看懂 ADB，才知道本地算力机怎么用
本文探讨了如何利用 ADB（Android 调试桥）将本地算力机（AIPC）与 Android 手机结合，构建高效的自动化工作流。作者指出，ADB 充当了电脑控制手机的执行通道，能实现截图、点击和数据传输等操作。结合本地大模型与 OCR 技术，算力机可自动完成小红书等平台的内容采集与整理。这种模式展现了 AIPC 连接和控制实体设备的未来潜力，将推动家庭自动化的应用。
相关文档
没有 AIPC 的家庭是支离破碎的：AIPC 是什么、如何选择
文章介绍了 AIPC（能在本机处理 AI 工作负载的个人电脑）的概念与工作原理，通过扫描件 OCR 的例子说明本地 AI 任务从输入到输出的完整链路及各环节的交接问题。对比了 AMD Ryzen AI Max+ 395 Mini PC 与 NVIDIA DGX Spark 两类设备的架构、内存与软件生态差异，并讨论了在没有 AIPC 时如何利用闲置电脑跑本地模型，以及噪声、散热和何时应购买独立 AIPC 的考量。作者认为随着本地大模型能力逼近闭源云端模型，专业人士应考虑部署一台可 24 小时运行的 AIPC。
文心 Unlimited OCR 2 横评：杀手锏不是读得多，而是每一步只看该看的
作者基于此前多次 OCR 横评经验，介绍百度文心团队开源的 Unlimited OCR 2。作者实测 1665 页《平凡的世界》图片版 PDF，40 分钟完整解析，3623 页《哈利·波特》也只需 90 分钟。其核心创新是 SR-SWA（稀疏参考滑动窗口注意力），通过 Page Gate 划定相关页面、Token Sieve 挑选 top-k 视觉块，使每步计算量不随页数增长；配合无限解码机制，百页文档峰值显存从 47GB 降至 1.77GB。与全注意力相比快 7 倍，在 MarathonDocBench 上保持 SOTA。短板是全局结构信息（如标题层级）保留不足。
FDE 实战案例：海量多模态数据清洗成可信数据的八步方法
作者以美妆企业 FDE 落地项目为例，讲解如何将小红书、抖音、视频号、微博等平台采集的多模态数据（文字、图片、音频、视频）清洗成一套可信、可查询的结构化数据。文章提出八步通用链路：定数据规范、保留原始内容、梳理用户/帖子/评论关系、多模态归一处理、冲突与质量清洗（含证据分级）、生成结构化数据、执行验收、按规则和版本入库。文中还给出 OCR/ASR 工具选型建议（FFmpeg、PaddleOCR、Whisper 等）以及大模型结构化输出的实践经验。
AIPC选购指南：DGX Spark 还是 AMD 395？
文章对比了两款桌面跑大模型的设备：英伟达 DGX Spark（国行3.5万）与搭载 AMD Ryzen AI Max+ 395 的小主机（近2万）。两者均采用统一内存架构、128GB 内存，可装下 70B 级模型。核心结论：出字速度受内存带宽限制，两台几乎一样；读题（预填充）速度 Spark 快五到六倍，资料越长优势越大。文章还分析了各自优缺点、CUDA 生态、双机集群跑 DeepSeek-V4 的玩法及真实翻车案例。
Claude Code 在我家人的手机上发现了间谍软件，并在我 Mac 上发现了后门
作者分享了多起利用 Claude Code 检测手机和电脑上恶意软件的真实案例：伪装成系统应用（如 System Sync）的 stalkerware、通过无障碍权限监控定位的间谍软件，以及 Instagram/Telegram 等应用中并未真正删除的消失消息。文章详细讲解了 stalkerware 的三种隐藏手段，并给出可在 10 分钟内完成的 Claude Code 只读审计提示词和手动 ADB 命令，包括检查第三方包安装日期、设备管理员、无障碍服务、通知监听器交叉比对等方法，还推荐了 MVT、stalkerware-indicators、TinyCheck 等取证工具，帮助普通人自查设备安全。
AI大模型把Arduino、ESP32变成可交互的在线实验室
文章认为入门AI硬件开发的最佳方式是在AI生成的交互式在线实验室中学习，而非先购买开发板。这种实验室由大模型生成的交互式UI、硬件行为模拟和渐进式教程流组成。文章介绍了Learn Arduino、Claude 3D设备拆解和ESP Labs三个项目：分别提供3D电路学习、可拆装的设备模型和完整的ESP32开发板教学平台。大模型在结构建模、原理动画、状态逻辑和固件映射方面能力已足够强，大幅降低了开发成本。文章同时指出其边界：模拟不等于真实芯片仿真，AI生成内容需专业人员把关，并给出了学习路线和维护者建议。
Grok Bot 与 Muse 深度使用测评
作者深度使用 grok bot 和 Muse 数周后进行对比测评。grok bot 的核心优势是多端登录与跨平台操作，作者用它实现自媒体全自动起号：选题、视频生成、发布、评论一条龙，并通过 ADB 控制安卓手机降低封号风险。Muse 胜在免费（含 KVM 机器和每周十亿 token），但工程和代码能力较弱，远程操控体验不如 grok bot。作者分享了 cf tunnel 常驻进程等实践，并总结最佳组合为 paseo+grok bot+claude cli+codex cli，认为涉及高权限、跨平台协作时 grok bot 最强，投资交易策略则仍需人工决策。
手把手教你用AI逆向现实世界，把一切改成自己喜欢的样子
文章介绍了用AI Agent（如Claude Code、Codex）逆向和改造现实电子设备的新玩法。作者通过实例展示了如何让AI清理公司会议室电视的开机广告并重做简洁桌面、逆向补光灯蓝牙协议开发统一灯光控制台、以及打造多机位相机控制台。只需把需求和设备信息交给Agent，跟着提示一步步操作，小白也能完成硬件改造。作者引用《设计心理学》理念，指出AI正在降低个性化改造设备的门槛，让普通人从产品使用者变成参与设计者，哪里不爽改哪里。
新模型发布，为啥总要画鹈鹕？
文章讲述了“生成骑自行车的鹈鹕SVG”这一AI测试题的来龙去脉。该题源自英国程序员Simon Willison，因同时考验模型的空间几何理解与代码生成能力而成为测试大模型的经典题目。随着模型进步，该测试已趋于饱和，连小体量开源模型Qwen3.6都能击败Claude Opus 4.7，引发其是否沦为“应试科目”的讨论。作者分析了鹈鹕测试依然流行的原因：直观易懂、已成为开发者社区的“开机仪式”，透过这只越来越像样的鹈鹕，能直观感受AI时代的快速发展。
把Muse最强模型接进Codex CLI，开源反代
作者开源了Muse-Bridge反向代理项目（v1.4.1），可在本机或服务器运行代理服务，将Muse.ai网页请求转发给Codex CLI、CC switch等命令行工具，让用户通过CLI调用Meta的Muse-Wonder大模型。文章介绍了部署步骤、Cookie获取方法、管理页面功能，并分享使用体验：作者连续使用约20天、累计106亿tokens，认为该模型在写作尤其是小说创作上表现出色，可与GPT-6.1 Sol媲美。同时提醒Cookie是登录凭证，需注意安全，不要泄露。
Kimi K3.1 Pro 来了：离最强只差 0.7 分，API 反而降价三分之一，权重 11 月 4 日白送
月之暗面发布 Kimi K3.1 Pro，基于 K3 做 post-training 升级，2.8T 总参数、104B 激活（MoE）、1M 上下文、多模态。Terminal-Bench 4.0 得分 65.7，超越 GPT-6 Astra（58.2），仅落后 Claude Opus 5.5（66.4）0.7 分，是开源模型离闭源最强最接近的一次。API 价格输入 $2/输出 $10，比上一代降价三分之一，权重将于 11 月 4 日开源。文章拆解了 14 项评测表现，指出其在编码、Agent、金融分析领域表现出色，但科学计算类任务偏科严重（38.1 vs 68.1），并给出小白使用入口与避坑清单。
LoRA 与 QLoRA：用一块 GPU 微调大模型
本文从“模式”（一列乘一行的秩1矩阵）概念出发，系统讲解 LoRA 与 QLoRA 如何降低大模型微调的显存开销。LoRA 通过低秩近似冻结原有权重，只训练少量新增模式（B·A），将可训练参数减少到约万分之一；量化则用 4 位 NF4 格式配合分块缩放和双重量化存储权重，保留全部模式但降低每个数的精度。QLoRA 结合两者：冻结权重用 4 位存储，LoRA 分支用 16 位训练，使 65B 模型只需一块 48GB GPU 即可微调，Guanaco 在 Vicuna 评测中达到 ChatGPT 的 99.3%。文中还比较了低秩近似与量化误差结构的不同，并给出 7B 模型显存估算：全参数微调约 100GB，LoRA 约 15GB，QLoRA 约 5GB。
