Z.ai 官方确认 Ox Alpha 是 GLM 系列的新模型，并承诺将发布其权重。这一消息在 Hacker News 上引发热议，目前已有 394 分和 136 条评论。 ## 背景与意义 GLM 系列模型由智谱 AI 开发，是国产大模型的重要代表。Ox Alpha 作为该系列的新成员，其开源权重意味着开发者可以自由下载、微调和部署，这对于推动 AI 技术的民主化具有积极意义。 ## 社区反应 Hacker News 上的讨论热度表明，开发者社区对 Ox Alpha 的开源充满期待。许多评论者关注其性能表现、与现有模型的对比，以及可能的应用场景。部分用户也表达了对开源许可和商业使用条款的疑问。 ## 未来展望 随着 Ox Alpha 权重的发布，预计将出现一系列基于该模型的创新应用。同时，这也可能加剧开源大模型领域的竞争，促使其他团队加快开源步伐。 值得注意的是，目前关于 Ox Alpha 的详细技术参数和性能基准尚未完全公开，具体发布时间也待确认。我们将持续关注后续动态。
Hacker News 热门 · 98 分 · 65 评论
作为一名硕士工程学生，我对 LaTeX 情有独钟，毕业论文和研究论文都离不开它。Overleaf 用起来不错，但 git 同步功能需要付费，这让我很不满。我不愿意为那些本应免费的功能付费，于是决定自己动手，开发了 TeXbrain——一个完全在浏览器中运行的开源 LaTeX 编辑器。 TeXbrain 的核心亮点在于，它利用 WebAssembly 将 pdfTeX 编译为 WASM 并在浏览器端运行，实现了真正的本地编译。无需安装、无需注册、无需服务器，打开浏览器即可写作并生成 PDF。所有操作，包括编辑、编译、git 操作，都在客户端完成，文件不会离开你的设备。 它支持按需加载 CTAN 包，首次编译时仅下载所需宏包，之后缓存本地，离线也能用。实时预览基于 pdf.js，支持多页缩放和文本选择。git 集成由 isomorphic-git 驱动，可直接克隆仓库、分支、提交、推送，无需命令行。本地文件系统访问则依赖 File System Access API，支持 Chrome/Edge 浏览器。 编辑器基于 CodeMirror 6，提供语法高亮、自动补全、代码折叠、片段等功能。命令面板和片段选择器让操作更高效。整体设计强调离线可用，一旦加载完成，无需网络即可正常使用。 TeXbrain 的出现，为 LaTeX 用户提供了一个免费、开源且尊重隐私的替代方案，尤其适合那些希望完全掌控工作流、又不想被订阅费用束缚的人。它展示了 WebAssembly 在复杂应用中的巨大潜力，让专业工具平民化。
在汽车智能化浪潮中，一位开发者展示了如何用一台树莓派（Raspberry Pi）运行35B参数的大语言模型，打造一个完全离线的车载AI助手。这个名为CarWatch的项目，将树莓派5嵌入车内，通过Qwen模型实现与车主的自然语言交互，不仅能够读取车辆内部数据，还能调用制造商云服务控制空调、门锁等，甚至能回答车主手册中的问题。 ## 核心亮点：35B模型跑在树莓派上 最令人惊讶的是，CarWatch在树莓派5（16GB内存，约300欧元）上运行了**Qwen3.6-35B-A3B**模型，采用Unsloth的UD-Q3_K_S动态量化，模型大小14.3GB。生成速度达到**3.5 token/s**，提示处理速度超过**25 token/s**，持续运行温度65°C。这意味着，即使没有云端连接，车辆也能拥有一个智能的“大脑”。 ## 深度集成：从车辆数据到云端控制 CarWatch通过OBD接口读取车辆内部信息，并连接到制造商的云服务，实现远程控制空调、开关门锁等功能。此外，它还集成了Home Assistant，通过Tailscale建立私有加密网络，确保在行驶中也能安全地访问家庭网络中的设备。 ## 知识库与自我认知：严谨的AI CarWatch内置了车辆的用户手册（745页），通过词法RAG技术，能够引用手册中的具体页码来回答问题。更重要的是，它明确区分自己感知到的信息（如温度、风扇、内存、网络状态）和无法感知的信息，避免产生幻觉。系统提示词设计确保未知内容不会被当作事实陈述。 ## 语音交互与自治能力 项目支持免提语音交互，通过能量检测和whisper.cpp实现本地语音识别，无需唤醒词，所有处理都在树莓派上完成。同时，CarWatch通过systemd服务实现开机自启，并能自动更新、建立隧道连接，即使在手机热点NAT之后也能远程访问。 ## 零依赖与开源精神 CarWatch的所有代码仅使用Python标准库，无需pip安装任何依赖，克隆即可运行。开发者通过AST扫描验证了这一点。项目已在GitHub上开源，吸引了大量关注。 这个项目展示了边缘AI的巨大潜力，将大模型部署到低功耗设备上，为汽车智能化提供了新的思路。尽管速度有限，但完全离线的特性保障了隐私，同时也为未来更强大的边缘AI应用奠定了基础。
https://www.bloomberg.com/news/articles/2026-08-25/openai-cl..., https://archive.ph/yCTrr
Hacker News 热门 · 120 分 · 125 评论
https://archive.org/details/vintageai
Hacker News 热门 · 338 分 · 344 评论
Hacker News 热门 · 75 分 · 76 评论
Hacker News 热门 · 240 分 · 111 评论
Hacker News 热门 · 216 分 · 190 评论
I think agent-first chat interfaces will be a primary software modality and busy dashboard/UI will go away. I’m not sure who exactly wins it, but I want my knowledge to grow/go with me.A lot of the “knowledge” ie research, analysis, reasoning will be done by agents as the primary user. Our
在探索几何代数的过程中，我构建了一套交互式可视化工具，用以展示旋转、缩放、平移等几何变换如何仅通过反射的复合来构造。将反射视为最基本的几何操作，对我来说是一个令人眼前一亮的时刻。 ## 核心思想：反射作为基本操作 传统上，旋转通常被理解为绕轴转动，缩放是比例变换，平移则是沿向量移动。然而，在几何代数框架下，这些变换都可以统一为反射的组合。例如，**旋转可以通过两次反射实现**：先关于一条直线反射，再关于另一条直线反射，两次反射的复合效果等价于绕两线交点的旋转，旋转角度为两线夹角的两倍。这种视角不仅优雅，而且揭示了变换之间的深层联系。 ## 交互式可视化：让抽象变得直观 为了帮助理解这一概念，我开发了交互式可视化工具，用户可以通过调整反射轴的位置和方向，实时观察变换效果。这种直观的演示方式，使得抽象的数学原理变得触手可及。例如，用户可以直观地看到，当两条反射轴平行时，两次反射产生平移；当它们相交时，产生旋转；而当反射轴经过原点且角度变化时，可能产生缩放效果。 ## 为何重要：从理论到应用的桥梁 几何代数在计算机图形学、机器人学和物理模拟中有着广泛应用。理解反射作为基本操作，有助于简化复杂变换的推导和实现。例如，在三维空间中，旋转矩阵的构建可以通过反射矩阵的乘积得到，这在某些场景下可能更高效或更稳定。此外，这种视角也为处理更高维空间中的变换提供了统一框架。 ## 个人感悟 学习几何代数时，将反射视为最基础的操作，让我对几何变换有了更深的理解。这种“由简入繁”的构建方式，不仅展示了数学之美，也启发我在解决问题时寻找更根本的出发点。 如果你对几何代数或变换可视化感兴趣，欢迎体验这些工具，并分享你的想法。
DeepSeek 近日发布了全新的视觉语言模型 **deepseek-v4-flash-vision-exp**，该模型在原有文本能力基础上新增了图像理解功能，支持用户上传图片并进行描述、OCR、图表分析等操作。模型兼容 OpenAI 的 Chat Completions 和 Responses API，开发者可通过三种方式传入图像：Base64 编码内联、外部 URL 以及文件上传。 ## 核心能力与使用方式 新模型支持 JPEG、PNG、GIF 和 WebP 格式，格式检测基于文件内容而非文件名或 MIME 类型。用户可以通过标准的 `content` 数组结构同时传递文本和图像，实现多模态对话。 三种图像传入方式各有适用场景： - **Base64 编码**：适合本地文件，直接嵌入请求，但受 48 MiB 请求体大小限制。 - **外部 URL**：适合网络图片，模型会自行下载，URL 长度不超过 8192 字符，图片大小不超过 32 MiB，下载需在 60 秒内完成。 - **文件上传**（通过 Files API）：适合大文件或需要持久化存储的场景。 官方示例提供了 Python 和 curl 两种调用方式，开发者可以快速上手。 ## 行业意义与前景 DeepSeek 此举标志着其在大模型多模态领域的进一步布局。当前，多模态能力已成为大模型竞争的关键方向，从 GPT-4V 到 Gemini，各大厂商都在强化视觉理解。DeepSeek 以开源和性价比著称，此次推出视觉模型有望降低多模态应用的门槛，吸引更多开发者和企业用户。 值得注意的是，该模型目前标注为“exp”（实验性），意味着其性能和稳定性可能仍在优化中。不过，对于希望在中文环境下构建图像理解应用的团队来说，这无疑是一个值得关注的新选项。 未来，随着 DeepSeek 不断完善视觉模型，我们或许能看到更多基于该能力的创新应用，如智能客服、内容审核、教育辅助等。
近期，OpenAI 的 Codex CLI 在 Amazon Bedrock 上使用时，因缺乏显式缓存控制而引发严重成本问题，用户报告费用高达正常水平的 10 倍。该问题在 GitHub 上引发热议，获得 145 分和 61 条评论，凸显了 AI 编码工具在云环境中的成本管理挑战。 ## 问题根源 根据 GitHub 问题 #37674，Codex CLI 0.147.0 版本在调用 Bedrock Mantle 服务时，无法启用 GPT-5.6 Sol 的显式提示缓存。在代理式编码工作负载中，这导致大量缓存写入令牌，推高了成本。 用户 apexethdev 提供了生产环境数据：在 2026 年 8 月 5 日至 8 日期间，共发起 **3,656 次请求**，产生 **1.7194 亿缓存写入令牌**，估算成本 **1,182.09 美元**，占总成本约 85%。本地会话中，每次请求平均产生约 88K 缓存写入令牌，且无缓存读取。尽管 CloudWatch 指标无客户端错误，但费用依然飙升。 ## 技术原因 Codex 虽已生成会话级 `prompt_cache_key`，但 HTTP 和 WebSocket 请求均未包含 `prompt_cache_options` 或 `prompt_cache_breakpoint`。AWS Bedrock 提供的内置配置仅支持传输和认证设置，无法通过 `config.toml` 修改请求体，使用户无法自行调整缓存策略。 ## 影响与建议 此问题与 #35300 相关，但提供了原生 Bedrock 提供商的独立证据。对于依赖 Codex 进行大规模编码的团队，成本控制至关重要。建议用户密切关注 AWS 账单，并考虑在修复前使用其他模型或提供商。同时，OpenAI 和 AWS 需协作，提供明确的缓存配置选项，以避免类似成本激增。 该事件提醒我们，在采用 AI 工具时，不仅要关注功能，还需评估其云服务集成的成本效率。随着 AI 代理编码的普及，类似问题可能会更频繁出现，优化缓存策略将成为降低开销的关键。
2026年初，AI编程助手的能力突飞猛进，让许多开发者体验到了前所未有的高效。然而，蜜月期过后，开发者们开始感到疲惫：每天用长篇英文描述每个改动，不仅繁琐，而且效率低下。Huzzah应运而生，它提出了一种全新的范式：用伪代码代替自然语言，用声明式指令代替命令式指令，让意图持久化而非转瞬即逝。 ## 痛点：自然语言的低效与意图的丢失 传统的AI编程助手（如GitHub Copilot）依赖自然语言对话。开发者需要将每个改动描述成一步步的指令，这不仅耗时，而且充满冗余。更重要的是，对话记录往往被丢弃，导致AI无法理解代码的长期意图。Huzzah的创始人指出，这种模式缺乏“人类意图的可靠记录”，使得代码质量难以保证，也让开发者逐渐失去对项目的掌控感。 ## Huzzah的解决方案：伪代码与声明式编程 Huzzah的核心创新在于改变了与AI交互的方式。它不再使用长篇自然语言，而是采用**伪代码**——一种接近自然语言但更结构化的表达。同时，指令从“命令式”转为“声明式”，即描述“想要什么”而不是“怎么做”。这些指令是**持久化**的，会作为项目的一部分被保存下来，成为代码库的“意图文档”。 以经典的FizzBuzz为例，在传统AI编程中，你可能需要写：“写一个循环100次，如果数字能被3整除，打印fizz；如果能被5整除，打印buzz……”而在Huzzah中，你只需用伪代码描述目标，AI会自动生成实现。 ## 对开发者的意义 Huzzah的尝试反映了开发者对AI编程工具的深层需求：**既要AI的高效，又要人类的控制权**。它试图解决三个关键问题： - **效率**：减少重复描述，节省token和时间。 - **意图**：让AI理解代码的“为什么”，而不仅仅是“是什么”。 - **掌控**：开发者能通过伪代码审查AI的决策，确保输出符合预期。 当然，Huzzah仍处于实验阶段，其可行性有待验证。但它代表了一种值得关注的趋势：AI编程工具正在从“对话式”向“结构化”演进，以更好地服务于专业开发者。 ## 未来展望 Huzzah目前只是一个原型，但其理念可能引发更多思考。如果成功，它或许会改变我们与AI协作的方式，让编程回归到“表达意图”的本质。对于厌倦了提示词工程的开发者来说，这无疑是一个令人兴奋的方向。
Vendo 是一个开源的可定制化层，允许用户在他们已经使用的软件内部创建新功能。用户描述他们需要的仪表盘、工作流或小型应用，Vendo 就会基于产品现有的数据、API 和界面来构建它。Vendo 面向那些客户不断要求定制功能的 B2B SaaS 团队。它作为一个嵌入式代理，通过产品自身的 API 以登录用户的身份操作，并在沙盒化的、品牌原生的界面中渲染生成的 UI。你的源代码永远不会被触碰。 ## 快速上手 安装只需 60 秒： ```bash npm install @vendoai/vendo npx vendo init ``` 或者，你也可以通过编码代理来安装，只需将指令粘贴到你的应用仓库中。 ## 核心能力 - **构建视图**：提出问题，即可获得由宿主自身组件和 API 组成的实时视图。 - **重塑界面**：悬停组件，描述更改，就地应用。 - **跨工具自动化**：用自然语言描述，即可生成自动化流程，每个工具的操作都需经过审批。 ## 工作原理 Vendo 运行一个流式代理，可与任何 AI SDK 的 LanguageModel 配合使用。它首先读取你的 API 并将其转化为代理可执行的工具；然后代理根据格式标签的 UI 文档生成视图和用户拥有的应用，生成的组件在 iframe 沙箱中运行（connect-src 'none'），仅在需要时升级到沙箱服务器；最后，策略、审批、授权、断路器和审计都集中在执行控制点进行管控。 ## 适用场景 无论你已有代理（一个 AI SDK 工具包）还是产品没有代理，Vendo 都能提供相应的集成方式。它还可以通过 MCP 暴露你的产品，让 Claude、ChatGPT、Cursor 等以登录用户身份操作。 Vendo 由 Yousef 和 Nour 创立，目前是 YC S26 的一员。你可以访问 vendo.run 了解更多，或阅读 docs.vendo.run 上的文档。