1,582 Photos and videos
OpenRouter Fusion API 以仅相当于 Fable 5 一半的成本，实现了媲美顶级 AI 的性能。
Fusion 针对同一提示词（prompt）并行运行多达八个模型，并结合网络搜索功能，最后由一个“裁判模型”综合各模型的输出，生成最佳响应。
在针对深度研究任务的 DRACO 基准测试中，包含 Fable 5 和 GPT-5.5 的高端 Fusion 组合取得了 69% 的得分，超越了单独使用 Fable 5 时的 65.3%；
而经济型组合也达到了 64.7% 的得分——这意味着它在成本仅为 Fable 5 一半的情况下，表现优于价格更高的单一模型。
开发者已开始将其集成到编程和工作流中；
社区普遍赞赏这种“多模型组合”优于单一“强力模型”的模式，尽管也有人指出基准测试存在局限性，并呼吁提供更合理的定价方案。
2
917
社交（宣传渠道） 算力基建 商业航空 ....
马斯克就差把 机器人 放上来，就凑齐了 硬科技 N件套了 .
新能源 （特斯拉 ） 已经上市了，不能讲 ...
2
1,056
冷知识：
中国公募可转债市场确实存在“还不上而不还了”的实质性违约案例。自2023年以来，长期维持的“刚性兑付”与“零违约”神话已被彻底打破。
核心结论摘要
目前已退市并发生违约的转债，主要走向了以下三种截然不同的清偿路径：
破产清算路径（以“搜特转债”为例）：
现状：预重整失败后正股退市，于2024年8月被法院裁定正式进入破产清算程序。
结果：清算状态下企业资产变现需优先偿还破产费用、有担保债权和职工/税款债权。可转债持有人作为无财产担保的普通债权人，其受偿率极大概率接近归零。
重整遭拒与无序违约路径（以“蓝盾转债”为例）：
现状：2023年4月法院裁定对公司的破产重整申请不予受理（认为其缺乏重整可行性与重整价值）。
结果：企业无法通过重整实现“债转股”或引入战投，在2024年8月到期日宣告实质性违约。目前公司资不抵债，资产被大面积冻结，投资者追偿极其困难。
司法重整与以股抵债路径（以“鸿达转债”为例）：
现状：2026年3月16日，乌海中院正式裁定受理债权人对发行人鸿达兴业的破产重整申请。
结果：转债已“加速到期”并停止计息。通常普通债权在重整中会提供“小额现金清偿（如5万/10万以下全额兑付） 超出部分以股抵债”。但由于公司已退市，抵偿的股票为无流动性的三板股票（R鸿达1），且抵债折价高估，实际受偿率依旧很低。
1
895
陈年“实业硬扛模式”的化债逻辑极限自救：
从 1.3 万人裁员至不足 200 人，将总部迁往亦庄以极限压低日常运营成本；
砍掉 99% 的边缘品类（如拖把、电饭锅等），回归免烫衬衫和帆布鞋等基本款服装。
供应商信任维护：
放弃破产保护，主动以创始人个人信用进行背书，与数百家供应商达成对账并分期还款的口头/协议谅解，用时 10 年将 19 亿元现金欠款彻底清偿。
雷军的终极创投救赎Pre-IPO 资本输血（2014年）：
雷军在凡客面临被挤兑清算的生死关头领投 1 亿美元，用于结清最紧急的债务，为凡客换取喘息空间。
流量导流（2024年）：
作为老搭档与天使投资人，雷军在个人顶流直播中多次为凡客免费背书（“全身上下都是凡客”），直接带来凡客直播间的销量暴增。
对比罗永浩的“曲线还债”资产本质差异：
凡客属于重资产（积压库存 分散供应商应付），库存具有极高贬值率与高仓储损耗，资本难以直接打包注入壳公司；
而罗永浩的交个朋友属于轻资产（个人IP违约金 高额MCN现金流），极易实现资本并表套现。
路径差异：
陈年走的是低资本参与度的“时间换空间”实业硬撑路线；
罗永浩则是高资本杠杆的“代持防火墙 港股买壳并购”快速变现解套路线。
1
7
4,761
Vercel 推出 HarnessAgent，助力轻松切换 AI 框架
Vercel 于 6 月 12 日在 AI SDK 7 的 Canary（先行）版本中发布了 HarnessAgent。
该工具提供统一的 API，支持在 Anthropic 的 Claude Code、OpenAI 的 Codex 和 Pi 等智能体运行环境（agent harnesses）之间灵活切换，并负责处理技能、会话及安全沙箱的编排工作。
开发者只需安装 Canary 包并定义一次智能体，即可无缝流式传输结果，从而摆脱对特定模型或运行环境的绑定——这一特性也得到了 CTO Malte Ubl 和 CEO Guillermo Rauch 的高度评价。
早期反馈突显了其出色的可组合性，不过也有部分开发者希望能支持本地运行并提供更多选项。
5
5
46
6,241
分享 《第447章：大模型中转站——构建 AI API 聚合与分发平台赚取差价》 和 《第448章：编程 Agent 命令行助手——开发本地 AI 自动编程 CLI 赚取订阅与流量费》。
地址 ： github.com/XiaomingX/ai-mone…
3
3
5
1,614
冷知识：
spacex 的招股说明书地址，完整 S-1 招股说明书（HTML 版）：
sec.gov/Archives/edgar/data/…
1
3
2,529
4. 本地编程 Agent 实战：Gemma 4 MTP 推测解码达 72 tok/s
影响力：中 | 中国讨论度：低
一篇详细的 macOS 本地编程 Agent 搭建指南，使用 llama.cpp Gemma 4 26B MTP 推测解码，在 M1 Max 上实现 72 tok/s。
信息差核心：
- MTP（Multi-Token Prediction）推测解码是关键突破，速度提升 ~24% 且无精度损失
- 推荐的编程 Agent 是 Pi（earendil-works/pi），一个终端 Agent
- 测试发现 llama.cpp 在 Mac 上比 MLX 更快（72 vs 46 tok/s）
- 备选模型 Qwen 3.6 35B-A3B 编程能力更强但速度较慢（55 tok/s）
- 中国开发者普遍依赖云端 API，本地 Agent 方案关注度不足
1
396