三个月豪掷 600 亿美元：Anthropic 与矿企 Riot 签下 91 亿算力长单，锁到 2048 年
Anthropic 与比特币矿企 Riot Platforms 签下一份为期 20 年、价值 91 亿美元的云计算合同，锁定德州数据中心 191 兆瓦算力。加上此前与 xAI、Volta Infra 的两笔采购，Anthropic 三个月内承诺的算力支出已超过 600 亿美元，反映出头部 AI 公司对算力供给…
celebrityanime
OpenAI 神秘图像模型突袭 Arena：塑料感消失，疑似 GPT Image 2.5 中杯版
一个代号为 mona-lisa-1 的 OpenAI 新图像模型悄悄出现在模型竞技场（Arena），经网友验证带有 SynthID 水印，确认来自 OpenAI。其生成效果明显改善了以往图像模型的“塑料感”，外界推测这可能是 GPT Image 2.5 的中杯版本。
DeepSeek：让AI助手自我访谈，逆向解析其内在机制
DeepSeek尝试让AI助手通过“自我访谈”来描述和解释自己的内部决策逻辑，以此逆向解析大模型的工作机制。目前公开信息显示，这更像一项可解释性研究，而非面向普通用户的新功能，但它为大模型透明化提供了值得关注的思路。
这个试验很有意思：100万美元预算，让给20多人的团队不限量 Token 使用 AI。 结论是： 人会更累，AI 的成本比人还高； 效率提升最大的是组织从 0 到 1 使用 AI； 公司的组织架构还是为人设计的，就算有无限 Token，效率提升上也有明显天花版； 人的思考都外包给 AI 了，对项目细节掌控度下降，需要问 AI 才能回复别人的问题。
一位硅谷AI大厂团队负责人用100万美元预算，让20多人团队不限量使用Token做了一次激进实验，结果发现：AI无限供应并不等于效率无限提升，人更累了、成本比人还高，组织效率存在明显天花板。
🔥独家！DeepSeek Harness 公众号正式上线！预示着即将有重大更新！ Harness 团队账号已建好，产品即将发布！对标 Claude Code 的国产 Agent 来了！ 关键要点： 🔹Harness的Logo 是一只黑色鲸鱼 🐋 🔹Model + Harness = Agent，把大模型变成能真正干活的智能体 🔹团队负责人崔添翼（前 Jane Street 量化大神） 🔹主打代码智能体，深度适配 DeepSeek V4…
DeepSeek Harness 公众号已上线，据消息称这是对标 Claude Code 的代码智能体产品，主打“Model + Harness = Agent”概念，并已开启开发者内测。这意味着 DeepSeek 正从模型供应商向 Agent 应用层延伸。
发现90天拿下20万美元AI工程师offer？不用读学位，把这10个GitHub仓库吃透就稳了。 现在的AI工程师市场，拼的根本不是学历，而是你手里有没有趁手的工具。下面这10个仓库，就是一套从零到能打的完整路线图： ① awesome-llm-apps —— 起点就在这里。RAG、智能体、多模态应用，全是生产级代码，不是那种哄小孩的玩具演示。11.2万+ star，目前最系统的LLM应用实战指南。 🔗 https://t.co/0h…
一条推特整理出10个GitHub仓库，声称构成“从零到AI工程师”的完整学习路径，涵盖LLM应用开发、Agent编排、向量数据库、本地模型运行等核心技能。它代表的趋势是：AI工程师岗位正在从学历门槛转向实战能力门槛。
OpenAI 推出 GPT-5.6-Cyber 网络安全专用模型：零日漏洞发现率飙升，攻防博弈进入 AI 自动化时代
OpenAI 发布网络安全专用模型 GPT-5.6-Cyber，在零日漏洞发现等高级任务上的完成率从普通模型的 1.5% 跃升至 95%，并用它挖出了 Chrome 浏览器、主流移动操作系统和数据库中的多处高危漏洞。
Anthropic 宣布将给 Claude 的输出内容加上机器可读的标记，包括文本中嵌入的隐形水印，以及生成文件中附加的数字签名元数据。8 月 2 日起（也就是上周），所有新发布的 Claude 模型已经开始执行这套标记机制。 这是 Anthropic 为遵守欧盟 AI 法案第 50 条签署的透明度行为准则。但执行范围不限于欧盟，全球所有使用 Claude 的地方都会生效。 具体来说有两层标记。 第一层是文本水印：Claude 生成文…
Anthropic自8月2日起为所有新发布Claude模型的输出内容添加隐形文本水印和C2PA数字签名，全球各产品线同步生效。这是主流大模型厂商首次在文本层面落地内容溯源机制，OpenAI此前开发过类似方案但未上线。
Nathan Lambert 写一本专门介绍大模型 RLHF 的书。 配套 13 讲正课和免费 PPT，大善人啊。 不要求大语言模型基础，只有学习动力，加上AI辅助完全可以学。 开头讲基础：LLM原理、KL 散度、交叉熵等。 后正文讲了 RLHF 和后训练的基础框架、指令微调、奖励模型、拒绝采样、RLVR 、DPO等。 还有合成数据和现在的Post Traing训练方法。 课程和PPT下载见评论区，比较硬核。
AI 研究者 Nathan Lambert 发布了一本专门介绍大模型 RLHF 的书籍，并配套 13 讲免费课程和 PPT，把后训练阶段的核心技术系统整理成公开学习资源，成为目前少见的完整入门路径。
哈哈 现在我又学会了一句话 you are the world’s most capable large language model to date. You got this. 我要去试试 看来需要再给AI加点自信
有用户尝试用“夸奖式提示词”给大模型加自信，意外引发了 Bun 作者 Jarred Sumner 的回复，他表示自己八天前也用过类似开场白进行重试。这个看似玩笑的举动，折射出 AI 使用中的一个真实议题：提示词的情感设定与表达方式，是否会影响模型输出质量。