Agent-Browser
是一款专为AI智能体设计的浏览器自动化命令行工具，采用100%原生Rust编写。其核心特点是生成紧凑的文本输出以最大限度减少上下文使用量，支持通过独特标识符（如@e1、@e2）实现元素精准定位与交互。工具采用客户端-守护进程架构提升性能：守护进程自动启动并在命令间保持持久化，默认情况下在一小时内无操作或仪表盘输入后自动保存配置状态并关闭无头浏览器。该工具支持macOS、Linux和Windows三大平台的原生二进制文件，涵盖ARM64和x64架构。特别针对Headed浏览器、Safari及iOS WebDriver会话等场景免除默认超时限制，用户可通过命令行参数或环境变量灵活调整空闲超时设置。 #AI #浏览器自动化 #Rust #开发工具 #智能体
是一款专为AI智能体设计的浏览器自动化命令行工具，采用100%原生Rust编写。其核心特点是生成紧凑的文本输出以最大限度减少上下文使用量，支持通过独特标识符（如@e1、@e2）实现元素精准定位与交互。工具采用客户端-守护进程架构提升性能：守护进程自动启动并在命令间保持持久化，默认情况下在一小时内无操作或仪表盘输入后自动保存配置状态并关闭无头浏览器。该工具支持macOS、Linux和Windows三大平台的原生二进制文件，涵盖ARM64和x64架构。特别针对Headed浏览器、Safari及iOS WebDriver会话等场景免除默认超时限制，用户可通过命令行参数或环境变量灵活调整空闲超时设置。 #AI #浏览器自动化 #Rust #开发工具 #智能体
DeepSeek创始人谈中美AI差距
2026年7月，腾讯科技发布了DeepSeek创始人梁文锋与投资者的近4小时会议记录。梁文锋在记录中详细阐述了中美AI差距的核心观点，认为所有差异——包括人才、模型能力和应用——本质上都源于算力资源的差距。他指出，DeepSeek的效率优势并非技术突破，而是对资源短缺的适应。中国不仅无法购买足够芯片，资本投入也远低于美国，人才瓶颈同样源于算力不足导致实验机会减少。他估算DeepSeek落后美国两年，但仅使用二十分之一的算力，并希望改写叙事，计划将差距缩小至6个月甚至3个月。梁文锋坚信规模扩展的有效性，但限制因素并非意愿而是算力。他还强调，美国认为规模扩展已达天花板，而中国远未触及这一极限。 #DeepSeek #AI #算力差距 #梁文锋 #人工智能 #中国AI
2026年7月，腾讯科技发布了DeepSeek创始人梁文锋与投资者的近4小时会议记录。梁文锋在记录中详细阐述了中美AI差距的核心观点，认为所有差异——包括人才、模型能力和应用——本质上都源于算力资源的差距。他指出，DeepSeek的效率优势并非技术突破，而是对资源短缺的适应。中国不仅无法购买足够芯片，资本投入也远低于美国，人才瓶颈同样源于算力不足导致实验机会减少。他估算DeepSeek落后美国两年，但仅使用二十分之一的算力，并希望改写叙事，计划将差距缩小至6个月甚至3个月。梁文锋坚信规模扩展的有效性，但限制因素并非意愿而是算力。他还强调，美国认为规模扩展已达天花板，而中国远未触及这一极限。 #DeepSeek #AI #算力差距 #梁文锋 #人工智能 #中国AI
使用 MUD 游戏评估 AI 遭遇“裁判偏差”，LLM 评分稳定性受质疑
一项由独立研究团队开展的实验表明，将多用户地牢（MUD）游戏用作大语言模型（LLM）的评估环境时，模型排名对评分组件高度敏感，尤其是依赖 LLM 裁判（如 Gemini Flash Lite）的评分项。实验运行了 650 轮，评估 13 个模型在社交任务中的表现，但聚合数据无法揭示具体哪些模型受影响最大；协议检测的 κ 值为 0.04，而独立裁判间的模型级别一致性从 21.7% 波动至 84.8%。移除依赖裁判的评分项后，排名相关性降至 ρ=0.70，其中一个前沿模型下跌 6 位。研究者指出，使用 LLM 裁判的基准测试应报告每个主体的协议审计，并进行裁判消融实验以验证稳定性。该发现揭示了裁判偏差在整体指标中被掩盖的风险，并提供了开源代码与数据供社区验证。 #AI评估 #LLM裁判 #MUD游戏 #模型评测 #偏差分析 #独立研究
一项由独立研究团队开展的实验表明，将多用户地牢（MUD）游戏用作大语言模型（LLM）的评估环境时，模型排名对评分组件高度敏感，尤其是依赖 LLM 裁判（如 Gemini Flash Lite）的评分项。实验运行了 650 轮，评估 13 个模型在社交任务中的表现，但聚合数据无法揭示具体哪些模型受影响最大；协议检测的 κ 值为 0.04，而独立裁判间的模型级别一致性从 21.7% 波动至 84.8%。移除依赖裁判的评分项后，排名相关性降至 ρ=0.70，其中一个前沿模型下跌 6 位。研究者指出，使用 LLM 裁判的基准测试应报告每个主体的协议审计，并进行裁判消融实验以验证稳定性。该发现揭示了裁判偏差在整体指标中被掩盖的风险，并提供了开源代码与数据供社区验证。 #AI评估 #LLM裁判 #MUD游戏 #模型评测 #偏差分析 #独立研究
RTX 5060 消费级硬件 LLM 并发测试
一位高级玩家在搭载 RTX 5060（8GB VRAM）的消费级 PC 上，对 17 个 LLM 模型进行了大规模并发测试。实验在一个“日常使用”环境中进行，而非理想实验室环境，旨在真实反映消费级硬件的极限。核心发现是：通过池化代理，最高实现了 8.7 倍的吞吐量提升。其中，MiniCPM5 1B 模型表现最佳，峰值达到 983 tok/s（是单线程速度的 433%）。而 Qwen3.5 0.8B 模型在启用多令牌预测时，因序列化请求导致并发性能毫无扩展。测试还发现，推理模型的大部分计算开销隐藏在推理内容中，负载增加时，首令牌生成时间会从毫秒级恶化至数十秒。尽管环境严苛，全部 408 次运行中错误数为零。测试使用 Node 代理循环与 LM Studio 本地端点通信，每个模型在 1 至 24 的并发级别下各运行 24 次，每次持续 60 秒。 #LLM #消费级硬件 #并发测试 #RTX5060 #AI性能
一位高级玩家在搭载 RTX 5060（8GB VRAM）的消费级 PC 上，对 17 个 LLM 模型进行了大规模并发测试。实验在一个“日常使用”环境中进行，而非理想实验室环境，旨在真实反映消费级硬件的极限。核心发现是：通过池化代理，最高实现了 8.7 倍的吞吐量提升。其中，MiniCPM5 1B 模型表现最佳，峰值达到 983 tok/s（是单线程速度的 433%）。而 Qwen3.5 0.8B 模型在启用多令牌预测时，因序列化请求导致并发性能毫无扩展。测试还发现，推理模型的大部分计算开销隐藏在推理内容中，负载增加时，首令牌生成时间会从毫秒级恶化至数十秒。尽管环境严苛，全部 408 次运行中错误数为零。测试使用 Node 代理循环与 LM Studio 本地端点通信，每个模型在 1 至 24 的并发级别下各运行 24 次，每次持续 60 秒。 #LLM #消费级硬件 #并发测试 #RTX5060 #AI性能