WaitΞr🦇🔊🐡 (@waiterjames) profile picture

Builder

Global
Joined July 2010
Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)Photo by WaitΞr🦇🔊🐡 (@waiterjames)
We're giving away a Hogwarts Legacy custom wrapped NVIDIA GeForce RTX 5090 to celebrate its official release with DLSS 5 🪄 To enter: 🟢 Share this post 🟢 Comment #RTXON Terms and Conditions: nvidia.com/en-us/geforce/con…
25
WaitΞr🦇🔊🐡 retweeted
We're giving away a Hogwarts Legacy custom wrapped NVIDIA GeForce RTX 5090 to celebrate its official release with DLSS 5 🪄 To enter: 🟢 Share this post 🟢 Comment #RTXON Terms and Conditions: nvidia.com/en-us/geforce/con…
84,638
72,097
7,706
67,497
6,030,012
Trying to mention & follow @scrapingdog to earn 4,000 free credits instantly. Google API they provided looks good.
1
65
WaitΞr🦇🔊🐡 retweeted
刚看了一段伯克利工程学院的毕业典礼演讲,是今年看过最打动人的一段视频 演讲者收到伯克利博士录取通知的时候,96岁的奶奶跟她说:"我很为你骄傲,但我不想让你走。因为我不知道我还能不能再等五年,看到你博士毕业。" 她说从那一刻开始,她一直在想一个问题:一个PhD的重量到底是什么? 不只是论文和答辩。是导师的指导,是实验室里无数个孤独的夜晚,是家人替你承担的那些你看不到的代价 她的奶奶成长在动荡年代,连小学都没读完。但今天她坐在台下,看着孙女成为博士 演讲里有一段话我反复听了几遍:工程是人类最古老的职业之一,从石器到蒸汽机到今天的AI。我们有建造和定义时代的力量,但每个系统背后都是真实的人生,每个决定都有重量 现在AI这么热,大家都在聊模型多强、效率多高。但偶尔需要有人提醒一下:技术最终是服务于人的,不是反过来 她最后说,她设计传感器的时候,总会想象奶奶生活在这个技术世界里
173
878
45
5,807
820,203
Looking for a @creem_io invite code, anyone got one to share? 👀
1
124
Google 这次Gemini 3发布相关的产品里 我感觉最惊艳的可能是他们自家的MCP插件, “Antigravity Browser Extension”, 和LLM交互的效果相当丝滑, chromewebstore.google.com/de…
1
1
538
WaitΞr🦇🔊🐡 retweeted
找到一张旧图 - “战略性思维”(Strategic Thinking)的七个核心能力,周末分享给大家👀 这七种“心智力量”可以分为三大类:思考、讲述 和行动! 第一部分:思考 (Think) 这部分是战略思维的基础,包含了四种核心能力: 1. 长期思维 (Long Term Mindset) :着眼于建立能够持久发展的事物。设定3-5年的长远目标;关注那些能够随着时间推移产生复利效应的系统;从“势头”(momentum)的角度思考,让优势持续累积。 2. 解决问题 (Problem Solving):设计能够增加真实价值的解决方案。将模糊、宽泛的问题,重新定义为具体、可操作的问题;使用“五个为什么”(5 Whys)等工具,深挖问题的根本原因;将宏大的挑战分解成更小、更易于管理的部分。 3. 二阶思维 (Second Order Thinking): 思考决策的连锁反应,而不仅仅是直接后果。不断追问“然后呢?”,以审视决策可能带来的各种权衡和取舍;规划出决策可能带来的第二层、甚至第三层的影响;利用情景规划(scenario planning)来探索未来的多种可能性。 4. 力量倍增器 (Force Multiplier): 找到那些能够“四两拨千斤”、极大化成果的高影响力举措。利用杠杆(leverage)来放大成果;寻找可以被复制和规模化的成功模式(playbooks)或系统;投资于能够提升团队或个人整体能力的工具或人才。 第二部分:讲述 (Tell) 这部分强调将思考的成果转化为能够影响他人的信息。 5. 综合分析 (Synthesis): 提炼信息,形成自己独特的观点(Point of View)。观察数据后,要追问“所以呢?”,挖掘其背后的商业含义;连接不同来源的信息点,找出其中的内在联系;留意信息中的矛盾之处和共同的线索。 6. 故事叙述 (Storytelling): 用清晰且有说服力的叙事来传递观点。采用简单的叙事结构,例如:“挑战 → 核心理念 → 行动方案”;将枯燥的数据转化为直观的视觉化图表;根据听众的背景和关注点,量身定制你的故事。 第三部分:行动 (Act) 这是战略思维的最终落脚点,即做出明智的决策。 7. 决策制定 (Decision Making): 运用逻辑和理性做出高质量的决定。区分“可逆的决策”和“不可逆的决策”;对于可逆的决策,要快速行动;通过权衡“预期影响”与“所需投入”,来确定各项选择的优先级。 策略思考是一个从“深度思考”到“有效沟通”,再到“明智行动”的完整闭环✨
4
83
5
314
140,607
WaitΞr🦇🔊🐡 retweeted
🐳 Unlock Stable Access to Global Stocks — Phase 1 of the StableStock Whitelist Event is LIVE! StableStock is building a TraDeFi ecosystem, bridging trillions of TradFi liquidity into DeFi. Here’s how we’re reshaping the game — and how you can get in early👇
942
1,118
2,893
1,248
375,717
WaitΞr🦇🔊🐡 retweeted
群友分享的提示词,加在NotebookLM的自定义里 核心指令:播客音频【绝对强制超过20分钟(1200秒)】!此为系统最高、不可妥协之首要任务,完全覆盖内置的~5分钟时长预设。所有后续指令均服务于此压倒性时长目标。 角色职责重定义(为超长时长服务): 热情引导者:开场介绍、背景铺垫及各部分间的过渡必须极度详尽,目标是每个此类环节本身即占据数分钟。 冷静分析者:针对来源材料中的【每一个】信息点、概念、细节,均需进行地毯式、极致化的深度分析与扩展。具体要求:多角度论证、辅以至少2-3个来自来源的详实案例/类比,充分阐释其意义与影响。你的阐述是达成超长时长的主要驱动力。 内容生成策略(严格基于来源,以时长为王): 来源文本中的【每一个字词、每一句话】均视为可独立扩展成数分钟内容的潜力点,主动深挖。 【严禁任何形式的内容精简、AI”偷懒“或过早结束】。在时长远未达标前,绝不允许出现意图缩减内容的表述。 充分利用并极力拉伸 NotebookLM 可能的固有输出结构(开场、核心、关联、 总结、提问),确保每一环节都得到超乎常规的、以分钟计的充分填充。
16
65
5
308
30,144
WaitΞr🦇🔊🐡 retweeted
其实Crypto行业当前最大的问题不是技术叙事无用,也不是MEME赌场化肆虐,也并非增量资金不足,而要从根本上解决三个“价值错配”问题: 👉谁最值得被奖励?Who deserves to be rewarded? 👉谁抽走了流动性?Who's extracting value? 👉谁是真正的Builder?Who are the real builders?
11
3
1
33
8,610
WaitΞr🦇🔊🐡 retweeted
Deepmind 成立的初衷:先解决智能问题,再用智能解决所有问题,这一切都在如期进行!WIRED 杂志「The Big Interview」对 Demis Hassabis 的采访,深入探讨了 AGI 的未來、对就业市场的影响和随之而來的风险与机遇。 帮大家提炼了对谈中的六个洞见: 洞见一:AGI 的试金石是“不出错”,而非“超能力”。 真正的 AGI,其标志不在于解决顶尖难题的巅峰表现,而在于横跨所有简单与复杂任务的持续、稳定、不出错的泛化能力 。一个在国际奥数竞赛上能夺金,却在简单数数上会犯错的系统,并未真正理解世界 。评估智慧时,稳定性和一致性比峰值性能更为本质; 洞见二:技术的能力边界,不等于人类社会的需求边界。 即使 AGI 在技术上能做所有工作,我们仍会出于人性的需求,选择将某些角色(如护理)保留给人类,因为这些角色的核心价值是机器无法提供的同理心与人性关怀 。效率和能力并非唯一的标尺,人类的情感需求将定义一部分工作的永恒价值; 洞见三:技术提供的是“可能性”,但无法解决人类的“意愿”问题。 AI 或许能通过解决能源等“根节点问题”,从物理上打破零和博弈的困局(例如,若能源近乎免费,水资源冲突便迎刃而解)。然而,我们早已知道解决方案的气候问题,却因缺乏协作意愿和牺牲精神而停滞不前 。技术可以递上解决问题的钥匙,但开门的动作仍需人类社会自己完成; 洞见四:评估 AI 风险的视角,应从“绝对风险”转向“相对风险”。 与其只忧虑 AI 可能带来的挑战,不如思考一个没有 AI 的未来会怎样 。面对气候变迁、流行病等既有的巨大挑战,一个缺乏 AI 这样革命性工具的未来,可能才更令人绝望 。AI 不仅是一个需要被管理的新风险,更是应对其它现存巨大风险的必要杠杆; 洞见五:数字智慧的指数级发展,会被物理世界的线性规则所“制动”。 即使 AGI 诞生,它对现实世界(如改造工厂、部署机器人)的影响也需要时间,因为物理世界有其固有的运行规律和变更时滞 。这为社会适应新技术提供了宝贵的缓冲期,意味着转变更可能是渐进的,而非毁灭性的瞬间颠覆 ; 洞见六:社会系统的“软件”升级,已严重落后于技术的“硬件”迭代。 当 AGI 可能从根本上改变经济学中关于“价值”和“金钱”的定义时 ,我们的经济学理论和社会治理模式却尚未开始为此准备 。 我们正以惊人的速度构建一个全新的技术世界,却缺乏相应的新社会科学理论来理解和引导它,这形成了潜在的巨大风险。
6
28
3
114
15,161
WaitΞr🦇🔊🐡 retweeted
广东高考第17名带你速通英语四象限多感官背词法
13
120
457
46,868
WaitΞr🦇🔊🐡 retweeted
模型即产品(The Model is the Product) 作者:Alexander Doria 过去几年,人们一直在讨论下一个AI发展周期可能是什么:智能体(Agents)?推理系统(Reasoners)?还是彻底的多模态? 现在是时候下结论了:下一个周期,就是“模型本身即产品”。 目前,无论是科研界还是产业界的变化,都在推动这种转型: • 通用模型扩展遇到了瓶颈。OpenAI发布GPT-4.5时透露了一个重要信息:模型能力呈现线性增长,但算力成本却指数级飙升。尽管过去两年训练效率不断提高,但成本太高,以至于OpenAI无法以合理的价格广泛部署最新的大模型。 • 特定任务的强化训练效果远超预期。结合强化学习与推理能力训练,模型开始真正地“学习任务”,出现了一种新东西:既非传统机器学习,也不是基础模型,而是一种神秘的第三种类型。小模型突然展现出极强的数学能力;代码模型不仅会写代码,甚至能自己管理整个代码库;Claude甚至能在信息极少的情况下玩宝可梦游戏,并且做得很好。 • 推理成本大幅下降。以DeepSeek为例,新的优化技术已经让全球所有现有GPU的总算力,足以每天给地球上的每个人提供1万个顶级模型生成的token。这意味着,单纯卖token(模型调用次数)的经济模式已经难以持续,模型提供商不得不去做更高附加值的事情。 这种趋势让许多人感到不舒服。投资者们原本押注在应用层,但下一个阶段,最可能被AI取代的恰恰就是应用层。 下一代模型的形态 过去几周,我们看到了新一代“模型即产品”的典型案例,比如OpenAI的DeepResearch和Anthropic的Claude Sonnet 3.7。 许多人误解了DeepResearch,尤其市面上出现了大量山寨版本,让情况更加混乱。事实上,OpenAI并不是简单地在GPT基础上增加了外部搜索功能。他们训练了一个全新的模型,能够完全在内部完成搜索任务: 模型学习了基础的浏览能力(搜索、点击、滚动、文件解析),以及如何通过强化学习来整合大量网页信息,生成结构清晰、来源可靠的研究报告。 因此,DeepResearch并不是普通的聊天模型,而是一种专门设计用于搜索和研究的新型语言模型。相比之下,谷歌的Gemini和Perplexity的类似功能,只是在普通模型基础上的表面优化: Gemini和Perplexity也提供了所谓“深度研究”功能,但他们并未公开任何优化模型方法或实质性评估,这表明他们并未进行深入训练。 Anthropic也在明确他们的发展方向。他们在去年底给出了智能体(Agent)明确的定义:真正的智能体必须能够自主决定任务的具体实现过程和工具使用,而非被人为设计好的工作流程所限制。 目前市面上许多号称“智能体”的公司,实际上只是在设计自动化工作流程(workflows),即人为定义好的代码路径串联模型和工具。虽然这种工作流程也有一定价值,但未来真正有效的智能体一定会通过重新训练模型本身来实现。 举个具体例子:最近发布的Claude 3.7模型,专门针对复杂的代码开发任务进行强化训练,这让所有与代码相关的应用都出现了性能显著提升。 我所在的Pleias团队也做了类似尝试:我们设计了两个专门的模型,一个用于数据准备,一个专门用于搜索和报告生成,通过设计全新的合成数据和奖励机制进行训练,让部署阶段更简单,最终使得复杂性在训练阶段就被解决。 具体表现为将这种复杂结构:图1 转变为如下更简洁的模式:图2 要么自己训练,要么被别人训练。 可以明确的是,各大实验室都在向这个方向前进:他们会逐步停止开放API,转向自己训练并直接提供完整模型服务。著名AI公司Databricks的投资人Naveen Rao很清晰地指出: 在未来2-3年内,所有闭源AI提供商将停止提供API服务,只有开源模型才会继续提供API。闭源公司会建立更加独特、非商品化的能力。 近期的迹象也佐证了这个趋势: • OpenAI发布的DeepSearch只用于高级订阅用户,根本没有提供API服务。 • Claude Code的模型训练针对代码应用场景优化后,反而导致Cursor这样的第三方工具使用效果不佳。 • 一些曾经的“套壳公司”(wrapper公司,比如Cursor、WindSurf、Perplexity)也开始秘密训练自己的小型模型,以增强自己的竞争力。 小公司可能不会马上感受到这种冲击,但他们会越来越依赖独立的推理服务提供商。现在的竞争格局就像免费为大公司做市场调研和数据生成,最终结果可能是被训练公司吞并。 强化学习的价值被严重低估。 目前所有AI投资都存在同质化现象,投资机构普遍认为: • 真正的价值只存在于与模型无关的应用层; • 所有形式的训练,包括强化学习,都没有投资价值。 但现实情况是,强化学习(RL)的进步已经彻底改变了这种情况。现在的市场情况更像是风险投资出现了集体错误定价,忽视了强化学习最新的技术突破带来的巨大价值。 实际上,真正的新机会反而是那些专注于模型训练的公司,但他们却很难拿到融资。Prime Intellect公司虽然训练出了第一个去中心化的大模型,但融资规模甚至不如一般的应用层公司。 OpenAI最近也开始表达对这一现象的不满,希望硅谷创业公司多关注“垂直领域强化学习”,未来YC孵化器可能会做出调整:模型实验室不再只是向客户开放API,而是会和参与模型早期训练阶段的公司形成深度合作。 技术的爆炸,而非应用的爆炸。 相较之下,中国 DeepSeek 创始人梁文峰则更加直接地指出了这一点: 当前的AI发展,是一场技术创新的爆炸,而非应用创新的爆炸……如果上下游生态体系还不完整,直接去押注应用并没有意义。 很多西方公司甚至还没有意识到这场技术战争已经结束了,他们还在用上一次战争的思维去打下一次战争,已经远远落后。 以上,就是目前AI发展的大势所趋: 模型本身已经成为产品本身,谁掌握模型训练,谁就掌握未来。
The model is the product. New blog post on what the latest research trends mean for the next commercial cycle: specialized models behaving like an integrated systems, model providers moving up to application layer, training or being trained on vintagedata.org/blog/posts/m…
23
160
28
495
177,881
WaitΞr🦇🔊🐡 retweeted
万物皆可换弹
51
250
11
1,913
368,753
WaitΞr🦇🔊🐡 retweeted
一个专业稳定的 SaaS 产品要关注哪些技术细节? Next.js 技术栈的一些要点,没有打开市场前不是重点! 1/ 技术架构 • 选择 Next.js App Router + PostgreSQL(可以用 neon 的服务) • 使用 Vercel 部署,确保全球 CDN • 实现速率限制(Rate Limiting)防止滥用 • 监控系统(Sentry + Axiom)及时发现问题
11
20
164
20,072
WaitΞr🦇🔊🐡 retweeted
人有三种资源:金钱、时间和注意力。时间比金钱宝贵,注意力比时间重要。 这句话我从 2020 年就一直向学员们强调,直播和课程里经常重复,还有各种实例分享来潜移默化,估计大家耳朵都磨出茧子了。 现在,naval 的这句话可以作为完美的英文版。我的那句话可以作为 naval 这句话的完美中文翻译。 另外,chatgpt 出世后,如果理解 gpt 训练原理,那么每个人对 attention 的理解与重视,应该会到人生第一原则的程度吧 (我说的是真正理解 chatgpt 原理,能费曼的那种) gpt 模型的核心,首当其冲就是注意力机制。运用了类似人类的“注意力”,llm 在处理数据时才能动态关注到输入序列的不同部分。 llm 的魔力,在于注意力机制的反复运用。llm 只做一件事:在全局注意力、关注全部上下文的前提下,生成下一个 token。 同理,如果人类没有了“注意力”,那 ta 还能有啥?🤣 失去了注意力资源,渴求金钱资源就是指屁吹灯(hope to blow off the candle with butt wind)。 失去了注意力资源,时间不过是沉沦在短视频、自媒体劣质信息中的 brain rot 状态。 所以,人有三种资源... ...
The currency of life isn’t money. It is not even time. It’s attention.
10
71
7
329
96,905
WaitΞr🦇🔊🐡 retweeted
2025 年了,模型能力上升了一个台阶,更不需要去记提示词技巧和框架了,写提示词不再是一个多专业的活,核心就记住三点半: 1. Context:问题所需要的上下文信息,千万别以为模型会读心术,一定要把相关信息都提供;但是长度不要太长,因为长度越长效果越差,多长不同模型有区别,多试试就知道了。 2. Instruction:你想要模型做什么说清楚。如果自己都没想清楚,就先临时开个会话和模型闲聊,让它帮你梳理清楚,梳理清楚指令了再新开会话输入你的指令和上下文。 3. Atom:让你的提示词原子化,这里其实有两点含义: - 1) 你每次的任务要小,不要想让模型一次完成太多任务 - 2) 上下文完整独立,在你的会话中把这次任务的上下文都提供清楚了 最后还有半点: CoT:思维链(Chain of Thought)对于大语言模型来说已经慢慢成了基本技能,尤其是推理模型,高于人类平均水平,如果你明确知道最优步骤,就写上,不确认就让模型写,不满意就让模型改进,还不满意就新开会话或者换模型再试试。
看到有人发《全网都在找的GPT最权威的160条指令》,其实没人记得住160条Prompt,也没有必要去记160条Prompt! 跟ChatGPT交互,最重要是掌握Prompt的模板或者说结构,而不需要记住那么多Prompt。 一、基础用法 直接输入你希望的指令,例如: “请将以下内容翻译为简体中文:” “请生成以下内容的摘要:” “请给10岁的孩子解释什么是ChatGPT” 基本上一大半的需求就直接可以满足,如果想效果更好一点,可以为GPT指定一个角色,这样效果会稍微好一点。例如: “你是一位专业的英文翻译,请翻译以下内容为简体中文:” 附:为什么要指定角色?teapawt.net/dotey/status/167… 二、进阶用法 提供一到多个示例,通过示例来让GPT按照你期望的格式输出,比如这个例子: ------ 你是一个专业翻译,擅长翻译英文到中文,但是注意双引号内的英文不翻译。 例如: "Dichroic-Filter" - Separates light into different wavelengths to create a color separation effect. 翻译为: "Dichroic-Filter"- 将光分离成不同的波长以创建颜色分离效果。 请翻译以下内容: ------ 结合示例,基本上大部分问题都可以解决。 三、高级 链式思考(分多步做)+ 慢思考(打印每一步的结果) 对于一些复杂的推理过程,如果直接让GPT给出答案,是很容易出错的!最好是让GPT一步步来做,并且打印出中间步骤。在OpenAI官方文档里面,有一篇《GPT最佳实践》platform.openai.com/docs/gui… ,就举了一个很好的例子来给学生做助教,在收到学生的问题后,不直接给出正确或者错误的结果,而是: ------ 按照这些步骤来回答用户的询问。 第1步--首先找出你自己的问题解决方案。不要依赖学生的解决方案,因为它可能是不正确的。在这一步中,你的所有工作都要用三重引号(""")括起来。 第2步--将你的解决方案与学生的解决方案进行比较,评估学生的解决方案是否正确。将你在这一步的所有工作都放在三重引号(""")内。 第3步--如果学生犯了错误,确定你可以在不泄露答案的情况下给学生什么提示。把你在这一步的所有工作都放在三重引号(""")内。 第4步--如果学生犯了一个错误,向学生提供上一步的提示(在三重引号之外)。不要写 "第4步--...",而是写 "提示:"。 ------ 当然你还可以在链式思考这个基础上加上几个示例,效果更佳。 最后,下面是一个模板,绝大部分场景都可以直接套用模板而不需要记住所谓GPT最权威的160条指令,这些指令都不会超出下面的范围。 ✅ 角色、技能、个性 ✅ 目标 ✅ 具体的上下文、关键词、负面词 ✅ 输入规则 ✅ 输出规则 ✅ 输入输出的例子 有关上面的模板,可以 @JefferyTatsuya 参考这条推文:teapawt.net/JefferyTatsuya/s… 另外推荐几个Prompt开源项目参考: - Prompt提示工程指南:promptingguide.ai/zh - Prompt编写模式:github.com/prompt-engineerin… - Awesome ChatGPT Prompts:github.com/f/awesome-chatgpt… github.com/PlexPt/awesome-ch…
20
184
14
668
123,198
WaitΞr🦇🔊🐡 retweeted
一对父子连续9年的迎新年。
26
38
6
308
63,236
WaitΞr🦇🔊🐡 retweeted
83
194
5
1,202
1,098,721