🤔 西部淘金时代，最赚钱的生意不是挖金子，而是卖铲子，AI 时代也是一样 比如 AWS 从不押注哪家创业公司会赢，它只收租金 Cluster Protocol（ @OpenProtocolFND ）在 Base 上做的就是这件事 不做 Agent，不做套壳应用，而是做整个 AI 经济的编排层 1️⃣ 一个 API、一个结算层，500+大模型 ： Cluster 的定位是统一 AI 基础设施，具体到产品形态，是一个 OpenAI 兼容的 API 入口，背后接入了 500+ 开源模型： DeepSeek、Qwen、Kimi、Llama、Mistral、GLM，外加 0G 的原生模型 覆盖六种模态：聊天、Embeddings、图像生成、TTS、STT、重排序。 接入一次，全部可用，且跨供应商自动容灾，换模型只是是改一个参数，不用自己做迁移 对开发者来说，这解决的是一个真实痛点：前沿模型迭代极快，DeepSeek 和 Qwen 发新版本的频率以周计，你不想每次都重写集成，使用 Cluster 是一个不错的选择 2️⃣ 五层架构，一个结算代币： Cluster 的技术栈分五层，每一层的交互最终都以 $CP 结算： ➤ 算力层：GPU 算力支持自定义模型托管 ➤ 数据层：数据市场把数据集变成可持有、可交易的资产，直接供给模型微调 ➤ 推理层：500+ 模型的统一 API ➤ Agent 支付层：x402 按次付费轨道 ➤ 应用层：跑在这套栈上的产品，比如 CodeXero 值得一提：数据参与训练，创作者就有收入，价值归属在每个环节都有留痕，在同一个平台上跑通这个闭环的项目并不多 应用层的产品服务单一场景，而基础设施层服务所有建在它上面的应用，这是 Cluster 选择做编排层的原因 3️⃣ x402：在 Agent 经济上的机构背书： AI Agent 无法为自己续订，这是 Agent 经济落地绕不开的问题，x402 应该是目前最好的解决方案 2026 年 7 月，Linux 基金会正式成立 x402 Foundation 40 家机构加入，Visa、Mastercard、American Express、Stripe、Google、AWS、Cloudflare 等 17 家为 Premier 会员 卡组织进入机器支付领域，是这个赛道成立以来最强的信号 结算是公开的，在 x402scan 的市场页面，Cluster 位列过去 30 天使用量最高的 x402 服务器之一： 13 万+ 成功付费请求、7.9 万美元+ 结算金额、700+ 独立买家 越来越多的 Agent 正在通过 Cluster 为 AI 付费 Cluster 已融资 775 万美元，DAO5 领投，Paper Ventures、JPEG Trading、Mapleblock Capital 等机构参与 AI 淘金热里，最稳定的生意不是挖金子，而是考虑如何把铲子卖给所有人 Cluster Protocol 想做的，就是 AI 经济里的那把铲子

Hugging Bay 直接把 Hugging Face 的生态搬到了免费版上。 如果你需要大规模检索 AI 模型，这个工具能帮你省下昂贵的 API 调用费和筛选时间。它索引了超过 145,000 个 AI 资产，涵盖从 LLM、Embeddings 到 Vision、Audio、Agents 以及 Datasets 的全品类数据。 与传统平台不同，它的底层架构专门为 Agent 设计，对 AI 工具极其友好且易于爬取。这意味着你可以直接让你的 Agent 通过它自动化获取所需的模型权重或数据集，实现真正的端到端开发闭环。

如果你对 AI 的认知还停留在“输入文字就能自动翻译”，推荐你去看《NLP Course for You》。 它是由自然语言处理（NLP）领域非常知名的学者和研究员 Lena Voita 维护的开源教程。 这门课的设计理念是“For You”，为每一个想学习NLP的学者定制。在把底层的核心概念讲清楚的同时，给学者足够的空间去按照自己的兴趣和节奏进行学习。 课程包括现代大模型和翻译系统的四大核心基石： 1️⃣ Word Embeddings（词向量）：机器是如何把人类的文字理解成数字和空间的？ 2️⃣ Seq2Seq（序列到序列模型）：早期的机器翻译是如何处理输入和输出的？ 3️⃣ Attention（注意力机制）：AI 在翻译时，是如何像人类一样聚焦在关键上下文上的？ 4️⃣ Transformer：当今所有大语言模型（如 ChatGPT、Claude）的绝对底层架构。 《NLP Course for You》的最大特点是“把复杂的数学和算法可视化”。作者用大量的动图、彩色图解和直观的流向图，把枯燥的工业级原理讲得非常通透。 没有堆砌夸张的公式，适合作为你转型 AI 技术研发或理解大模型原理的“第一张通关门票”。 💡需要提个醒，这门课程目前部分高级章节仍在更新中。它不适合被当作一门拿证、速成的“完整毕业课程”，更适合作为查漏补缺、攻克核心概念的系统化专题学习帖。 由于是全英文的高质量学术教程，网站中包含大量的长文原理解释和技术细节。建议大家搭配「沉浸式翻译」插件使用，开启双语对照阅读。 这样你既能通过中文快速抓取词向量和 Transformer 的核心逻辑，又能对照英文原学术语，完全不会因为语言门槛而劝退。 想搞懂 AI 翻译底层逻辑的朋友，赶紧收藏体验吧！ 🔗：

大淘金时代，你最应该找那个卖铲子的 AI、meme、RWA、x402……一堆新事物爆发，机会在哪里？机会当然在每个细分被价值错配的真实应用里。矛盾点来了，如果我不是这些方面的专家，那我应该怎么样把我时不我与的机会抓住最大的肥鱼 Alpha？ 这篇文章，我把自己学到的全盘教给你。 让我们潜入！ ⬇️ 其实就是标题所言：寻找时代卖铲人。 点解？很简单，纵观历史上任意一个大爆发时代，能从始至终吃尽红利的必然包括卖铲子的，这个底层逻辑就是，伟大的商业机会需要一个强大的工具来连接客户，而工具的价值就凸显出来了。用这个逻辑再去套当今最火热的 Crypto + AI，我发现了这个机会。 Cluster。拆解一下发现和思考的过程。 第一步提问：如果 Crypto + AI 真的大规模采用，它极大概率会出现在哪条链？我的答案是：Base。在 Base 上已经出现了许多 DeAI 项目，时至今日，AI 也成了 Base 链的主要特色。 第二步提问：Base 上的铲子应该是什么？这个问题稍复杂，可以收敛一下变成 Base 上做 AI 基建最好的项目是什么？我找到了一个更简单办法：看数据。在 base(.)dev 上追踪 Base chain 热门应用，除去 Dex 之外，Cluster 排名第 8 ，同时也是基建分类的排名第一。 第三步提问：它如何为 Base 或其他 DeAI 产品提供支持、如何为用户提供价值？这个问题就可以衍生出 Cluster 到底是什么做的。 / 一句话概括：Cluster 是 Base 上的统一 AI 基础设施层。 作为 infra，它可以提供覆盖算力、数据、推理、Agent 支付、应用这 5 个层级的堆栈服务。这基本上覆盖了 DeAI 所有的应用场景，尤其是最近火热的 Agent Payment x402。所以我们可以直观感受到，Cluster 并不是又一个 Chatbot，它是一整套基于统一 API 的基础结算层。 这个统一的入口/API 非常强大，在文档里我找到了已经覆盖 DeepSeek、Qwen、Kimi、Llama、Mistral、GLM 以及我之前分解过的 0G 原生模型，模型能力则覆盖了聊天、Embeddings、图像生成、语音合成、语音识别、重排序等等。 看不懂没关系，你就理解如果要在 Base 上干 AI 相关的任何创业，接入 Cluster，你可以专注自己的业务，模型调用、路由和结算交给它。事实上，已经有 25,000+ 个 dApp 通过 Cluster 搞起来跑在 Base 上了，产生了 4 万+ 峰值 DAU、30 亿+ 推理 Token 消耗，这也是为什么 Base Dev 上它的数据这么猛。 :统一入口意味着隐私必须从设计层解决。Cluster 的解决方案是直接跟 Privacy AI 领域的领导者合作，包括我们熟悉的全同态加密 FHE 项目 @mindnetwork_xyz ；零留存私有推理项目 @AskVenice（部分模型支持 TEE 与端到端加密）；芯片级、可证明隐私 @PhalaNetwork 等。 / 找到金铲子最重要的是挖掘能参与的机会，Cluster 代币 $CP $CP 已列入 Coinbase 的资产上线路线图。融资方面项目拿了 DAO5 领投的 775 万美元，资本实力也足够强大。 思考和挖掘的路径如上，不一定对，但绝对真实，可以作为参考。AI 类项目普遍比较复杂，如果深入到任何一个都很费劲，所以 Cluster 的出现还是让我眼前一亮，这不机会来了嘛？卖铲子的来了！ ⚠️ 注意防骗：只以 @OpenProtocolFND 官方公告为准。任何私信你的"客服"、"空投领取"、"提前抢购"链接都是骗子。不要连接钱包到陌生网站，不要交出私钥或助记词。 祝我们好运！ / 作者：anymose ｜ 一个软核科普作家 本文仅做科普使用，不构成任何投资建议，永远记得 DYOR！

推荐这篇笔记，对 Kimi K3 架构的独立技术拆解。 六个要点——最让人意外的一条：它完全没有使用位置嵌入，在 2.8T 这种规模上仍然是第一个。 Sebastian Raschka 在 Kimi K3 技术报告发布第二天（7/28）写了一篇精炼的架构笔记，今天登上了 HN 首页（#12，419# 分）。文章很短但信息密度高，以下是六个要点。 1. 本质上是 Kimi Linear 的超级放大版 K3 的架构直接继承自去年的 Kimi Linear（48B），只是从 48B 放大到了 2.8T。"K3 是目前最大的开源权重模型。"（注：Kimi K3 有 2.8T 总参数，104B 激活） 2. 唯一新增组件是 LatentMoE 与 Kimi Linear 相比，K3 唯一的新架构组件是 LatentMoE——和 Nemotron 3 Ultra 使用的结构相同。核心思想是把大型线性层压缩（下投影），类似于 multi-head latent attention（MLA）的做法。 3. 整体趋势指向推理效率 K3 延续了 Nemotron 3、DeepSeek V4 等模型的共同方向：用效率优化版替换标准组件。具体来说： • MoE → LatentMoE • 标准 attention → multi-head latent attention + Kimi Delta Attention (KDA) 4. Attention Residuals 是唯一非效率类改动 与 DeepSeek V4 用 mHC（manifold-constrained Hyper-Connections）改进残差路径不同，K3 使用 Attention Residuals——跨层连接残差，连接本身用 attention score 作为重要性/贡献权重。根据技术报告，它一致地改善验证损失和下游性能（少量提升），带来约 4% 的训练成本增加和 2% 的推理成本增加。 5. K3 完全去掉了 RoPE K3 在所有层使用 NoPE（No Positional Embeddings），这也是从 Kimi Linear 继承的。近期其他架构的趋势是在局部 attention 层（如 sliding window attention）使用 RoPE，在全局层使用 NoPE。有过一些纯 NoPE 的架构，但据 Raschka 所知，K3 是第一个达到前沿水平的纯 NoPE 模型。 6. 原生多模态支持 K3 现在原生支持视觉输入——Raschka 把它列为值得关注的新增能力。 Raschka 的结论 "有一些其他有趣的训练细节在技术报告中，但架构方面的要点就是这些。总的来说是一次非常棒的发布。" Raschka 的 LLM 架构画廊（涵盖本文提到的所有组件）： 原文： #KimiK3# #LLMArchitecture# #SebastianRaschka#

腾讯开源嵌入模型WeMM-Embedding 能同时处理文字、图片、视频以及图文混排的内容，不过不支持音频处理。包含2B、4B和9B三种大小，9B大小在MMEB-v2榜单上排名第一。 Github：

花了三个月换 embedding 模型，召回率涨了 2 个点。 后来加了查询改写，涨了 15 个点。 模型是最后才该动的，不是最先动的。大部分人反着来，因为换模型最省事。

我们组现在做公司的 Embedding 服务，要对业务的 Markdown 的数据进行额外清洗，清除掉 URL 等额外格式，变成更纯粹的文本。 同事提了一个 AI 用正则实现的方案。 我？？？阁下是不是不知道，有一个 Java 库叫做 commonmark-java。