开启时会模糊预览图，关闭后正常显示
OCR Arena：AI 文档处理模型的实战竞技场 OCR 和 VLM 的实际表现如何，在官方 benchmark 之外，应该有更直观实际的对比，OCR Arena 就是一个专为测试真实文档设计的互动 playground，帮助开发者直观比较不同模型的表现，支持与 Gemini 3、DeepSeek-OCR、GPT-5 等 10 多个流行模型的面对面的比较。 平台亮点 · 侧边比较：实时上传文档，生成视觉差异图（visual diff），便于检查格式错误、表格完整性和提取精度。 · 多样支持：适用于结构化文件、表格、手写体和扫描图像，覆盖智能体在自动化工作流中的常见需求。 · 透明排行：公共 leaderboard 基于用户测试，提供无偏见的模型排名。 · 实际价值：Sumanth 指出，这比静态基准更可靠，因为真实文档往往“乱七八糟”，测试能揭示模型在边缘场景下的鲁棒性。 在线对比
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
AI在重新定义芯片该长什么样。 芯片也在决定AI能走多远。 有三个趋势： 1. 从通用走向专用。 以前大家都用通用GPU跑AI。 但现在会发现，针对大模型推理、训练、端侧部署。 芯片的设计逻辑完全不一样。 未来3-5年，我觉得会出现更多专用AI芯片。 比如说，训练芯片要堆算力，推理芯片要省功耗，端侧芯片要低延迟。 英伟达现在也在分化产品线，H系列做训练，L系列做推理。 国内像壁仞、燧原这些公司，也在找差异化定位。 未来不会一家通吃，会形成 "训练有训练的王者，推理有推理的霸主，端侧有端侧的玩家" 这样的格局。 2. 存算一体突破，解决内存墙问题。 现在大模型最大的瓶颈不是算力，是数据搬运。 芯片要不停地从内存读数据、算完再写回去，这个过程太慢、太耗电。 存算一体就是把计算和存储放在一起，数据不用来回搬了。 技术如果突破，对AI的影响巨大。 清华、中科院、还有一些创业公司都在做这个方向。 未来3-5年，如果存算一体芯片能量产。 让大模型的推理成本降低一个数量级，很多现在做不了的应用到时就能做了。 3. 芯片和算法一起优化。 以前算法工程师写代码，芯片工程师做芯片，两边各干各的。 但现在很多公司在做联合设计。 算法知道芯片的特性，芯片针对算法做优化。 苹果就是，他们的神经网络引擎和iOS的AI功能是一起设计的，所以iPhone上跑AI模型很流畅。 特斯拉的FSD芯片也是这样，针对自动驾驶算法定制的。 国内觉得华为在这方面做得比较好。 昇腾芯片和盘古大模型、鸿蒙系统是打通的。 未来这种软硬一体的能力，会成为核心竞争力。
喜欢摇滚乐、爱钓鱼的PM 网站：https://t.co/vnUpLt752o
如何编写优秀的 agents. md：来自 2500+ 代码库的经验总结 核心理念 传统的 "你是一个有用的编程助手" 这类模糊指令并不有效，真正起作用的是具体的角色定义，例如明确说明"你是一位测试工程师，专门为 React 组件编写测试，遵循特定示例，且绝不修改源代码"。 agents. md 文件的作用是定义智能体的完整工作手册：角色定位、技术栈知识、项目文件结构、工作流程、可执行命令、代码风格示例，以及最重要的——明确的操作边界。 五个关键要素 通过分析发现，成功的 agents. md 文件普遍遵循以下实践： 1. 命令前置 将可执行命令放在文件前部，包含完整的命令参数和选项，例如 npm test、pytest -v，而不仅仅是工具名称。 2. 用代码示例代替文字说明 一个真实的代码片段比三段描述性文字更有效。直接展示期望的输出样式。 3. 设定清晰边界 明确告知 AI 哪些内容绝对不能触碰，如敏感信息、vendor 目录、生产配置等。"永远不要提交密钥"是最常见的有效约束。 4. 具体说明技术栈 应该写"React 18 + TypeScript，使用 Vite 和 Tailwind CSS"，而非笼统的"React 项目"，需包含版本号和关键依赖。 5. 覆盖六大核心领域 命令、测试、项目结构、代码风格、Git 工作流和操作边界——覆盖这些领域能让你的配置文件进入顶级水平。 实战示例 提供了一个文档智能体的完整配置示例，展示了如何将上述原则应用到实际场景。该配置包括： · 明确角色定位：技术文档专家，精通 Markdown 和 TypeScript · 项目知识：具体的技术栈版本和文件目录结构 · 可用命令：npm run docs:build 和 npx markdownlint docs/ · 三级边界系统：总是做什么、需要先询问什么、绝对禁止什么 几种值得构建的专用智能体 @ docs-agent：读取代码生成文档，只写入 docs/ 目录 @ test-agent：编写测试，不能删除失败的测试用例 @ lint-agent：修复代码格式，不改变逻辑 @ api-agent：构建 API 端点，修改数据库架构前需询问 @ dev-deploy-agent：处理本地构建和部署，仅限开发环境 实施建议 从简单任务开始，不要试图构建"通用助手"。选择具体任务如编写函数文档、添加单元测试或修复代码检查错误。 最精简的配置只需三个要素：智能体名称、简短描述和具体角色定位。你也可以让 Copilot 帮助生成初始配置，然后根据实际项目调整。 核心启示 最优秀的智能体配置文件是通过迭代逐步完善的，而非一次性规划完成。从简单配置开始，测试运行，当智能体出错时再添加更多细节。成功的关键在于提供具体的角色定位和详细的操作手册，而非模糊的提示词。 博客地址：
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 @SarahChieng: it's your classic late night coffeeshop, but the coffee bar's free and we hired jump scare actors but let's be real. noth…
achieve ambition with intentionality, intensity, & integrity - @dxtipshq - @sveltesociety - @aidotengineer - @latentspacepod - @cognition + @smol_ai
昨天晚点发了一篇关于 MiniMax 和月之暗面的长文。 感觉中国大模型创业公司是被夹在两块铁板中间。 一边是几千亿美金估值、几百亿美金预算的 OpenAI / Anthropic / xAI，另一边是有电商、广告、量化现金流喂模型的阿里、字节、腾讯、DeepSeek。 真不容易。 原文6000字，我文章一键转成了解说视频。
聊硅基 AI，看有机 Orange。
I really like this graph from a data visualization standpoint. Y-axis is reduced to the relevant bits, differences are clearly visible (and would be lost in 1-100%. Even has a little indicator showing that axis is shortened.
Building https://t.co/od97B0HVrk and https://t.co/666FnyVVE0 in Public. Raising all the boats with kindness. 🎙️ https://t.co/6w69DZmi8H · ✍️ https://t.co/lpnor5rsTW