马天翼 (@fkysly) header
马天翼 (@fkysly) profile picture

Indie hacker & AI Coder awesome-dsh-plugin & dsh-market 作者 2x dgx spark

杭州
Joined September 2011
Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)Photo by 马天翼 (@fkysly)
马天翼 retweeted
Kimi 这公司能不能靠谱一点,发布个模型顺带猛砍额度,发现口碑崩了又开始猛猛往回改... 现在第二个五小时才用了 40% 就有 4800w,折合下来 1.2 亿,翻了 6 倍...
很明显是借着新模型砍了老套餐额度,实测就是以前的一半 @KimiDevs 我已退订
38
4
7
193
43,132
马天翼 retweeted
🤯炸了!梁文峰的实力被Kimi用“图表技巧”藏起来了!同一组标准Kimi竟然偷换数据来凸显自己! 1️⃣Kimi官方把DeepSeek V4.1 Flash 1017画成几乎看不见的小红点,自己则高高在上。表面上比分数Kimi 65.7% vs DS 42.3%,真正被弱化的是成本,Kimi K3.1 Pro单任务成本大约是DeepSeek的20倍。 2️⃣更关键的是Kimi官方将DeepSeek的TB4.0数据给偷换了,来源不一致,表格用DeepSeek自己公布的42.3,图表却单独换了Artificial Analysis的数据。 DeepSeek开源、极便宜、迭代快; 有人选择用“小点”把它藏起来。 分数好看,成本效率才是落地关键。 #DeepSeek #Kimi #TerminalBench #梁文峰 #开源AI #成本效率 #V41Flash1017 #K31Pro
😧惊了!实际工作实测打脸:DeepSeek V4.1 Flash 1017 仍大幅优于 Kimi K3.1 Pro! 独立测试者 @PawelHuryn 在真实代码库上跑了 Bug Hunt 基准(2个生产级仓库 + 105个此前前沿模型漏掉的植入bug,要求找并修复): 1️⃣DeepSeek V4.1 Flash 1017 (max):修复 42.7/105(DeepSeek harness) 2️⃣Muse Wonder Full 1.0 (max):42 3️⃣Opus 5.5 (max):41.7 4️⃣Kimi K3.1 Pro (max):仅 36/105 5️⃣Muse Spark 1.3 (max):32.2 成本更夸张:DeepSeek 这次跑下来仅约 $1-2,Kimi 约 $14,其他模型动辄几十美元。 测试者直接说:“考虑成本,我看不出用这个模型的理由。” 实际修bug、读真实代码库场景,DeepSeek 依然性价比碾压。Kimi 还没打到这个点。 完整榜单:bughunt.productcompass.pm/ #DeepSeek #Kimi #AICoding #LLM #BugHunt #开源AI #DeepSeekV4 #梁文峰 #杨植麟
49
15
6
93
40,653
马天翼 retweeted
DeepSeek V4.1 Flash 1017 > Kimi K3.1 Pro
89
38
11
1,438
78,890
马天翼 retweeted
微博也被 Zhipu 大面积公关下架了 X 的重要性进一步提升
智谱就 ZCode 疑似泄露事件,开始大面积公关 小红书上多位,曾发布该事件的账号,今天上午收到了创始人唐杰本人的侵权投诉通知 大 AI 公司创始人,亲自去投诉,太牛批了。。
56
17
3
214
57,229
马天翼 retweeted
DeepSeek v4.1 Flash Fully Uncensored for 2x DGX Spark users - No damage to knowledge at all - VL working I think I’ve perfected figuring out where refusal behavior related to “ethics” and “morals” live - with my method and pipeline for dsv4.1flash, the only areas in MMLU logit mode that were hit are literally only within the “ethics” topic, resulting in less than a -1% difference in scores when comparing to the base (12% difference when considering the drop in ethics score) I put the recipe on how to run and use this model within the readme. huggingface.co/dealignai/Dee…
21
55
3
640
31,033
马天翼 retweeted
Grok 4.7 comes out in 10 days
Replying to @haider1
But just look how incredible grok 4.6 is
2,780
2,623
1,418
34,070
10,395,253
飞书刚刚开源了自己的 cli 现在你可以直接让 agent/openclaw 直接使用包括飞书文档、知识库、多维表格、视频会议、日历等所有功能了。 仓库地址:github.com/larksuite/cli
24
74
10
424
65,023
马天翼 retweeted
推特总是给我推荐各种独立开发、出海创业的内容,看了一年多,有很多现象和观点不敢苟同,说一下个人看法。 1 一个产品,干了几个月,po个月入几万的图,就开始分享成功经验,还总结的头头是道,一堆点赞收藏加转发。以我的经验,总结的内容都是扯淡,都是为引流加关注而包装的,这种内容你花老半天看还收藏,完全浪费时间。真正的创业者,几个月只是刚刚开始,如果开始就有收入,先感谢老天爷赏饭吃,运气好,自个继续如履薄冰,战战兢兢,尝试着记录一些变化和经过,小幅更新你的预设想法,第二个月继续观察和验证,我建议都不要去总结什么经验,因为你没有走完一个周期,不存在什么确定的经验,前面都是盲人摸象,等你把大象各部位都摸完,你还在战场上没倒下,再来总结经验。所以,看到这种推,我建议看官朋友直接划走,不要有错失焦虑,一定是引流垃圾推,没有例外。 2 很多独立开发者,一边在公司摸鱼,一边投机做项目,一边还拿到推上毫不掩饰的说。这样做法,我觉得非常糟糕。我见过非常多的小有成功的创业者,他们在打工的时候,都是非常有责任心和驱动力的,都很敬业,都在原公司做到了一定高度和成绩,出去后,他们自己干,状态是没有任何变化的,这样他们才能吸引同质的人,带出好的团队。拿着公司的钱混日子、主要精力搞副业的情况是一种没有极其职业道德的事,更是不懂得创业、做事、做人之道的,做不出什么好东西的。因为这种价值观,在一个人做决策的时候,就会影响它,做一些利己的、短视的、捷径的选择。你可以在想自己干之前规避风险,不辞掉工作,但前提是要把公司的工作干好,或者你实在无法两头应对,你一定不要给公司和团队埋坑拖后腿,更不要觉得若无其事的在推上宣扬,甚至贬低你的公司和团队,你起码要知道你能摸鱼做副业,是公司发工资养你,是团队承担你摸鱼的工作量。 3 对很多想做或者刚做生意的开发者,我想说几句。1)对,我说的就是做生意,古代叫买卖,忘掉什么独立开发,什么一人公司这些虚头巴脑、看山不见山的概念,你要学习的是怎么做一个买卖,这个事你只能自己做着学,或者贴身跟到一个买卖人身边去学,别无他法。所以,你想要做,就先做起来,做着做着你慢慢就学到了。给自己想方法多屯点粮食,少花点,慢慢熬,只要你不是特别不是这块料不开窍,慢慢就能落下点东西,逐步起来。2)做买卖,首先就是你要有其他人需要的东西,然后这个东西一部分人偏向从你这买,持续坚持利他:做好产品,做好服务,慢慢你就能感受更多的东西了,就能上道跑起来。3)不要迷信营销,除非你本来就擅长这个,有很强表达欲,网感好。你首先要做的是,逐渐成为一个产品经理角色和地推销售角色,观察你熟悉的客户群,找到他们的需求,做一个产品,慢慢的推广和打磨,时间要留够,1-2年至少得。那些3天起量、1个月广而告之的案例,就像中彩票一样的事,存在但不能是你的计划。时间拉长,你对流量的需求就没那么大和迫切。你发布一个demo,可能只需要10个人,这时候你要变成一个销售,脸皮厚,没有自尊心,去找这些人,只要你真诚和坚持,一定找得到。我敢说,即使你做了一坨屎,都能找到10个人来用。然后,你要变成产品经理,观察用户行为,跟用户聊,然后分析改进。然后改进你的产品、总结你的推销话术,再去找50个人来。慢慢找到这个PMF,你的营销也慢慢就来了。4)尊重时间,任何创业上焦虑的事情,拉长时间这个变量,都有解,所以长期主义、持久战、坚持才是创业最核心需要,甚至高于智商。所以,你怎么坚持足够长的时间,反而是创业第一天要想的最重要一件事。5)创业做买卖没什么奇术巧招、杠上开花,这些也是推上分享最多的内容,大部分是扯淡,小部分是运气,很多事情概率很小,我都视为none,赌小概率事件就是拿着左轮手枪对着脑袋开枪。我认识的创业者,基本都用的拙劲,但人都很聪明,聪明人用拙劲,才是这个世界的真相之一。如果你刚做生意,一定离这种垃圾内容远一点,保留自己的定力,好的心态是你前期走下去和做起来的重要支撑。6)不要投机,投机有很多含义,其中一种典型的,我还是认为那种一个独立开发者一个月开发一个,一年十几个的方式,是一种剑走偏锋的方式,可能适合极少部分营销见长的开发者,已经积累了人设和粉丝,有流量试错,但这个就是个挖井的问题,你一铁锹下去挖不倒水,不代表没水。一般开发者,还是按照古典市场理论去做,更靠谱一些。第二种投机就是,做垃圾,不做精品。做一堆垃圾当然不如做一个精品,这人人都知道,但我想表达的是,决策的路径依赖和心态问题,做了几个垃圾,你就没有做精品的心思和耐心了,精品不是你想做就能做出来的,是长期主义路线的结果。 我虽然做的也不成功,但失败经验很多,经历很多,身边见过的很多,以上都是亲身体会后的感想,一家之言,慎重阅读。
126
178
75
1,238
237,454
马天翼 retweeted
Replying to @fkysly
粪水熏得游人醉 直把杭州作便州
1
1
25
1,514
马天翼 retweeted
这篇文章让我第一次有了开通沉浸式翻译 Pro 会员的冲动。
62
21
5
395
121,931
马天翼 retweeted
Replying to @fkysly
很有用的产品! let me have a go
1
520
马天翼 retweeted
转:关于 DeepSeek 的研究和思考 (Archerman Capital) 关于这几天很火的 DeepSeek, 我们 (Archerman Capital) 做了一些研究和思考, 和大家分享, enjoy! 灰色部分是技术细节, 不感兴趣的可略过。 几个事实 1) DeepSeek 不是套壳不是蒸馏美国的大模型。 虽然中国有些大模型是套壳和蒸馏的, 但 DeepSeek 不是。 2) 核心架构还是基于 Transformer, deepseek 在架构、工程设计上进行了创新和工艺提升, 实现效率优化。架构上, 采用了混合专家模型 (MoE)、多头潜注意力 (MLA)、多令牌预测 (MTP)、长链式推理 (CoT)、DualPipe 算法等设计, 并进行了依赖强化学习 (RL) 而不加入监督微调 (SFT) 的训练尝试。工程上, 在数据精度 (FP8 混合精度)、底层通信等方面进行了优化。这些方法在学术界都已经有了, Deepseek 没有过于追求新技术, 而是花了心思把这些方法都用上, 解决了一些技术的应用难点, 在理论应用和工程上找到平衡, 具体如下: MoE: Mixture of Experts (混合专家模型)。将模型划分多个专家模块来进行分工。训练中将不同专家模块分配到不同计算设备训练, 提升训练效率。推理时, 仅动态激活部分专家 (37B 参数), 而非全模型参数 (671B 参数), 减少计算负担。但是 MoE 经常会面临某些专家承担所有工作, 其他专家不被使用的问题, 业内会通过一如辅助损失来对此调控、平衡各个专家模块的工作量, 而 deepseek 通过无辅助损失的自然负载均衡 (引入一个无形的手而不是人为调控)、共享专家机制来解决该问题。 MLA: Multi-Head Latent Attention (多头潜注意力)。扩展了传统的多头注意力机制, 引入潜向量 (latent variables), 可以动态调整注意力机制, 捕捉任务中不同的隐含语义。在训练中减少内存和计算开销, 在推理中降低 KV 缓存占用空间。 MTP: Multi-Token Prediction (多令牌预测)。一般 LLM 一次生成 1 个 token, 采用单步预测。deepseek 在特定场景下能同时预测多个 token, 来提高信号密度。一方面能够减少上下文漂移、逻辑更连贯, 也能减少一些重复中间步骤, 在数学、代码和文本摘要场景能提升效率。 CoT: Chain of thought (思维链)。一种训练和推理方法, 将复杂的问题拆分成小步的中间逻辑, 细分逻辑链条。在训练阶段, Deepseek 用标注的 Long CoT 数据微调模型, 让模型生成更清晰的推理步骤, 在强化学习中用 CoT 设计奖励优化, 增强长链推理能力, 并且在此过程中观察到了模型的反思 (回溯推理路径)、多路径推理 (能给出多个解)、aha 时刻 (通过策略突破瓶颈) 等自发行为。 DualPipe (双重流水线): 传统训练信息流水线会产生一些等待时间、有“流水线气泡”, deepseek 设计了一个双重流水线, 让一个计算阶段在等待数据传输时可以切换到另一批数据, 充分利用空闲时间。 R1-Zero: Deepseek 在 V3 基础模型上, 仅通过强化学习 (Reinforcement Learning) 训练, 而不加入 SFT (Supervised fine tuning) 数据, 训练了 R1-Zero 模型, 探索了模型不依赖人类标注数据微调、自主推演的能力, 打开了新的思路。但 R1 模型仍然采取 SFT 数据优化推理和生成质量。 FP8 混合精度训练: 引入了 FP8 混合精度训练框架, 相比传统的 FP16 精度, 数据内存占用更少, 但在一些算子模块、权重中仍然保留了 FP16、FP32 的精度, 节省计算资源。 底层通信优化: 开发了高效的通信内核, 优化对带宽的利用, 保证数据传输效率, 并能支持大规模部署。 拿内燃机和汽车的发明打个比方, 德国人发明了内燃机和汽车, 美国人喜欢 Scaling Law, 排量越大马力越大, 于是从 2 升到 4 升, 甚至 8 升排量的车在美国都很常见, 所以美国肌肉车很耗油。虽然源头技术不是日本发明的, 但日本人擅长把一件事做精, 工程上做很多优化, 日本 2.5 升排量的车甚至可以做到和美国 5 升排量车一样的百公里加速指标。比如轻量化设计把大钢板换成钢条 (类似通过稀疏的办法减少大模型的参数量); 涡轮增压利用废气能量增加空气供给, 提高燃烧效率; 精密制造, 使得发动机零部件的配合更加紧密, 从而减少能量损失; 等等。 3) 有些宣传说 DeepSeek 的训练成本是 550 万美元, 是 Meta 的 1/10, OpenAI 的 1/20, 好像一下子比别人厉害了 10 倍 20 倍, 这有点夸张。 因为现在在美国预训练几千亿参数的一个模型其实也到不到 2000 万美元的成本, DeepSeek 把成本差不多压缩到三分之一。Meta 和 OpenAl 花的钱多是因为前沿探路, 探路就意味着会有浪费, 而后发追赶是站在别人的肩膀上, 是可以避开很多浪费的。另外算力成本在过去几年是指数型下降的, 不能这么机械的比较。打个不恰当的比方, 创新药的研发需要十年几十亿美元, 而仿制药的研发一定会更快更省。另外成本的统计口径也没有统一的标准, 可以有很大的差别。 几个观点: 1) DeepSeek 代表的是整个开源相对闭源的一次胜利, 对社区的贡献会快速转化为整个开源社区的繁荣, 我相信包括 Meta 在内的开源力量, 会在此基础上进一步发展开源模型, 开源就是一个众人拾柴火焰高的事情。 2) OpenAl 这种大力出奇迹的路径暂时看显得有点简单粗暴, 但也不排除到了一定的量又出现了新的质变, 那闭源和开源又将拉开差距, 这也不好说。从 AI 过去 70 年发展的历史经验来看算力至关重要, 未来可能依然是。 3) DeepSeek 让开源模型和闭源模型一样好, 并且效率还更高, 花钱买 OpenAI 的 API 的必要性降低了, 私有部署和自主微调会为下游应用提供更大的发展空间, 未来一两年, 大概率将见证更丰富的推理芯片产品, 更繁荣的 LLM 应用生态。 4) 基础大模型终将 commoditize (商品化), toB 领域看谁能将 LLM 更好和复杂的生产环节衔接好帮客户落地提高生产效率, toC 领域看谁有流量入口, 最终才会获取 AI 产业价值创造中最多的利润。 5) 对算力的需求不会下降, 有个 Jevons 悖论讲的是第一次工业革命期间蒸汽机效率的提高使得市场上煤炭的消耗总量反而增加了。类似从大哥大年代到诺基亚手机普及的年代, 正因为便宜了所以才能普及, 因为普及了所以市场总消费量增加了的。 6) 对数据的需求不会降低, 巧妇难成无米之炊, 没有米怎么做饭, 算法的提高相当于做饭吃饭变得更快, 对数据的渴求会更大。 研究期间, 我们与几位学术界和工业界的专家进行了交流, 由于尚未获得公开提名的许可, 就暂不提及具体姓名了, 但在此特别表达感谢! Archerman Capital™ 是一家美国的成长期股权投资机构, 专注于人工智能、数据基础设施、网络安全等领域的成长期投资。其投资组合包括 Databricks, Scale AI, Tenstorrent 等。该机构采用高度研究驱动和第一性原理的方法。公司总部位于波士顿, 在纽约和硅谷设有投资团队。以上是纯分享, 并非投资建议。
79
520
39
1,757
625,445
马天翼 retweeted
BREAKING: Donald Trump has won the 2024 Election
5,249
58,480
7,108
475,408
21,301,082
马天翼 retweeted
When your friend is on TV, all you can do is watch it 20 times. #wwdc24 @JustZht 🎉
3
2
1
53
10,663
Vision Pro Update: US Market Demand Slowing Significantly, Global Release Schedule Forecast, Interpretations for Supply Chain Production Expansion and Return Rates, New Model Prediction, and Investment Strategy link.medium.com/j7Q1uXWMyHb
9
51
12
268
172,473
今日出海去社区联合 FocuSee,给粉丝朋友们来送一波福利了! 如果你还没有了解过 FocuSee(gemoo.com/focusee/),我认为是当下最好用的录屏工具,可以自动增强视频,具有放大镜效果、光标移动跟踪和漂亮的背景,无需手动编辑。 在接下来的 48 小时内,你只需要: 1. 转发此推文 2. 在评论区留下你的使用场景或最喜欢的功能 3. 关注 @FocuSeeHQ 和我的 Twitter 账户(以便我能够给你发送私信) 就可以免费获得 FocuSee Version 1 终身使用权,价值 $69.99 美金。 此次回馈活动限时不限量,截止时间后我会逐一以私信的形式向各位参与的小伙伴们发送授权兑换方式。 现在我宣布,活动开始!
413
300
65
174
132,214
Demeo 的开发商 Resolution Games(@resolutiongame)宣布获得授权开发官方的龙与地下城 VR 游戏! 神界原罪 2 开发商 Larian Studios(@larianstudios )开发博德之门 3 的成功,可能让海岸巫师(@Wizards)想在不同领域复制相同的模式。 comicbook.com/gaming/news/du…
目前最好的 XR 跑团游戏(像 D&D 一样有多个冒险模组) Demeo 可以在 PICO 4、PS VR2、Quest 2、PS5、Steam 之间跨平台联机了(XR 版可以跟 PC/主机版联机)。 字节同事写的《德米欧(Demeo)入门指南和进阶技巧》:bytedance.feishu.cn/docx/dox…
1
6
6,470
马天翼 retweeted
分享下我的 indie stack: - Web framework: Remix - Database: PostgreSQL - ORM: Drizzle ORM - Deployment: fly.io
2
3
1
14
5,978
马天翼 retweeted
看了 YC 的课程《如何获得创业想法》觉得很实用分享给大家。比较有感触的是不要刻意思考点子,而是专注于自己喜欢的领域。 这个链接里还包含原文链接以及我用 GPT-4 翻译的视频文字稿: app.heptabase.com/w/c70deeb6…
8
134
2
502
43,336
马天翼 retweeted
如果你做独立开发,没任何用户感知和判断力,建议多逛逛这个subreddit,reddit.com/r/SideProject/ 各种脑洞大开的项目,看看他们是怎么发现需求的,也看看他们是怎么失败的。每看到一个项目,就问自己四个事情: 1、具体用户画像是什么样子?他们面临什么问题? 2、新解决方案是什么,能比现在的好多少? 目标用户选择新产品,遵循价值公式: 新产品体验-原有解决方案体验>原方案数据习惯沉淀+新产品学习认知成本 左侧是价值差值,右侧是用户花费的成本。 左侧的值越大于右侧,用户的买单意愿就会越高。 3、如果我来设计这个产品的LandingPage,我会怎么布局,突出哪些卖点? 4、如果我做了这个项目,我去哪里冷启动找到100个对这个项目狂热的种子用户? 通过这种刻意的思维训练,是可以不断提升对用户和市场的敏感度的。 当然,如果有一些项目需要进行宣传,也可以发到SideProject这个社群里进行宣传,很多独立开发项目都在这里收获了一些建议反馈与初步的试用用户(但不一定是目标用户)
13
230
2
750
87,922