Tweets

NVIDIA Rubin is designed to deliver unprecedented efficiency for both training and inference.

Built with extreme codesign across compute, networking, and software, the platform delivers unprecedented efficiency for training, inference, and advanced reasoning at scale. #NVIDIARubin

Learn more ➡️ nvda.ws/3LfQaea

With ElevenLabs Agents, @cars24india is scaling car sales across India, the UAE, and Australia.

AI agents now handle over 3 million minutes of customer conversations, guiding buyers, addressing objections, and escalating complex cases to human teams when it matters.

The impact:
• 45% of sales assisted by agents 
• 50% reduction in calling costs

Attn: Replit Enterprise Users. You're going to appreciate this!

🛡 Security Center is now available for all Enterprise users!
Enterprise admins can easily scan their entire organization's Replit Apps with a single click and receive:
✅ CVE detection across all dependencies, organized by severity
✅ A detailed view showing which Apps are affected
✅ SBOM downloads for compliance purposes 

Get this, and more latest Replit release info:docs.replit.com/updates/2025/1…b

Super cool! GPT-5.2 🤝 @HarmonicMath to solve and formalize Erdos #728.

2015年，Elon Musk详细解释了他如何预测未来。

他的框架：
-基本原则
-资本排序
-关键路径聚焦
-实用性优化

斯坦福演讲中的10个基础教训：

看到一段话，分享一下：

年底复盘的时候，不是回顾这一年做了多少事，也不应该反思有没有更努力，而是只抛出来一个问题：回头看 2025 年，真正做成的、对你人生轨迹产生实质性影响的那一件事是什么。

这个问题本身就已经把大多数年度总结过滤掉了。因为一年里真正改变斜率的事情，通常只有一件两件，甚至半件。其余的，要么是噪音，要么只是为了维持惯性而发生的动作。

找到这件事之后，不要急着给自己贴努力成长这样的标签，而是冷静地把它拆解掉。

拆解的维度也很简单：运气、努力，以及人脉或结构性优势。

当你足够诚实地完成拆解之后，一个更重要的东西会慢慢浮现出来。你会发现，那件最成功的事并非完全随机。它往往与你过往多次做对的事情，隐约遵循着相似的模式。

也许你总是在新领域尚未拥挤时进入，也许你更擅长与少数关键节点建立深度信任，也许你能够长期忍受低反馈状态，直到某个时刻集中兑现，又或者你天然站在不同圈层之间，扮演信息翻译和连接的角色。

这些并不是性格描述，而是你已经用结果验证过的个人算法。真正的能力，几乎从来不会藏在你最痛苦的地方，而是藏在你反复赢过的方式里。

但大多数人恰恰会在这里犯错。他们在跑通一套有效模型之后，并不会选择继续加注，而是开始怀疑这套模型是否足够快、足够显性，继而不断重启人生。

换赛道、换身份、换叙事，看起来像是在进化，实际上是在反复清零。这也是为什么很多人年年复盘，却始终停留在同一个层级。

对下一年的目标，最理性的策略，并不是推翻重来，而是问自己一个问题：如果把 2025 年那件唯一做对的事系统化、前置化、规模化十倍，会发生什么。

如果你的优势是判断力，就更早下注；如果是信任关系，就长期经营；如果是表达或内容，就建立可复利的系统；如果是长期主义，就果断减少所有短期消耗。投资里从来不是靠频繁换仓赚钱，而是靠在正确方向上持续加注。

复盘真正的意义，从来不是为了自我感动，也不是为了证明自己有多努力，而是为了在未来做决策时，减少不必要的不确定性。真正成熟的人生策略，是不再试图成为什么都行的人，而是反复站在那个已经被事实证明、对自己最有利的位置上。

NVIDIA发布新一代AI超算平台：Rubin

将推理 token 成本降低 10 倍

相比上一代 Blackwell：

✅ 推理成本降 10 倍 
✅ 训练 GPU 需求降 4 倍 
✅ 能效提升 5 倍 
✅ 首次实现机架级保密计算
✅GPU 间带宽高达 260 TB/s

完全重新设计 没有电缆软管和风扇

由六大核心组件组成：

🧠 Vera CPU：专为推理与决策设计的高效能脑中枢

💪 Rubin GPU：全新 Transformer 引擎，单卡达 50 PFLOPS

🔗 NVLink 6：GPU 间通信带宽高达 260 TB/s

🌐 ConnectX-9 SuperNIC：超高速智能网卡

🛡️ BlueField-4 DPU：AI 原生安全与存储处理

⚡ Spectrum-6 Ethernet：能效提升 5 倍的 AI 专用以太网

Claude Code 又在美国引起一波热潮。
谷歌做 Gemini API 的工程师自爆：
自己团队去年一年做的的东西，Claude Code 1小时复现...
这不是开玩笑
这很吓人
还没用 CC 别等了，赶紧用起来吧

[论文解读] 一切皆上下文：面向上下文工程的智能体文件系统抽象，用管理操作系统文件那样严谨、标准化的方式，去管理 AI 的上下文。

核心理念：AI 时代的 "Unix 哲学"
论文的标题致敬了 Unix 操作系统的经典哲学——“Everything is a file”。

在 Unix/Linux 系统中，无论是文档、硬件设备还是网络接口，都被抽象为“文件”，可以用统一的方式（如读、写、挂载）来处理。 这篇论文提出，在 AI 智能体开发中，所有的“上下文”也应该被抽象为“文件”。

· 以前的做法：提示词、外部知识库、对话历史、工具调用等都是散乱的，开发者需要用不同的方式去拼接和管理它们。
· 论文的做法：将上述所有内容（记忆、工具、知识、人类指令）都视为“文件”，通过一个统一的智能体文件系统抽象层进行管理。

解决了什么问题？
目前的 AI 开发（特别是上下文工程）面临“手工作坊”式的混乱：
· 碎片化：提示词工程、RAG 检索、工具集成各自为战，缺乏统一标准。
· 不可追溯：AI 为什么输出了这个结果？到底用了哪段背景知识？很难像审计代码一样去审计“上下文”。
· 难以维护：随着对话变长、任务变复杂，上下文窗口很容易“爆炸”或丢失关键信息。

核心架构：AIGNE 框架
团队开源了一个名为 AIGNE 的框架来实现这一理念。该架构将上下文处理流程化为一条清晰的流水线，包含三个关键组件：

1. 上下文构造器
  职责：像文件管理器一样，负责“挂载”和“筛选”文件。它根据当前任务，从海量的“上下文文件”中选出最相关的部分，进行优先级排序和压缩，生成一份“清单”（Manifest）。

2. 上下文加载器
  职责：负责“读取”文件。它按照构造器的清单，将实际的内容加载进来，组装成最终喂给 LLM 的 Prompt。支持静态读取和流式更新。

3. Context Evaluator
  职责：负责“写入”和“验证”。它检查 AI 的输出是否符合预期，并将新的交互产生的有价值信息（如用户偏好、新知识）“写入”回文件系统中，形成记忆的闭环。

实际应用案例
· 带记忆的智能体：通过文件读写的方式，让 AI 像操作日志文件一样管理自己的长期记忆，而不是单纯依赖上下文窗口的滑动。
· GitHub 助手：利用 MCP 协议，将 GitHub 仓库的代码、Issues 等抽象为文件系统的一部分，让 AI 能以标准化的方式读取代码库上下文进行辅助编程。 

论文地址
arxiv.org/abs/2512.05470

立即试用：miromind.ai  

模型下载：huggingface.co/miromind-ai/Mi… 

GitHub：github.com/MiroMindAI/Mir…