开启时会模糊预览图，关闭后正常显示
肯定会有很多人质疑我说的90%的利润， 如果不算自己的劳动成本， 90%的利润也点也不夸张。 现在你用ai写代码， 觉得成本高了， 但只要你跑出一个盈力的软件项目， 此后你每增一个或一百个甚至一千个付费用户， 成本接近于零。 付费用户做的越多，利润越高。 当然我指的是你完成了「规模化」， 没有完成规模化之前， 我认为都是成本。
独立开发者 ｜ 个人IP教练 ｜ 帮助新手在X上完成早期成长｜ 公众号：PandaTalk8
The GAO report on export controls states that the USG's practice and intent, *at least as early as in March 2001*, has been to keep Chinese semiconductor industry 2 generations behind SOTA. Today, "H200 but no EUV" is more like 3.5 generations. BigFund I, MIC2025: 2013, 2014.
It' another question whether those practices amounted to an efficient policy. Likewise, Big Fund was a disaster of stereotypically Chinese graft. The thing is, the Chinese efforts to get chips and American efforts to not let them both go back decades. Both are getting better.
RT @frxiaobei: 现在 AI 产品整体节奏都很快， 但“快”本身已经不构成优势了。 真正让我在意的是： 当我不想再接手细节的时候， 有没有产品能继续把事情往前推。 这是我最近反复在用 Lovart 的原因。 这次我看看它能不能把一件事直接交付完。 如果只是生成…
行道途中。非求速成，惟求通达。 2023 年扎进AI ，打通Know-How，不少赚钱项目，踩过坑，也见过光。 围城里待得够久了，出来聊聊世界，聊聊技术、聊聊赚钱。
![[开源推荐] OpenTinker: 把智能体式强化学习作为服务，让更多研究者和开发者能够轻松进行强化学习的训练和推理，而无需本地拥有高性能 GPU 资源。
核心目标
项目由 Siqi Zhu 和 Jiaxuan You 开发，主要解决传统强化学习开发中的两大痛点：高昂的计算资源需求和复杂的分布式系统管理。通过云端分布式架构，OpenTinker 将计算任务外包到远程 GPU 集群，用户只需在本地编写代码和提交任务即可。
主要特点
· 无需本地 GPU：所有训练和推理都在云端 GPU 工作者上运行，用户本地仅需轻量级客户端。
· 编程与执行分离：用户本地定义环境和逻辑，实际执行由远程服务器处理，屏蔽分布式计算复杂性。
· 环境与训练分离：支持单轮和多轮智能体任务，便于自定义环境。
· 训练到推理无缝衔接：训练好的模型可直接用于推理，无需修改代码或环境。
· 统一 Python API：提供简洁的高级接口，用户只需继承抽象类实现环境逻辑，即可快速构建智能体任务。
系统架构
· 客户端：本地提交任务、定义环境。
· 调度器：管理 GPU 资源分配和工作者池。
· 训练/推理服务器：实际执行 RL 循环、模型训练和推理。
支持集成 @vllm_project 等高效推理引擎，并内置智能体循环状态机，适用于 LLM 驱动的智能体。
项目地址](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG8vHTErbUAAv5XX.jpg&w=3840&q=75 "[开源推荐] OpenTinker: 把智能体式强化学习作为服务，让更多研究者和开发者能够轻松进行强化学习的训练和推理，而无需本地拥有高性能 GPU 资源。
核心目标
项目由 Siqi Zhu 和 Jiaxuan You 开发，主要解决传统强化学习开发中的两大痛点：高昂的计算资源需求和复杂的分布式系统管理。通过云端分布式架构，OpenTinker 将计算任务外包到远程 GPU 集群，用户只需在本地编写代码和提交任务即可。
主要特点
· 无需本地 GPU：所有训练和推理都在云端 GPU 工作者上运行，用户本地仅需轻量级客户端。
· 编程与执行分离：用户本地定义环境和逻辑，实际执行由远程服务器处理，屏蔽分布式计算复杂性。
· 环境与训练分离：支持单轮和多轮智能体任务，便于自定义环境。
· 训练到推理无缝衔接：训练好的模型可直接用于推理，无需修改代码或环境。
· 统一 Python API：提供简洁的高级接口，用户只需继承抽象类实现环境逻辑，即可快速构建智能体任务。
系统架构
· 客户端：本地提交任务、定义环境。
· 调度器：管理 GPU 资源分配和工作者池。
· 训练/推理服务器：实际执行 RL 循环、模型训练和推理。
支持集成 @vllm_project 等高效推理引擎，并内置智能体循环状态机，适用于 LLM 驱动的智能体。
项目地址")
[开源推荐] OpenTinker: 把智能体式强化学习作为服务，让更多研究者和开发者能够轻松进行强化学习的训练和推理，而无需本地拥有高性能 GPU 资源。 核心目标 项目由 Siqi Zhu 和 Jiaxuan You 开发，主要解决传统强化学习开发中的两大痛点：高昂的计算资源需求和复杂的分布式系统管理。通过云端分布式架构，OpenTinker 将计算任务外包到远程 GPU 集群，用户只需在本地编写代码和提交任务即可。 主要特点 · 无需本地 GPU：所有训练和推理都在云端 GPU 工作者上运行，用户本地仅需轻量级客户端。 · 编程与执行分离：用户本地定义环境和逻辑，实际执行由远程服务器处理，屏蔽分布式计算复杂性。 · 环境与训练分离：支持单轮和多轮智能体任务，便于自定义环境。 · 训练到推理无缝衔接：训练好的模型可直接用于推理，无需修改代码或环境。 · 统一 Python API：提供简洁的高级接口，用户只需继承抽象类实现环境逻辑，即可快速构建智能体任务。 系统架构 · 客户端：本地提交任务、定义环境。 · 调度器：管理 GPU 资源分配和工作者池。 · 训练/推理服务器：实际执行 RL 循环、模型训练和推理。 支持集成 @vllm_project 等高效推理引擎，并内置智能体循环状态机，适用于 LLM 驱动的智能体。 项目地址
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
Nolan is just not a good screenwriter. Amazing director. Bad writer. Oppenheimer was not good, exhibiting every vice of a biopic with some novel ones thrown in. The absolutely phenomenal soundtrack and Cillian Murphy redeem it. Robert Downey Jr.’s performance was cartoonish.
Nolan is just not a good screenwriter. Amazing director. Bad writer. Oppenheimer was not good, exhibiting every vice of a biopic with some novel ones thrown in. The absolutely phenomenal soundtrack and Cillian Murphy redeem it. Robert Downey Jr.’s performance was cartoonish.
Why did I make myself watch it again?