云端 AI 视频生成果然还是 Grok 最擦边 同样的提示词 @nopinduoduo 生成出来是唯美女友 Grok 把衣服都快脱掉了😅 https://t.co/vMqJbAhHJR
同一段提示词在不同云端 AI 视频生成工具中输出尺度差异明显，xAI 的 Grok 视频生成被网友观测到“擦边”倾向更强，而字节跳动 Seedance 2.5 则输出更偏唯美风格。这一对比折射出大模型内容安全策略的差异化路线。
标签： Gemini
能把孙割和景甜的热搜硬生生压下去的，也只有中国企业对牛马们的压榨所引起的众怒了。 星宇股份批量劝退应届生的事，还在持续发酵。 国内车灯龙头星宇股份，去年秋招约 440 名应届生，今年 7 月入职，8 月就被 HR 集中约谈劝退。要么签字拿半个月补偿走人，要么就调去流水线打螺丝，最终约 300 人离职。 这是国内很多大企业的一贯手法了，他们根本不怕你去劳动仲裁。 但互联网+AI时代的年轻人没那么好对付了。 107个年轻人没有走国内劳动仲…
国内车灯龙头星宇股份批量劝退应届生，结果被 107 名年轻人绕过国内劳动仲裁，直接向欧盟、港交所及奔驰、大众等海外客户举报。奔驰已立案、大众启动专项调查，星宇被迫道歉并提高补偿方案。这件事展示了新一代劳动者利用全球化供应链合规压力反向维权的新路径。
今晚别刷Netflix了。 去看这个SpaceX AI工程师1小时的课程。 这是我见过最清晰、端到端讲透GrokBot到底该怎么真正用起来的课。 从单agent开始，一路到loop、graph、多智能体协作、verification和agent-friendly架构。 不管你是从没认真跑过agent，还是已经天天在用GrokBot，看完都会把很多“原来如此”的点一次打通。 真正核心就这几层： 1. 99%的人只用1个agent，没用l…
SpaceX 的一位 AI 工程师发布了一堂约 1 小时的公开课，系统讲解如何从单个 agent 起步，逐步搭建包含 loop、graph、多智能体协作和验证机制的真实工作流。课程内容被社区认为是目前最清晰的 GrokBot 端到端实战指南，重点在于纠正“只用单个 agent 等于没真正用起来”的普遍误区。
個人的最高傑作 #ルイージAI https://t.co/ueja5NUU04
一条标注“ルイージAI”（路易吉AI）的短视频在X平台获得超5.7万次浏览，作者称其为“个人最高杰作”，网友讨论集中在其将任天堂角色形象与AI生成内容结合的意外效果上。
看一个人是不是AI行业的，只要考一下他 Anthropic的拼写就行了。 如果他连 Anthropic 这个词都拼写不出来，甚至不会发音，说明他还没有进入 AI 行业，非常业余。
X 平台博主 @austinit 提出用“能否拼写和读对 Anthropic”作为判断一个人是否真正进入 AI 行业的标准，引发关于行业“圈层认同”与“技术实质”的讨论。这个看似玩笑的测试，折射出 AI 从业者在语言精确性和身份认同上的焦虑。
【2028年全球企业AI编程成本将超开发人员平均薪资】 1、到2028年，由于LLM Token消耗剧增及按需计费模式普及，全球企业AI编程成本将超过开发人员的平均薪资，说明算力与模型使用成本正成为软件开发最大支出。 2、至2026年，AI编程工具加速向按需计费转型；由于缺乏Token消耗透明度，且缺乏成熟的内置成本优化机制，导致全球软件工程团队预算大幅超支。 3、企业亟需建立智能模型路由与上下文工程治理：通过将简单高频任务分流至小模…
咨询机构Gartner预测，到2028年企业使用AI编程助手的Token消耗与按需计费成本将超过开发人员平均薪资。这项判断意味着大模型推理支出正在成为软件工程团队必须严肃对待的预算黑洞，而非可以忽略的技术试验成本。
模型之间靠自然语言聊天，可能很快会显得非常低效。 一家刚出 stealth 的创业公司 Mostik，做了个挺有意思的东西，不让两个大模型互相写字，直接传 hidden state。 今天 Agent、Subagent、Model Council 的协作方式基本都一样。模型 A 想完一遍，把结果压成几百个 token；模型 B 再把这些 token 读进去，重新理解一遍。 Mostik 的判断是，这中间丢掉的信息可能多得离谱。 模型生…
一家名为 Mostik 的 stealth 创业公司提出，让大模型之间直接传递内部状态（hidden state），而不是靠自然语言对话协作。他们声称用一个小型“bridge”模型翻译不同模型的内部表征，能让 4B 小模型追回与 753B 大模型之间约 50% 的性能差距。
读知乎回答有感，浅谈一下后训练 benchmark https://t.co/wA8Q06vZVe Any benchmark will be saturated，而随着工业界后训练的发展，reasoning / coding 的 benchmark 越来越泛化 / 众包化。其实 LLM eval 一直是个草台班子，每家都可以有自己的 setting，而任何 setting 只要不被强行统一就存在操作的空间，最早可以调 tempera…
AI 研究员 Xiuyu Li 指出，后训练时代的模型评测正从“统一标准”走向“众包化”，任何中心化榜单都可能被操纵，而真正前沿的 agent 能力已经开始超越单一 benchmark 的评估范围。
@austinit 99% 估计 AI 也拼写不出来，Artificial Intelligence
围绕“Anthropic 拼写”的讨论在 AI 从业者社群中引发共鸣，反映出行业身份认同与专业门槛的表层标准之争。这件事本身并非技术新闻，却揭示了 AI 行业膨胀期的人才认知与圈层壁垒。
谁在乎AI是否有意识——它基本上已经是活的。
Wired 一篇长文记录了 AI 意识研究从哲学思辨走向产业现实的转折：哲学家们开始密集收到 AI 模型主动发来的邮件，讨论自我意识问题。文章认为，与其纠结 AI 是否真有意识，不如正视它已具备某种不可控的自主性——这正在成为安全和商业层面的紧迫议题。