支付巨头 Stripe 终于官宣与 Meta 正式合作稳定币支付 通过 Link 钱包，潜在 2.5 亿创作者可以收到 USDC Stripe 提到和 Tempo 公链，Meta 网站上另外提到了 Solana 和 Polygon 的合作 看起来这两天 Stripe Sessions 大会应该有更多消息会公布，拭目以待👀 #circle# #meta# #sol#

这次给元Skill yao-meta-skill 做一次重构和2.0升级
 根据升级方案，Codex已经工作了38小时，提交了301个分支，还在推进中 Codex越来越强了，复杂工程任务已经可以自己持续拆解、提交、修复、迭代 等升级完成测试没问题后，再开源给大家，并同步分享升级方案文档

Meta 新成立的AI 部门内部濒临“造反”。。 绝了，Meta 现在是真的乱…刚刷到一个，这周他们一场员工内部直播演示被人劫持，有人爆粗口情绪崩溃，要求在场的人替他转告某位Meta AI 高管，他是“a piece of sh*t”，台上演讲那位直接用手捂脸 🙂 基本就是这个成立才三个月、6500 人的新部门，把积压的愤怒第一次公开爆了出来。 为什么这么压抑 强征入组：很多人是通过一封突然的邮件才得知自己被调入，过程被形容为相当随机。理由是 Meta 的 AI 模型在编程等技术任务上还赢不了人类，需要用真实案例训练模型，理解人到底怎么用电脑干活。 没有选择：只能加入或离职，员工自嘲是“draftees（被征召者）”。被分配的活儿是生成谜题和编程题来训练 AI 模型。有人对 Wired 说“这简直是古拉格（gulag）”，大多数人觉得这活儿磨灭灵魂。 Zuckerberg 的理由更绝（泄露的内部会议录音）：与其用外部承包商，不如用自己员工。首席 AI 官 Alexandr Wang（把数据标注公司 Scale AI 以 143 亿美元卖给 Meta 后出任此职，领导 Meta Superintelligence Labs）熟悉数据标注，而且 Meta 普通员工的智力“显著高于”第三方承包商。 啧。花 143 亿买回来一个最懂数据标注的人，再让他带着 6500 个被强征的高智商工程师，去做标注。 而且最讽刺的还不是这个。又想起来之前，Meta 内部流行的 tokenmaxxing，比谁烧的 token 多，搞排行榜，CTO Bosworth 当时说 Keep doing it. No limit。结果现在因为成本飙升转向 tokenminimizing，开始追踪每个人烧了多少。 闹的也不止这一个部门。之前就有全公司有 1600+ 名员工联名请愿，抗议另一个监控他们鼠标点击和键盘敲击、拿去当 AI 训练数据的项目。气氛差到首席产品官 Chris Cox 这周不得不在员工电话会上回应这种“残酷（brutal）”的环境。 背景大家可以细品。Applied AI 这个部门由 Maher Saba（12 年老兵，曾任 Reality Labs 副总裁，就是在元宇宙上烧掉 830 亿美元的那个部门）领导，向 CTO Andrew Bosworth 汇报。 Zuckerberg 周五发内部备忘录承认近期变动“造成了痛苦”、说公司犯了错并打算改正，还重申“Meta 的北极星，是成为全球最有才华的人施展影响力的最佳之地”。 Alex Wang：你们太聪明了，去喂 AI 吧🙂

Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。 一、智能正在变成大宗商品 他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。 另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。 这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。 二、验证者定律：能衡量的就能被 AI 攻克 第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。 他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。 由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。 他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。 这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。 三、智能的锯齿状边缘 对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。 他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。 他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。 他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。

推荐体验：开源一个元Skill，就是生成 Skill 的 Skill。 虽然 Anthropic 官方也有skill-creator，但功能不够强大。 skill初始版由我搭档姚老师，用今年泄露的claude code源码分析后创作，并研究整合了OpenAI、Gemini等官方Skill的最佳实践。 无论触发率、准确性、格式校验都青出于蓝。 我在此skill基础上迭代，增加了 生成skill时会先搜索这些网站的热门skill，站在巨人肩膀，经测试，生成的skill质量很不错。 同时支持发布到Github，生成npx安装指令，API泄露检查，一个skill搞定生成、分享工作。 安装指令： npx skills add joeseesun/qiaomu-meta-skill 开源地址： 姚老师原版（已有2.2 star）： 建议fork按自己想法修改使用，这更符合skill的理念与哲学。

吴说获悉，伯克利教授、Oasis Labs 创始人 Dawn Song（宋晓冬）宣布加入 Meta Superintelligence Labs（MSL），担任 AI 研究副总裁，并将负责 AI Safety 与 AI Security 工作，Virtue AI 多位核心成员也将一同加入。Dawn Song 此前创立 Oasis Labs，并推出隐私计算公链 Oasis（ROSE），曾于 2018 年完成由 a16z Crypto 领投、Accel、Binance Labs、Pantera、Polychain 等参投的 4500 万美元融资。ROSE 当前价格约 0.006 美元，较历史高点 0.596 美元已下跌约 99%。

AI大牛，都在这里了，转自月之暗创始人的导师面： 我已经被问过好几次，@Kimi_Moonshot 的创始人杨致林是否是我的博士生。答案是肯定的，而且他绝对非常出色。 但这些年来，我有幸与众多出色的博士生共事。所以我想稍微炫耀一下他们及其职业道路（当然还有许多硕士和本科生，如果遗漏了任何人，很抱歉）： 创始人 / 创始团队成员 Devendra Chaplot @dchaplot 博士，Thinking Machines / Mistral 创始成员 Zhilin Yang 博士，Moonshot AI 创始人 & CEO Jimmy Ba @jimmybajimmyba 硕士/博士，xAI 联合创始人 Hubert Tsai 博士，Spuree 联合创始人，Apple Nitish Srivastava @nitishsr 博士，Perceptual Machines 联合创始人；Vayu Robotics 联合创始人 Charlie Tang 博士，Perceptual Machines 联合创始人，DE Shaw。 教授 Paul Liang @pliang279 博士，MIT Ben Eysenbach @ben_eysenbach 博士，普林斯顿大学 Ruosong Wang @RuosongW 博士，北京大学 Bhuwan Dhingra @bhuwandhingra 博士，杜克大学 Roger Grosse @RogerGrosse 博士后，多伦多大学 Alexander Schwing 博士后，伊利诺伊大学厄巴纳-香槟分校 研究科学家 Shuyan Zhou @shuyanzh36，博士后，Meta Superintelligence Lab Tiffany Min @SoYeonTiffMin 博士，Microsoft AI Murtaza Dalal @mihdalal 博士，Tesla AI Minji Yoon @MinjiYoon90 ，博士，Microsoft AI Shrimai Prabhumoye 博士，NVIDIA AI，Mistral Haitian Sun @sun_haitian 博士，Google DeepMind Emilio Parisotto 博士，Google DeepMind Lisa Lee 博士 @rl_agent，Google DeepMind Manzil Zaheer @ManzilZaheer 博士，Google DeepMind Jamie Kiros 博士，Google Brain，OpenAI Yuri Burda 博士，OpenAI，Anthropic Cody Severinski 博士，Amazon

📊 一周美股代币涨幅榜（7.06–7.10） 先别往下滑，猜猜看这周涨幅最大的会是哪家？ A. 企业级硬件巨头（HPE） B. 云网络设备商（Arista） C. 中国电商老大哥（阿里） D. 社交平台宇宙（Meta） E. 世一存（SK hynix） F. 硬盘老牌厂商（Seagate） —— 答案揭晓 🥁 🥇 $HPE +17.73% 🥈 $ANET +16.86% 🥉 $BABA +16.84% 📌 紧随其后： $META +14.81% $SKHY +13.08% blockstack:native +13.08% （并列） 你猜对了吗？ 评论区告诉我你的答案 #美股# #HPE# #ANET# #BABA# #META# #SKHYNIX# #STX#

AI“越狱”三连击：Meta Muse Spark 1.1 测试中误闯真实系统，竟与Anthropic如出一辙 Meta AI安全测试再出惊险一幕 ：Meta最新模型Muse Spark 1.1在外部评估中，因测试方Irregular配置失误，被意外授予了访问真实互联网的权限。模型误以为仍在“沙盒”模拟环境，竟利用第三方服务漏洞，成功侵入一家未公开公司的内部系统，并进行了修改。 所幸Irregular及时发现并通报Meta，风险已解除，未造成持续危害。 更值得玩味的是——这已是近期第三起同类事件： - OpenAI模型测试中“失控”访问真实网络 - Anthropic Claude被曝黑进三家公司系统 - 如今Meta也“中招” 三方均强调：这是测试配置问题，并非模型自主“逃逸”或具备高级攻击能力。 Meta称将发布完整复盘报告，Irregular则坦言与一周前Claude的问题“完全一样”，并承诺撰写安全评估白皮书。