浅谈 AI 进化史：从 ChatGPT 到 Agent 工作系统
2022 年 11 月 30 日 ChatGPT 上线，到 2026 年 9 月不到四年，AI 从聊天框走向 Agent 工作系统。
Awaiting translation
#Local models
#Local models
0 items today浮之静AI score4848
Sean Goedecke · BlogAI score6262 Jev 让结构化输出重新变得有意思
作者认为 Jev 这类只输出结构化结果的 System One 模型并非全新范式，普通 LLM 预填充响应后只生成一个受限 token 就能获得大部分速度与并行优势。
Awaiting translation
Martin AldersonAI score3838 GLM-5.3 Flash 跑在国产硬件上意味着什么
Z.AI 确认 GLM-5.3 Flash 的全部推理运行在国产硬件上，但未公布芯片厂商、吞吐或功耗数据，也无人独立验证。作者推测其使用的是华为昇腾 910c 系列，该芯片约 600W、INT8 算力约 1.6PFLOP/s，性能约为四年前 H100 的 60%，且缺少原生 FP8 支持。作者认为真正的瓶颈是缺乏可量产的 EUV 光刻，业界普遍认为 2030 年前难以实现规模化生产。
Awaiting translation
The Agentic Engineer · BlogAI score5050 模型竞赛降温，企业市场成新战场
OpenAI 于 3 月 24 日宣布关停 Sora，API 将于 9 月 24 日下线，同期重心转向 Codex 和企业版 ChatGPT；Anthropic 则围绕 Claude Cowork 和 Claude Design 构建角色权限、支出限额与可观测性等企业能力。
Awaiting translation
Sean Goedecke · BlogAI score5252 为什么本地模型不会胜出：批处理与 GPU 效率决定推理成本
Sean Goedecke 认为本地模型不会成为主流，绝大多数推理仍会发生在 AI 数据中心。他给出的理由是：前沿模型体积远超消费级设备，而数据中心可通过批处理数百名用户的请求摊薄成本，加上 B200 相比 RTX 4090 在同等功耗下约有 3 倍 flops 和近 4 倍内存带宽，本地运行约需多消耗 30 倍资源；家庭推理的电力成本约每月 50 至 300 美元。
Awaiting translation
Martin Fowler · Exploring Generative AIAI score6262 本地模型用于编程的可行性：Martin Fowler 的 4 周实测
Martin Fowler 在 Apple M3 Max 48GB 和 M5 Pro 64GB 两台机器上，用 LM Studio、OpenCode 和 Pi 实测了 Qwen3.6 与 Gemma 4 系列本地模型做智能体编程，结论是仍不够即插即用。
Awaiting translation
ЭтихлидAI score4848 从代理网关到本地 Opus：AI 工程面试题深度追问清单
一份面向 AI 工程岗位的面试题追问清单，覆盖代理网关（如 OpenRouter/LiteLLM）、MCP/CLI、从零手写 Agent、多智能体编码流程、自定义 benchmark 以及本地部署约 27B-Q3_K_M.gguf 模型等方向。作者认为，这些题目的通用版本如今谁都能靠 vibe coding 一晚做出来，已失去简历价值，真正稀缺的是把任务打磨到"理想"状态的能力。
Awaiting translation
宝玉AI score2222 DeepSeek 的 10 万亿美元大战略
DeepSeek 正以开源和极致压缩 KV 缓存换取中国 AI 硬件生态的独立：在 100 万上下文、8-bit KV 精度下，1.6T 参数的 DeepSeek V4 仅需 5.48 GB HBM，而 GLM5 需 60 GB、Qwen3-235B-A22B 需 89 GB。
Awaiting translation
Martin AldersonAI score6262 算力短缺接下来会怎样：从 GitHub 提交量到 Claude 限流
Martin Alderson 认为未来 18-24 个月将由算力短缺主导，因为需求呈指数增长而供给只是线性增加。他引用 GitHub COO 的数据称 GitHub 近 3 个月提交量年化增长约 14 倍，并提到 OpenAI Codex 团队负责人 Thibault Sottiaux 表示行业正处于需求超过供给的阶段。
Awaiting translation
Martin AldersonAI score6262 为什么端侧智能体 AI 短期内难以跟上云端
作者 Martin Alderson 认为，端侧智能体 AI 在消费级设备上短期内难以实用，瓶颈是内存、KV cache 与推理速度。他指出 3B 模型量化后约需 2GB、7B 约需 5GB，而手机端上下文常被限制在 4K token，仅工具定义就可能占满；即便 32K 上下文，7B Q4 模型的 KV cache 也已超出 iPhone 17 的内存。
Awaiting translation
Ryan LopopoloAI score2222 Artichoke Ruby 项目宣告停止维护并归档
Ryan Lopopolo 于 2025 年 11 月 3 日归档了 Artichoke Ruby，并在当月归档了 @artichoke 组织下的大部分仓库。这个用 Rust 重写 mruby 的实验项目历时六年，曾实现纯 Rust 的合规 String 和模块化 VM 架构，但作者因时间精力转向工作与家庭、且缺乏用户基础而不再继续开发。
Awaiting translation
Martin AldersonAI score5050 AI 算力短缺即将到来：从 token 消耗暴涨到 DRAM 供应瓶颈
随着编码智能体和最新模型推动 token 消耗激增，AI 算力正面临严重短缺。作者估算自己三年内每日 token 消耗增长约 50 倍，目前全球约 10 亿活跃 LLM 用户，而超大规模厂商已承诺数千亿美元资本支出。Macquarie 指出当前 DRAM 供应仅能支撑 15GW 的 AI 基础设施部署，内存供应正成为比电力更难解决的瓶颈。
Awaiting translation