Naadam archery competition: Grassland men show their skills and perform "piercing a willow leaf from a hundred paces" in China. 那达慕射箭比赛，草原汉子各显身手，上演“百步穿杨”。#那达慕大会# #射箭比赛# #草原汉子# #传统体育# #中国文化（人民日报记者赵景锋）#

注意力是最贵的资产，所以只有我选中的 6 个优质信息源更新时，Airtap @airtap_ai才能通过 iMessage 来找我。 先把号码放这儿，想试的直接存下来发消息：+1 (650) 248-0408 iMessage / RCS 都能发，中文指令就行，不用装任何 App。 这个号是我从官网领的，人多可能被发爆，超过5分钟没回你，就去 自己领一个专属号，30 秒搞定，现在还免费。 上次用 Airtap，我更多把它当成一个选题助手。这次我给它换了一份工作：替我守住注意力。 比如，YouTube平台最大的问题不是没有好内容，而是好内容和大量推荐混在一起。 我只是想知道 OpenAI、Anthropic、Google DeepMind、Two Minute Papers、Matt Wolfe 和 AI Explained 有没有更新，却经常在打开首页后，被推荐流带去看完全不在计划里的东西。 最后花了半小时，真正想检查的频道反而可能漏掉。 所以我给自己的信息入口设了一份白名单。 我先在 Airtap 的云手机里登录好 YouTube，然后通过 iMessage 发了这条任务： “每天检查这 6 个 YouTube 频道的 Videos 页面，每个频道读取最新 2 条视频。第一次运行时保存标题和 URL，建立基线。以后只汇报从未出现过的新 URL，不要重复汇报旧视频。结果附频道、标题、链接、页面可见播放量和发布时间。” 消息发出后，我没有再打开 YouTube。 在 Airtap 网页端，可以实时看到云手机开始执行。 它先打开 OpenAI 的频道，读取最新视频；再切到 Anthropic，然后继续检查其他白名单频道。 这不是在聊天框里生成一段“看起来像搜索结果”的文字。 它真的在云手机里打开 YouTube、进入频道、查看页面，再把变化送回 iMessage。 这次它一共检查了 6 个频道、12 条最新视频。 最后只汇报了 1 条相对上次运行的新内容： Two Minute Papers 的《Another DeepSeek Moment Has Arrived》。 页面显示约 2 万次播放，发布于 4 小时前。 报告第一行写的是： “CHECKED 6 · COMPARED WITH LAST RUN · NEW 1” 这套工作流最重要的地方，不是它找到了这一条视频。 而是另外 11 条没有变化的旧内容，没有再来占用我的注意力。 第一次运行建立 URL 基线。 从第二次开始，它只汇报发生了什么变化。 如果白名单频道都没有更新，它只回复：“NO NEW SIGNALS。” 检查结束后，任务会同步出现在 Airtap 网页端的 Tasks 里。我可以回看执行结果，以及云手机最后停留的页面。 最后，我把整个流程保存成了 Routine。 现在它每天早上 9 点自动打开 YouTube，检查这 6 个频道，对比上次记录。 只有白名单里的信息源真的更新了，结果才会主动发到 iMessage。 Airtap 背后是一台可以保持登录状态的云手机。担心主账号风控，也可以专门登录一个小号。 以前是我打开 YouTube，在推荐流里寻找值得看的内容。 现在是我先决定哪些信息源值得信任，再让 Airtap 只把变化送到我面前。 我不是让 AI 帮我看得更多，而是让它帮我拒绝更多。 最新可用号码需要在官网领取，现在还是免费哦：

论文下载了一堆躺在文件夹里，找的时候全靠回忆文件名。这 6 个把找、读、管三件事分别解决： 1、【Zotero】 文献管理的标准答案。浏览器上看到论文点一下插件，PDF、标题、作者、期刊信息全部自动存进库，写文章时在 Word 里一键插入引用并生成参考文献列表，换个格式要求也是点一下的事。完全免费开源。 2、【Connected Papers】 输入一篇论文，它画出一张关系图，把和它高度相关的几十篇按相似度和时间摆开。进入一个陌生领域时，用这个比顺着参考文献一篇篇翻快得多。 3、【Semantic Scholar】 免费的学术搜索引擎，收录两亿多篇文献，会自动生成摘要要点，还能看到某篇论文被引用时别人具体说了什么。 4、【Elicit】 用来做文献综述。提一个研究问题，它去论文库里找相关研究，并把每篇的样本量、方法、结论抽成表格排好，一眼能看出哪几篇结论互相矛盾。 5、【SciSpace】 读论文时的解释器。选中看不懂的公式或段落，它用大白话讲一遍，还能追问。跨领域读文献时省很多力气。 6、【ResearchRabbit】 定位是文献推荐。把已经读过的几篇放进去，它持续推送相关新论文，还能顺着作者和引用网络往外扩。免费。 先用 Zotero 把库建起来，其他工具都是围着这个库转的。

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。

一张B200，带着14台Mac训练模型 最近看到 Pluralis Research 做了个挺有意思的实验：他们用分散在四个国家的 14 台 Mac，给一个 8.3B 参数的 MoE 模型做 RL 后训练。其中一台，还是研究员自己天天用的 MacBook。 简单说，这套系统是： - 14 台分散在巴黎、苏黎世、都柏林和多伦多的 Mac，负责让模型不断做题、搜索论文、生成回答，也就是产生 RL 所需的 rollouts。 - 一张数据中心里的 NVIDIA B200，负责真正的梯度更新。 - 两边不直接连接，只靠一个 Cloudflare R2 对象存储中转模型权重和 rollouts。 - 最后，模型在 PaperSearchQA 上的 held-out pass@1 从 29% 训到了 63%。 为什么这么分工？因为 agentic RL 里最耗时间的往往不是反向传播，而是生成 rollouts，很多任务能占掉整场训练 90% 以上的时间。而生成 rollouts 要的是大量推理和足够大的内存，不一定非得动用最贵的训练卡。 Mac 的统一内存刚好适合干这个。尤其是 MoE，模型很占内存，但每个 token 只激活一部分专家，计算量没总参数看起来那么吓人。于是 Mac 用 MLX 跑 int8 推理，B200 用 Megatron 跑 bf16 训练。 当然，这还不是“在家用Mac训练大模型”，但很有意思，这跑通了一种很有意思的算力分工：少量昂贵的训练卡负责梯度更新，大量消费级设备负责最耗时间的生成。以后那些白天开会、晚上吃灰的 Mac，说不定真能兼职给模型打工了？

把一千篇真实论文丢给三个模型做摘要，同一份语料、同一份 prompt：DeepSeek 的 Flash 跑完全部只花 $3.99，Claude 的 Haiku 花了 $35.76。 《年度 AI 论文：2025–2026 年的关键研究》 一年 1,000 篇论文的图鉴，外加一个成本实验。 是 Hassan El Mghari（GitHub 上的 Nutlope，Together AI 生态的知名开源开发者，做过 roomGPT、SmartPDFs 等热门项目）做的「年度 AI 论文」站点：2025 年 8 月 4 日到 2026 年 8 月 4 日这一年的 1,000 篇论文，每篇都有摘要，可按实验室、主题、月份浏览。整个项目的起点其实是个成本实验：把这一年的论文全部摘要完，要花多少钱？ 基准结论：同一份输入，三个模型差了 8.95 倍。 语料合计 30,681 页、1.027 亿字符。三个模型拿到完全相同的提取文本、prompt、分块方式和输出合同，关闭 reasoning，各跑一遍： • DeepSeek V4 Flash：合计 $3.99，每篇约 $0.004 • GPT-5.6 Luna：合计 $6.00，每篇约 $0.006 • Claude Haiku 4.5：合计 $35.76，每篇约 $0.036（8.95×） 费用按官方报价的 token 用量计算，价格冻结在 2026 年 8 月 5 日；只统计成功完成的摘要，失败重跑不计入。 方法论可复现。 语料从 8,262 个候选（Hugging Face Daily Papers + OpenAI、Anthropic、DeepSeek、MiniMax、Moonshot AI 的官方论文）按 arXiv ID 去重，冻结成恰好 1,000 篇；放得进上下文预算的整篇一次读完，超长的走 50,000 字符的 map-reduce，不静默截断。作者明确说这是成本对比，不是质量排名——没有引入 LLM judge 打分。 图鉴本身也好看。 按实验室（OpenAI、Anthropic、Moonshot AI、DeepSeek、MiniMax、 275 篇、Reasoning 177 篇、Video 164 篇、Multimodal 144 篇、Systems 143 篇、Robotics 59 篇）、月份浏览；trending 和 most cited 两个榜单（Qwen3-VL 1,802 次引用、DINOv3 1,216 次、InternVL3.5 1,212 次）。再叠上 18 篇 Together AI 官方论文，共 1,018 篇。 适合想快速补完这一年 AI 研究的人，以及要批量处理 PDF 摘要、想先估成本的工程团队。全流程开源在 GitHub（Nutlope/1kpapers），语料清单、抽取画像、逐篇费用都能自己复现。 原文： #AI论文# #成本基准# #LLM#

Codex 科研必备 Skills 1. Scientific Agent Skills | 31.7k⭐ 科研 Skills 百宝箱，包含大量科学数据库、计算分析、科研写作和可视化工具。 比较适合生物信息、化学、材料、医学和科学计算等方向。 2. Nature Skills | 31.1k⭐ 最近中文科研圈讨论度比较高的一套，覆盖文献检索、论文阅读、写作润色、科研绘图、统计检查、模拟审稿、投稿返修和实验日志。 需要说明的是，它是社区开源项目，并不是Nature 期刊官方推出的工具。 3. ARIS | 13.8k⭐ 全称是 Auto-Research-In-Sleep。 偏 AI、ML 自动科研，可以辅助寻找 Idea、规划并执行代码实验、分析结果、交叉评审和撰写论文。 4. AI Research Skills Library | 11.1k⭐ 覆盖模型训练、微调、后训练、RAG、多模态、GPU、实验评估、部署和论文输出。 更适合 AI、计算机和算法研究方向。 5. ARS-Codex | 7.1k⭐ Academic Research Skills 的 Codex 原生版本。 适合搭建从研究问题、文献调研、实验设计，到论文写作、模拟审稿和投稿前检查的完整科研工作流。 6. Research-Paper-Writing-Skills | 5.5k⭐ 偏 AI、CV、NLP 和 ML 论文写作。 适合辅助梳理 Abstract、Introduction、Related Work、Method 和 Experiments 等章节。 7. PaperSpine | 4.4k⭐ 专门解决论文主线混乱、创新点不突出，以及实验结果不知道如何组织的问题。 它更重视研究动机、核心贡献与实验依据之间的对应关系，而不只是润色句子。 8. codex-claude-academic-skills | 2.2k⭐ 面向中文科研用户的三件套，覆盖论文阅读与写作、Python / MATLAB 科学计算，以及Word、PPT 和科研图表输出。 9. paper-craft-skills | 896⭐ 适合论文精读、方法流程图、组会 PPT 和科研解读内容制作。 可以把论文转化成方法图、视觉化幻灯片和深度解读材料。 10. PaperJury Codex | 202⭐ 投稿前的 AI Reviewer。 可以对论文进行审稿、裁定、修改和复查，重点检查 Claim 是否过强、实验是否支持结论，以及可能存在的投稿风险。

这个项目应该离TGE不远了，KorProtocol刚刚完成750万美元SeriesA融资。由1kx和Blockchain Capital联合领投，Animoca Brands、Republic、Solana机构参投 @KorProtocol 是建在Base生态上的项目，专注于AI时代的创意资产管理 传统娱乐行业面临IP管理难题。权属记录不清晰，授权谈判耗时长，版税分成周期慢且不透明。AI生成内容进一步放大了这些问题，大量作品难以证明来源和所有权 KorProtocol提供链上解决方案。它通过统一系统处理创意内容（音乐、视频、艺术等IP）的权属验证、交易匹配和快速结算 项目核心分为三个引擎：Verify、Route和Settle。 - Verify引擎负责生产和验证。创作者将作品注册到链上IP Vault，建立数字记录，包括来源、所有权、许可条款和真实性信息。这为AI生成内容提供了清晰的权属证明 - Route引擎处理分发和匹配。它利用AI根据性能数据和需求信息，将资产推荐给合适的厂牌、品牌、平台或策展人。同时帮助规划发行和投放策略 - Settle引擎负责结算。交易达成后，智能合约在Base链上使用USDC进行即时自动分成。原作者、remix创作者和平台等所有参与方都能透明快速收到款项，支持复杂分成规则和持续收入 这形成双边市场。一侧是创作者验证资产并定价上架，另一侧是需求方搜索和采购。每笔交易产生的数据信号，进一步优化后续匹配和定价 项目通过撮合IP授权交易和提供结算服务实现收入。目前已推出多个产品：KORUS允许粉丝remix并mint资产，艺术家保留控制权并持续获利；KOR Hubs让创作者开设个人空间，销售stem packs、举办remix比赛或提供付费反馈。Pacer和Streamline等工具则辅助内容生产、分发和决策 这些产品使IP能够被remix、扩展和用于AI训练，同时全程追踪权属和自动分成 项目当前数据包括100万以上注册用户、200万美元以上收入、28.5万以上NFT，以及250万美元创作者IP价值，并与1000多家IP合作伙伴合作 融资完成后，团队将继续在Base链上扩展功能，推动创意资产从静态文件转向可交互、可编程资产 现在是参与交互的最后窗口期。有版权收费需求的音乐人、视频作者和设计师，访问 早参与能更快匹配买家、实现变现，并在生态中积累使用记录

聊一个最近刚融完钱、但很多人还没注意到的 Base 生态项目 @KorProtocol 刚完成 750 万美元 Series A，由 1kx 和 Blockchain Capital 领投，Animoca Brands、Republic、Solana、Avalanche、SevenX、Sfermion、Alumni Ventures 跟投，deadmau5、Black Mirror、Beatport 等知名 IP 方也在背后站台 这套阵容在创意 IP × 链上基建这个赛道里已经算顶配了 说回项目本身，KOR 是一个「创意资产清算中心」 传统金融里有清算所，负责股票和期货的权属登记、撮合和结算 KOR 干的是一样的事，只不过清算对象从金融资产换成了创意 IP，比如音乐、视频、艺术作品 这个定位切中的痛点非常实在 传统娱乐行业的 IP 管理一直很混乱：权属不清晰、授权谈判全靠手动、版税分成拖好几年才到账、创作者和买家之间根本没有高效匹配的渠道 AI 时代把这个问题放大了十倍，内容可以零成本海量生产，但「这东西怎么证明是你的、怎么定价、怎么自动分钱给所有参与者」，没人解决 KOR 填补的就是这个空白 从三个维度拆解 KOR 的商业逻辑 KOR 把整个流程拆成三个核心引擎，官方反复强调的「Three Engines」： ❚ 引擎一：Verify（验证 / 生产） 创作者把作品注册到链上，通过 IP Vault / DNA Asset Registry 记录来源、所有权、许可条款和真实性，相当于给每个创意资产发一张「数字出生证明 + 所有权证书」 特别适合 AI 生成内容——AI 能批量生产，但批量生产的前提是权属能被证明 KOR 解决的就是这个 clearance 问题 ❚ 引擎二：Route（路由 / 分发） 用 AI 帮资产和人才被「发现」，匹配到正确的买方，比如厂牌、经纪公司、品牌、平台、策展人 有性能信号和需求数据驱动定价和推荐，不是人肉撮合，是数据驱动的智能匹配 已落地的产品包括 Pacer 和 Streamline（内容智能推荐工具） ❚ 引擎三：Settle（结算 / 变现） 交易一旦发生，智能合约 + USDC 在 Base 链上即时自动分成版税 且支持复杂的分成规则和 recurring revenue，这意味着 remix、扩展、AI 训练等衍生场景都能追踪和分成 KOR 是一个典型的双边市场： 一边是创作者 / 资产：验证后上架、定价 另一边是需求方：厂牌、品牌、平台、MCN 等 KOR 作为中间的清算层，撮合的是「创意内容的权属验证 → 需求匹配 → 即时结算」这条完整链路 每一笔交易都会产生数据信号，让下一次匹配更准、定价更合理，形成正循环 现在的参与角度还有哪些？ 目前最后能参与的窗口是 $KOR ID Waitlist 前往 → 连接钱包 → 加入候补名单 → 获取你的 $KOR ID 总而言之 @KorProtocol 做的事情，本质上是把传统娱乐行业最混乱的环节几个环节搬到链上，用 Verify + Route + Settle 三引擎跑通整个流程 AI 时代内容生产成本趋零，但权属验证、定价和分成的需求反而被放大了，谁能让创意资产像金融资产一样可验证、可交易、可结算，谁就拿到了 AI 内容时代的清算层