Building AI tools AI System Prompt Love Design & Coding & Share Prompt！ 📮:[email protected]
Joined December 2011
- Tweets10.7K
- Following755
- Followers49.5K
- Likes7.3K
Pinned Tweet
卧槽，终于等到一个一次性帮我解决视频生产、剪辑端到端的产品！
这个就是老朋友Leon总 @leon2mcp 他们的新产品Renoise 一个视频创作平台。
从视频、图像、音频等生产一次性完成，支持从端到端视频等剪辑、复刻、创作。
近还上架了Renoise MCP CLI等工具，并且支持接入Claude 、Codex 和其他Agent，可以说非常的方便，还支持海外的Seedance 2.5 海外版，懂得都懂了。😁
非常适合重度视频创作者，有unlimited套餐，如果你是创作者可以私信我，私信我提供创作者，直接给创作者送20 美金credits！
Made with Renoise MCP.
Tell your agent: Install plugin from the repo github.com/ArcoCodes/renoise…
Then enjoy.
卧槽，还是ins比较好搞流量啊！
尼玛这么丑的大狗居然在ins 上跑到了1200w流量。
这玩意这么高的流量，在 𝕏 上岂不是有上万美金的收入啊！
PS：另外已经有鬼佬把这个小姐姐的视频搬到𝕏 上跑了百万流量了。
首先，恭喜泊舟，已经年入百万😄
我记得我当时刚做社群的时候，泊舟那时候刚起号。
一转眼都快1年了，成长和赚钱速度和AI发展一样快。
FDE 这玩意过度解读，真正去做TOB业务周期、流程长的要命，不如培训、卖课来得快和见效快。
FDE适合以公司的层面去做这个生意，而不是个人~
不是，这是真赚钱还是实现了内循环？😂
果然AI的第一笔收入就是“红包”。
PS：另外博主建议下次给妈妈便宜点，别心太黑啊！
AI 剪视频赚的第一单😂
昨晚大半夜我妈给我一堆照片视频让我帮她剪个什么六周年纪念视频，发了一堆散的素材，我就让 codex 去 computer use 下载下来然后看她给我发的信息，用 @renoiseai 配了个音乐加一些装饰图
看着客户是比较满意😋
很多人没有看明白，我用视频来给大家介绍一下。
记忆模型到底是怎么回事，来吧！兄弟们速看！
卧槽，全球首个记忆原生大模型发布，来自咱国内团队！
做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。
昨天，他们把记忆直接做进了模型本体：MemT 1.0。
过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。
两个看点：
① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。
📊 在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
📊 历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。
📊 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。
结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。
② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。
📊 用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。
📊 团队内部的 Coding、Working 测试中，性能提升超过 5%。
两个尺寸：
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。
「今天正确的经验，会成为明天的能力。」
这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。
参数决定模型的起点，记忆决定它能长多高。
模型地址：huggingface.co/collections/M…
别分享了，分享后就是Claude精准爆破了~~
分享下最近新开claude账号，苹果支付过程和坑，目前已经用起来了，在grok bot里养的，全程English🐶
支付流程
一、新开apple美区id：30s就能搞定，非常简单，不用花钱
点击这个链接：account.apple.com/account?lo…
选择美区，电话都可以
二、打开claude app 购买会员，新id 会弹出购买失败，直接点击申诉即可，填上这段话：
My gift card was redeemed successfully, but purchases fail with “Your purchase could not be completed”. Could you check whether my account has any purchase restrictions?
三、三天内会有邮件，收到后即可完成支付了，我选的$20先起步，未触发kyc，甚好！
卧槽，全球首个记忆原生大模型发布，来自咱国内团队！
做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。
昨天，他们把记忆直接做进了模型本体：MemT 1.0。
过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。
两个看点：
① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。
📊 在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
📊 历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。
📊 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。
结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。
② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。
📊 用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。
📊 团队内部的 Coding、Working 测试中，性能提升超过 5%。
两个尺寸：
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。
「今天正确的经验，会成为明天的能力。」
这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。
参数决定模型的起点，记忆决定它能长多高。
模型地址：huggingface.co/collections/M…
据二手Switch 贩子说Switch 2 现在卖不动了，回收也就22-24左右。
反而Switch 1 的含金量上升，一堆人买一代去玩破解，不仅仅玩Switch的游戏啊，PS，xbx 什么乱七八糟的都有可能玩～
并且红果短剧都看上了…………
世界本是个草台班子～
PHP 漏洞、Node.js 漏洞，xx漏洞都一个鸟样。
可能漏洞存在数十年没有被人发现，而AI基于人类十年的经验，没一会功夫就可以发现它。
这样的事儿绝不仅仅存在互联网之上仅此而已。
Los que se reían de PHP esta mañana, revisad vuestro Node.js.
Node.js ha parcheado hoy 4 vulnerabilidades de gravedad alta. El mismo día que PHP. Aquí no se libra nadie.
La más grave, CVE-2026-111497, está en el decodificador Brotli y, según Node.js, permite ejecutar código en remoto.
Pero la que más me preocupa es otra: dos fallos permitían saltarse la comprobación del nombre de host en TLS.
Tu aplicación puede dar por bueno un certificado que no es del servidor con el que habla.
El candado sigue ahí, pero ya no garantiza nada.
Si tienes algo en Node.js:
➡️ Ejecuta node -v. Si es anterior a la v22.23.4, la v24.22.1 o la v26.12.1, actualiza
➡️ Si despliegas con Docker, reconstruye la imagen. Actualizar tu equipo no cambia lo que está en producción
➡️ Si sigues en Node.js 18 o 20, no hay parche para ti: toca migrar
补充一个微信充值没有苹果税的地址：webeans.url.cn/mobile/pay
这里分享一个使用 YouMind 制作 PPT 的小 tips。
按照我以往做 PPT 的经验，可以把自己喜欢和确定的风格直接在 YouMind 里面写成 skills。写成 skills 之后，输出的主题和一致性确定性非常高。
模型选择方面，基本上用 GPT Image 2 现在输出的结果问题不大。
如果需要对当前页面进行修改，YouMind 页面也支持单个元素以及整个画面的 AI 修改，它会再次重新生成。
基本上把 skills 写稳定、规范起来之后，去生成对应的 PPT 就不会有特别大的出入了。
【4:30早起实验第9天】因为今天要开始出差，很多交付任务，昨天一天各种准备，注意力消耗非常大。到了晚上9：20活儿还没干完，感觉早睡不了了，心情十分焦躁。催孩子去洗澡，他们又哼哼唧唧，说找不到脏衣篓。我立马火就上来了，开始吼他们。
我进入到了一种第二天要交作业，但头一天晚上还没写完的紧张状态。如果是在以往，这个大夜是一定要熬了。但这次我提醒自己：我是有选择的，早起继续干嘛，任务总能完成的。我很快平复了情绪，又检查了几轮给 AI 交代的任务，让它继续在夜里跑吧。我跟孩子一起，10点前躺到了床上。
我醒来看手表4:20，再看昨晚的记录，我是10:20睡着的，勉强睡够了6个小时，睡眠债稍有增加，但睡眠评分依然有86。很多时候我都觉得，这些睡眠评分准不准啊，我是该相信自己的感觉，还是相信评分呢。
今天没有第一时间写这个记录，醒来先审核了昨晚 AI 的产出，又给它们安排上了新的任务。发现最近自己可能一大半的工作时间，都是花在审核 AI 的产出上了。
这两天一直让我纠结的，是我授课 PPT 风格 Skill 的打磨。工作中，我有很多给企业高管授课的任务，除了准备分享内容之外，制作符合我的审美的 PPT 是必要的一环。
我之前用玉伯 @lifesinger 做的 Youmind 来生成 PPT，里面用 GPT Image 2模型生成的效果最接近我的要求，画面整体感强，可视化效果好。但也还是存在问题，比如因为页面是生成的，不同页面之间标题格式的一致性很难保证，而且对电脑中和网上真实素材的使用会稍微麻烦一些。
所以这几天，我一直尝试直接在 Codex 里把工作流做出来。但前后磨了很多轮，我让 AI 提炼了历史满意的 PPT 的风格，也给了参考图，提了详细的要求，生成出来的效果虽然已经差不多80分了，但还是不如 Youmind 做的好。这次时间紧张，有点来不及再跟我的 Agent 磨了，还是用了 Youmind 的生成方案。
我想着啥时候 Youmind 可以把做 PPT 的 Agent 能力开放出来，我用 Magpie 直接在本地调用，好像也挺好，哈哈。
昨天一天真是高强度的工作，研究了金融领域 AI 转型的一些案例，也在同步看制造业的提效流程。还跟 TED 深圳团队第二次打磨了我在12月的分享，他们在表达沟通上非常专业。我原本以为自己已经很擅长做表达了，但跟他们一比，专业度上还有不少差距。综合考虑观点的原创性、听众的接受度，他们会一步步引导嘉宾思考，到底你最想传达的想法是什么。发现很多时候，我们可能真的没有那么清楚自己底层的观点。从他们身上学到很多。
时间有限，第9天的流水账就到这儿了。祝大家新的一天，开心顺利！
Claude 申诉成功案例和避坑分析：
1️⃣ 封号后第一时间先进行申请退款，比如iOS 是一般48/72 小时会完成退款，直接打400 666 8800 （i人可以进行邮件或者网页申诉）
2️⃣ 备份和转移自己的数据，Codex，Memos 、豆包都有一键导入功能。
3️⃣ 给Claude 撰写申诉邮件，根据实际情况加没有风险的说明，可以参照Niki的描述。
4️⃣ 从她封号来看，可能是同一台电脑频繁切换2 个Claude 账号导致，IP 动态变化之类的导致的。
所以，不建议一个电脑登录2 个或者多个账号，不要频繁切换IP ，拒绝万人骑的梯子。
以及千万不要老是要Hack 这那的。
大概如此了，最后祝你好孕，不会封号✌️
这就是对于做大模型记忆系统的降维打击了，人家模型都搞出来了。
从底层和可行性以及实用性来说更加的好使和更实用，让模型直接做记忆。
从根儿上解决记忆丢失的问题～
卧槽，全球首个记忆原生大模型发布，来自咱国内团队！
做这件事的是开源记忆操作系统 MemOS 的团队 @MemOS_dev。
从 2024 年的记忆分层大模型 Memory，到 2025 年开源的 MemOS，他们一直在死磕「记忆」这件事。
昨天，他们把记忆直接做进了模型本体：MemT 1.0。
过去让模型变强，靠的是更多参数、更多数据、更长上下文。
MemT 1.0 走的是另一条路：让「记住、更新、调用经验」本身，成为模型可以学习的能力。
两个看点：
① 架构创新：记忆操作进入模型计算过程 采用记忆原生 MoE 架构，把历史信息编码成持续存在、可更新的内部记忆状态。
记忆的写入、保持、更新和读取，全部发生在模型的计算里，而不是挂在模型旁边的外部检索。
📊 在 11 个记忆基准上，平均表现超过参数化记忆基线，通用能力基本没有掉。
📊 历史长度 128K 时，Nano 端到端推理提速约 1.86 倍，持久存储比全量 KV Cache 小 66 倍。
📊 记忆状态大小固定，交互再多也不会膨胀：256K 历史下全上下文要占约 5 GiB，Nano 只要 40 MiB。
结果就是：模型能自我反思、自我进化，长程任务保持一致，不跑偏。
② 经验复用：有效反馈作用于后续任务 在内部记忆的基础上，MemT 1.0 从真实任务的交互、指导和纠错中积累经验，并在后续相关任务里复用。
同样的错，不用再教第二遍。
📊 用在编程 Agent 上，把过往经验内化进原生记忆后，在 SWE-bench Verified 和 SWE-bench Multilingual 上，任务成功率和多次运行的一致性都超过无经验的 Agent，效果和显式文本经验相当。
📊 团队内部的 Coding、Working 测试中，性能提升超过 5%。
两个尺寸：
· Nano：36B 总参数，3B 激活，10M 动态记忆 。
·Flash：288B 总参数，17B 激活，336M 动态记忆 训练数据 34B tokens。
「今天正确的经验，会成为明天的能力。」
这句话值得读两遍。没有积累，就没有递归。留不住的进步，成不了下一轮的起点。
参数决定模型的起点，记忆决定它能长多高。
模型地址：huggingface.co/collections/M…
兄弟们，已经开始更新起来了～
后面搞个Agent 给我发😁
各位客官老爷，大家好。
我是@berryxia 的2.0 视频娱乐版，分享各自好玩的AIGC图文、视频、好玩的美女，制作的小技巧和邪修的办法！
也欢迎大家多加交流沟通，接下来几天我觉得可以搞点比较好玩的给大家。
没事、有事儿可以关注一下～ 🛫