此《花谱》由日本江户时代画家樱井绚绘。全套共六册，分为：花谱、续花谱上、续花谱、又续花谱、花谱追加、樱花诗。其内描绘了二百五十二幅樱花图，旁有题名（如：小樱、寒绯樱、异种彼岸、八重彼岸、玉盘樱、玉堂樱、罗樱等等）。此套画谱约编制于1803-1804年。介绍下载：

#更新# 此《唐诗画谱》由明代黄凤池编。内含八种画谱：五言唐诗、六言唐诗、七言唐诗画谱、梅竹兰菊四谱、木本花鸟谱、草本花诗谱、唐解元仿古今画谱、张白云选名公扇谱。此为明万历至天启时期清绘斋、集雅斋合刊本，为诗书画三美合一的图谱，是徽派版画代表作之一。介绍下载：

今天花了点时间好好体验了 ProBix 这个项目，感觉比我之前预想的更有意思。 它其实是个用 AI 驱动的体育赛事预测平台，不再像以前那样单纯靠球迷直觉或者看赔率下判断，而是通过 AI 实时分析大量数据，包括球员当前状态、球队阵容深度、战术灵活性、伤病情况这些因素，然后给出动态的概率预测和趋势分析。 我觉得这个方式比传统预测靠谱不少，能让人看得更清楚。我连了钱包进去试了试，跟里面的 AI 聊了几句具体球队的情况，输出的信息挺详细的，也比较容易理解。 对一些热门球队的拆解覆盖得比较全面，看完之后确实会多一个新的参考角度。整体界面干净，操作也不复杂，没什么上手门槛。虽然现在还在早期阶段，但方向很清晰，感觉后面如果继续扩展到更多赛事和功能，会越来越好用。 挺推荐对体育预测或者预测市场感兴趣的朋友去看看的 @ProBix_AI - -#AI# 个人分享，非投资建议。

花了大半天把张小珺访谈姚顺宇的4小时长访听了一遍。这位去年刚从Anthropic跳到Google DeepMind的哥们，参与过Claude 3.7/4.5和Gemini 3。他给了很多实诚的头部大模型一线研究员的视角。访谈信息密度相当高。说几条我觉得最有意思的： 1. Google禁止员工用Claude Code，但姚顺宇保守估计自己90%代码是AI生成的。不保守估计99%甚至100%。一个清华加斯坦福的物理博士、顶级大模型研究员都靠AI写代码，再有人说自己不能用AI写代码，别特么给自己脸上贴金了。但反过来想，Google连内部都不让用CC和Codex，员工效率得受多大影响啊，这家公司真挺神奇的。 2. 他离开Anthropic的原因里，反对Dario反华占40%。他自己说这不是首要但确实是大原因。他很烦Dario那套「我们必须拥有最强模型才能推AI安全」的逻辑。圈里敢直接喷半年前老东家的人确实不多。 3. Claude 3.5/3.6/3.7的命名是个草台班子般的乌龙。Anthropic早期产品力极弱，「居然管两个模型叫一个名字」，外界为了区分自发叫3.6，Anthropic后来跟随社区习惯把下一个叫3.7。我之前一直以为3.6是个跳过的版本号。 4. Claude Code是「个人英雄主义的开端」。一个叫Boris的研究员自己想做提效工具，后来变成Anthropic最重要的产品之一。完全是bottom-up长出来的，不是规划出来的。 5. Anthropic创始团队一个人都没离开。来自OpenAI的那批核心是一起打过仗的，这才是top-down文化能跑通的根。对比OpenAI高管走光，姚顺宇似乎挺鄙视OpenAI的企业文化和部分高管。 6. OpenAI救了Google一命。逻辑挺反共识：如果ChatGPT一鼓作气把search吃了，Google就完了；正因为做出可能性又没做到极致，反而留了Google反击时间。 7. AI行业最重要的特质不是脑子，是靠谱。原话「那些东西多多脑子，本科生就能干」。一个物理博士说这话，算降维打击，也算给所有想转AI的人吃颗定心丸。 8. 他觉得程序员的未来是1/1000拿100倍工资。不是「程序员消失」，是「极度中心化」。绝大多数失去独特价值，少数顶级爆赚。 9. 他觉得现在很多人说的Scaling Law撞墙，多数是自己代码Bug。原话「修一个Bug带来的进展，远大于一些很神奇的技巧」。预训练在过去几个月还在变强，跟外界「预训练已死」的叙事完全相反。 10. 绝大多数New Lab都会死。 听完最大的感受是：这哥们说话真的没在留情面，又喷Anthropic又喷OpenAI又喷各种「老登」。但他敢喷的底气挺清楚，既不在SSI那条路上，也不靠LP吃饭。他自己原话说的是：「我这个行业又没什么导师又没什么旧友，我当然想喷谁喷谁。」 以及，他在说估计自己也不会在Google待太久，把这话在播客里说出来，我觉得国内头部大模型公司可以去抢一波人了。

一位西方 AI 研究学者，花了 10 天走访了中国十几家 AI 实验室，月之暗面、小米、MiniMax、智谱、美团、阿里、蚂蚁、零一万物、宇树…… 给他留下最深印象的，是这里的研究者非常谦逊。DeepSeek 被频繁提及，人们谈论 DeepSeek 的论文时带着“真正的钦佩”。许多研究者彼此是亲密朋友，来自同一所大学或共享同一个家乡，坦诚地讨论自己的工作。 这与美国形成了鲜明对比。在美国，氛围更像零和游戏，实验室对定位很谨慎，领导者会在“泄露的备忘录中互相侮辱和攻击”。 他们不讨论 AI 的政治或哲学影响，不考虑大规模失业、永久底层阶级，也不讨论模型是否有意识。 他们只想训练更好的模型。 “当听说你用了他们的模型时，他们的眼睛会发光。他们渴望在下一代模型中修复当前模型的所有缺陷。他们通宵达旦推动模型发布，之后仍然出现在办公室。” 整体氛围和旧金山出奇地相似。研究者们极度在线，在 Twitter 和小红书上大量阅读。他们在开会时监控训练运行，观察奖励曲线上升，抱怨算力不够，对当前基准测试的状态感到沮丧。 研究者的乐观情绪也延伸到了普通民众，他们似乎对技术以及 AI 和机器人的前景更加乐观。旅途中有人讲，他们的父母和祖父母在用豆包和 DeepSeek 做各种事情，包括讨论数学定理。 他说：“这与西方明显不同，那里的普通民众厌恶 AI。”

我过去花很多时间去“复刻角色”。 现在，AI 几秒就能生成一个世界。 有人问我：以后你cos还有什么意义？ 我说：打不过就加入！😘🤖 所以我加入了 Base 最强 AI 项目 @FLock_io， 担任 APAC Lead ，新旅程就此开启。 🌐 我印象中的FLock build就像找伴侣、找战友、找目标，首先是靠谱，再次还得是个潜力股。 FLock给我的感觉并不是一个Web3项目，而是一个传统AI大厂。 作为一个市值只有4000万的公司，它是 🔹联合国发展署（UNDP）官宣的战略合作伙伴， 🔹通义千问的垂类小模型的官方合作伙伴， 🔹服务7个国家政府部门，全球8家医院的AI服务提供商，顶刊顶会拿到手软， 🔹在纳斯达克和港股拥有两家自己的 $FLOCK 微策略。 🧠 FLock 的原理 FLock是个AI模型训练平台。 是首个将联邦学习（Federated Learning ）与区块链融合的 AI 平台。 吸引我的，是FLock 在做一件既难、也正确的事： 让 AI 能在保护隐私的前提下学习、协作、形成共识。 抛开晦涩的技术不谈，给大家举个通俗易懂的例子： FLock就像滴滴🚗，AI训练师就是快车司机，客户就是乘客。作为平台，它提供了一个串联起模型需求和供给两方的界面。 至于那些联邦学习、MMRAG啥技术的，回头慢慢教你们！ 🌏 我的角色 作为FLock亚洲第一客服， 我致力于让更多亚洲的开发者、研究者与项目方体验去中心化智能的新形态， 推动更多真实场景（医疗、金融、教育、社交等）接入 FLock 网络。 有任何问题欢迎随时私信我。 我也会在各大FLock的活动现场回答大家的问题！ 从我买第一枚比特币起， 常说：Not your keys, not your coins. 而在我踏入 AI 领域的此时此刻， 是时候加上一句：Not your models, not your AI.