更多动态
QAT不是普通量化，Quantization-Aware Training是模型在训练阶段就适配低比特表示，效果接近原模型 （bfloat16），但内存占用大幅下降。 最小模型小于1GB，小设备部署没压力，我打算用它试下本地agent + RAG的效果 🔗 https://huggingface.co/collections/google/gemma-4-qat-q4-0
Huxe是我很喜欢的一个AI 播客产品。今天发现无法登陆，查了下倒闭了。 说到底还是太大众，没护城河，想做产品的可以吸取Huxe失败的经验。 功能被大厂秒抄，关停前一天，Spotify 刚发布了一模一样的 personal podcast 功能。 当一个 AI 能力变成巨头产品的标配，独立 App 的变现窗口就被封死了。
订阅费也没法儿退，我甚至怀疑申诉邮件就是钓鱼的，有追踪IP地址。 dhh是美国开发者，前段时间来深圳交流，演示了自己怎么用claude code。 目前最稳妥的方式就是参考dhh方法，把Claude code放在海外机器上，用tailscale远程连接使用。 那就得租一台有家宽的海外机器，在那台机器上注册和登录claude。
九月底前我都是坐在电脑前开着terminal指挥着pi，跑多subagent，最后再自己看diff，提pr，经常一坐就是一天。 九月底，我工作流改成在手机端用hermes指挥pi，完全解决了久坐电脑前的痛苦，用到现在还挺舒服。 Hermes用旗舰模型（gpt-6-astra/opus-5.5），pi尽量不装插件，用中端模型（ds-v4.1-flash/sonnet/terra），二者间用a2a通讯。 hermes负责分析issues，拆分成多个小任务，然后给每个小任务创建worktree，并在里面派遣pi去完成小任务。 每个pi完成任务都会通知hermes，由它判断提pr还是返工给pi。基本逛一天景点，或一觉醒来十几个pr搞好了，舒服得很。 就是过程太黑盒了，心路历程有点像早期的vibe coding，那会diff至少自己会看一下，现在diff也黑盒，完全交给旗舰模型，属于盒中盒了。 如果没数据焦虑，其实可以直接用grok-bot或者chatgpt-dot，开箱即用，里面内置了grok-cli和codex，原生agents通讯。弊端就是数据不在本地，有监管，万一被封号一切归零。
