开启时会模糊预览图，关闭后正常显示
Not possible with naive SFT. You'll get a fake Christmas tree bauble from that Soviet anecdote: looks the same, but there's no joy in it. Of course we have the technology. But 4o may be in a bad spot because I get the feeling few technical people are interested in saving it.
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
Cursor Composer 是怎么构建的？ 来自 @cursor_ai 研究员 @srush_nlp 在 @anyscalecompute Ray Summit 的主题演讲，焦点在于技术创新、挑战与实际应用，强调了强化学习在构建专用 AI 模型中的作用。 Composer 的核心特点与动机 Rush 首先解释了 Composer 的性能亮点：在 Cursor 的内部基准测试中，它的表现接近顶级前沿模型，优于2024年夏季发布的模型、最佳开源模型以及标榜“快速”的编码模型。同时，它在 token 生成效率上领先同类智能模型 4 倍，并在实际编辑器中使用时显著更快。这使得 Composer 不仅仅是“聪明”，还“感觉”快速，用户能保持连续的思维流程，而非等待漫长的响应。 构建 Composer 的灵感来源于 Cursor 应用的热门功能 “Cursor Tab”。随后，团队开发了名为 “Cheetah” 的原型智能体模型，用户形容其如“外星科技”。基于此，目标是创建更智能的版本，同时保留高效性。Rush 强调，智能不是追求通用基准，而是针对真实编码场景：如处理大型代码库、遵守代码风格标准。这些要素对日常软件开发至关重要。 此外，Composer 强调“感觉快速”：不仅 token 生成高效，还利用并行工具调用（如同时搜索代码、运行终端命令、编辑文件），让整个过程在几秒内完成。Rush 通过一个演示视频展示了这一体验：用户提交查询后，智能体立即多线程执行工具，快速生成编辑和总结，与传统智能体的缓慢迭代形成鲜明对比。 技术实现：智能体 RL 与基础设施 演讲的核心部分是 Composer 的构建方法。Rush 简要概述了 Cursor 的工作机制：用户查询发送到后端，智能体生成 token，形成 XML 格式的工具调用（如读文件、编辑、代码搜索、运行命令）。这些工具可串行或并行执行，智能体在 IDE 中实时显示变化。 Composer 采用强化学习（RL）训练：从用户查询开始，模拟多个 “rollout”（路径），每个路径使用不同工具序列尝试解决问题。然后评分这些路径（例如，哪个更有效），并据此更新模型参数。这类似于并行运行多个 Cursor 实例，优化最佳路径。 Rush 讨论了三大挑战： 1. 训练与推理匹配：使用大规模混合专家（MoE）模型，在数千 GPU 上分布式训练。团队开发自定义内核，支持低精度（MXFP8）训练，提升速度3.5倍（尤其在 Blackwell 芯片上），并无需额外量化。 2. 复杂 rollout：真实编码任务涉及 10 万到百万 token 和数百工具调用，时间不均。使用 Ray 框架管理负载均衡，避免“拖尾”问题（某些路径过慢）。 3. 一致性：训练环境需模拟生产 Cursor，包括相同工具响应。团队复用 Cursor 的“云智能体”基础设施，使用 microVMs 创建状态化环境，支持文件修改和命令执行。同时，集成自定义嵌入模型进行语义搜索，帮助智能体高效定位文件。 这些基础设施决策（如 PyTorch 训练服务器、Ray 推理服务器、VM 环境服务器的集成）是成功关键，确保训练与实际部署无缝衔接。 成果、见解与未来展望 在发布一周后，Rush 分享了初步成果：随着 RL 迭代，模型性能从开源水平稳步提升至发布版，证明了计算投入的有效性。模型学会了更多并行工具调用，减少了盲目编辑，转而更多阅读和搜索，提高准确性。用户反馈积极，认为速度与智能的结合改变了编码习惯——从“启动智能体后等待”转为“快速迭代解决问题”。 Rush 的反思包括： · RL 特别适合构建领域专化模型，而非通用 LLM。 · AI 已改变研发流程：团队使用自家智能体构建仪表盘和后端，加速小团队迭代。 · 基础设施是 RL 的核心驱动力，涉及产品、规模与ML的深度整合。 视频地址：
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @blob_watcher: A decade ago I used to think allegations that Americans have acquired Qing dynasty tier ignorance and chauvinism was just…
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
我的产品简单简历 https://t.co/2vTyY4JaoL 开始一年一度双十一的特价活动啦，终生会员原价188元，现在特价 99 元。 去年的双十一活动我记得很成功，创下了收入的小新高，如果有要写简历的朋友，可以试试看。我很多次横向对比了市面上写简历的工具，不谦虚的说，在我看来算是挺易用也是很美观的。
独立开发者 自由职业 作品 - 简单简历 https://t.co/xMu5JFIGnr 五分钟打造程序员的金牌简历 课程 - 慕课网精英讲师 https://t.co/NTyFFrvHwL 经历 - 不上班的1000天 https://t.co/bonuLQCCsY 视频 - https://t.co/aQYLgujIyC
小型 VLM + 自定义数据集微调 ≈ GPT-5，且便宜 50 倍！ 来自 @LiquidAI_ 成员 @paulabartabajo_ 给 AI 工程师的实用建议。核心观点强调：在特定任务或领域，使用小型视觉语言模型（VLM）并基于自定义数据集进行微调，可以实现与大型通用模型（如 GPT-5）相当的准确性，同时显著降低成本（约 50 倍）。这体现了 AI 开发中的效率优先原则：小型模型在专用场景下往往更经济、更易部署，且通过微调能针对性优化性能，避免大模型的资源浪费。 开源项目 使用 Liquid AI 基础模型（LFM）和 LEAP SDK 构建的各种教程、示例和应用。演示了如何构建一个本地化的智能体工作流，用于自动解析发票文件。它强调数据隐私，因为整个过程在用户本地机器上运行，无需云服务或 API 密钥。 创建一个简单的 Python CLI，它可以监控指定文件夹中的新发票文件（通常为图像格式，如 PNG 或 JPEG），并从中提取结构化信息，例如金额和货币。然后，将提取的结果追加到 CSV 文件中，便于后续分析或记录。该工作流适用于处理日常账单或发票，展示了小型本地语言模型在实际任务中的应用潜力。根据测试，它能正确处理约 75% 的样本发票，突出模型的实用性和改进空间。 关键技术和模型 · @ollama：用于在本地运行和管理语言模型的框架，支持高效的模型推理。 · uv：一个高效的 Python 包管理器，用于处理依赖和脚本执行，提高开发效率。 · LFM2-VL-3B：Liquid AI 的视觉语言模型，负责从发票图像中提取原始文本描述，包括 OCR 功能。 · LFM2-1.2B-Extract：另一个 Liquid AI 模型，专用于将非结构化文本转换为结构化数据记录，例如 JSON 格式的金额和货币字段。 这些模型均为小型（nano 级），可在普通硬件上运行，强调成本效益和本地部署。 代码结构和工作原理 代码主要位于 src/invoice_parser/main.py，采用模块化设计，便于扩展。工作流分为以下步骤： 1. 文件监控：工具持续监视指定的目录（如 invoices/），检测新添加的发票文件。 2. 文本提取：一旦检测到新文件，LFM2-VL-3B 模型会处理图像，生成原始文本描述（例如，识别出 “Total: $100 USD” 等内容）。 3. 信息结构化：将提取的文本传递给 LFM2-1.2B-Extract 模型，它使用提示工程将文本转换为结构化数据，如 {"amount": 100, "currency": "USD"}。 4. 数据存储：将结构化结果追加到目录中的 bills.csv 文件，确保数据持久化。 整个过程是链式的（chained），类似于智能体协作：视觉模型充当“眼睛”，提取模型充当“大脑”。如果处理现有文件，可以通过命令行参数启用。 开源地址：
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @python_xxt: Be valuable, not available. ——分享一个接电话的习惯： 最近两年，我不再像以前那样，铃声响起，就快速接电话，对于非预期拨入的电话或语音，我大部分不会接，都是过十几分钟，或者更长一段时间，看情况再回复。 如果是真正…
从投资领域转到创业：找工作、找面试题、改简历、模拟面试. 创业（冷启动）｜AI , AIGC ｜ 安全技术｜RAG | 时空智能 | 认知心理学｜智能体 ｜ 生命科学 ｜ 强化学习 I built open source software at https://t.co/b69DXZhcyR