各种中转都不太好用了，我想有没有性价比高一点的大模型api？我现在看了小米的mimo，34一个月，有没有用过的佬，好用吗？

每次开发出来的系统ui界面感觉一坨大便，有没有相关的skill，就是能不能归类定义后端就像个cms管理系统一样，感觉每次生成出来的系统都是挤到一块，而且编辑功能也挤到一块

昨天给我发邮件通知它要凉了

新浪云终止服务通知
致新浪云用户
衷心感谢您长期以来对新浪云服务的信任与支持。
由于业务调整，新浪云服务将于2026年9月16日24时起下线并永久终止服务，由此给您带来的不便，我们深表歉意。具体安排及注意事项如下：
（1）即日起至2026年9月16日，新浪云服务停止新用户注册、新服务开通及云豆充值服务。在此期间，用户账户内已充值云豆及积分可正常使用。
（2）已开通服务的用户，请您务必于2026年9月16日前完成业务迁出、数据导出、备份及账户相关信息清理工作。自2026年9月16日起，所有服务将不再可用，敬请用户提前做好业务迁移等准备。
（3）为确保用户数据安全，新浪云服务下线完成后，将永久删除用户全部数据，请您务必于关停服务前完成数据迁出、备份等工作。
（4）因用户未在规定时间内完成数据迁移、备份或未及时处理账户事宜而导致的任何数据丢失或业务中断，新浪云不承担相关责任，敬请用户提前做好安排。
如遇问题，可通过以下途径予以反馈，新浪云将提供咨询及技术引导服务。
在线工单：https://www.sinacloud.com/ucenter/workorderadd.html
咨询邮箱：saemail@sina.cn
新浪云再次向您的理解和支持表示最衷心感谢！
新浪云
2026-03-17

佬友有收到这个邮件吗？这个是啥意思？会不会让失去我的arm？位置是圣何塞

之前没有在意以为是cpa clean的线程在跑，今天更新发现，一启动CPA，4核的vps长期占用45%的cpu，这个服务到底在跑什么，cpa是我自己一个人用的，启动时都没有网络请求。

在 长期赠送本论坛邀请码 中获得邀请码一枚, 目前暂不需要, 转增有缘人
感谢 @kjsr 大佬

拼手速的时候到了

现在注册都要phone了，free的速度又回来了。能到50token了。早几天都一直卡在20token每秒。

我没有国际卡，0刀卡又注册不上去 这些渠道的小鸡都与我无缘  有没有大佬能教一下，或者有其他渠道？

刚刚发现的一个用于小龙虾/hermes agent 的 apikey 的防盗脚本
原理大概为：clawshell 专门管理 apikey，小龙虾没有访问权限，仅使用一个占位的虚拟 key 。当agent发起请求的时候，clamshell 拦截请求，将占位符替换为真实 apikey


  

      github.com
  

  
    
  

  GitHub - clawshell/clawshell: The Runtime Security Layer for...

    The Runtime Security Layer for OpenClaw/Hermes-agent, the essential safety harness for PII & sensitive credentials protection.

写这篇文章的起因很简单：我在 Twitter 上看到一个帖子，标题是"全网最完整AI科研终极指南"。点进去被浪费了人生的5分钟。
作者显然就是把几篇文章丢给ai，自动化的生产出一篇垃圾。流程图画得花里胡哨，工具列表也罗列得无比齐全，从文献检索到论文生成一条龙，看完让人觉得 AI 做科研这件事已经被彻底解决了。但凡真正用AI跑过一整套深度学习实验的人，都知道这篇东西有多离谱：它把科研最难、最脏、最痛苦的那部分，直接用漂亮的方框和箭头抹平了，就好像这个世界有一条通往成功的路，没有任何分叉和转折，AI就在那条路上一直往前走。
既然这种文章都有人点赞、有人收藏、有人转发，那我干脆也写一篇，把我自己踩过的坑、踩出来的经验，原原本本分享出来。
我是TOP10 的CS PhD 在读，发过 CVPR、ICCV、ICML、NeurIPS 等顶会，也担任过基本上所有主流顶会的审稿人。我有能力判断AI产出的东西到底有没有基本科研质量。
我用的主力模型是Claude Opus 4.6、GPT-5.4 xHigh，以及Gemini 3.1 Pro。我强烈不建议任何人拿低智能模型去做任何形式的科研探索，那纯粹是在浪费生命。
我目前订阅了Claude Max 20x、两个ChatGPT Pro、五个GPT Plus、Gemini家庭组Ultra，还有Super Grok。每个月Claude的额度基本能烧完，其中一大半都砸在了research上。这些订阅不是为了炫富，而是想证明：我真的把这套workflow从零搭起来、反复迭代过N次、真实跑通过，而不是看两篇教程就跑来分享。
Paper2Code、Sakana AI的The AI Scientist、Oh My Research、Hermes research skill，以及市面上能找到的各种“自动化科研框架”，我基本都clone下来对比过。结论很残酷：这些通用库对你真正发出一篇有价值的工作，几乎没有任何帮助。
注意，我不是说AI做科研没用，而是说“开箱即用的agent system”没用。你必须根据自己的领域、自己的方向，去定制一套真正属于自己的workflow。如果你连调试系统、控制上下文的能力都没有，指望一个现成的agent就能产出高质量科研成果，那基本是做梦。制造垃圾的话，其实连agent都不需要，一篇迭代过十几次的垃圾并不比GPT一键直出的垃圾高贵到哪里去。
至于什么“AI互相review”“多元模型投票”“多轮loop改论文”……这些听起来很高级、拍脑袋想出来的“科研skill”，在我看来大多是伪需求。你自己丢给Claude两个小时就能迭代出三版，比clone那些别人的skill高效得多。
但这篇文章也不是什么"AI 科研终极指南"，我没有能力写出任何形式的指南，除了深度学习我什么都不会，因此所有经验完全针对深度学习的科研工作流。其实深度学习我也不怎么会，这只是我个人在使用过程中的一些经验和教训，写出来希望能对你有帮助，哪怕只有一点点。
最后，在我不断迭代这套系统，写这篇文章的过程中，有一个认知越来越清晰：
Context Is All You Need.
被污染的上下文会崩溃式地影响模型的能力。AI 一直修不好一个 bug，不一定是它没有这个能力，而是它的上下文已经被彻底带偏了。后面这篇文章里你会看到的所有设计、所有踩坑、所有我最终选择的方案，背后其实都只在做一件事：管住每一个 session 的上下文。

什么叫 AI 做科研
在开始聊具体流程之前，我必须先把一件事讲清楚：我所说的“AI 做科研”，到底指的是什么。
如今网上大量所谓的“AI 科研教程”，本质上只是在教你如何让 AI 生成一篇“看起来像论文”的东西。流程跑通，PDF 输出，排版精美，再让几个 agent 互相 review 一番，表面上无可挑剔。但那根本不是科研。
我认为，AI 真正参与科研，至少要守住以下底线：
整个过程不允许任何形式的造假。所有结论必须有明确出处；提出的 idea 与最终实现的 method 能够完全一一对应；实验的每一个结果，都是由真实代码训练得出的直接产物，任何人按照论文中的方法描述，都能复现代码、跑出一致的结果。
做不到这些，你用 AI 产出的就不是科研成果，而是学术垃圾。而且是带着 AI 高精滤镜、看起来更精致、但污染性更强的垃圾。
我把这一点放在最前面，正是因为后面你将看到的整个 workflow 设计，核心目的从来都不是“让 AI 写得更好看”，而是在严格确保：它提出的 idea 是真正被验证过的，实验是真正跑出来的，论文是真正可复现的。
这件事比大多数人想象的要难得多。但我认为它值得去做。因为它指向一个更长远的愿景：未来显卡资源的分配，应该分成三个方面：一部分用于训练更强大的基础模型，一部分用于日常 inference，还有一部分，应该交给每一个具体领域，让 AI 去探索那个领域的智力巅峰，不断推动学科向前。
而这个愿景能够成立的唯一前提是：AI 做出的科研，必须是真实的。
如果连结果的真实性都无法保证，那整条路从根子上就走不通。

流程概览
我全程使用多个模型协作。Claude、GPT、Gemini 各有明显优势，让它们交叉 review，其实就是一种形式的 ensemble。Ensemble 基本在任何场景下都能无痛提点。尤其是这几家模型是完全不同知识不同方式分别训出来的，知识覆盖范围、思考模式以及幻觉倾向也不尽相同，利用他们各自强大的地方以及交叉review在整个workflow非常重要。具体模型之间怎么调用、怎么交互，后面单独一个section讲。
一篇深度学习论文从零到投稿，流程大概是这样：文献调研，确定 baseline，复现 baseline，提出 idea，实现 idea，跑实验，分析结果，写论文。
这个流程不是一条直线走到底的。从"提出 idea"到"分析结果"这几步是循环的，idea 实现了发现不 work，跳回去重新想；结果有苗头但方法有问题，跳回去重新改。一篇论文定稿之前，这个循环往往会重复多轮。甚至，这些idea本身也不重要，重要的是在这个idea实验中的探索，以及拿到结果的分析，这些才是真正有价值的能帮到你的东西。一个idea直接拿到一个好的实验结果并不是最好的科研，这个idea也不属于你，真正经过探索拿到的结果才输于你。(From Saining Xie)

文献调研
文献调研这件事，只要接了正确的工具，Agent一定是比人强的，因为他的窗口知识量以及阅读速度比人强大太多了，它能在很短的时间里扫过大量论文，覆盖面远超你自己一篇一篇翻。但怎么让它搜到真正相关的东西，还是值得展开讨论一下。
我最早试了好几条路线。第一个想法是把能接的 MCP 全接上，arXiv、Hugging Face、Web Search，认为知识源越多覆盖面应该越大。但事实上基本很难搜到有价值的相关文章，我自己找到的相关论文都比这种方式找到的好。第二个想法是接 Zotero，因为 Zotero 里存的是我自己读过的论文，想让它把这些当作第一信息源，优先从我已有的知识库里找。Zotero 那条路回头想想就是个蠢主意，你自己读过的论文首先基数就在那里摆着，完全不足以充当idea来源，此外他们没有任何理由应该拥有更高的权重，该搜到什么不该搜到什么，应该由研究问题本身决定，而不是由你的阅读历史决定。
后来我把文献调研单独交给了一个 scout agent，底层用 Gemini CLI。原因很简单，Gemini 的搜索能力是目前所有模型里最强的。在交付搜索任务的时候，不需要你自己去拆关键词，Claude 在分派任务时天然就会把需求转化成结构化的描述交给 Gemini，Gemini 也会很自然的把结构化的需求拆解成多角度的搜索。这个是我在他们交互的过程中thinking的过程中看到的。另外我在搜索流程里加了一个约束：让 Gemini 重点关注中了顶会以及附带有开源代码的工作。因为后续不管是 review idea 还是选 baseline，论文的收录会议级别和有没有代码都是值得作为一个因子来调整我们的判断。
论文搜索到以后怎么进入模型的上下文也是值得展开讨论的。不管是 Claude 还是 GPT，你把一篇 PDF 丢进去，很多时候它不会真的从头读到尾。它会略读来回答你的问题，只有当你追问、而它发现自己答不上来的时候，才会回去再读一遍。而且一篇论文动辄三四十页，全塞进上下文窗口，不光浪费 token，还会稀释真正重要的信息。上下文里无关内容越多，模型注意力越分散。
所以我目前的做法是：如果能拿到 LaTeX 源文件或者 Markdown，就直接喂原文，不走 PDF。arXiv 上大部分论文都能拿到源文件，这条路是通的。Markdown 的好处是可以按需读，需要摘要就喂摘要，需要方法就喂方法那一章，不用一次性把整篇论文塞进去。在调研阶段，其实只需要读摘要和 introduction 就够了，你只是在判断这篇论文跟你的方向有没有关系，不需要在这个阶段就去看实验细节。
最后想强调一点，很多人觉得文献调研不重要，让 AI 自己想 idea 就好了。这恰恰是最大的误区。文献调研的本质是在给大模型构建一个领域专家级别的上下文。你拥有一个深耕某个方向的专家上下文，还是一个什么都知道一点但什么都不深的通用上下文，想出来的 ide

时隔多年，终于轮到我了啊！10000次，感谢薄荷大佬的公益服务，一直很稳。

codex拉闸后，注册新账号已经很难了
不焦虑了，摆了

之前不是搞了台飞书秒哒机子
今天一看还存活，差不多有一个月。

大佬们，请问下可以用来搞啥

和意为？

之前没搞明白论坛机制，已关注标签配置了 ChatGPT / OpenAI，发现提醒太多了，现在删除这个标签，保存变更后提示已保存，刷新页面后还是这个标签还在，是不是这个保存有问题？

刚刚看到一个帖子秒没是什么鬼，我看了一下突然没了，我记得不可用删帖子来着啊，还是说贴子怎么样，有没有佬也看到的

最开始使用any大善人，后来gpt5.4，各种关门之后开始使用公司的glm5.1，竟然开始也能接受glm了。
各位佬友都使用的什么哈

5.2codex没了，难道是要出5.4codex了吗