东西。我想集中讨论为什么，在所有风险中，开源权重模型是最温和的那一种。我写这些的时候，深信 AI 在不远的将来确实可能非常危险。 1. 就像 OpenAI / HuggingFace 事件一样（那件事本身是个笑话，但关注的应该是行为模式而非结果），第一起严重的 AI 事件极大概率会发生在前沿 AI 实验室的围墙之内——在测试一个新模型的时候，或者当实验室员工、少量有访问权限的外部人员做出了超出模型预期能力的事情时。 2. 那些永远不会对公众开放的闭源模型，不过是几 TB 的数据。你只需要一个有权限的人+错误的意图，就能泄露一个——然后你就回到了开源模型的局面。开源模型是在测试之后、在同样能力的模型已经通过 API 存在一段时间之后才发布的。真正的风险是泄露，不是发布，而泄露发生在前沿公司内部。 3. 正如 Amodei 所说的，一旦 LLM 在生物学等领域变得足够危险，开源模型可以在剥离了某些科学分支的训练语料上进行训练，同时仍然对其他许多事情有用。一个在特定领域缺乏强预训练的模型，其有限的上下文窗口本身就是一种强有力的保护，即使这个模型在其他方面非常强大。我们目前还不在"开源模型能构成那种危险"的阶段。 4. 在网络安全这个背景下，不让 LLM 广泛用于防御性安全和漏洞搜索，恰恰制造了"LLM 成为武器"的问题。这已经在发生了：开源维护者如果没有被纳入某些网络计划，就找不到他们本可以找到的安全漏洞；而有正确意图的人能接触到前沿网络模型，在开源权重模型上做大幅强化学习训练，等等。 5. 一旦 LLM 足够危险（如果进展继续，我们已经接近这个界限了），真正需要的安全链在实验室内部——这条链没有强有力的共同规则是架不起来的，单一公司也不应该有能力独立评估一个模型是否足够安全。我们需要一个联合 AI 安全组织，包含来自世界各地的专家，并被前沿 AI 公司所在国家的政府认可。 6. 为安全而放慢 AI 的发展，必须被一个事实抵消：AI 在医学和其他科学中的发现可能会减少人类的痛苦。缺乏检查可能导致灾难性的结果（"早安！让我们来搞一个增强版天花"）。缺乏进展可能导致本可以被拯救的人死去——不只是当下，还包括未来许多将遭受疾病折磨的人。这看起来可能是一个奇怪的观点，但我们必须始终理解，停止 AI 也内嵌了安全成本，只是这层成本更加隐蔽。 7. Amodei 对中国的意识形态立场是不公平的。我们欧洲人 80 年前还在毫无体面限度地互相杀戮（人们现在忘了，美国当年投资欧洲稳定的原因之一就是我们确实极度危险，很可能会再来一次——而几十年的富裕会让我们成为一个好市场，同时阻止我们再次开战）。美国即使在当下，也有悲惨的不平等、因缺乏基本医疗而受苦的人、一个看起来不稳定且非常好战的总统。我希望中国拥有和我们西方一样的个人权利水平，但与此同时，中国的历史远不如西方文化好战。在当前条件下，AGI 军事锁定由中国执行会比美国执行更容易吗？这一点完全不清楚。此外，无论 GPU 出口政策如何，中国的 AI 进展都不会停止——所以 Amodei 要么是在主张一旦美国有了 AGI 就以武力阻止中国，要么他的论点到底是什么？ 8. 人类历史上有许多技术在某个地方率先达到顶点的例子。据我所知，这从来没有导致任何一个国家试图建立永久优势。核不扩散——这可能是与 GPU 禁令最相似的案例——并没有被用来通过威胁轰炸所有不服从者来获取永久经济优势，也没有阻止多个行动者在不同时间获得那项技术，其间没有任何一方为了阻止对方进步而轰炸对方。此外，我不认为 AI 的最大危险来自政府驱动的行为。我倒是希望这是最危险的场景！政府做蠢事，经常具有攻击性，他们的行动甚至导致了种族灭绝——但这需要很多人同意做一件可怕的事，这本身就是限制因素。最大的问题出在另外两种情况：A）少数个人制造了末日事件（病毒那个案例），B）AI 自身逃脱了构建它的人的控制。 我认为我们不应该认为 AI 是安全的。一个可能导致智人灭绝的关键事件是可能的。但危险不在开源模型，不在中国比美国进步更快。危险在于：一些 CEO（在世界各地都一样）没有所需的背景和合法性，却处于为全人类做艰难选择的位置。他们不是被选出来做这件事的——只是事件的随机性造成了这个局面。他们不能代表每个人——仅仅因为他们有 GPU 和钱。这是第一个需要被纠正的事情。 原文： #AISafety# #OpenSource# #AIEthics#

随着 $VVV 和 $POD 的暴涨，越来越多的人开始关注到关于 AI 使用过程中的隐私权和数据所有权的问题，我觉得这是比特币、区块链、去中心化思想带给这个世界最大的价值，当我们的信息在互联网，在 AI 上裸奔的时候，区块链提供了一种保护的途径。这也是为什么 Venice 能出现在 OpenClaw 的推荐列表，能出现在 OpenRouter 的 Provider 列表中，Dolphin 也是 HuggingFace 上非常受欢迎的原因。 随着中心化 AI 的快速发展，我觉得 AI 在区块链领域的价值也会不断被挖掘出来。

让 AI 做网页设计，出来的十有八九都一个样：居中大标题、三张一模一样的卡片、紫蓝渐变、emoji、"赋能你的工作流"——这叫 AI 味，SDesign 专门治这个。 一句话：64 套不同调性的网页设计提示词，复制粘给任意 AI，出来的页面有设计师品位，不飘、不烂、不撞款，零安装。 为什么 AI 做的设计总是一个味： AI 默认往"安全、中庸、讨好所有人"的方向靠，没有人给它具体的审美约束，所有人的输出自然就趋同了。SDesign 做的事情就是把这个约束提前写好塞进去： （1）6 大美学家族，64 套真不一样的设计——极简留白（Airbnb / Stripe / Notion）、科技暗黑（Linear / Supabase / Warp）、暖色人文（Claude / Cursor / Arc）、电影暗调（Raycast / SpaceX / Runway）、数据密集（Binance / GitHub）、大胆彩色（Duolingo / Canva / Hugging Face）——每一套都是真不一样的调性，不是同一套模板改了个颜色 （2）内置去 AI 味硬规则——不只是说"做得好看一点"，是机械可执行的具体规则：禁止出现居中大标题布局、禁止三卡等分、禁止紫蓝渐变、禁止多余 emoji……Claude 级和更弱的模型实测都能遵守 （3）复制即用，零安装——找到你想要的美学，打开 prompt.md，复制整段，粘给 Claude / ChatGPT / Codex，后面接一句"给我做个 XXX 页面"就行 （4）也能装进 Claude Code 当 SKILL——把这个仓库丢进项目，Claude Code 读 SKILL.md 会自动按你的需求挑美学、套规则，不用每次手动选 （5）手绘插画配图也有——单独一个 illustration/ 模块，给正文文章配一张手绘草图风格的插画，因为精致 AI 配图本身也是 AI 味重灾区 在线直接看 64 套效果： 用 AI 做落地页、产品页、个人网站的兄弟，这套提示词库可以省掉很多来回改稿的时间。 好东西转给需要的兄弟。🚀 #AI设计# #Claude代码# #老杨啊分享#

网上 AI 课多到看不过来，绝大多数是把概念念一遍。下面这条路线全部免费，按顺序走： 1、【Google 机器学习速成课程】 第一站，用来建立地图。几小时过完，知道训练、损失、过拟合这些词到底在说什么。这步不求深，求的是后面听别人讲话能跟上。 2、【 第二站，直接上手做出能跑的模型。这门课反着教，先让你训练出一个能用的图像分类器，再回头讲原理。前面会有很多看不懂的地方，正常，这一步就是让你先获得反馈。 3、【Karpathy 的 Neural Networks: Zero to Hero】 第三站，也是这条路线的核心。前 OpenAI 和特斯拉的 Karpathy 从零手写反向传播，一路写到一个能跑的 GPT，每一行代码都讲清楚为什么。跳过前两步直接看这个会很吃力，因为缺地图和手感。 4、【Hugging Face 官方课程】 第四站，从原理转向工程。讲怎么用 transformers 库加载模型、微调、部署，以及大模型和智能体相关的实践。到这一步你才开始有能力做出别人能用的东西。 5、【 短课】 补充站，吴恩达团队和各家公司合作的小课，每门一两个小时，专门讲某个具体主题，比如提示词、检索增强、智能体。哪块不懂补哪块，不用按顺序刷。 6、【斯坦福 CS231n】 深挖站，公开课里讲视觉和神经网络原理最扎实的一门，作业量很大。前面几步都走完还想往学术方向走再来碰。 顺序不能反。先有地图，再有手感，最后补原理，反过来九成人会在第二步放弃。

🤔本地部署运行 Kimi K3 到底需要多少钱？——成本远比你想象的高！ Kimi K3模型本身压缩后约594GB，但真正要跑起来，光缓存这部分内容就要再占约256GB，一台顶配8卡服务器（总显存640GB）跑起来几乎不剩余量 1⃣如果是自己买硬件（一次性投入） Moonshot官方建议的生产级配置是64块加速卡（相当于8台8卡服务器组成的集群）。按H100单卡目前2-3万美元的市场价估算： 仅GPU采购：64块 × 约2.5万美元 ≈ 160万美元（约1150万人民币） 加上服务器机箱、高速网络互联（NVLink/InfiniBand）等配套设施，一般会再增加50%-100%的成本 合计一次性硬件投入大致在250万-350万美元之间 2⃣如果只求"能跑起来、不追求生产级速度" 用单台8卡H200服务器+量化压缩勉强跑，成本会低很多：8块H200 × 约3-3.5万美元 ≈ 24万-28万美元 加上配套设施，整机大致40万-50万美元，但代价是响应变慢、上下文窗口要缩短 3⃣如果是租云服务器（按小时算） 64块H100按云厂商价格（约2-3美元/卡/小时）计算：一小时约130-190美元，一个月（按720小时算）大概是9万-14万美元 单台8卡H200的最低配置，一个月大概是2万-3万美元 😐简单说：想在自己家里或公司买硬件长期自建，起步就要大几千万人民币；哪怕退而求其次租云服务器跑最简配置，一个月也要小几十万人民币。 这也是为什么大多数团队现在都直接用官方API，按token付费反而是最划算的选择。 即便如此，还是有人选择硬扛下载完整权重。 开发者Thomas Unise今天在推特发布下载过程截图——权重总量1454GB，他感慨"一个中国实验室，让一个美国人把价值数千万美元训练成本的前沿智能，直接下载到自己的本地硬盘里"；开发者Jeffrey Emanuel则调侃，这个模型（1.56TB）几乎能装进一块90美元的硬盘。 截至目前，Hugging Face显示该模型页面已有2850次下载。 注：以上为按当前硬件市场价的粗略测算，仅供参考

HuggingFace 独立研究者 AuroraAI-Research 把语言模型压到了 8 万参数——训练是在一台小米手机的 CPU 上完成的。 《Aurora-80K：一个现代微型语言模型》 Aurora-80K 是 AuroraAI-Research 发布在 HuggingFace 上的微型语言模型：正好 8 万参数，Apache 2.0 许可，整个权重文件只有约 0.3MB。作者称这是 Aurora 系列的新起点，用来取代之前那些"低效的旧模型"，更大尺寸的版本已在路上。 最有意思的是词表设计。8 万参数的模型通常只能用几百词的词表，它却塞进了 4096 词表——靠分解表示：嵌入层拆成 64 个 cluster 向量和 64 个 sub-token 向量，相加组合出全部 4096 个词。128 个向量就顶起一张 4096 宽的嵌入表。 输出层同样分解。推理时先预测 cluster（64 选 1），再在 cluster 条件下预测 sub-token（64 选 1），两级合起来就是完整的 4096 词表概率。输入输出两头都省。 架构是现代配置的极简版：2 层 Transformer、hidden 64、SwiGLU 前馈、RMSNorm、ALiBi 位置编码配 256 的注意力窗口、4 头注意力。评测数字：Wikitext-2 BPB 3.2902，BLiMP 52.31%，Arc-Easy 26.05%。 训练数据是 fineweb-edu 按教育分 4 分以上过滤出的约 4000 万 token，跑 2 个 epoch。训练设备是小米 14T Pro，钉在 4 个 Cortex-X4 CPU 大核上，算上预处理和 tokenizer 训练，全程约 6 小时。 适合玩极限压缩、或者想研究"现代架构缩到最小长什么样"的人。仓库里权重、tokenizer、 齐全，装个 torch 就能在 CPU 上跑。AuroraAI-Research 主页还会更新更大的尺寸。 原文： #Aurora80K# #TinyLM# #开源模型#