研究AI大模型时，用 hfviewer 能把模型架构可视化变得超级简单，只需粘贴 Hugging Face 模型链接，就能直观浏览交互式架构图。| 试用
从高层次概览到细节块，支持粒度切换、模型家族对比，还能嵌入博客或模型卡片，无需安装任何工具，而且不易出错。
主要功能：
- 粘贴HF链接即开交互式模型图，支持任意粒度缩放；
- 高层次架构概览到具体子模块路径的平滑切换；
- 模型家族对比，如Gemma 4系列同步浏览；
- 支持MoE路由、多模态融合、视觉编码器等复杂结构；
- 浏览器内纯可视化，无需本地环境或notebook；
- Embed按钮一键生成代码，可嵌入模型卡片或技术博客。
支持所有公开HF模型，特别适合研究部署延迟、权重手术和模型合并。
从高层次概览到细节块，支持粒度切换、模型家族对比，还能嵌入博客或模型卡片，无需安装任何工具，而且不易出错。
主要功能：
- 粘贴HF链接即开交互式模型图，支持任意粒度缩放；
- 高层次架构概览到具体子模块路径的平滑切换；
- 模型家族对比，如Gemma 4系列同步浏览；
- 支持MoE路由、多模态融合、视觉编码器等复杂结构；
- 浏览器内纯可视化，无需本地环境或notebook；
- Embed按钮一键生成代码，可嵌入模型卡片或技术博客。
支持所有公开HF模型，特别适合研究部署延迟、权重手术和模型合并。
Deep Code CLI 编程时把 AI 编码助手整合到终端，提供专为 deepseek-v4 优化的深度思考编码解决方案，无需打开编辑器、聊天工具、浏览器搜索资料，不用来回切换终端和文档。
Deep Code CLI 不仅支持思考模式、推理强度控制，还内置 Agent Skills 扩展、多模态图片理解、Web 搜索工具，甚至可无缝切换 VSCode 插件。
主要功能：
- 深度思考模式，支持推理强度控制（max/medium/min）和上下文缓存降低成本；
- Agent Skills 系统，支持用户级和项目级技能扩展；
- 高质量终端交互，快捷键操作：Enter 发送、Ctrl+V 粘贴图片、/ 打开技能菜单；
- 多模态支持，图片理解（推荐 Doubao-Seed-2.0-pro 模型）；
- 支持 Web 搜索工具、Slack 通知脚本、Coding Plan 等自定义扩展；
- 支持 deepseek-v4-pro/flash 及 OpenAI 兼容模型，配置简单共享 VSCode 插件。
支持 npm 全局安装，在任意项目目录运行 deepcode 即可启动，适合开发者日常编码加速。
Deep Code CLI 不仅支持思考模式、推理强度控制，还内置 Agent Skills 扩展、多模态图片理解、Web 搜索工具，甚至可无缝切换 VSCode 插件。
主要功能：
- 深度思考模式，支持推理强度控制（max/medium/min）和上下文缓存降低成本；
- Agent Skills 系统，支持用户级和项目级技能扩展；
- 高质量终端交互，快捷键操作：Enter 发送、Ctrl+V 粘贴图片、/ 打开技能菜单；
- 多模态支持，图片理解（推荐 Doubao-Seed-2.0-pro 模型）；
- 支持 Web 搜索工具、Slack 通知脚本、Coding Plan 等自定义扩展；
- 支持 deepseek-v4-pro/flash 及 OpenAI 兼容模型，配置简单共享 VSCode 插件。
支持 npm 全局安装，在任意项目目录运行 deepcode 即可启动，适合开发者日常编码加速。
用Claude Code写代码太贵了！每月$200还有使用限制，自主代理循环功能强大但成本高昂。
deepclaude 完美兼容Claude Code的代理循环，只换大脑不换身体，实现17倍成本节省！
支持DeepSeek V4 Pro（$0.87/M输出）、OpenRouter、Fireworks AI等后端，终端+VS Code无缝运行，文件编辑、bash执行、git操作全支持。
主要功能：
- 兼容Claude Code完整工具链：文件读写编辑、bash/PowerShell执行、git操作；
- 支持DeepSeek V4 Pro（96.4% LiveCodeBench）、OpenRouter（最低$0.44/M）、Fireworks（最快US服务器）；
- 实时后端切换（/deepseek、/anthropic命令，无需重启）；
- 自动上下文缓存，重复请求成本低至$0.004/M（120倍节省）；
- 成本追踪与节省统计，代理会话中随时查看；
- VS Code/Cursor集成，支持远程控制（手机/平板浏览器访问）。
支持Windows/macOS/Linux，通过简单脚本安装即可运行，适合开发者节省AI编码成本。
deepclaude 完美兼容Claude Code的代理循环，只换大脑不换身体，实现17倍成本节省！
支持DeepSeek V4 Pro（$0.87/M输出）、OpenRouter、Fireworks AI等后端，终端+VS Code无缝运行，文件编辑、bash执行、git操作全支持。
主要功能：
- 兼容Claude Code完整工具链：文件读写编辑、bash/PowerShell执行、git操作；
- 支持DeepSeek V4 Pro（96.4% LiveCodeBench）、OpenRouter（最低$0.44/M）、Fireworks（最快US服务器）；
- 实时后端切换（/deepseek、/anthropic命令，无需重启）；
- 自动上下文缓存，重复请求成本低至$0.004/M（120倍节省）；
- 成本追踪与节省统计，代理会话中随时查看；
- VS Code/Cursor集成，支持远程控制（手机/平板浏览器访问）。
支持Windows/macOS/Linux，通过简单脚本安装即可运行，适合开发者节省AI编码成本。
台积电路线图揭秘：算力增长的本质是物理堆叠 | 推文
AI 时代的算力竞赛已不再是单纯的晶体管缩减游戏，而是一场关于制程、封装、内存与散热的系统级集成战争。台积电的路线图揭示了一个事实：算力增长的本质是物理系统的规模化堆叠。
所有的 AI 魔法，底层都是极度沉重的物理系统。
台积电最新的技术路线图释放了一个很冷酷的信号：过去那种靠挤压晶体管尺寸来换取性能的“节点缩放”时代正在瓦解。现在的竞争维度变了，不再是比谁的芯片更聪明，而是比谁能把整个算力系统造出来。
有观点认为，AI 正在把半导体推回权力的中心。到 2030 年，HPC 和 AI 业务将占据半导体市场的半壁江山。这种增长不是波浪式的周期波动，而是结构性的跃迁。
制程的逻辑正在分化。像 A13 这种节点，追求的是经济上的明智，通过保持设计兼容来降低客户迁移 IP 的成本；而像 A16 这种节点，则是为了解决 AI 芯片由于电流密度过大带来的电源完整性问题，通过背面供电技术把电源和信号线分离开。这就像是在拥挤的城市里，不再只是盖更高的大楼，而是开始修地下供电管网。
更值得注意的是，算力的增长引擎已经转移到了封装层。CoWoS、SoIC 和 HBM 的组合，让性能的提升不再依赖单一芯片，而是依赖“系统封装规模”。当单颗芯片做不动时，就往里面堆更多的 HBM，甚至直接搞晶圆级系统（SoW）。
有网友提到，AI 正在从“理解世界”转向“参与世界”。当 AI 进入汽车和机器人领域，变成 Physical AI 时，对延迟和可靠性的要求会直接决定生死。
摩尔定律并没有消失，它只是从单纯的微缩，变成了复杂的系统工程。
AI 时代的算力竞赛已不再是单纯的晶体管缩减游戏，而是一场关于制程、封装、内存与散热的系统级集成战争。台积电的路线图揭示了一个事实：算力增长的本质是物理系统的规模化堆叠。
所有的 AI 魔法，底层都是极度沉重的物理系统。
台积电最新的技术路线图释放了一个很冷酷的信号：过去那种靠挤压晶体管尺寸来换取性能的“节点缩放”时代正在瓦解。现在的竞争维度变了，不再是比谁的芯片更聪明，而是比谁能把整个算力系统造出来。
有观点认为，AI 正在把半导体推回权力的中心。到 2030 年，HPC 和 AI 业务将占据半导体市场的半壁江山。这种增长不是波浪式的周期波动，而是结构性的跃迁。
制程的逻辑正在分化。像 A13 这种节点，追求的是经济上的明智，通过保持设计兼容来降低客户迁移 IP 的成本；而像 A16 这种节点，则是为了解决 AI 芯片由于电流密度过大带来的电源完整性问题，通过背面供电技术把电源和信号线分离开。这就像是在拥挤的城市里，不再只是盖更高的大楼，而是开始修地下供电管网。
更值得注意的是，算力的增长引擎已经转移到了封装层。CoWoS、SoIC 和 HBM 的组合，让性能的提升不再依赖单一芯片，而是依赖“系统封装规模”。当单颗芯片做不动时，就往里面堆更多的 HBM，甚至直接搞晶圆级系统（SoW）。
有网友提到，AI 正在从“理解世界”转向“参与世界”。当 AI 进入汽车和机器人领域，变成 Physical AI 时，对延迟和可靠性的要求会直接决定生死。
摩尔定律并没有消失，它只是从单纯的微缩，变成了复杂的系统工程。
面对大型代码库，常常不知道从哪里入手，文件函数关系复杂，来回grep查找效率低下。
Understand-Anything 把代码分析功能全部整合到一起，提供了可视化理解代码库的解决方案。
不仅能生成交互式知识图谱，还支持语义搜索、引导式架构游览、变更影响分析，甚至能处理Karpathy风格的LLM知识库。
主要功能：
- 交互式知识图谱，支持文件、函数、类及依赖关系可视化探索；
- 多代理管道分析，按架构层（API、服务、数据层等）自动着色分组；
- 模糊搜索与语义搜索，能按含义查找代码组件；
- 引导式架构游览，按依赖顺序自动生成学习路径；
- 变更影响分析，预览修改对系统的波及范围；
- 支持知识库分析，将文档/维基转为可导航的知识图谱；
- 跨平台兼容Claude Code、Cursor、Copilot、Gemini CLI等多款AI编码工具。
支持Claude Code原生插件安装，分析后生成交互式React Flow仪表盘，适合新手上手大型项目或团队协作代码审查。
Understand-Anything 把代码分析功能全部整合到一起，提供了可视化理解代码库的解决方案。
不仅能生成交互式知识图谱，还支持语义搜索、引导式架构游览、变更影响分析，甚至能处理Karpathy风格的LLM知识库。
主要功能：
- 交互式知识图谱，支持文件、函数、类及依赖关系可视化探索；
- 多代理管道分析，按架构层（API、服务、数据层等）自动着色分组；
- 模糊搜索与语义搜索，能按含义查找代码组件；
- 引导式架构游览，按依赖顺序自动生成学习路径；
- 变更影响分析，预览修改对系统的波及范围；
- 支持知识库分析，将文档/维基转为可导航的知识图谱；
- 跨平台兼容Claude Code、Cursor、Copilot、Gemini CLI等多款AI编码工具。
支持Claude Code原生插件安装，分析后生成交互式React Flow仪表盘，适合新手上手大型项目或团队协作代码审查。
OpenAI 把训练 ChatGPT 用的网络协议开源了。| 公告 | paper
这套协议叫 MRC（Multipath Reliable Connection，多路径可靠连接），由 OpenAI 联合 AMD、博通、英特尔、微软、英伟达共同开发，通过 OCP（开放计算项目，业内最大的开源硬件标准组织）开放给全行业。AMD、博通、微软、英伟达同步发了配套博文。
训练大模型，几万到十几万张 GPU 要保持步调一致。一次训练步可能涉及几百万次数据传输，只要有一笔晚到，所有 GPU 都得干等。集群越大，链路抖动和故障越频繁。
传统网络的麻烦：一条链路挂了，整个训练任务可能崩掉，得回到上一个检查点重跑；交换机重新算路由要花好几秒甚至几十秒。OpenAI 在搭 Stargate（其大型算力基础设施项目）这种规模的集群时，遇到的第一个瓶颈就是网络。
过去一笔传输只走一条路径，MRC 改成把数据包拆散，同时分头走几百条路径，目的地再按内存地址重新拼起来。
链路出问题，微秒级就能绕开，不需要交换机重算路由表。OpenAI 还把动态路由协议(BGP)整个砍掉,改用 SRv6 源路由:发送方直接指定每个包走哪条路,交换机退化成"无脑"转发器,故障面大幅缩小。
网络结构因此简化。原本要 3 到 4 层交换机才能连起十几万张 GPU,MRC 的多平面设计 2 层就够,功耗、成本、故障点全降。
MRC 已经部署在 OpenAI 所有最大的英伟达 GB200 超算上,包括 Stargate 在德州 Abilene 与甲骨文合建的站点,以及微软 Fairwater 数据中心。多个 OpenAI 模型用它训练出来。
最直观的例子:最近一次前沿模型训练(服务 ChatGPT 和 Codex)期间,团队重启了 4 台核心交换机,不需要跟训练团队协调;每分钟还有多次链路抖动,对训练任务也没有可测量的影响。换以前,这种事故足以让整个任务崩溃。
这套协议叫 MRC（Multipath Reliable Connection，多路径可靠连接），由 OpenAI 联合 AMD、博通、英特尔、微软、英伟达共同开发，通过 OCP（开放计算项目，业内最大的开源硬件标准组织）开放给全行业。AMD、博通、微软、英伟达同步发了配套博文。
训练大模型，几万到十几万张 GPU 要保持步调一致。一次训练步可能涉及几百万次数据传输，只要有一笔晚到，所有 GPU 都得干等。集群越大，链路抖动和故障越频繁。
传统网络的麻烦：一条链路挂了，整个训练任务可能崩掉，得回到上一个检查点重跑；交换机重新算路由要花好几秒甚至几十秒。OpenAI 在搭 Stargate（其大型算力基础设施项目）这种规模的集群时，遇到的第一个瓶颈就是网络。
过去一笔传输只走一条路径，MRC 改成把数据包拆散，同时分头走几百条路径，目的地再按内存地址重新拼起来。
链路出问题，微秒级就能绕开，不需要交换机重算路由表。OpenAI 还把动态路由协议(BGP)整个砍掉,改用 SRv6 源路由:发送方直接指定每个包走哪条路,交换机退化成"无脑"转发器,故障面大幅缩小。
网络结构因此简化。原本要 3 到 4 层交换机才能连起十几万张 GPU,MRC 的多平面设计 2 层就够,功耗、成本、故障点全降。
MRC 已经部署在 OpenAI 所有最大的英伟达 GB200 超算上,包括 Stargate 在德州 Abilene 与甲骨文合建的站点,以及微软 Fairwater 数据中心。多个 OpenAI 模型用它训练出来。
最直观的例子:最近一次前沿模型训练(服务 ChatGPT 和 Codex)期间,团队重启了 4 台核心交换机,不需要跟训练团队协调;每分钟还有多次链路抖动,对训练任务也没有可测量的影响。换以前,这种事故足以让整个任务崩溃。
微软提出了一种面向行为的并发（BOC）编程范式，尤其适合 Python。| blog
“在 BOC 程序中，数据是共享的，但每个行为对数据拥有独特的时间所有权，从而无需通过锁来协调访问。对于 Python 程序员来说，这带来了诸多好处。行为通过装饰函数来实现，从程序员的角度看，这些函数的使用方式与普通函数无异。更重要的是，程序员的任务从解决并发数据访问问题转变为通过函数组织数据流。由此生成的程序更易于理解、更易于维护、更易于扩展，并且能够充分利用多核性能，因为可以高效地调度行为在多个进程中运行。”
它的全名是 Behavior-Oriented Concurrency in Python，核心目标是让程序员把注意力转移到有哪些行为要发生、这些行为依赖哪些数据、数据如何在行为之间流动这样的问题上，降低并发编程的难度。官网把它概括为一种适合 Python 的并发/并行新范式：让每个行为在某段时间内独占它需要的数据，从而减少手动协调共享数据的负担。
“在 BOC 程序中，数据是共享的，但每个行为对数据拥有独特的时间所有权，从而无需通过锁来协调访问。对于 Python 程序员来说，这带来了诸多好处。行为通过装饰函数来实现，从程序员的角度看，这些函数的使用方式与普通函数无异。更重要的是，程序员的任务从解决并发数据访问问题转变为通过函数组织数据流。由此生成的程序更易于理解、更易于维护、更易于扩展，并且能够充分利用多核性能，因为可以高效地调度行为在多个进程中运行。”
它的全名是 Behavior-Oriented Concurrency in Python，核心目标是让程序员把注意力转移到有哪些行为要发生、这些行为依赖哪些数据、数据如何在行为之间流动这样的问题上，降低并发编程的难度。官网把它概括为一种适合 Python 的并发/并行新范式：让每个行为在某段时间内独占它需要的数据，从而减少手动协调共享数据的负担。
OpenCyvis 是一个开源的 AI 手机方案。用户可以自由选择 LLM 后端（云端或本地），AI 在后台虚拟显示器上操作，不占用前台屏幕。Apache 2.0 协议，代码完全公开。| 公众号文章 | github
“过去一年，不少厂商推出了「AI 手机」的概念——豆包、三星 Galaxy AI、Google 的 Gemini 集成等等。核心思路大同小异：AI 理解屏幕内容，代替用户完成操作。
但这些方案有一个共性：它们都是封闭的。模型由厂商指定，数据通过厂商的服务器处理，用户没有办法审计中间发生了什么，也没有办法换一个自己信任的模型。
开源社区也有一些尝试，比如基于 ADB 的各种PhoneUse项目。它们可以让用户自定模型，但需要连接电脑，且 AI 操作时会直接占用用户的屏幕。
于是我做了OpenCyvis ，试图同时解决这两个问题。”
“过去一年，不少厂商推出了「AI 手机」的概念——豆包、三星 Galaxy AI、Google 的 Gemini 集成等等。核心思路大同小异：AI 理解屏幕内容，代替用户完成操作。
但这些方案有一个共性：它们都是封闭的。模型由厂商指定，数据通过厂商的服务器处理，用户没有办法审计中间发生了什么，也没有办法换一个自己信任的模型。
开源社区也有一些尝试，比如基于 ADB 的各种PhoneUse项目。它们可以让用户自定模型，但需要连接电脑，且 AI 操作时会直接占用用户的屏幕。
于是我做了OpenCyvis ，试图同时解决这两个问题。”