TGIF. Accelerating into the weekend like the laws of physics don’t apply anymore // Grok Imagine @grok (Manually extended)

聽說會公布發文者位置，來試試看！

OpenCUA：开源Computer-Use Agent框架 Kimi和香港大学联合开源的项目，适用于操作电脑的Agent框架，同时开源了用于操作电脑的模型OpenCUA 32B和OpenCUA 7B（基于Qwen 2.5 VL），目前得分最高的用于操作电脑的开源模型。 项目地址： https://t.co/tzuBvAFrhm 模型： https://t.co/1siHWXFfWw

DeepSeek-R1 crafted a jailbreak for itself that also worked for other AI models. @sivareddyg: R1 "complies a lot" with dangerous requests directly. When creating jailbreaks: long prompts, high success rate, "chemistry educator" = universal trigger. 👇

推荐一下 LM Studio，Mac 上本地下载跑大模型，社区版免费。 玩了两天，交互和界面不像是一个免费软件，性能监测小准，同样的模型， Ollama 给我机器跑成 PPT 了，LM Studio 警告不让跑，省去我一次重启的时间。🤣 虽然不是开源，但是这界面和 UI 一目了然，还免费，要啥自行车。

厌倦了千篇一律的题材，给大家看个不一样的A片，我最初看到也很震惊，现在的A片市场已经卷到这种地步了吗，科幻片题材，《外来入侵者》画质超强，堪比好莱坞制作了，你们值得一看，投稿💌： @RLWJ_kuking @JWCJ_kuxs @JQDZ_Charm @JLSQ_kuxs #日理万姬

发现了个好东西！美国东北大学的一篇论文《大语言模型基础》 详细介绍了大语言模型训练中的理论基础、关键技术和应用方法，非常适合初学者 主要目录为预训练、生成模型、提示工程、对齐和推理 翻译了双语版本放下面了可以自取

看来大家都醒悟过来了： 不再在自然语言的泥潭里打滚了，转向先math再coding的形式语言水晶宫。

I finally understand how large language models actually work After reading the 2025 textbook “Foundations of LLMs” It blew my mind and cleared up years of confusion Here’s everything i learned (in plain english):

提到KV Cache, 我以前只能想到Redis. 🫠今天终于认真了解了KV Cache, 明白了为什么KV Cache是现在LLM推理性能的最关键的bottleneck。以下是我的take away～🤓

推荐两位中文区我最爱的讲解 AI 的大神，非常推荐大家去关注。我从两年前看 Prompt，LangChain，AI Agent，RAG，到今年 Cursor，Claude Code，都是看着他们的视频长大的。 对于大部分人来说，看他俩就够了🎉，而且他们的讲解，循序渐进，非常适合我这样的懒人，什么都给你做好了。 沧海九粟:

这世道，什么时候变过？！ 本质上根本就没变过呀…….

雖然針對那些關於陸配的惡意謠言，我已經說過很多次，但是現在依然有人問這幾個問題，那我再次一個個作出說明： 1、 “台灣人要滿20歲才能投票，陸配憑什麽4年？” 台灣人滿20歲才能投票，是因為他們一出生就是台灣公民，取得選舉權是成年後自動獲得的公民權利。

字节有点意思，把 coze 开源了。 https://t.co/OcbxK9qYUK coze-dev/coze-studio: An AI agent development platform with all-in-one visual tools, simplifying agent creation, debugging, and deployment like never before. Coze your way to AI Agent creation.

Gemini 2.5 Pro 国际数学奥林匹克 IMO 2025 的 report 我愿认真读一百遍的 system prompt Report 公布了核心方法 self-verification pipeline, 并在report中附上了详细的prompt。 其中 self-verification中 的 verifier 扮演重要角色：生成 Bug Report，这一角色把 pipeline 中的 solver 和

Slides for my lecture “LLM Reasoning” at Stanford CS 25: https://t.co/WDI6w0HN8A Key points: 1. Reasoning in LLMs simply means generating a sequence of intermediate tokens before producing the final answer. Whether this resembles human reasoning is irrelevant. The crucial

字节跳动发布了同声传译模型Seed LiveInterpret 2.0 测试了不光延迟很低，而且支持音色克隆！ 现在就可以在火山后台体验： https://t.co/0wv3J4P2KY

你跟AI说了什么？ 我非常好奇是什么牛魔提示词