哈斯日志 (@loverty) header
哈斯日志 (@loverty) profile picture
🟩🟩🟩🟩🟩🟩🟨 🟨🟨
Joined March 2007
Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)Photo by 哈斯日志 (@loverty)
哈斯日志 retweeted
一个 Coding Agent 连续开发 70 轮之后,会发生什么? 这篇 Harness-of-Harness 给了一个很好的答案: 项目确实在变完整,但已经修好的问题,也会被后续修改重新弄坏。 上海 AI Lab 这篇论文,研究的是怎么让 Coding Agent 在长时间开发里保持持续进展。 它把 Codex、OpenCode、Pi 这类现有 Coding Harness 组织成一个反复迭代的开发循环: 每轮先规划下一步,再实现,然后交给独立 QA 验收。测试结果、失败证据和项目历史都会留下来,下一轮继续接着做。 作者还让 Agent 连续开发一款 FPS 游戏 70 轮,一共记录了 81 个问题。到最后关闭了 65 个,其中 17 个问题曾经修好,又因为后续改动重新出现。 这个细节很有意思,因为它很像真实软件工程里的 regression。 长时 Coding Agent 难的地方,是几十轮修改之后,系统还能保住已经验证过的进展,不会一边加功能,一边把旧问题重新放回来。 实验里,HoH 在三个 benchmark 上相对 standalone harness 平均提升 52.25%;在 FrontierSWE 上,Codex + GPT-5.5 从 22% 提升到 72.67%。 看完这篇,我会更关注 Coding Agent 的「工程连续性」。 每一轮都留下可验证的进展,下一轮知道哪些地方已经做对、哪些问题还没解决,出了 regression 也能快速定位。 当 Agent 能连续几十轮让一个项目稳定变完整,它才真正开始接近自主软件开发。 📎 arxiv: arxiv.org/abs/2609.01481
14
22
3
115
9,570
哈斯日志 retweeted
Karpathy 在一次采访里说了个很扎心的点: 很多人每月花 20 美元订 Claude,但其实还停留在“问答使用”阶段。 真正拉开差距的,是会不会用 AI 构建东西。 他提到,自己发现过 4 类会把 Claude 写代码搞崩的行为,并整理成一个文件。后来有开发者把它扩展成 21 条规则发布,拿到 8.2 万星,还登上 GitHub 第一。 更夸张的是,按这套规则调整后,代码准确率从 65% 提升到 94%。 这说明 AI 编程的门槛已经变了。 会不会写代码只是一层。 会不会给 AI 建规则、拆任务、设边界、做反馈,才是下一层能力。
70
329
7
1,638
478,743
哈斯日志 retweeted
You can now generate a variety of downloadable files, including PDFs, @GoogleWorkspace files, Microsoft Word & Excel, and more directly in your chats with Gemini. Tell Gemini what content to create and the file format you want when you prompt without having to upload a template.

241
624
174
5,193
27,067,114
哈斯日志 retweeted
Learn more about a very high quality time series model released by @GoogleResearch a while back at research.google/blog/a-decod…
𝗔 𝗧𝗶𝗺𝗲 𝗦𝗲𝗿𝗶𝗲𝘀 𝗙𝗼𝘂𝗻𝗱𝗮𝘁𝗶𝗼𝗻 𝗠𝗼𝗱𝗲𝗹 𝗕𝘆 𝗚𝗼𝗼𝗴𝗹𝗲 This has been pre-trained on a time series corpus of 100 billion data points, & shows impressive performance on various benchmarks from diverse domains. 𝗧𝗶𝗺𝗲𝘀𝗙𝗠 𝗚𝗶𝘁𝗵𝘂𝗯 𝗽𝗮𝗴𝗲: github.com/google-research/t… 𝗟𝗲𝗮𝗿𝗻 𝗠𝗟 𝗮𝗻𝗱 𝗙𝗼𝗿𝗲𝗰𝗮𝘀𝘁𝗶𝗻𝗴: leanpub.com/pycaretbook/
25
171
13
1,630
268,471
哈斯日志 retweeted
i think we don't realize the impact that deepseek had on the open ecosystem, there is so much from them that you can find in almost every frontier open llm today > most of the open frontier models follow the "finegrain + sparse + shared expert" deepseek moe recipe > a lot of them use MLA > first (with minicpm) to use sparse attention in prod (DSA) > first to do reasoning in the open with R1 > GRPO which is the foundation for most of the newer RL algorithms > they also innovated on the training recipe at scale, first to do fp8? MTP? load balancing schemes that now other lab is using > advance training/inference infra with oss release like DeepEP that pretraining lib like megatron use i'm so grateful deepseek exists
11
34
3
288
25,761
哈斯日志 retweeted
X公开了推荐算法:基于Grok Transformer的推荐系统,推荐系统从"规则+特征工程"转变为"端到端深度学习"。 推荐过程核心机制: · 双源候选融合:同时从关注账号(In-Network)和全球内容库(Out-of-Network)获取内容,通过 ML 模型统一排序 · 纯 Transformer 架构:完全摒弃手工特征工程,仅依赖 Grok-based Transformer从用户历史交互序列中学习相关性 · 多目标联合预测:单个模型同时预测 13+ 种用户行为概率(点赞/转发/回复/屏蔽等),通过加权组合得到最终分数 完整流程: 查询 → 获取候选 → 水合(补充数据)→ 过滤 → 打分 → 排序 → 后处理 Github:github.com/xai-org/x-algorit…
3
39
140
15,078
哈斯日志 retweeted
智谱 AI 正式发布 GLM-4.7 🚀 智谱 AI @Zai_org 最新一代旗舰级基础模型,作为 GLM 系列的重大升级,它在编程、逻辑推理和智能体能力上取得了突破性进展。 📢 插播:这张信息卡就是用 GLM-4.7 + 信息卡提示词生成的,大家可以感受一下它的前端设计能力。 核心进化:从“生成代码”到“完成任务” GLM-4.7 不再仅仅是一个对话模型,它更像是一个能够自主解决复杂问题的数字工程师。 · 核心编程:强化多语言 Agent 编程,在 SWE-bench 等复杂编程测试中大幅超越前代,能够自主理解需求、拆解方案并跨技术栈集成。 · 感官编程:提升 UI/前端审美,生成的网页代码、幻灯片布局更加现代、美观,减少了人工微调样式的繁琐过程。 · 工具调用:多步决策稳定性,在复杂工具使用基准上达到 SOTA 水平,支持实时的工具参数提取。 · 复杂推理:数学与逻辑爆发,在 HLE 等极难推理榜单中,性能比 GLM-4.6 提升了约 38%。 创新特性:多维度的“思考”模式 GLM-4.7 引入了更灵活的思维链控制,让模型在处理任务时更加“理性”。 · 交替思考: 在输出回复或调用工具前先进行思考,显著提升了复杂指令的遵循能力。 · 持久思考: 在多轮对话中,模型会保留之前的思考逻辑,确保复杂编程任务在长期会话中的思路一致性,避免“由于对话太长而变笨”。 · 轮次级思考控制: 用户可以根据需求开关思考功能。对于事实问答等简单任务,关闭思考以追求低延迟;对于复杂方案规划,开启深度思考以追求高成功率。 技术规格与性能表现 GLM-4.7 在技术参数上达到了目前行业的顶尖水平,尤其在长文本和处理效率上表现出色。 · 超长上下文: 支持最高 200K 的上下文输入,单次最高支持 128K 的内容输出。 · 极致推理速度: 推理速度超过 55 tokens/s,在保持旗舰性能的同时提供了极佳的响应体验。 · 基准排名: 在 Code Arena 等盲测中,GLM-4.7 位列开源模型第一,部分指标甚至超越了 GPT-5 和 Claude 4.5 Sonnet。 为什么 GLM-4.7 非常重要? · 开源力量的飞跃: 作为一个开放权重的模型,GLM-4.7 为开发者提供了能与最顶级闭源模型抗衡的选择,极大地推动了本地化部署和私有化应用的可能。 · 更强的 Agent 属性: 它是目前最适配 Claude Code、Cline 等智能编程助手方案的模型之一,真正实现了从“写代码片段”到“自主维护整个代码库”的转变。 · 效率与成本的平衡: 配合 ZAI 推出的开发者计划,其调用成本大幅降低,使得大规模部署高性能 AI 变得更加务实。 看官方公告: z.ai/blog/glm-4.7
GLM-4.7 is here! GLM-4.7 surpasses GLM-4.6 with substantial improvements in coding, complex reasoning, and tool usage, setting new open-source SOTA standards. It also boosts performance in chat, creative writing, and role-play scenarios. Default Model for Coding Plan: z.ai/subscribe Try it now: chat.z.ai Weights: huggingface.co/zai-org/GLM-4… Tech Blog: z.ai/blog/glm-4.7
1
4
1
23
5,808
哈斯日志 retweeted
人类历史上最畅销的商品,从来不是真理, 而是“无需改变即可被拯救”的幻觉。
20
176
17
1,074
86,583
哈斯日志 retweeted
最近行情不佳,有大把时间,看一些优秀投资机构的访谈节目,这次看到 a16z 创始人Marc Andreessen访谈,其中提到一个观点:「投资最大的风险不是亏损,而是平庸」让我深深震撼。 Marc Andreessen现任顶级风投 a16z 联合创始人兼合伙人,掌管其成长型其金。 作为硅谷后期投资的领军人物,他从零构建了 a16z 的成长投资业务。主导了 Databricks,,Stripe, Figma,Coinbase,SpaceX 等数十亿美元级科技巨头的关键轮次投资。 前不久,Marc接受了一档知名播客的访谈,他谈论了a16z的估值哲学以及现阶段的 #AI 布局,以下是整理出来的部分访谈的精彩内容。 1️⃣反共识的成长型投资策略 主持人:我想从一个宏观的观察开始。过去十年,成长型股权投资可以说是过度拥挤了。只要是个手里有钱的基金,都在往科技公司里砸钱。 为了对抗风险,大多数基金的策略是“广撒网”,构建一个包含 30、40 甚至 50 家公司的分散组合,试图以此捕捉科技行业的整体增长(Beta)。 但 a16z 的成长基金似乎完全不同,你们的持仓极度集中。在一个充满不确定性的后期市场,为什么要采取这种看似容错率极低的策略? Marc:这是一个直击核心的问题。这关乎我们对“科技行业回报本质”的理解。 首先,你要明白,科技行业的投资回报分布并不是正态分布,而是极端的幂次法则分布。 如果你去看历史数据,不仅是在早期风投,即便是在成长及后期阶段,某个年份里这一代最伟大的那家公司,其产生的回报往往超过了剩下所有“还不错”的公司的总和。 这就带来了一个残酷的数学事实:如果你为了所谓的“安全性”去买了一堆二流、三流的公司(也就是所谓的“广撒网”),你的回报会被极度稀释,最终你只能得到一个平庸的市场平均回报。 作为风险投资人,如果我们要给LP提供阿尔法,我们就不能做“指数基金”。 所以,我们的策略是“精准捕鱼”,而不是“拖网捕鱼”。 主持人: “精准捕鱼”听起来很性感,但在执行层面上,这意味着你必须在几千家公司里准确地找到那唯一的一个。你们是怎么做筛选的?漏斗是什么样的? Marc:我们的漏斗非常窄,也非常深。我们看几百家公司,可能只会对其中的 20 家进行深度跟踪,最后一年只投 2到3家。 我们的核心标准不是“这是一家好公司吗?”,而是“这就那家定义品类的公司吗?” 举个例子,在云计算早期,你可以投很多公司,但只有投了 AWS 或者后来的 Snowflake、Databricks,你才算真正抓住了价值。在设计领域,你可以投很多工具,但只有 Figma 拿走了桌面上大部分的筹码。 我们寻找的是那种具有不可避免性的企业。一旦它们形成了网络效应或技术壁垒,它们的增长就不仅仅是线性的,而是具有掠夺性的——它们会吸走行业里绝大部分的利润池。 主持人: 这很有趣。但问题是,当这种“王者气象”显露出来的时候,通常已经是 D 轮、E轮甚至 Pre-IPO了,估值已经非常高,竟争者都在排队。你们凭什么能投进去? Marc:问得好。这就是所谓的“阿尔法”来源之一——时间与关系的套利。 很多人认为成长型投资就是“支票簿战争”,谁给的估值高谁赢。这是错的。 如果等到一家公司正式启动融资、摩根士丹利把 PPT发到你邮箱里的时候,你再开始研究,那你就输了。那时候你只是价格的接受者。 我们的做法是建立一个“影子组合”。对于那些我们认为可能成为“王者”的公司,我们会在真正投资前的两年,三年甚至更久就开始跟踪。 这意味着什么?意味着在创始人根本不需要钱的时候,我们就去拜访他。我们帮他介绍客户,帮他招人,帮他理清战略——完全免费。 我们在通过这种长期的、无偿的价值输出来建立信任。 当市场窗口打开,或者创始人突然决定“我想融资了”的那一刻,他第一个想到的电话是打给谁?是那个拿着支票本刚出现的陌生人,还是那个已经陪跑了三年、懂他业务每一个细节的老朋友? 所以,我们的很多交易,根本就没有进入公开竞价流程。这是我们在极度拥挤的市场中保持优势的唯一方法。 2️⃣“市场在久期上犯了错” 主持人,让我们来谈谈价格。这可能是价值投资者最纠结的地方。像 Stripe、SpaceX 或者 Databricks 这样的公司,它们的估值倍数通常高得吓人。比如 50 倍、甚至 100 倍的 ARR(年度经常性收入)。 作为一个理性的投资人,你怎么说服自己接受这种溢价?市场是不是疯了? Marc:市场并没有疯,但市场确实存在一个巨大的、系统性的盲区。这个盲区叫久期错配。 华尔街的分析师,以及大多数对冲基金,他们非常擅长建立未来 12 到 24个月的财务模型。他们对下个季度的 EPS 预测可能比我准得多。 但是,当他们面对那些真正伟大的、具有颠覆性的科技公司时,他们往往严重低估了增长的持久性。 传统的金融理论认为,高增长最终会均值回归。一家公司今年增长 100%,明年可能就只有 50%,后年20%。 但在数字经济时代,对于那些拥有极强网络效应或平台效应的公司(比如 Stripe 或 Facebook),这种衰减速度比人们想象的要慢得多。它们可能在巨大的体量下依然保持 30%-40% 的增长长达十年。 主持人:能举个具体的思维模型吗? Marc:好的。假设有两家公司。 公司 A:估值便宜,10倍营收,但增长平庸,每年增长 15%,且面临激烈竞争。 公司B:估值昂贵,50倍营收,但它是市场垄断者每年增长 40%,且这种增长能持续 10 年。 大多数人不敢买公司 B,因为怕估值回调。他们担心如果倍数从 50 倍跌到 25倍,股价就会腰斩。 但数学告诉我们,如果公司B 能保持复利增长,即使它的估值倍数压缩一半,十年后它的股价依然会远超公司 A。 增长的复利力量最终会压倒估值倍数的收缩。我们赌的不是下个季度的财报超预期,我们赌的是:市场低估了这家公司在未来十年统治行业的能力。 当然,这也带来了风险,如果你判断错了,你买的不是“王者”而是“老二”,那你就会遭遇“双杀”:业绩不达标,估值也没了。这就是为什么我刚才强调“精准捕鱼”如此重要。买贵了没关系,买错了才是灾难。 3️⃣AI的全栈布局 主持人:现在所有人的目光都在 #AI 上。a16z 无疑是这场浪潮中最激进的机构之一。但我听到一种声音,说这只是另一个 Saas 周期,或者就像当年的移动互联网。你怎么看?这次有什么本质不同? Marc:不,这次完全不同。如果你把 AI 仅仅看作是更聪明的软件”,你就低估了这次变革的量级。 我们正在经历从 SaaS (Software as a Service) 到 Service as Software 的范式转移。这不仅仅是词序的颠倒,这是商业模式的降维打击。 主持人:请展开讲讲,这个区别在哪里? Marc:在SaaS时代(比如 Salesforce、Workday),软件是一种工具。你把软件卖给企业,目的是提高员工的效率。作为投资者,我们通过这种模式赚取的是企业IT 预算的一部分。通常 IT 预算只占企业总收入的 5%左右。 但在 AI时代,尤其是生成式 AI,软件不再只是工具,它开始直接交付结果。 比如我们投资的 Harvey(法律 AI)或 Cursor(编程AI)。 当一家律所使用 Harvey 时,它不仅仅是让律师打字更快,它实际上是在完成初级律师起草合同、检索法条的工作。 当程序员用 Cursor 时,AI实际上是在写代码,而不仅仅是补全代码。 这意味着什么?这意味着这些 AI 公司切入的不再是那5% 的IT预算,而是那巨大的、原本属于薪资的预算,也就是企业最大的成本项,通常占收入的30% 到50%。 TAM(潜在市场规模)瞬间被放大了 10倍。这不再是关于“软件销售”,这是关于“劳动力替代”和“智力边际成本归零” 。 主持人:这个视角非常宏大。那在具体布局上,你们怎么操作?现在大家都在抢投基础模型,这是唯一的路吗? Marc:我们把 AI 投资分为三层,这就像当年淘金热的逻辑: 1.基础设施层: 这是最确定的赌注。无论哪家模型赢,无论哪个应用火,它们都需要算力,都需要数据处理。 所以我们重仓了 Databricks。它是 AI 时代的数据湖仓,是所有 AI 应用的地基。我们还投资了 CoreWeave(算力云)。这是“卖铲子”的逻辑,稳健且巨大。 2.模型层: 这一层竞争最激烈,资本密集度最高。这里只有极少数赢家。 我们很早就支持了 OpenAI 和 Mistral。我们相信在这个层面,技术领先优势会转化为巨大的平台效应。 3.应用层: 这是目前的深水区,也是未来阿尔法最大的地方。很多人说“基础模型会吞噬掉应用层的价值”,我不同意。真正的价值在于工作流的重构。 像 Cursor 这样的公司,它不是简单地套一个 GPT-4的壳。它深入理解了程序员的工作流,把 AI 无缝嵌入到 IDE 里,创造了一种全新的开发体验。 这种“用户体验+垂直领域数据”的护城河,是基础模型厂商很难攻破的。 4️⃣美国活力 主持人:除了纯软件和 AI,我注意到 a16z 最近在大力推行一个叫“美国活力”的概念,投了很多硬件、军工、航天公司。这在过去的风投圈是绝对的禁区。为什么会有这种转变? Marc: 这是一个时代的召唤。过去 20 年,硅谷太沉迷于“比特”了令-我们做了更好的社交软件、更好的广告算法、更好的外卖平台。这很好,但这不够。 如果你看现实世界,“原子”层面的问题堆积如山:美国的制造业空心化、国防工业供应链脆弱、基础设施老化。 我们认为,下一波巨大的机会在于用软件定义的硬件去解决国家级的问题。 看看 SpaceX。Elon Musk 证明了,用硅谷的迭代思维去做火箭,可以把成本降低一个数量级,把国家队远远甩在身后。 看看 Anduril(国防科技)。Palmer Luckey 证明了,现代国防需要的不是更昂贵的坦克,而是智能化的无人机群和软件系统。 主持人:但这类投资非常难。周期长、资本密集、还有政府监管风险。你们怎么管理这种风险? Marc:这确实很难,所以这里没有“游客”。我们在投资自动驾驶时也学到了很多。这类公司不像 Saas 公司那样每个季度都有线性的 ARR 增长。它们在很长六段时间里看起来都在烧钱,毫无产出。 但也正因为难,护城河才深得可怕。 一旦Spacex 的星链(Starlink)网络建成了,一旦Waymo 的数据飞轮转起来了,后来者几乎不可能追赶。 我们愿意为了这种终局的垄断地位,去承担前期的技术风险和长周期。这就是我们在投资组合构建中保留一部分“硬科技”赌注的原因。 5️⃣像洋基队一样赢 主持人:最后,我想聊聊人。a16z 的成长基金规模巨大,但你们的运作方式听说很特别,特别是你们取消了传统的“投资委员会”投票制度。为什么? Marc: 这是我对组织行为学的一个深刻观察:群体决策倾向于平庸。 如果你把一个激进的、非共识的投资机会放到一张桌子上,让 10个人投票。通常的结果是:大家会因为由于某些明显的风险而投反对票。 最终通过IC的,往往是那些“挑不出大毛病”但也没有巨大潜力的平庸案子。 但在风险投资里,最大的风险不是失败,而是平庸。 所以,我们实行“单人拍板制” 如果是你负责看这个案子,你做了所有的尽职调查,你建立了和创始人的关系,那么你就有权力决定投不投。你不需要说服我,也不需要说服其他合伙人。 但是,这是关键,你必须对结果负全责。 主持人:这听起来压力巨大。如果投砸了怎么办? Marc:这就是我们文化的另一面。我常把我们的团队比作纽约洋基队。 我们提供最好的资源:最好的品牌、最强大的投后服务团队(人才招聘、市场营销、政策游说)、顶级的薪酬。 作为交换,我们要求你交出世界级的成绩单。 如果你连续几年都投不出好案子,或者你的判断持续出错,那么这里可能不适合你。 这听起来很残酷,但这才是顶级竟技场的规则。我们不想要那种“大锅饭”式的合伙人文化,我们想要的是群饥饿的、有独立判断力的猎手,他们背靠着航母,但像独狼一样思考。 主持人:这解释了为什么你们能保持这种攻击性。这期对话信息量太大了。如果让你把今天的讨论浓缩成一句话送给听众,会是什么? Marc: 我会说:“别被市场的噪音干扰,别被短期的估值吓退。去寻找那些真正不可避免的未来,然后在那里重仓,并在那里坚持。平庸是最大的敌人。”🧐
今天看完了这篇关于共识机制演进的深度文章,虽然有点像枯燥无味的论文,但读懂它,也能更好理解Web3世界里‘信任机制’演进的历史,关于“信任如何被重构”的文明跃迁。以及为什么 #SEI Giga架构升级将标志着高性能共识机制新时代的开始。🧐 1️⃣共识机制的本质:不是技术,是“信任成本”的博弈 很多人一听到“PBFT”“PoS”“DAG”就头大,但其实核心就一个问题:我们怎么在互不信任的人群之间,达成一个大家都能信的共识结果? 这就像一群人素昧平生、互相没有电话、其中可能还夹杂捣乱者,却要一起决定“今晚吃火锅还是烧烤”,而且决定一旦做出,就不能反悔。区块链要解决的,就是这种“远程、匿名、敌意环境下的集体决策”。 而共识机制的进化史,说白了,就是人类不断尝试降低“达成信任”的成本:从早期靠军队式纪律(古典时代),到靠挖矿拼电费(#BTC 时代),再到今天靠质押资产+数学规则(PoS+新模型),每一代都在重新定义“安全、速度、去中心化”这区块链三难问题。 2️⃣五个时代——五次投资范式的转移 🕰️ 古典时代(1982–2008):信任自己的人 特点:只有“自己人”能投票,比如银行内部系统。 这阶段没有投资机会,全是封闭系统。但它是今天所有共识机制的“老祖宗”,就像蒸汽机对于汽车的意义。采用n=3f+1(最多容忍1/3坏人)这个安全边界,到今天还是行业铁律。 💥 破局时代(2008–2014):#BTC 打开新世界 特点:用“算力就是权力”实现开放环境的信任,谁都能参与,但作恶得先烧钱。痛点也很突出,便是慢、贵、耗电。 这是“去中心化信仰”的起点。虽然性能不行,但它证明了“无需许可的信任”是能成立的。早期买比特币的人,赚的不是技术红利,而是模式彻底改变的红利。 🎨 复兴时代(2014–2018):PoS让古典协议“复活” 特点:把拼算力改成拼质押,用经济罚没替代烧电费。效率得到大大提升,交易确认从一小时缩到几秒,TPS 从个位数提到上千。 这一波跑出了 Cosmos、Cardano 和早期以太坊 2.0 的愿景。聪明钱开始从“为信仰充值”转向“为效率买单”,谁能让链又快又便宜,谁就有生态机会。 ⚙️ 军备竞赛时代(2018–2021):性能之争白热化 衍生两大路线: #Solana 派:稍微牺牲一点去中心化,换来接近互联网的速度(5 万 TPS,400 毫秒确认)。 #ETH 派:宁可慢,也要死守安全与去中心化。 这是投资分歧最大的阶段。Solana 吸引高频交易、游戏、社交类应用;以太坊稳住金融基本盘。两者其实是不同方向,要速度,还是要信任。 💡模块化时代(2021–2024):拆开区块链,各干各的 特点:把共识、排序、执行都拆解开,各司其职! · 数据可用性(DA)单独做(比如 Celestia、EigenDA)。 · 执行交给 Rollup(比如 Arbitrum、zkSync)。 · 共识层只负责最终确认。 效果也十分显著,各自做自己擅长的领域,并且合作起来,达到最优解,效率的确提高了,TPS 可突破 10 万,但瓶颈跑到了“执行速度”上。这个时代不再只看一条链,而是看模块化生态——谁掌握了 DA、谁主导排序、谁优化执行,谁就有话语权。 3️⃣现在:进入“极限时代”(2025+)——挑战物理天花板 今年的发展让我特别兴奋,但其中也存在一定的安全隐患,目前共识机制已经突破“1/3 安全边界”。以前大家认为坏人不能超过 1/3。如今新模型(比如 #SolanaAlpenglow、#Monad)提出 n=5f+1 ——只容忍 20% 的坏人。 好处显而易见,共识两步走完(提议 + 预投票),延迟压到极限。但风险也不可忽视,安全边界更薄,万一被攻破,系统可能瞬间崩掉。这就像把核电站设计从“防强震”改成“防微震”,效率极高,但一出事就是大事。 4️⃣最后就要讲讲基于未来智能化时代打造的共识方案——混合智能 这里面比较有代表性的比如 #SEI 的 Twin Turbo共识方案,以后市场可能不再迷信“最快”或“最去中心化”,而是采用最优解方案,未来赢家很可能是能根据场景切换不同模式。基础默认用“领导者模式”跑得飞快,一旦检测异常,秒切“无领导模式”保安全。实现“智能化信任”,不需要硬扛,而是动态平衡速度与安全。 核心关键“尾部延迟”,高频交易不怕平均延迟高,但怕偶尔卡10秒——这会导致套利失败、清算爆仓。所以稳定性比速度快更重要。 “隐藏属性”才公链的护城河。包括隐私保护、抗 MEV、抗审查、公平排序……这些“看不见的能力”会决定一条公链能不能吸引高质量的用户和资金。 执行层比共识层更要紧。共识已经基本够用了,下一步的瓶颈在并行执行引擎(比如 Monad 的并行 EVM)、状态验证优化——这里才是性能突破的主战场。 写在最后:共识的终点,是“无感信任”,我们正在接近这样一个未来:用户根本感觉不到“区块链”的存在——转账秒到、手续费接近零、永远不掉线,但背后却是由数学、经济激励和分布式协议组成的精密信任机器。 在每一场共识演进的趋势面前,都会重溯一次不小的投资机会,“信任成本不断下降”这个大趋势。谁能让这个世界用更低的成本达成共识,谁就握有下一代金融基础设施的钥匙。可以说 #SEI 目前做的相当不错。🧐
31
111
12
315
69,439
哈斯日志 retweeted
摆脱那些目的不明确的复杂
1
117
kimi 的新更新说明建议各位AI领域的同行谨记哈,尤其是大年三十晚上发模型的那个谁,对,说的就是你,不要再卷了。 (kimi可能不是大模型公司里面最猛的,但绝对是大模型公司里面最摇滚的哈哈哈哈哈)
19
5
1
112
23,866
哈斯日志 retweeted
Harmony format is finally open-sourced. I still remember 3 years ago (before ChatGPT release) @shengjia_zhao, Daniel and I were brainstorming about the right abstraction for RL training, and that is the start point of the entire harmony library. github.com/openai/harmony
34
150
13
1,534
155,070
哈斯日志 retweeted
OpenAI and Anthropic both are showing pretty spectacular growth in 2025, with OpenAI doubling ARR in the last 6 months from $6bn to $12bn and Anthropic increasing 5x from $1bn to $5bn in 7 months. If we compare the sources of revenue, the picture is quite interesting: - OpenAI dominates consumer & business subscription revenue - Anthropic just exceeds on API ($3.1bn vs $2.9bn) - Anthropic's API revenue is dominated by coding, with two top customers, Cursor and GitHub Copilot, generating $1.4bn alone - OpenAI's API revenue is likely much more broad-based - Plus, Anthropic is already making $400m ARR from Code Claude, double from just a few weeks ago My sense is that Anthropic's growth is extremely dependent on their dominance in coding - pretty much every single coding assistant is defaulting to Claude 4 Sonnet. If GPT-5 challenges that, with e.g. Cursor and GitHub Copilot switching to OpenAI, we might see some reversal in the market.
29
118
35
758
242,168
.@Alibaba_Qwen 出了一个语音生成,叫 Qwen-TTS,主打方言,视频里面的北京话,您还别说,地道! Qwen-TTS - 免费 - 支持多种中文方言和中英双语 - API 简单易用 亮点 • 训练于超大规模语音数据集,语音自然、富有表现力 • 自动调整语调、语速和情感,支持普通话、北京话、上海话、四川话等方言 • 7 个中英双语声音,适合多场景应用 • 支持通过 API 一键合成语音,代码示例丰富 • 生成结果带有实时性和高可用性 • 持续迭代,未来会支持更多语言和风格 博客展示 qwenlm.github.io/blog/qwen-t…
12
81
1
362
34,314
哈斯日志 retweeted
This is a very impressive family of open models by Baidu, competitive with qwen3 and latest Deepseek V3. Lot of details in the tech report (~60 pages) + they open source the training code as well.
12
118
6
800
100,389
最近注意到一个新现象,就是 youtube 上会推荐很多和哲学,心理学相关的频道,其内容基本都是由 ai 生成,不管是声音,图片, 还是文字内容。 但制作质量相当高,很多内容很有深度。而且估计因为全是 ai 工具生成,产出也很高,一个频道每天都会上传一个,甚至两个新视频。 猜测这些视频背后的制作者,大概是掌握了工业化大规模快速生产高质量视频的流程,商业模式是希望低成本获取大流量来赚 youtube 上的广告费。而竞争者的涌入,ai 工具的不断进化,也会逼迫所有视频制作者不断提高产品质量。 作为听众和消费者,感觉好像是从以前吃家庭作坊养的鸡 (价格贵而质量参差不齐) 变成吃工业化农场生产的鸡 (价格便宜,质量有基本保证) 感觉类似的现象会迅速的,无孔不入的席卷所有领域。
4
122
12
724
549,574
哈斯日志 retweeted
AI正在吞噬咨询行业。 我用了3个ChatGPT提示词,就能模仿一个时薪600美元的咨询顾问,4小时完成团队几周的工作量。 下面教你如何让ChatGPT成为你的袖珍麦肯锡顾问: (附我的具体提示词+示例)
1
8
1
38
9,015
哈斯日志 retweeted
哈佛的免费课程书《AI Research Experience》,由 Pranav Rajpurkar编写,涵盖了进行研究的基础知识和实用技巧: - VSCode、Git、Conda - PyTorch、W&B - AWS、Colab - 大语言模型(LLMs)和视觉语言模型(VLMs) - 如何阅读 AI 论文 - 如何推进研究和组织工作 这本书值得一读!
2
67
2
222
27,283
哈斯日志 retweeted
OpenAI 正式上线强化学习微调⚡️ 感觉是 Game changer 💥 现在可以基于 o4-mini 正式提供 🔥 强化微调 (RFT) 使用思维链推理和针对特定任务的评分来提升模型性能,尤其适用于复杂领域。 比如 @AccordanceAI 基于 o4-mini 强化学习微调在税务场景平衡成本的同时达到了 SOTA
2
29
147
21,173
哈斯日志 retweeted
We built the first taxonomy of values expressed by AIs in real-world conversations. Broadly, Claude expresses the values we intended, like critical thinking, responsibility, and efficiency.
4
23
11
209
69,488