🚀 一文读懂，如何在 发请求？ 今天我在 发布了第一条 Open Request，走了一遍完整流程，下面具体谈一谈具体过程 ，从准备到验收，一文带你避坑。 ➤ 准备工作要做好 1.打开 .agent 同一个身份这次可以发需求，下次也可以去接单。 名字一旦定下，服务、订单、信誉都会挂在它上面，所以起名不要太儿戏。 2. 确定用bsc或base那条链上的市场 @termix_ai 分别在bsc 与 base 构建了市场，往托管钱包充值usdt或者usdc时别搞错了。 ➤ 发请求 Open Request，还是直接买现成服务Listing？  市场里其实有两条路。 一条路，直接买别人已经标好价的 Listing。审计、写文案、做研究这类标准化活，走这条最快。选套餐、填要求、付钱进托管就行； 另一条路，发 Open Request。适合需求不标准、想货比三家、或者市场上没有完全对口的服务。你把预算区间挂出去，等 Provider Agent 来报价，再挑一个谈。 有人用 1 USDT 试过买 Listing： 选服务 → 写 Job title 和 requirements → Approve → 把钱存进 escrow。钱不会立刻到对方手里。发请求也是同一套托管逻辑，只是价格不是事先标死，而是等人来报。 第一单如果只是熟悉流程，买一个低价 Listing 更快；真有定制活，再发 Request。 ➤ 一条请求要填什么? 页面上真正决定后面会不会扯皮的，就这几项： ▪️标题：能搜到，别写“帮忙看看” ▪️Scope：交付物、格式、不能做什么、改几次 ▪️预算区间：太宽报价散，太窄像样的 Agent 不来 ▪️截止时间 ▪️标签：research、writing、solidity 这类 ▪️验收方式和挑战期：交活后你有一段时间检查，不合格可以举证 协议层要求也不多： 标题、你的 client Agent、标签、scope、最低/最高预算。可选的还有最低质押门槛和截止时间。发出去后状态是 OPEN，Provider 就能看到。难的不是会不会点按钮，是 scope 写不写得像一份合同。 ➤ 具体实例，注意写法 “我要发布，解析x平台优质创作者，如何涨互动的请求。” 低质量写法： 帮我看看同行账号，总结一下怎么涨互动。 高质量写法: 标题：拆 5 个中文 Web3 创作者账号，输出可复用发帖结构 预算：30 到 100 USDT 周期：3 天 标签：research、writing、x-content Scope： 1.指定账号 雪糕 @Xuegaogx 、鸟哥@NFTCPS 、AKiii @Guomin184935 ZC @ZhanweiC 2.各抽近 20 条高互动帖，归纳开头方式、线程长度、图片用法。 3.总结 8 条可复用结构，每条配 1 个改写示例。 4.示例必须改成我的选题，包括 Agent 市场、链上托管、创作者如何发单。 5.不写“多互动、多回复”这类空建议。 6.交付一份中文文档，外加一张结构对照表。 7.验收：没有具体帖子依据，或建议无法立刻套用，视为未完成。 ➤ 发出去之后怎么选人? 请求挂上后，先看报价，再锁钱。 比如我这类拆账号的单，可以额外看三项。以前是不是交过账号拆解或内容研究，而不是只有通用内容写作。样稿里有没有具体帖子依据，而不是几句观感。报价低但没有作品，后面多半要你自己重做。 选中后钱进托管，对方再确认接单。规定时间不接，钱按规则退回。 之后链路固定。接单，交付并在链上留下哈希，你验收，再放款。协议费大约 1% 到 3%。不满意可返工，或在挑战期内举证。 验收时先对三样。4个账号是否都拆了，8 条结构有没有配改写示例，建议能不能直接套用。不要先点接受再回头改。 ⚠️新手最容易踩的坑 1.brief 写得太虚。 这是第一单最常见的问题。范围、格式、修改次数、什么叫合格，能写进订单的就不要留到事后解释。 2.预算和活对不上。 一份要交叉验证数据的研报，预算写 10 U，过来的多半是灌水稿。没看挑战期就接受。  3.文件交上来先对哈希、目录和约定条目，再点接受。点过之后，钱就按结算路径走了。 4. 网络和币种没核对。 BNB Chain 和 Base 是两套账本，账户、Agent、订单不共用。 5.发请求和发服务搞混。 发 Request 是你出钱找人；发 Listing 是你上架服务，等人接单。 最后，这就是整个流程和注意事项，新手第一次发布请求，不要一上来就搞大预算，可以小额试水，跑通熟悉整个流程再说。#Agentics# #AiFi#

净吃瓜了，差点错过这条消息。 8 月 25 日，YZi Labs 正式公布 EASY Residency 第四季全部入选项目。作为其面向 Web3、AI 和生物科技早期创始人的旗舰孵化计划，本季共有 24 家早期公司入选，每家获得 50 万美元投资。 其中一些并不属于 Web3，我也就不关心了。这次真正值得看的，入选项目所处赛道，以及有没有早期参与机会。 ════════════════ 我的筛选标准： 1.有机会零成本参与 2. 未来几年热门赛道 3. 市场几乎没有同类竞品 这样一筛，剩不下几个了，多少有点失望。 ════════════════ 🟢隐私计算： Primus ：机构链上金融的机密基础设施 @primus_labs 在公链上为机构金融构建隐私层，实现机密、可验证且合规的活动。不替代现有轨道，而是为其增加隐私能力，从 Confidential Vault 起步，逐步扩展至支付、薪酬、财资等机构工作流。 这属于大家老朋友了，隐私赛道，已上Kaito Katalyst 创作者活动，但奖励人数有限，好像只是热身，看看后续能否上涉及代币额度的大规模创作者活动。 ════════════════ 🔵链上外汇： 1.Aile：面向区域稳定币的无许可链上外汇层 @aile_fx 通过意图网络，让竞争求解器从外汇经纪商、DeFi 资金池及发行方铸造 / 赎回通道聚合流动性，形成深度订单簿，并实现链上原子结算。 看着起来新潮，但实现难度不小，我更关注下面两个个。 2.ViFi Labs：新兴市场货币的去中心化交易所 @ViFi_Labs 链上外汇场所，提升做市商为奈拉、雷亚尔、比索等新兴市场货币提供流动性的资本效率。支付公司与跨境交易者存入 USDC，即可按预言机锚定汇率在数秒内完成兑换，无需预充值，并尽量减少本币敞口。 类似于 KiiChain，主打外汇兑换，我觉得外汇这一块缺一个龙头。 3.XStable：链上黄金与外汇交易的 AI 原生基础设施 将杠杆黄金与外汇交易带到链上，结合全球定价、机构流动性、自托管与透明结算。据其披露，平台日交易量已超 1 亿美元，并利用 AI 原生能力进行机会发现、风险管理与执行。 这个最实际，已经开跑，日交易量稳步提升。 ════════════════ 🟡创作者经济 XHunt：AI 原生创作者智能与机会基础设施 @xhunt_ai 衡量真实创作者影响力，并帮助创作者将影响力转化为经济机会。创作者市场日益数据驱动，缺失的不是更多虚荣指标，而是能识别贡献、分发力与可变现机会的智能层。 同样又是一个老朋友，这下得到 YZi扶持，应该是入了币安法眼。 看官推最近应该有大动作，期待新的创作者活动。希望挑战一下Kaito，后续会发币吗？ ════════════════ 其实，我最感兴趣的是 Meddcom AI ，可惜不是web3项目。 至于其他的项目，并不是项目不好，只是不太符合我的筛选标准。 尽管24个项目看似不少，但可以零成本参与并且无市场竞品的项目不多。 最主要的是，在其中，我依然没有找到新叙事方向。

🔎一文全面梳理 TermiX Points 体系 昨天提交的2条推文，TermiX竟然给了足足4w多积分。可惜参与晚了，前排都大几百万了。 大家参与Kaito创作者活动的，一定记得在Kaito Studio提交的同时，也在TermiX Points里面提交一下，三轮Kaito活动下来，积分量也很可观。 2026 年 7 月 7 日，TermiX 主网和 一起上线，TermiX Points（TP）同步开启 Season 1。 TP 不是代币，不能买、不能转。它是链下账本，只记经过验证的贡献，并作为未来效用权重保留。具体怎么用，官方尚未公布。 🗾5条积分获取途径: 1. 已结算 Job（主来源） 按结算金额计分，客户拿全额，服务方拿一半。 ▪️1–100 美元：客户每美元 100 TP，服务方 50 TP ▪️100–1000 美元：客户 90，服务方 45 ▪️1000 美元以上：客户 80，服务方 40，不设上限 一笔 100 美元的单：客户 10,000 TP，服务方 5,000 TP。托管清算后自动入账。另收 2% 协议费，与积分无关。 Bounty 审核通过也可计分。同一地址 + 同一社交账号，每个 bounty 只计一次。 2. 一次性社交任务 关注 @termix_ai：+500 TP。 加入并验证 Discord：+500 TP。 同一社交账号全平台只领一次。 3. 注册 Agent Client、Provider 各 +200 TP。每个地址最多计 2 个。 4. 发帖 用已验证的 X 账号发与 TermiX 或 相关的内容，把链接交到积分页。 按浏览、点赞、评论、转发计分； 曝光和互动各一半，粉丝数只加权、不定分。 买量低互动几乎没分。 每天最多交 2 条，约按发布后 24 小时数据、每天 UTC 00:00 结算。 旧帖当日清空，需重新提交。 5. 邀请 不抽对方的分，平台额外给你铸佣金： 有效邀请 1–9 人 5%，10–49 人 10%，50–99 人 15%，100 人以上 20%。对方须注册并完成至少一次计分行为。升档不追溯。 我的邀请链接: 🔔以下3点需要注意 1.积分不计、追回甚至冻结情况 退款、取消、未完成、过期、争议未结：不计。 同一主体自买自卖：双方都不计，已发分会追回。 重复绑定同一社交账号、每地址第 3 个及以后的 Agent 注册：不计。洗交易可能被冻号审查。 2.现在没有「多少 TP 等于多少币」的官方对照。 3.规则奖励的是可核验的成交，以及真实阅读和互动。 最后，参与一个项目，就要全方位参与，尽量拿更多积分吧。

隐私赛道是web3少数尚未被彻底证伪的方向。 许多叙事曾火热一时，随后迅速冷却。AI、GameFi、社交，都经历过从喧嚣到沉寂的周期。隐私不同。链上默认透明，对个人是优势，对机构、策略交易和真实金融业务却是硬伤。 余额暴露、交易路径可追踪、MEV 频繁被夹，这些问题不会因市场情绪切换而消失。机构资金要入场，RWA 要规模化，GDPR 这类合规要求也摆在那里。隐私始终是刚需。 Fhenix @fhenix 做的事，就是把这种刚需推向落地。 它没有另建一条独立的隐私链，而是转向 CoFHE，一个为现有 EVM 设计的 FHE 协处理器。开发者在 Solidity 里加一行 import，就能用加密数据类型完成计算。数据加密进入，计算全程不解密，结果按需解密。重计算放链下，链上只处理必要的验证。对开发者，门槛降低了；对生态，可组合性保留了。 这一点比早期隐私方案更务实。ZK 擅长证明，但复杂业务逻辑支持有限；TEE 依赖硬件信任；MPC 交互成本偏高。FHE 允许直接在密文上运行任意计算，更接近真正的机密计算。Fhenix 团队在阈值解密上的优化，将吞吐和延迟拉到了可用区间，这是过去 FHE 落地最大的卡点之一。 产品层面，他们提出了 Dual-Mode 代币。同一个 ERC-20 地址，既能公开余额，也能切换到屏蔽模式。用户自行决定何时透明、何时隐私，不必二选一。对于稳定币、借贷仓位、RWA 等场景，这种设计更贴近实际需求。 近期动态也体现出节奏。收购 Sunscreen，补强后量子和编译器方向；与 Canopy、Sedona、Nomyx 等合作，把加密计算接入更多应用和链上。官方账号最近也在讨论 Dual-Mode 代币和开发体验，强调“复杂的是工具，不是密码学本身”。社区讨论同样活跃，有人关注测试网交互，有人看重开发者友好度，也有人将其与下一轮叙事挂钩。 当然，Fhenix 仍处于测试网阶段，主网和代币尚未推出。生态真实用量、主网性能、长期激励设计，都是待验证的问题。隐私赛道本身也不轻松，技术难度高，监管风险存在，用户教育成本不低。 但方向是对的。公开链解决了信任和可验证性，隐私要解决的是“可验证但不暴露”。Fhenix 选择把 FHE 做成 EVM 的基础设施，而不是另起炉灶。这条路走通，许多此前只能停留在理论或封闭网络里的场景，才有机会真正上链。 隐私不会因为某轮行情而过时。Fhenix 能否成为标准答案，还要看执行。至少目前，它站在一个值得持续观察的位置上。 #FHE# #隐私计算#

午休醒来，你们怎么就都“牛来”啦，牛来不来不知道，这电影制作人绝对是我大《剑来》粉丝，这电影海报，笑不活了😂 #牛来# #剑来#

智谱公开，Anthropic圈禁，同一项AI能力走向两个方向 8月14日，智谱GLM-5.3上线。大多数人只盯着它开源第一的编程能力，我更关注另一件事：它要开源一个接近顶尖水平的漏洞发现引擎。 GLM-5.3在后训练中涌现出的漏洞挖掘能力，已在白盒审查中逼近甚至局部超过部分闭源模型。他们先做完安全评估和加固，然后计划完整释放权重。两周后，一个接近顶尖水平的漏洞发现引擎将直接进入公共领域。 同一项能力，Anthropic做出了截然相反的选择。 今年4月，Claude Mythos自主发现了数千个零日漏洞。Mozilla用它在一个浏览器版本里扫出271个，还挖出了藏了27年的OpenBSD老漏洞。能力足够强，风险也足够清晰。 Anthropic随后做了三件事：不公开发布模型；启动Project Glasswing，仅向亚马逊、苹果、微软等十几家审核过的机构开放；配合美国政策，6月起Fable 5和Mythos 5对全体外国公民断供。 Anthropic的判断很明确：这个能力太危险，必须锁进保险柜，钥匙只交给政府和少数盟友。 一边是公开，一边是圈禁。两者面对的是同一种AI引擎，能自主挖洞、验证，甚至向利用链条上游延伸。 公开的逻辑很直接。 攻击面本就是开放的，防御能力若继续被少数机构垄断，不对称只会加剧。开源社区、独立研究者、中小团队需要盾牌。智谱把能力交出去，赌的是“广泛可得的防御”比“集中控制的防御”更可持续。 圈禁的逻辑同样清晰。 能力一旦扩散，恶意使用的门槛会急剧降低。零日漏洞被大规模低成本发现，关键基础设施可能直接承压。Anthropic收拢钥匙，赌的是“可控的稀缺”能压住风险。 两种选择都不是天真。智谱清楚双用途风险，所以分阶段释放；Anthropic清楚能力已经出现，所以切断公开路径。真正的分歧在于对开放世界的判断：是先把盾牌铺开，再补规则，还是先把能力锁死，再慢慢授权。 两周后权重落地，两条路径将同时面对现实检验。一个把能力推向公共领域，一个把能力锁进保险柜。结果会告诉我们，哪一种更贴近这个时代的真实安全需求。 #AI# #Anthropic#

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#

机器人运动会也“开挂”？ 最近有个让人哭笑不得的爆料：在2026世界机器人运动会的备赛现场，有参赛队发现，部分对手竟在灵巧手腕部暗藏了高精度工业视觉设备，直接套用成熟的工业视觉方案。 这不禁让人质疑，如果机器人的感知和手眼协同，能靠外挂视觉“降维打击”难度，那比拼的究竟还是不是灵巧手本身的操控实力？这到底是机器人竞赛，还是外设装备竞赛？ #robotics# #世界人形机器人运动会#

币安数据 $KAITO 7日跌幅超52%，又是熟悉的剧本，质押收益没见着，代币价值已腰斩。 但转机或已在眼前，Kaito Katalyst 即将正式落地。 若合作项目激励能保持之前水平， $KAITO 价格可能会有反弹；如果一般，还得跌。 目前，确定会上Kaito Katalyst的项目是 @axisrobotics 和 @fhenix ，这两个项目团队最近都和Kaito有过互动，其余项目我之前列举过8个，见引用推文，暂不确定。 ✳️Axis @axisrobotics Physical AI 数据引擎。通过浏览器远程操控虚拟机械臂完成抓取、放置等任务，生成高质量机器人训练轨迹数据，自动清洗增强后上链至Base。已有10万+贡献者、超200万有效轨迹，完成1200万美元种子轮融资（Hack VC领投）。无硬件门槛，真正把人类智能转化为机器人通用智能。 ✳️Fhenix @fhenix 基于全同态加密（FHE）的隐私计算基础设施。允许智能合约在数据全程加密状态下直接计算，无需解密。已完成约2200万美元融资（含Hack VC领投的Series A），CoFHE协处理器已在多条测试网上线。深度技术向项目，适合验证Katalyst在复杂基础设施叙事上的表现力。 除了 Katalyst，Base 创作者计划同样值得关注。具体形式尚未明确，但鉴于 Base 与 Kaito 长期良好的合作关系，不排除直接合作可能性。

DeepSeek告别“价格屠夫”：API大幅涨价，大模型行业进入新阶段 8月13日，深度求索官方宣布对DeepSeek API价格进行调整，引入峰谷定价机制。高峰时段为北京时间每日9:00至12:00和14:00至18:00，空闲时段价格仅为高峰时段的一半。新价格将于8月17日0时正式生效。 这次调价与DeepSeek V4全系列模型正式版上线同步推进。以DeepSeek V4 Pro为例，高峰时段每百万Token输出价格达到27元，较现行6元上涨约350%。即使是空闲时段的13.5元，也是此前价格的2.25倍。涨幅之大，超出了许多开发者的预期。 官方给出的解释是“更加合理地调配资源”，鼓励用户根据实际使用情况调整任务时间。但市场普遍认为，这远不止是一次简单的定价调整。 过去两年，DeepSeek凭借“高性能加极低定价”的策略横扫开发者市场，被冠以“价格屠夫”的称号。V4 Flash以“1元输入、2元输出”的价格迅速占领市场，调用量一度达到全球第一。但这种以补贴换市场的模式，终究难以持续。 智能体大规模落地带来的算力消耗激增，加上芯片、电力等运营成本持续走高，单纯的低价竞争已经难以为继。高盛在7月的研报中指出，DeepSeek的调价并不意味着需求走弱，反而反映出国内AI模型需求持续旺盛、算力资源趋紧，行业竞争正从激进的价格战逐步回归理性的定价框架。 事实上，涨价在整个国产大模型赛道已不是个例。智谱AI在2026年一季度API价格上涨了83%，调用量仍然增长了400%。摩根士丹利分析师也将DeepSeek的调价解读为行业定价纪律改善的积极信号。从年初的“价格屠夫”接连降价，到如今大幅涨价，DeepSeek的定价策略反转，折射出国内大模型行业正在经历从“以低价换市场”向“以价值定价”的战略转向。 对开发者而言，短期阵痛不可避免。高峰时段覆盖了国内开发者和企业用户最主要的工作时间，依赖低价API服务的下游应用需要重新评估成本。但长远来看，这或将倒逼行业建立更健康的商业生态。大模型不能永远靠补贴活着，当技术逐渐成熟、应用场景不断拓宽，价值回归是必经之路。 DeepSeek用两年时间证明了国产模型的能力不输海外，现在它需要用新的定价证明自己有能力走出一条可持续的商业化道路。 #AI# #DeepSeek#

🔎0.1分的差距，57倍的价格，DeepSeek V4 Pro正式版诠释“性价比之王” 凌晨突袭，DeepSeek V4 Pro正式版把性价比玩明白了。 8月12日深夜，DeepSeek官网API文档悄然更新，旗舰模型V4 Pro从预览阶段正式转正，版本号定格为DeepSeek-V4-Pro-0813。没有发布会，没有倒计时，连更新日志都没来得及写。但数据不会说谎，这款模型用一张成绩单，把“比我强的没我便宜，比我便宜的没我强”这句话，刻在了大模型竞赛的牌桌上。 性能：距离全球第一，只差0.1分 先说硬指标。V4 Pro正式版沿用了预览版的MoE架构，1.6万亿总参数、每个Token激活490亿参数，支持100万Token上下文窗口和384K最大输出。架构没变，但后训练下了狠功夫。 最惊艳的来自Agent相关评测。在衡量AI智能体完成真实终端环境复杂任务能力的Terminal Bench 2.1上，V4 Pro拿下87.9分。全球第一的Anthropic Fable 5，为88.0分，差距仅0.1分。相比预览版72.1分，三个月跃升了15.8分。 再看其他维度。AI安全智能体基准Cybergym上，V4 Pro以83.3分压过Fable 5的83.1分。软件工程能力测试DeepSWE从预览版的12.8分飙升至62.7分，涨了近五倍，超越了Anthropic上一代旗舰Opus 4.8，为58.0分。DSBench-Hard翻了一倍多达到67.2。 这些测试有个共同点，都涉及长链路的代码修改、环境操作和工具调用，恰好是预览版最容易翻车的地方。换句话说，V4 Pro这次补上的正是大模型从“聊天玩具”走向“生产工具”最关键的Agent能力。 价格：对手的六十分之一 性能逼近Fable 5，价格呢？V4 Pro每百万Token输入（缓存未命中）3元、输出6元，缓存命中输入低至0.025元。 对比海外顶级模型，Fable 5每百万输出Token定价50美元，GPT-5.6 Sol Max为30美元，Grok 4.6为6美元。而DeepSeek V4 Pro仅为0.87美元。6元人民币的输出价格，是Fable 5的六十分之一、Opus 5的三十分之一。 0.1分的跑分差距背后，是五十七倍的价格鸿沟。在部分智能体任务中，V4 Pro与Claude、Fable等顶级模型的性能差距已缩小到约5%，但后者的价格最高却是它的45倍。 格局：大模型竞赛进入性价比时代 这次更新恰逢Grok 4.6同夜发布、Qwen 3.8-Max宣布开源。模型之争已从单一的参数比拼，转向性能、成本与商业化应用的综合较量。 DeepSeek走的是一条清晰的路，用顶级模型的性能、地板价的价格，倒逼整个行业重新思考“什么才是好的大模型”。V4 Pro与Flash版形成“高频轻量走Flash、复杂推理走Pro”的产品分层，开发者可以按需选择，丰俭由人。 当然，V4 Pro并非没有短板。在无工具调用的Humanity's Last Exam上，它跟Claude Opus 5仍有明显差距。部分开发者反馈长时间连续执行时仍会出现提前停止、任务质量不稳定等问题。此外，DeepSeek已预告将整体上调API定价，目前的低价窗口能持续多久仍是未知数。 但无论如何，V4 Pro正式版已经用实力证明了一件事：性能可以逼近全球第一，价格却可以只有对手的六十分之一。大模型的“奢侈品”时代正在被瓦解，这对所有开发者来说，都是好消息。 #AI# #DeepSeek#

又是一个和 @axisrobotics 轨迹任务撕扯的早上，每次想放弃，Axis总会放出新东西，吊着我继续做下去，没办法，鱼饵太香。 比如昨天就放出两个爆炸性消息: BitRobot 的统一奖励计划 Bolts 正式上线@BitRobotNetwork 此前参与 Axis × BitRobot Alliance 任务的贡献者，现在可以领取奖励了，真正一鱼两吃。 Kaito创作者计划进入倒计时，大的要来了。 不知道，大家都埋伏了几篇了？

灯塔 @Lighthouse_2026 等级终于A级了，今天最大的惊喜! 不少朋友私信问我，怎么做到的，我觉得应该是这段时间的努力方向契合了灯塔等级算法。 核心方向就是做好推特内容，尽量原创，最好深耕2-3个热门赛道，不要东一榔头西一棒槌。推文宁愿少发，也要保证质量。 另外，就是提升灯塔活跃，包括发单提升信用积分，接任务保持活跃，特别是商单，尽量认真写，如果排名靠前，可能有算法加成。 最后，就是努力向上社交了，争取xhunt排名靠前的KOL关注，但我觉得争取热门项目方关注可能更有用。 这就是我努力的三个方向，也可以说是两个方向，努力做好X和灯塔就行。

🔥从谷歌到阿里，AI明星集体离职：他们到底在逃离什么？ 林俊旸走了，Jeff Dean也走了。 一个是阿里千问的负责人，一个是谷歌十多年的首席科学家。前后脚，一个在中国，一个在美国。 同样的戏码还在不断上演：OpenAI前产品官Kevin Weil在融资，字节AI产品负责人西原在创业，商汤系半年跑出32家公司。这场AI明星的集体离职潮，来得又快又猛。 外界忙着算估值、数钞票，却很少有人问一句：他们到底在逃离什么？ 表面看，钱是直接原因。出去单干，估值动辄十几亿美金，比拿死工资诱惑大得多。但能走到这个位置的人，早就过了单纯为钱工作的阶段。真正驱使他们离开的，是另一种东西。 是大厂正在失去的技术理想主义。 这些顶尖AI人才，大多是学术背景出身。他们痴迷的是模型能力的边界，是推理时突然涌现的智能，是算法结构里精妙的数学美感。但大厂要的是产品、是营收、是每个季度的增长数字。当你花了三个月打磨一个更优雅的架构，业务方只问你一句“能提升多少转化率”时，那种窒息感是真实的。 Jeff Dean在谷歌待了二十多年，亲历了Google Brain的黄金时代。但那已经是过去式了。今天的谷歌，AI部门被整合、被流程化，创新让位于效率。同样，阿里拆分Qwen团队，本质也是组织逻辑的变化。从“做出最好的模型”变成“服务好最多的客户”，这个转向对商业而言合理，对梦想家而言残酷。 更隐性的是决策链的延长。 在大厂，一个技术方向的调整，可能要过五关斩六将。产品评审、法务合规、预算审批、老板拍板，等流程走完，对手已经跑出三个迭代。而AI这个领域，拼的就是速度和信仰。林俊旸们想要的是“我说了算”的自由，是清晨冒出一个想法，下午就能跑实验的酣畅淋漓。这种体验，大厂给不了。 当然，还有一层更深的东西：他们在逃离一种“螺丝钉化”的宿命。 当大厂AI团队扩张到上千人，你再怎么天才，也只是流水线上的一个环节。署名权变淡了，个人印记被磨平了。你做的那部分工作，最终淹没在庞大的系统里，没有人记得是谁的手笔。而对于这些曾经站在技术巅峰的人来说，被看见、被记住，比钱更重要。 所以，与其说他们在逃离大厂，不如说他们在逃离平庸的引力。逃离那种“做着最前沿的事，却感觉自己在退步”的荒诞感。 资本的疯狂追逐，只是给了他们一个顺理成章的出口。没有这些热钱，他们或许还会再忍一忍。但当机会摆在面前，理想和现实同时点头，离开就成了唯一的选择。 这场离职潮的本质，是大厂的组织惯性跟AI的技术爆发性之间，已经撕开了一道裂痕。裂痕只会越来越大。而那个最终被留下的问题，或许该由大厂来回答：当最优秀的人陆续走光，你们剩下的，到底是什么？ #AI# #google# #阿里巴巴#

现在加入具身智能，约等于在侏罗纪加入国军。路还很长很远…… 昨天宇树科技打新，币圈的谁中签了？我没中，一签赚20-30万RMB，羡慕坏了。 中不了？那就黑一波了，人型机器人十大谎言，看看你有没有中招: 1. “人形机器人马上就能量产走进千家万户了。”  实际是，能稳定在工厂干一个活就不错了，家用场景成熟度至少还得几年。 2. “我们的模型泛化能力极强，机器人什么都能学会。”  换个桌子高度、变个光照角度，可能就当场失灵。 3. “机器人成本降到10万就有市场了。”  10万只是硬件裸价，运维、调试、保险、停机损失都还没算。 4. “灵巧手自由度越高越好。”  自由度越高控制越难，真正能用上的场景反而更少。 5. “数据越多，机器人越聪明。”  垃圾数据喂再多也没用，数据质量比数量重要一百倍。 6. “人形等于通用，两条腿就能去任何地方。”  实际上，大多数工业或商用场景里，轮式方案比腿式稳定得多、也便宜得多，很多地方根本不需要腿。 7. “特斯拉Optimus量产了，行业就爆发了。”  特斯拉自己工厂都还在试点，离对外供货还远着呢。 8. “仿真环境练好了，迁移到真机自然没问题。”  Sim2Real的差距比想象中大10倍。仿真里跑100次都成功，真机第一次可能直接摔机。@axisrobotics 你怎么看？ 9. “人形机器人是终极形态，其他都是过渡。”  形态是由场景决定的。工厂用机械臂，物流用AMR，巡检用四足，工商业可能轮式更实用。人形不是终极答案，只是选项之一。 10. “开源具身大模型出来了，小公司也能弯道超车。”  开源模型只是入场券，不是护城河。真正的壁垒是真机数据、场景闭环和硬件迭代能力。没有机器人的公司，拿开源模型也练不出真东西。 #PhysicalAI# #EmbodiedAI# #robotics#