Keep on to blur preview images; turn off to show them clearly
许久没玩，在 Cloudflare Worker 上搭建(薅) VLESS 梯子的脚本都进化成这样了。 https://t.co/11hHO6ndWh
🧠在家居士 | 🥦素食者 | 🏃🏻马拉松爱好者 | 💰省钱小能手 | 搭🪜技术资深学者 | 👨💻科技宅 | 🆕更新狂 | 🆅 六边型战五渣
girl on girl on girl violence is the best violence
FOLLOWS YOU. Artificial Intelligence, Cognitive Architectures, Computation. The goal is integrity, not conformity. https://t.co/rFUNzdYXuK
人类的大脑和身体的其他器官完全不一样， 大脑是越用越活，需要不断地让大脑走出走出舒适圈。 比如原来你用右手拿筷子，现在改成用左手拿筷子，原来不习惯于社交强迫自己进行社交练习，原来你不喜欢数学，但是你强迫自己训练和学习数学。 这个过程是痛苦的，但是对于脑子来说，这是维持大脑活力的最有效方法。
Programmer ｜ Growth Coach｜Helping creators build their personal brand on X 公众号：PandaTalk8
Kimi-K2-Thinking：@Kimi_Moonshot 最新发布深度推理与智能体功能的开源模型 它不仅仅是一个高效的推理引擎，还内置了智能体能力，能够在复杂任务中动态调用工具，实现从简单问答到数百步自主工作流的端到端处理。这个模型标志着大语言模型向更具自主性和实用性的方向演进，尤其在编程、研究和写作等领域表现出色。 核心设计：MoE 架构下的高效“思考”机制 Kimi-K2-Thinking 采用 MoE 架构，总参数规模达 1T，但激活参数仅 32B，这意味着它在计算资源上更高效——每 token 只激活少数专家，避免了全参数模型的冗余开销。具体参数包括：61 层（含 1 个稠密层）、隐藏维度为注意力层 7168 和 MoE 每专家 2048、384 个专家（每 token 选中 8 个，含 1 个共享专家）、64 个注意力头、SwiGLU 激活函数、MLA 注意力机制、16 万词汇表，以及支持 256K 上下文长度。 这种设计让模型在处理长序列时保持低延迟，同时通过 CoT 机制生成逐步推理路径。不同于传统模型的线性输出，它能交替进行思考和工具调用，形成闭环：模型先“思考”问题分解，然后调用外部工具获取数据，最后整合输出。这种智能体式流程特别适合需要迭代验证的任务，如数学求解或代码调试。 关键创新：量化训练与长程稳定性 模型的最大亮点在于两大工程优化：首先是原生 INT4 量化，通过量化感知训练（QAT）将权重压缩到 4 位整数精度，实现约 2 倍推理速度提升，同时 GPU 显存占用降低 50% 以上。这不是后处理量化，而是从训练伊始就融入，确保精度损失最小（在多数基准上与 FP16 相当）。其次是长时程智能体稳定性，传统模型在 30–50 步工具调用后易“迷失”目标，但 Kimi-K2-Thinking 可稳定运行 200–300 步，保持目标导向行为。这得益于专属的训练策略，包括强化学习微调（RLHF）和工具使用模拟数据，帮助模型在多轮交互中维持连贯性。 这些创新使模型从“被动响应”转向“主动探索”，适用于真实场景如网页搜索、代码生成或多模态分析。 性能表现：基准测试领先 在多项评估中，Kimi-K2-Thinking 展现出强劲实力，尤其在带工具的“重度”任务上超越竞争对手。例如，在 Humanity's Last Exam（HLE）推理基准上，无工具得分达 23.9%，带工具提升至 44.9%，重度工具场景下进一步到 51.0%；在数学任务 AIME25 上，无工具 94.5%、带工具 99.1%、重度工具 100.0%；通用知识 MMLU-Pro 达 84.6%。在智能体搜索基准 BrowseComp 上为 60.2%，编程任务 SWE-bench Verified 达 71.3%，LiveCodeBenchV6 达 83.1%，Seal-0 智能体基准为 56.3%。特别是在中文任务如 BrowseComp-ZH 上达 62.3%。这些成绩证明模型在复杂、多步环境中可靠。 实际应用与生态支持 模型开源托管于 Hugging Face，支持 OpenAI/Anthropic 兼容 API，便于集成。使用时，可通过简单 Python 代码实现聊天或工具调用，例如基本聊天中输入问题，模型输出答案并附带推理路径（reasoning_content）；工具调用则定义函数（如天气查询），模型自动决定何时调用，并在多轮中迭代结果。 许可采用 Modified MIT，允许商业使用，但需遵守开源条款。Moonshot AI 还提供部署指南（vLLM/SGLang 等框架）和工具调用文档，开发者可快速上手。总体而言，这款模型降低了智能体开发的门槛，推动 AI 从实验室走向生产环境。
专注 - Context Engineering, AI(Coding)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 🔗 信息卡提示词 🔽
你总得有个价值主张 这样你就能吸引到和你价值主张一致的人 做个人IP是这样 做产品是这样 做品牌也是这样 不论是你是不是非常的普通 你都有宝贵的自我价值主张 Pavel的价值主张是自由 就吸引追逐自由的人 乔布斯的价值主张是创造 就吸引改变世界的人 价值主张有积极的 也有消极的 但它本身已经塑造了过滤器 鱼配鱼 虾配虾 乌龟配王八 价值主张可能存在短期错配 但当你意识到的时候 就会分道扬镳 这就是所谓的“塌房”了 曾经你以为是同路人 没想到对方只是拿他打了个幌子
Believing is seeing
RT @kwharrison13: I’ve seen a dozen AI products built by killer engineers. They ramp revenue but struggle with churn, enterprise, and expan…
Deeply researched product, growth, and career advice