我已经检测过了，fable 5的强大是因为基模，相比于opus是跨越级的提升，超过gpt pro和gemini deepthink很多，不是提示词工程可以达到的

其实我觉得opus真的是个风格很鲜明的模型 非官方的情况下，其他模型我都会担心掺水，但只有opus不会，一个brainstorm就能知道是不是了 dense真的很伟大.jpg 我依然觉得是dense架构的功劳，只有opus能在需求完全模糊的情况下来回讨论并逐步细化，其他的模型哪怕套着claude code的壳子也是迅速就特定清晰然后开始问我方案通不通过了 唯一需要担心的只有opus会不会降级，但是神人Anthropic从头到尾没降过老版本价格所以压根不用担心，全是5/25 sonnet跟opus也是有一点点差距

Opus 4.7、4.8 的接连失败令人费解 价格更贵，效果无提升，甚至负提升 看看日历，突然意识到 Claude 已经停滞了 4 个月 即便是掌握了模型训练的方法，即便内部已经有了 Mythos 这样的开发利器 模型的进步还是没有太多加速，依然半年一次大更新？

看了央视对追觅科技CEO俞浩的专访。 有很多点对我触动极大，真心推荐朋友们看看，尤其是对于“创业从0到1”这件事该怎么做。 如果人生没有梦想，和咸鱼有什么区别？ 来源：央视新闻

一方面王传福说人民币要大幅升值 另一方面投资美股却越来越难

海外开户被堵死，QDII 来救命！ 最近，中国正式关闭了国内投资者通过跨境券商直接购买海外股票的大门。 著名的跨境券商包括老虎证券、富途牛牛、长桥等。他们的股价应声大跌。 那么，国内的普通投资者们，只能购买国内基金公司发行的 QDII（合格境内机构投资者）基金。 目前，QDII 基金的总规模已经突破万亿元人民币，并在迅速增加中。 我先前推荐过几款优秀的 美股 QDII 基金，包括： -- 博时标普500指数基金 513500 -- 国泰纳指基金 513100 -- 嘉实纳指基金 159501 -- 易方达纳指基金 159696 众所周知的是，QDII 机构需要拿到国家外汇管理局的外汇额度，才能将投资者的人民币换成外币，购买海外的股票和基金，比如美股股票、港股股票等。 基金公司等金融机构，仍然望眼欲穿等待国家外汇管理局授予更多的外汇额度，从而解决投资者不断增加的需求。 近年来，随着海外投资需求激增，外汇局多次扩容。截至目前，QDII累计批准总额度已突破1760亿美元。 下面是QDII 近几年新增额度发放的历史： -- 2021年：90.2 亿美元 -- 2022年：100 亿美元 -- 2023年：50 亿美元 -- 2024年：200 亿美元 -- 2025年：21 亿美元 -- 2026年：53 亿美元 我的判断是，既然政府堵死了灰色券商的渠道，那么他必须授予 QDII 机构的更多外汇额度。否则，场外基金的限购和场内基金的高溢价问题，将会愈演愈烈。 况且，这些QDII基金，从投资海外股市上，获得了丰厚的收益。这既有利于普通投资者，还让参与的基金公司、券商和银行获益。 其实，美国公司的股票，大约30%是被外国人持有的。买美股，是全世界投资者的选择。 根据美国财政部的数据，中国机构和个人拥有的美国股票价值约为2250亿美元，人均160美元。中国主要将外汇储备配置于美国国债，在美股上的直接登记量相对克制。 反观只有区区560万人口的挪威，其国家主权基金里持有大约六千亿美元的美股股票，人均约十二万美元。 台湾也拥有高达约4600亿美元的美国股票资产，人均约两万美元。 如果你想了解更多我的投资理财经验和见解，请去亚马逊网站或者 Google Play Books，搜索我的中文理财书《财富捷径》，或者英文版《The Shortcut to Wealth: Your Simple Roadmap to Financial Independence》。谢谢！ #财务自由 #财富自由 #金融理财 #投资理财 #美股 #美国 #股票 #基金 #投资 #纳斯达克

Midjourney创始人后悔用TPU训练，认为TPU拖慢了他们的研究至少一年，表示如果可以回到一年前，更愿意用纯Nvidia训练。 bad news for TPU from first hand experience.

中招了，卧槽。 昨天装了 browser-use，上午装的，一打开就有无数 python 进程启动电脑卡死。claude 一启动就自动加载mcp 就会启动无限个 python。 今天看了这篇文章，我去看了 browser-use 的源代码，他们确实用了 litellm，设置了使用最新版 "litellm>=1.82.2"，相当于昨天安装的都中招了。 今天看了 browser-use 官方已经 fix 了，我擦

软件工程的能力是第一位的，他能让你把代码里的屎密封起来，让你拉的屎不会给其他的东西上色。这种能力对操控ai写代码是非常有用的。AI必然拉屎，拉出来装在哪，那是你的本事，怎么prompt都没办法让AI帮你做。后面就是怎么把一泡一泡的屎变香，又是截然不同的技能树🤪

AI is the new gradient operator. The loop isn't new — iterate, test, update. That's been engineering forever. What's new: AI can finally compute the gradient when you plug it into pretty much *any* system. Read the failure, understand why, write the fix. That step used to be reserved for human intelligence. It works when the oracle is clear (compile Linux in @AnthropicAI 's ccc , or optimize a metric in @karpathy 's autoresearch). The only place it breaks is when the loss is fuzzy. The human's job now shifts from computing the gradient to defining the loss landscape.