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。

🤯 A descoberta da Anthropic sobre o “cérebro” do Claude: há dentro dele algo parecido com a consciência humana

A Anthropic publicou um novo estudo: Global Workspace in Language Models.

Em termos simples:

A cada segundo, o seu cérebro processa uma quantidade enorme de informações. Mas aquilo que você consegue “perceber”, dizer e pensar é só um pequeno fragmento, a pontinha de um iceberg.

E o resto? Fica submerso: ativo, mas invisível.

A Anthropic encontrou que, na estrutura interna do Claude, existem camadas quase idênticas.

Isso é uma hierarquia computacional real.

• Dentro do modelo há uma enorme quantidade de cálculos em paralelo, processando coisas que você não consegue ver
• Mas apenas uma parte das informações entra no “espaço de trabalho global”, que pode ser amostrada, usada para inferência e para tomar decisões
• O restante, embora também esteja sendo calculado, como seu subconsciente, existe, mas não pode ser descrito

O que isso significa?

O impacto mais direto é a explicabilidade.

Antes, dizíamos que “modelos de grande escala são uma caixa-preta”. Agora a Anthropic te diz: não completamente. Dentro da caixa-preta existe, na verdade, um “espaço de trabalho global” que você consegue abrir e ver. Você pode enxergar que informações o modelo está “processando/pensando”, quais características são ativadas e quais são inibidas.

Isso não é só uma quebra de paradigma acadêmico; afeta diretamente:

- Segurança de agentes: você pode ver o que o Agent realmente “viu” ao tomar decisões
- Diagnóstico de alucinações: por que o Claude pode “esquecer” as informações que você forneceu em contextos longos — talvez alguma memória não tenha entrado no “espaço de trabalho global”
- Otimização de prompt: você pode projetar conscientemente a entrada para fazer a informação correta entrar nessa camada “consciente”

Em essência, a Anthropic nos deu um mapa do terreno da cognição do modelo.

Antes, só conseguíamos inferir o que acontecia lá dentro observando entrada e saída. Agora, dá para ver diretamente o “fluxo de atenção” do modelo: quais informações entram no espaço de trabalho e quais não entram.

O que você pode fazer agora:
Ir à página de research da Anthropic e ler este paper.
Não precisa entender todas as fórmulas; basta captar três coisas: como eles mediram, que estrutura de camadas encontraram e como essa estrutura se compara à consciência humana.
Depois, use essa estrutura para reexaminar qualquer aplicação com LLM que você esteja usando.
Você vai perceber que muitos “problemas místicos” de repente ganham uma estrutura de explicação.

#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