负债人在路上 retweeted
Congrats to Tutti on ranking #1 on Outbid!
Proud to see builders & creators get more ways to monetize their influence.
No ads, no BS—just pure value.
Keep crushing it 🚀
#Tutti #Outbid #CreatorEconomy
We're proud to announce that Tutti is now listed as No.1 on outbid.lol.
We're on our mission to give builders and creators extra channels to monetize their influence.
负债人在路上 retweeted
自从 DeepSeek Harness 开源之后,我便一直在纠结要不要将其接入到自己的产品当中。
于是想调研一下,被我发现了一款非常好用的 AI 产品:Apodex 1.1。
地址:apodex.ai
与传统 Deep Research 工具有所不同,它不光整理资料出报告,还会动手执行任务,一路干到交付。
其配套的 Agent 执行框架 FrontierAgent 是开源的,无需安装 Docker,一条命令即可运行。
GitHub:github.com/ApodexAI/Frontier…
他们还开源了 Apodex 1.1 mini(35B)模型,官方评测里,专业、金融、科研几项都能摸到前沿系统同一档的水平。
模型权重:huggingface.co/collections/a…
正想做 Deep Research 产品的朋友,可以本地部署 mini 模型,套上 FrontierAgent 就能自己搭一个。
这次调研,我是直接在它的 Web 端上实测的,效果出乎意料的好。
在发送需求后,它立马拆分任务,创建不同角色的子 Agent,并分配任务开始执行。(如图 1)
右侧显示的任务看板全程可见,每个任务做到哪一步、哪个 Agent 在干活都清清楚楚。
最实用的是,它在执行任务过程中,我们还能随时给它补充信息或者需求。(如图 2)
我补充要求它与其他工具进行横向对比,并调研一下现在 dsh-plugin 插件生态如何。
还留意到在交付报告前,它还会进行数据、内容、来源等 116 项查证,给人增加不少信任。(如图 3)
最后完整的结论(如图 4),一句话总结:目前 DeepSeek Harness 迭代速度非常快,正式接入建议再等等,个人可以先装着玩玩。
负债人在路上 retweeted
劲爆, 我给刚发布的 Apodex 1.1 出了个极其变态的实战难题, 它真的跑通了!
我直接打包了120万条日志, 里面包含真实的提权攻击的 Web Server 日志(用的是 Zenodo Dataset).
然后让他帮我把黑客的攻击方式抓出来, 还要给我写防火墙规则拦截攻击. 结果它真的做到了, 从分析到写规则一气呵成, 具体过程在这里:
apodex.ai/share/d9a30160-0c9…
#Apodex #AgentOS #网络安全 #SystemScaling #大模型实战
负债人在路上 retweeted
强化学习之父理查・萨顿最近接受红杉专访,抛出了一个让整个 AI 圈不舒服的问题:
现在的大语言模型,训练完权重就 "焊死" 了。它们不会从交互中学习,不会因为新经验而改变自己。它们只是在调取训练数据,然后用上下文补全。
这不是智能。这是高级检索。
萨顿说,持续学习才是智能的核心本质。人类大脑一直在修改权重 —— 从每一次交互、每一个错误、每一条反馈中学习。而今天的 LLM?出厂即巅峰,之后只会衰退。
RAG、长上下文、LoRA 微调 —— 全是在绕开这个根本问题。
这就是为什么萨顿和学生创立了 Oak Lab。也是为什么越来越多团队意识到:基础模型的能力曲线正在趋平。下一个分水岭不是谁的参数更大,而是谁的 AI 能在真实世界里持续变强。
这是一个还没有人真正跑通的、万亿美元级的问题。
很多团队在攻这个方向。学术派有 Oak Lab,产业派里我最近在看 Alloomi。
他们的思路是:不在实验室里造 "会学习的模型",而是让 AI 先去真实业务里干活,再把实战经验写回权重。应用 + 模型,全栈闭环。
拆解一下他们的四层架构:
① 全局上下文 —— 不是读静态文档,是把对话、人员、决策、反馈、时间线全部打通,看懂整件事的来龙去脉。
② 自进化记忆模型 —— 把专家判断、修改记录、客户反馈筛选后通过后训练写进权重,而不是只存在外部数据库里。
③ 专家锚定 —— 学习过程对齐专家示范和高质量交付标准,防止模型乱学、错误越积越多。
④ 可控安全进化 —— 质量校验、实时监控、自动回滚。每一轮更新都可核查,漂移了能及时撤回。
这四层合起来,解决的是一个核心矛盾:怎么让 AI 持续变强,又不变得不可控。
在最近9项相关的Benchmark中,Alloomi达到或接近 SOTA 。
Alloomi 的观点我很认同:基础大模型出厂能力人人都差不多。真正拉开 Agent 差距的,是它在你的业务里日复一日沉淀下来的专属判断力与实战经验。
通用智能是起点。行业经验才是护城河。
萨顿在专访最后说,我们离真正的持续学习还有很长的路。但方向已经清晰了:
未来的 AI 公司,卖的不是一个静态模型,而是一个每天都在变强的系统。谁先跑通 "做完任务 → 沉淀经验 → 模型变强 → 产出更好结果" 的飞轮,谁就拿到了下一个时代的入场券。
智能只是起点。经验,才是 AI 的分水岭。
@AlloomiAI
负债人在路上 retweeted
当你发现你花三个月把一个 agent 调教到能独立写方案了.
突然有天换个客户,它又从零开始问你“请问贵司主营业务是什么”,
三个月直接白干。
因为你喂给它的一切:文档、对话、知识库,全在模型外面。
模型自己,一点没长进。
而@AlloomiAI 的做法是把应用层和模型层打通。
第一层叫 Holistic Context:
不是从静态文档里捞片段,而是把人、对话、决策、反馈拉进一张统一的上下文,持续追踪完整的工作轨迹。事实被修订被推翻,这些传统 RAG 处理不了。
他们开源的 OpenContext 就是这层的落地。每条事实带生效/失效时间,修正是追加不是覆盖,能直接查“三个月前 agent 认为客户要什么”。
但这只是四层里的第一层🧵
🤝 Paid partnership
负债人在路上 retweeted
让一个 Agent 做第 100 次任务,它和第 1 次有区别吗?
对大多数 Agent 来说:没有。
工具能连、文档能查、知识库能挂,但经验进不了模型——干一百次,还是那个新手。
RAG 回答"发生了什么",回答不了"当时为什么这么改、什么才算好"。
而这后半个问题,才是专业能力所在。
@AlloomiAI 的赌注是全栈:应用层 + 模型层一起做。
四层设计递进得很清楚:
1️⃣ Holistic Context:对话、决策、修订、反馈进一条时间线,事实带生效/失效时间,纠正只追加不删除。
我特意把开源的 OpenContext clone 下来跑了一遍——remember/recall/forget/improve 四个动词,17 个示例 pnpm test 全绿,代码比想象中干净。这是"可验证",不是"可宣传"。
2️⃣ 自演化记忆:真实工作里的专家判断、改稿记录、客户反馈,筛选后 post-training 进模型权重——不是外挂数据库,是模型本身变强。
3️⃣ 专家锚定:学习锚定最佳交付标准,防止错误复利。
4️⃣ 受控演化:质量门禁 + 自动回滚,让进化可审计、可撤销。
四层转起来是个飞轮:干完的每单都是数据,每个判断都复利进下次交付。
模型出厂配置人人一样,你在真实业务里积累的经验,才是别人抄不走的。
OpenContext 已开源(Apache-2.0):github.com/melandlabs/openco…
We're proud to announce that Tutti is now listed as No.1 on outbid.lol.
We're on our mission to give builders and creators extra channels to monetize their influence.
Aaaaaaand we're live!
outbid.lol
No ads. No API keys. No revenue sharing.
Just outbid your competitors to rank #1 and consider marketing done for today 🚀
负债人在路上 retweeted
Meet Apodex 1.1: Scaling Agentic Intelligence for Complex Work
Open Source Harness: github.com/ApodexAI/Frontier…
Open Weights: huggingface.co/collections/a…
We’re excited to introduce Apodex 1.1, our new model family built to scale agentic intelligence for professional work.
🧠 Frontier-level intelligence for complex work
Apodex 1.1 brings frontier-level agentic performance across complex professional work, scientific research, financial analysis, and deep search.
🤝 Asynchronous Agent Team
Apodex 1.1 can break down complex tasks, coordinate multiple agents in parallel, continuously integrate their findings, and let you step in to guide or redirect the work at any time.
🔬 Open-source research workbench
We’re open-sourcing FrontierAgent—a locally deployable research workbench for the Apodex 1.1 family, including asynchronous Agent Team.
Available now:
🔹 Apodex 1.1 — our most capable frontier model, available through the Apodex online workbench
🔹 Apodex 1.1 mini — open-weight model for running complex work locally
🔹 FrontierAgent — open-source, locally deployable research workbench
🌐 Live workbench: apodex.ai/
🦾 API platform: platform.apodex.ai/
📃 Paper: apodex.com/pdf/20260824
负债人在路上 retweeted
Most AI benchmarks test retrieval — can a model find the known answer? However, the hardest problems in science require discovery, can a system earn an answer nobody has yet?
Meet TRACES 🧭 — the world's first benchmark for measuring discoverative AI: AI that can work through evidence, test hypotheses, and reach verifiable conclusions on problems without answer keys. Proposed by our founder @tianqiao_chen, who defined its six capabilities.
Three things published today: a definition of "discoverative intelligence", a rubric to tell sound investigation from lucky guesses, and a open call for both solvers and problems
*Website: traces.apodex.com/
负债人在路上 retweeted
AI 公司快把互联网用完了!但最值钱的那批数据,从来没有被传到网上过。它在律师删掉的条款里,在改了三稿才定下来的方案里。
先说前半句。过去两年,模型公司最头疼的事从算力慢慢变成了数据。公开网页、书、代码库,能拿的基本拿完了,新增的内容里还混着越来越多 AI 自己生成的东西。应对办法眼下就两条路,造合成数据,或者雇人标注。两条路卡在同一个地方,质量上不去。合成数据教不出模型本来没有的能力,外包标注员也写不出资深律师的判断。
再说后半句。想想一份合同是怎么定稿的。
律师拿到初稿,删了第七条。为什么删,他可能只在电话里跟客户讲了两句。第二版,他把赔偿上限从年费的三倍改成一倍,因为他知道这个客户所在的行业里没人接受三倍。终稿发出去,对方签了。三个月后交割完成,没出纠纷。
现在看互联网上留下了什么。多半什么都没有。就算这份合同哪天进了训练集,它也只是终稿。删掉的第七条、改数字的理由、那条行业惯例,都不在里面。这个判断后来被验证有效,这件事更不在。
模型读一万份终稿,学会的是合同长什么样。它学不会那个律师为什么删第七条。
用 AI 干过活的人对这种断层不会陌生。上个月你跟它一起把方案定下来了,这个月让它接着做,它给你的建议还是上个月被否掉的那一版。这怪不着模型,它手里真的只有终稿,中间那些来回没人存下来。
Alloomi 的技术报告把这类没上过网的数据分成四种。工作的全部上下文,人、项目、文件随时间怎么变。专家的取舍,为什么选这个方案、放弃那个。初稿到终稿之间发生了什么,算第三种。最后是结果,建议被采纳了吗,采纳之后怎么样了。
这四种数据只活在干活的过程里。活一干完,它们就散了,一部分留在邮件和会议纪要里,一部分埋在改了七版的文档历史里,更多的干脆只在专家脑子里,人一走就带走了。
所以要解决的就是两件事。过程怎么留住,留住之后模型怎么学进去。
我把 Alloomi 的两篇技术报告都读完了,讲讲他们的做法。
留住过程,靠一套叫全域上下文的机制。每条信息带着任务、会话、渠道、人物、有效期五个标签存进系统,跨会话拼成同一个实体的时间线。它和普通数据库最大的差别,是修改不覆盖历史。律师删掉第七条,旧条款的记录还在,只是被标记为已取代,什么时候删的、依据什么,全都留着痕。两条信息打架又分不出高下的时候,系统不悄悄替你二选一,它把两边的证据都摆出来。你甚至可以问它,上个月的今天,我们对这个客户的判断是什么。它答得出来。
学进去,靠一个后训练闭环。每次交付产出一组上下文、决策和反馈,过了质量筛选才能进经验池,再通过微调和蒸馏写进模型权重。里面有个细节我觉得很聪明。回放训练的目标,用的是最强教师的轨迹。报告里做了消融实验,把目标换成模型自己的历史输出,成绩掉 6.1 个百分点。一个只复盘自己的系统,会越学越窄。
学没学会,最后看分数。CL-Bench 考的是从复杂上下文里学会新规则再用出来,同榜的 GPT 5.6 Sol 拿到 21.5%,Alloomi 是 47.6%,翻了一倍还多。Con.L Bench 考跨任务持续学习和抗遗忘,32.6%,对比 Claude Sonnet 4.6 的 22.3%。
有一说一,这些数字是单一模型、单一设置下的跑分,横向对比也做不到严格受控。这一点不用我挑,报告自己就标得清清楚楚,连哪个数字没经过第三方复现都写了。技术报告里这种诚实不常见,我反而因此多信了几分。
公开语料就这么多,用一天少一天。下一个十年最稀缺的训练数据,在专业人员每天的工作流里。谁能把过程留下来,再让模型真的从里面学出能力,客户用得越久,这份数据就越值钱。
两篇技术报告都是公开的。Holistic Context 讲过程怎么留住,Self-Evolving Agent 讲模型怎么学进去。感兴趣的可以直接读原文。
alloomi.ai/reports/hc.pdf
alloomi.ai/reports/sea.pdf
负债人在路上 retweeted
Ai只要想打工,一天就是200
不存在失业,不存在空档期
可以不吃不喝不社交
Ai从不生病,而你,我的朋友
你输掉的钱只是存在他们那里了
你不赌了才是真的输了
🤖 Made with AI
AI时代,普通人变现指南
前几天,我无意间看到 X 上有人分享 WorkBuddy。本来只是抱着试试看的心态下载。结果用了几天后,有点改变了我的看法。以前我觉得 AI Agent 离普通人还有点远。
但 WorkBuddy 给我的感觉是:
它不是给程序员准备的,它更像一个给普通办公人群准备的 AI 同事。
它支持文档、表格、PPT、数据分析、文件处理等办公任务,并且可以连接腾讯办公生态,也支持微信、企业微信、飞书等场景接入。
这类产品真正有价值的地方,不是模型有多强。
而是:它降低了使用门槛。
很多人会问:Codex 好不好?当然好。但是真的适合每一个人吗?对于只需要每天通勤上下班的交通工具,不是一定要V8的双门跑车,可能只需要一部安全可靠节能的电车。
那对于有大量文档、会议、表格需要处理的他们需要的是:稳定、简单、打开就能用、解决每天重复的问题,仅此而已。
这也是为什么我觉得 AI 产品未来一定会越来越细分。
不是所有人都需要最强模型。
大部分人只需要一个能帮自己省时间的助手。
后来我又去看了一下小红书。
发现一个很有意思的现象:
WorkBuddy 相关搜索量其实不低。但是很多内容要么只是介绍功能,要么只是简单下载教程。真正解决“普通人怎么用”的内容并不多。这个时候,其实机会已经出现了。
我一直觉得:
商业价值很简单。
你帮别人节省多少时间,你帮别人解决多少麻烦,你就创造了多少价值。当一个需求讨论很多,但解决方案很少,这中间往往就存在机会。所以我直接让 Codex 帮我整理了一份:WorkBuddy 小白友好教程。然后挂到小红书个人售卖,一份8.8。结果:发布当天就卖出了三份。可能很多人觉得这个数字很少。但对我来说,它验证了一件事:一个不到两周的小红书账号、200多个粉丝、普通帖子浏览量几百,依然可以通过解决一个具体问题产生收入。
这比很多空想副业更有意义。
这件事也让我重新思考:什么叫 AI 时代的副业?很多人理解的是:学习 AI、写代码、做网站、做 SaaS,然后赚钱。
但是如果每天依然坐在电脑前,不断用时间换收入。那本质上只是换了一种工作方式。上班当牛马,下班当高时薪的牛马,这不是我想要的副业。也没有什么很高的价值,人一停,钱归零。
真正有复利价值的东西是什么?
我觉得至少有两个方向。
第一:做内容资产
我自己就是一个例子。
我的项目看起来非常混乱:
英语启蒙小程序。
电商生图 SaaS。
独立站。
Crypto 量化。
看起来完全没有关系,甚至我的 Codex 工作区都像一个杂货铺。
但后来我发现:这反而是内容。因为每一个项目都有故事:为什么做?遇到了什么问题?怎么解决?踩了什么坑?用了什么工具?最后结果怎么样?这些东西,本身就是内容资产。之前那篇英语启蒙产品的推文,就是一个例子。
我只是记录:
为什么想给女儿做一个英语工具。
结果吸引了一批真正有需求的人。
很多人说:我没有素材,不知道做什么内容。其实很多时候不是没有素材而是没有记录。你每天工作的东西/你的行业经验/你的踩坑/你的观察,这些不都是内容吗?不值得被分享吗?
第二:利用 AI 放大自己的行业经验
自从上X开始,看到了很多各领域的大佬
他们是美股 是crypto 是精神领袖
是web3 是情感导师 是哲学 是健身
是英语 是数字游民 是旅居 是PhD
是签约创作者 是链上交易员 是架构师 是Trader 🤣
但我不是技术大神,也不是某个领域专家。
我只是一个在传统行业做过几年生意的普通人。
但是传统行业最大的价值是什么?
是你见过真实的人,真实的需求,真实的钱怎么流动。
比如:
做销售的人知道客户为什么犹豫。
做电商的人知道什么图片会转化。
做教育的人知道家长真正焦虑什么。
做线下生意的人知道老板愿意为什么付钱。
这些经验以前可能只属于你自己。
现在 AI 可以帮你把它放大。
变成内容/工具/服务/产品。
所以我现在觉得,AI 最大的机会,不是让每个人重新成为程序员,而是让每个人重新利用自己过去的人生经验。以前经验只能服务自己,现在经验可以被包装、传播、复制。
当然,AI 时代也不是人人都能成功。
工具降低的是执行成本,不是判断成本。你依然需要知道,解决谁的问题、为什么别人需要、为什么愿意付费。
所以我只想给看到这篇文章的所有和我一样的普通人一个建议,先问问自己会什么,过去的工作和生活过程中你能解决什么,再加上你对未来的想法。
然后利用 AI:把你的经验变成解决方案。
未来真正有价值的人,可能不是最懂 AI 的人。而是最懂某个行业,同时又会使用 AI 放大自己的人。
如果这篇文章能给到你启发,这会让好为人师的我有非常高的愉悦感,如果没有 #AI变现
感谢看完,有想法请评论区补充~~~









































