作者在 A100-80G 上部署并实测了蚂蚁百灵开源的 Ming-Image-0.1 系列，包括 Design 生图模型和 Layer 拆层模型。文章详细记录了部署过程与显存优化技巧（VAE 逐帧+分块解码可将峰值从 71.8GB 降至 55.4GB），并用 12 张电商图做了拆层评测：平面海报和白底商品图重组 PSNR 可达 29dB 以上，配合 VL 模型生成分层计划能显著提升图层顺序准确性。作者还搭建了电商主图工作台，实现大促换皮（商品层像素零变化）、文案 A/B、一键英文版和 PSD 导出，展示了 AI 生图从「生成」到「可编辑」的完整流水线。
作者尝试用 Apodex 1.1 自动生成训练数据，解决用小模型替代大模型时缺乏标注数据的难题。实验场景是让小模型学会根据自然语言描述从 HuggingFace 九百多个候选模型中挑选正确的模型。Apodex 拆解任务、派出 14 个子 Agent 分工协作并上网核实，最终生成 4218 条经核实的训练数据，还主动推翻了作者一条错误规则。用这批数据训练 Qwen3.5-0.8B 后，挑对模型的比例从 0.4% 提升到 10.7%，瞎编模型名的比例大幅下降，效果优于当年 Berkeley 用 GPT-4 生成的数据。作者总结：AI 能替人造数据的关键，在于能否自动判对错。
作者介绍了在 MacBook M4 Pro 上部署蚂蚁百灵开源的 Ling-3.0-tiny 稀疏 MoE 模型的完整过程，用于处理 48G 微信记录和 237 篇日记等隐私数据。文章详述了 FP8 权重选择、编译 MLX 后端 ollama、避坑指南等实操细节，实测生成速度约 78-99 tokens/s。在脱敏、命名实体识别、长文压缩、去重四个场景中表现优异，并总结分工原则：抽取任务交给本地模型，语义判断留给云端模型。
本文是博主对硅谷101播客中阿里巴巴集团副总裁、瓴羊CEO朋新宇关于FDE（前端开发工程师）访谈的要点总结。文章指出FDE的溢价源于从交付功能转向交付可验证的业务效果，能力要求包括对AI的锐度、行业深度和数据宽度。瓴羊聚焦电商行业，提供标准化能力，商业模式包括卖agent坐席和按效果付费。文章还讨论了FDE推进的顺利条件、项目时间分配以及FDE角色的细分（BA、AI架构师、首席客服/销冠），并强调自上而下推动和内部员工K形分化的重要性。
文章介绍了一套由作者开发并开源的 AI 新闻简报系统。该系统通过聚合重型源、编辑精选和独家视角三个层级的信息，监控 1000 多个信息源，利用自动化技能进行多轮筛选和个性化处理。它解决了信息过载问题，实现了让高质量信息主动寻找用户，而非用户盲目搜寻。
