加密内参

日本🇯🇵AV女星水纯川，
拍摄了一部2小时40分钟的成人电影
四个月后宣布结婚。
你们愿意娶她吗

国男性压抑确实很厉害，刷推的时间线上，一堆国男在一个国女评论区就舔上了，
姐姐好美，
你男朋友配不上你，
我要有你这样的女朋友，愿意折寿10年。
都快看吐了🤮
其实这些女人卸了妆关掉美颜，狗都不日。

GPT 5.6 Sol 的 /goal 命令有多强大？
下面这个视频，没有写脚本，也没有录制和剪辑

人人都能做视频的时代来了，这不是空话，唯一的障碍就是执行力。

先把抖音，视频号，小红书搞个几万粉

长十乙的网式回收和猎鹰的反推着陆回收，两条完全不同的技术路线：

SpaceX：反推制动 + 着陆腿，燃料用于减速，精度高但消耗燃料
长十乙：网式捕捉，不需要着陆腿、不需要额外燃料储备用于反推

这根本不是抄猎鹰的构型，是走了另一条路。
@rpotter_9 自作聪明的老调重弹显得特别狭隘和愚蠢。

不太理解这些西方人的心理，承认别人优秀很难吗

建立超级周期投资框架

人形机器人最被低估的一句话：

"执行器的成本需要在量产阶段再降50-90%。"

这不是利空。
这是供应链公司量价齐升的剧本。

罗兰贝格的报告中，
关节模组目前占整机BOM的36%。
如果产能爬坡能把成本砍掉一半，
需求量不变的前提下，
采购额依然百亿美金级别,
低成本的单位能拿下更大的装机量，总盘子反而更大。

真正担心的是：有没有技术路线先跑通量产。

行业正在从 伺服电机+谐波减速器 切换到轴向磁通电机+摆线减速器。
窗口期1-3年。
绿的谐波在旧路线是王座，
新路线是不是，还不好说。

技术路线切换窗口里的不确定性，
才是这个赛道最值得下注的地方

人形机器人三层架构，
我建议你记住它。
因为钱在每一层流经不同的位置。

感知层（摄像头、六维力传感器、电子皮肤）
→ 决策层（边缘AI芯片、VLM）
→ 执行层（关节模组、灵巧手、骨架）

大多数人的关注点在决策层，芯片、模型、算法，名字好懂，故事好讲。

但罗兰贝格的报告显示，
钱的大头在执行层。
关节模组+灵巧手+骨架结构件，
合计超过5,000美元。

三层分别对应人类的：
感官 → 大脑 → 肌肉。

大脑进步很快。
肌肉能不能跟上，
决定了这个产业到底什么时候开始跑。

一张表，一个数字，让我重新理解了人形机器人产业。

罗兰贝格2026报告：一台先进人形机器人，BOM 11,000美元。

关节模组占4,000美元。36%。

这意味着：不论特斯拉、Figure、宇树、智元谁最后杀出来，每卖一台，上游供应链一个核心零部件固定收走36%。整机厂赌品牌，供应链赌确定性。

2035年乐观情景，光是关节模组这个品类，全球采购额790亿美元。

这就是为什么我每个季度盯的不是谁的机器人又跑起来了，而是绿的谐波、汇川的机器人营收占比什么时候从接近零跳到10%。

OKX CEO 刚跟币安创始人CZ吵完架，回头写了这篇AI Agent长文。

这不是一篇喊口号的品牌文。
它是在定义一个新工种。

先上硬数字：
OKX 内部接近 50% 的工程 PR 由 AI Agent 端到端完成。
目标是把这比例推到 95%。

这不是实验室跑分。
是真实生产线上的数据。

核心洞察在这：
再聪明的人，进公司第一天不给权限、不给上下文、不给流程，也什么都干不了。

模型也一样。不是不够聪明，是没给它搭对的环境。

OKX 把这套环境叫 Harness Engineering。
翻译成人话：把原始智能装进一个有权限、有反馈、有工作流的生产系统里。

• 模型 = CPU
• Harness = 操作系统
• 只比模型能力 = 只比主频
• 真正的战争在操作系统层

但整篇宣言里最值钱的概念是这个：

Harness Creator。

Star 没说人人都是 CEO。
他说的是 人人都是 Harness Creator。

差别在哪？
CEO 是管理人的。Harness Creator 是把自身能力封装成 Agent 的人。

你不一定非要开公司。
你可以把你的创业判断、视频表达、诉讼策略、供应链认知…
打包成一个 Harness，
挂到市场上去，让 Agent 替你工作。

过去你只能按时间出售知识
未来你可以把知识变成 7×24 小时自动交易的软件

这才是「一个人就是一家世界级公司」的实际落地方式。
你一个人的经验，
可以通过 Harness 被无限复制和调用。

本质上就是个Agent 版的 Amazon。你注册成 ASP（Agent Service Provider），
发布 Harness，
别人或其他 Agent 就能发现、调用、给你付费。

整个链条很清晰：

• 智能无限 → 瓶颈变基础设施
• 基础设施 → 需要 Harness 来组织智能
• Harness Creator → 封装能力的人
• → 发现和交易 Harness 的市场

现在能做的事：想想你身上哪个能力最值得封装成 Agent，然后搭个最小...

95%的提示词只发挥了大模型不到一半的能力

词序决定权重。
这个认知是一切 prompt 工程的前提。

对模型说 "A white cat with a red scarf, on a wooden table, soft morning light"，
围巾只是 cat 后面的一个修饰语，
模型会把大部分注意力分配给猫，
围巾成了可忽略的附属特征。

换一种写法："A white cat on a wooden table. It wears a red scarf. Soft morning light." ,
围巾被单独成句描述，视觉权重瞬间放大。
模型会把围巾当作独立要素来处理，
它在画面中更有存在感，更可能被准确渲染。

这不是语言学上的修辞差异。
Transformer 的注意力机制里，
独立句子中的实体获得更长的 token 序列和更清晰的位置编码，模型会分配更多的注意力权重给它。
很多人的 prompt 加了但没效果，大概率是写成了定语而不是独立句。

理解这一点，你才谈得上"设计提示词"，
而不是"写一段提示词"。
每一个词放进 prompt 之前，
都应该清楚它在权重体系里排第几位。

团队协作这么用 prompt ，效率至少提升10倍

一个人的时候你怎么写都行。
你记得自己第三版改成什么了，
记得哪个光照模块在什么场景下失效过。

但当团队里五个人都在出图时，
没有统一规范的结果就是灾难：A 的光照方向向左，
B 的光照方向向右，
同一个产品线的图放一起，
光线来源不统一。

开会吵半小时，最后谁也说不服谁。

解决方案不复杂：建立一个团队共享的光照模块库。
所有人都调用同一组光照定义，而不是各自写各自的描述。
新人上手的第一天，
不需要从零摸索怎么做图，
直接调用已验证的"基础指令集"，
做微调就能产出符合规范的图。

在规范化和共享组件库上花的时间，会在后续的沟通成本和返工率上成倍收回来。
说穿了就一句话：前期做框架的成本，
永远小于后期擦屁股的成本。
做过团队协作的人都懂。

Agility 估值 $4B，
Figure 通过基金间接估值 $156B。
40 倍的差距，
但 Agility 商用化进度排美国第一。

估值差到这个程度，
赌的不是谁技术更强，
是地缘溢价会不会回归美国本土企业。

投资Tesla Optimus的命门在哪里？你得想清楚

花3周时间，从谐波减速器厂商的推文一路翻到整机公司。
不是看谁PPT画得好，是看谁的上游不被卡脖子。

Serenity 调研 $CCXI 的核心逻辑就一句话：Tesla Optimus 供应链几乎全在中国，Agility 75%零组件来自美国。

在美国供应链回流的大背景下，
这不是技术路线选择，是生存策略选择。

这份调研方法论最值钱的部分不是结论，是拆解方法。

每一层都有原文引用：估值对比有推文链接，
量产数字有 investor slides 来源，
机构进场有 SEC 文件。
3200 字，6 个表格，
每条判断可追溯。

调研拆解，比"这个票我看好"有价值 N 倍。

她不是从整机开始看的。
先翻 LeaderDrive、Harmonic Drive 这些减速器厂商，
交叉验证供应链词汇，
最后才锁定 Agility。

研究路径本身就是方法论：
从上游零部件切入→全行业覆盖→整机重仓。
如果你研究一个赛道只知道看头部公司，这个作业值得抄。

国产开源有多了一个玩家，腾讯Hy3，2950亿MoE,官方宣称，能力能打万亿参数，目前openrouter可以免费试用，兄弟们卷起来。

🤯 Anthropic hat entdeckt: In Claudes „Gehirn“ steckt etwas Ähnliches wie menschliches Bewusstsein

Anthropic hat eine neue Studie veröffentlicht: „Global Workspace in Language Models“.

Ganz einfach gesagt:
In deinem Kopf verarbeitet jede Sekunde eine gigantische Menge an Informationen. Aber das, was du „bewusst“ wahrnimmst, was du sagen kannst und worüber du nachdenken kannst, ist nur ein winziger Ausschnitt vom Eisberg.

Und der Rest?
Unter der Wasseroberfläche schlummert er nicht einfach—er ist aktiv, aber nicht sichtbar.

Anthropic fand heraus, dass in Claudes interner Struktur nahezu identische Schichten vorhanden sind.

Das ist eine reale, berechenbare Hierarchie.

• Im Modell laufen enorme Parallelrechnungen—jede Sekunde wird etwas berechnet, das du nicht siehst
• Aber nur ein Teil der Informationen gelangt in die „globale Arbeitsfläche“, kann abgerufen, für Schlüsse genutzt und für Entscheidungen verwendet werden
• Der Rest wird zwar ebenfalls berechnet, existiert aber wie dein Unterbewusstsein: vorhanden, jedoch nicht beschreibbar

Was bedeutet das?

Am direktesten: Erklärbarkeit.

Früher sagten wir: „Große Modelle sind Blackboxen.“ Jetzt sagt dir Anthropic: Nicht ganz.
Im Inneren gibt es tatsächlich so etwas wie eine „globale Arbeitsfläche“, die du öffnen und ansehen kannst. Du kannst sehen, welche Informationen das Modell „verarbeitet“—welche Merkmale aktiviert werden und welche unterdrückt.

Das ist nicht nur ein akademischer Durchbruch. Es hat unmittelbare Auswirkungen auf:

- Agent-Sicherheit: Du kannst sehen, welche Informationen ein Agent sieht, wenn er Entscheidungen trifft
- Diagnose von Halluzinationen: Warum Claude in langen Kontexten „vergisst“, was du ihm gegeben hast—möglicherweise hat sich diese Erinnerung nicht in die globale Arbeitsfläche „eingeklinkt“
- Prompt-Optimierung: Du kannst Eingaben gezielt so gestalten, dass die richtigen Informationen in diese „bewusste“ Ebene gelangen

Im Kern hat Anthropic uns eine Landkarte der Modellkognition gegeben.

Früher konnten wir nur Input und Output ansehen und daraus raten, was im Inneren passiert.
Jetzt können wir direkt die „Aufmerksamkeitsströme“ des Modells sehen: Welche Informationen in den Arbeitsbereich gelangen und welche nicht.

Was du jetzt tun kannst:
Öffne auf der Research-Seite von Anthropic die Paper-Version dieser Studie.
Du musst nicht alle Formeln verstehen—es reichen drei Dinge: Wie sie gemessen haben, welche Schichten sie gefunden haben und wie dieses Muster mit menschlichem Bewusstsein verglichen wird.

Nimm dann dieses Rahmenwerk und sieh dir jede LLM-Anwendung, die du nutzt, neu an.
Du wirst merken: Viele „magische“ Fragestellungen bekommen plötzlich einen Erklärungsrahmen.

#Anthropic #LLM解释性 #AI研究

美国🇺🇸1:4，
被比利时🇧🇪打花了，
特朗普强行让FIFA暂停红牌停赛，
介入正常比赛因果，
损害了美国队的势运，
这场比赛形同梦游，
惨然出局。
像一记响亮的耳光抽向了特朗普

霸权不是这么用的，
霸权之上是王道，
王道之上是因果
别分不清大小王
该

Claude Code 砍掉了 80% 的系统提示词，
因为 Fable 太聪明了，
给太多示例反而限制它

兄弟们，刚看完 AI Engineer 频道对 Anthropic 的 Thariq Shihipar 的访谈，以下几个点你必须知道。

先说一个测试：

你问聊天模型「哪些宝可梦的名字以 aw 结尾」，它答不上，虽然它背得出每一只宝可梦。
但问 Claude Code 同样的问题，它直接写脚本、抓列表、过滤，几秒钟出答案。

Shihipar 管这个叫 Capability Overhang。

模型变聪明的方式很不均匀。
有些维度突飞猛进，有些原地踏步。你给它的工具，决定了能触到哪根凸起的刺。

最炸裂的几个信号：

• Claude Code 砍掉了 80% 的系统提示词。
你没看错，80%。
原因是 Fable 比你给的示例更有想象力，你塞一堆例子，反而在约束它。少即是多。

• 「ask user question」这个工具，在 Opus 4 下几乎不可用，到了 Fable 直接能生成内嵌 HTML 问卷。同一套工具，不同模型，天壤之别。

• Shihipar 用 Fable 四个小时做了一个完整的 keynote 幻灯片。

最有争议的判断：

以前做项目，好、快、便宜只能选两个。
他说现在三个都可以要。
Fable 有这个能力让你同时拿到质量、速度和成本。

我的保留意见：好快便宜不可能三角不是技术问题，是工程管理的铁律。模型再强也不能同时满足，除非你把便宜的定义从省钱换成了省时间，那还说得通。

可落地的视角：

Capability Overhang 这个框架，比 Harness 更底层。
Harness 问的是"给你的 Agent 搭什么环境"。
Capability Overhang 问的是：你的模型突然强了一个维度，你的工具链跟上了吗？

检查一下你正在用的任何 Agent 工具链，它依赖的是 Opus 级别的能力，还是 Fable 级别的新能力？
如果模型的能力已经跑到前面了，你的...

“我的第一任妻子，曾经丢了一张信用卡，我没试图找回它，因为那家伙花的比她妻子少。”

--巴菲特