千面如来刘洵，早上看到微博罗家英发的帖子证实已经去世了，演技超强的老爷子，终究时代的落幕 简单科普，可能名字诸位有点不熟悉 九品芝麻官当中常威的干爷爷李公公，刀马旦里面唱戏的配角，笑傲江湖里面的古今福古公公，龙门客栈与梁家辉对峙的贾廷，贾公公 笑傲江湖二里面演的向问天，笑傲江湖里的刘永福，黄飞鸿他爸黄麒英，以及最经典的。倩女幽魂，慈航普渡，和第3部的白云禅师，还有一刀倾城的傲白 太多还有其他电影，楼主就不详细写了 5 个帖子 - 3 位参与者 阅读完整话题
IT之家 5 月 28 日消息，腾讯混元宣布正式推出 Hy-Memory。据介绍，这是一个专门为 Openclaw 这类长期协作型 Agent 设计的记忆插件，能真正成为 Agent 的“第二大脑”。 官方称，Hy-Memory 用 6 层记忆框架 × System1/System2 双系统 × 演化链三层底牌，让 Agent 在长期使用中真正 " 记得住、记得对、记得轻、更懂你 "。 在权威公开测试集上，Hy-Memory 效果超过现有主流 memory 框架，可以解决记忆碎片化问题，记忆数量低 70%+，每条记忆信息密度高 45%+。在处理超长上下文方面，Hy-Memory 消耗的 token 量降低 35%，记忆更新速度快 20%。 IT之家附官方详细介绍如下： Agent 任务对长期记忆的要求远超 Chat 使用 Agent 和 Openclaw 深度用户，常常描述过一种常见的“三周轨迹”。 第一周: 蜜月期，把自己当下正在忙的事情，比如一个项目的来龙去脉、最近的决定和取舍、未来想做的方向一股脑都告诉 Openclaw。，能回答问题、能查资料、能帮你规划、能写代码、能起草文档。“这玩意儿真好用”—— 这是大多数人第一周的真实感受。 第二周: 开始不安。人们注意到每天打开 Openclaw 都得先花 3 到 5 分钟提醒它我们在做什么。它好像不太记得几天前讨论过的判断。当你对它说“按之前那个方案”，它会反问“哪个方案”，说“那个我们排除掉的选项”，它却想不起来排除的是什么、为什么排除。不是完全不记得。Openclaw 默认的记忆机制能记住一些最近的对话原文，但跨天、跨 Session、那些更深的判断，它就漂移了。 第三周: 主动降级使用，开始下意识地缩短跟它讨论的深度。不再问“这个方向我该不该走”，因为知道明天它就忘了。变成只问最具体、最即时的小问题: 搜个资料、查个语法、改一段文字。 最常见的结局是，Openclaw 在使用者眼里，慢慢从“能陪你思考的伙伴”，降级成了“一个查询工具”。这不是 Openclaw 的问题 —— 它的内核能力一直很强。问题在于：长期协作类任务对长期记忆的要求，远超过普通 Chat。 Hy-Memory 这个 Openclaw 记忆插件的初衷，就是为了把这三周轨迹的后两周抹掉 —— 让用户第一周怎么用 Openclaw，第三个月还能怎么用，而且越用越懂。 1、长期任务对记忆的挑战比想象中难 长期任务跟普通 Chat 完全是两种工作。不管你拿 Openclaw 调研一个复杂决策、写一本书、规划一次大旅行、跟进一个跨季度的项目，一次对话可能 30 轮 50 轮 100 轮，中间不停地查资料、调工具、读文档、出方案、回退、再改、再走，一个 Session 可能持续几个小时，任务可能跨越数周。 记忆系统至少要扛住 4 件事： 任何一个环节崩了，体验就崩了。 2、一个合格的 Openclaw 记忆插件要满足的 3 条标准 我们在设计 Hy-Memory 的时候围绕“什么样的记忆插件才配得上 Openclaw 这种长期协作场景”，定了 3 条硬标准。 标准一：不能丢历史。 用户跟 Agent 聊过的所有“为什么选这个、为什么否那个”—— 这些判断和因果不能丢。否则下次它推荐方案，可能直接推荐回用户已经否过的那个，白费时间。 标准二：要能演化。 人不是一个静态的存在。技术偏好、生活习惯、长期目标都会随时间变，对某件事的看法也会反复调整，这些都得被记住。不是覆盖式的“只记最新”, 也不是堆积式的“全都留下”，而是要有一个清晰的演化轨迹。 标准三：要在主链路里不仅足够快，还要有认知迭代，进化。 记忆插件不能拖慢用户当下打字、调用工具、等结果的速度。每次搜索要在毫秒级, 召回也不能成为响应瓶颈。同时还要有深层次的语义和事实理解。 接下来，我们把 Hy-Memory 满足这 3 条标准的三层底牌分别讲清楚。 Hy-Memory 的三层核心 第一层：6 层记忆框架 —— 给每种记忆找到正确位置 Hy-Memory 做的第一件事, 是没有把所有记忆塞进同一张表。 想一下 —— 用户跟 Openclaw 聊到最近在准备出国留学, 这段话里其实混着好几种东西： · “我在准备出国留学”—— 这是事实 · “我偏好北欧那种慢节奏的项目”—— 这是画像 · “我做大决策前会先列利弊清单”—— 这是心智模型 · “我下周大概率会问推荐信怎么找教授”—— 这是前瞻意图 这些东西信息形态完全不一样, 但传统记忆系统会把它们全揉成一堆向量，搜索时一锅捞。Hy-Memory 把记忆分成 6 层，每层一种职责。下面用一组多领域混合的例子，让你感受 Agent “记的是什么”： 用户问 Openclaw “我做大决策有什么习惯”, 它应该优先看 L5 心智模型, 而不是把过去 100 轮对话原文一锅塞过来。用户问 " 我现在住在哪 ",L2 一条事实就够了。问什么、走哪层、用什么样的检索权重 —— 分层让这些都变得可能。 整个 prompt 会变干净。模型的注意力不再被无关原文稀释。 第二层：双系统设计，既保障速度又具备认知迭代 Hy-Memory 把来自人脑认知科学的 System1 / System2 机制直接复刻到了 Agent 的记忆加工上 —— 就像给 Openclaw 装了一颗符合认知科学的 " 大脑 "。 Hy-Memory 把记忆加工拆成两套。 System1 (白班)：用户回车那一秒，实时地处理写入的记忆。负责写原始痕迹、抽事实、更新画像、压会话摘要 —— 也就是 L1–L4 System2 (夜班)：秒到分钟级，在后台跑。负责抽心智模型、构建知识网络、预测意图 —— 也就是 L5–L6 为什么要拆？因为深度认知很慢。抽你的“决策心智模型”、构建你的“知识网络”—— 做完一遍 LLM 可能要 5 到 20 秒。如果让你每次调用 Openclaw 都等 20 秒才能收到回复，谁都用不下去。 但你要的也不仅是“快”—— 你要的是 Agent 越用越懂你。Hy-Memory 的拆分把这两件互相打架的事变成两条独立通道： 1、发送消息后 System1 已经把“立即可用的记忆”写好了 —— 下一句对话能立刻用上 2、 System2 在后台慢慢做更深的认知 —— 把你两周的对话沉淀成“你的决策心智” 结果在对话最直接的影响：你每次说完的信息它能立马记住；而它对你的理解还在后台不断变深。 第三层：演化链 —— 记忆能改写但不丢因果 第三层是 Hy-Memory 真正的杀手锏，也是我们觉得用户长期跟 Agent 协作时最容易踩坑、也最值得做对的一件事。 一个典型的长期场景：假设一位用户跟 Openclaw 聊了大半年自己的健身计划。过去半年里他的训练方式发生过 4 次明显的态度转折： · 去年春 — 开始跑步训练有氧，效果不错，体重和精神状态都改善了，对跑步充满信心 · 去年夏 — 跟练 HIIT，强度太大，膝盖出了问题，被迫停训两周 · 去年秋 — 转向纯力量训练，只练大重量、放弃了心肺，结果跑两公里都喘, 挫败 · 上月 — 形成「力量 + 慢跑 + 瑜伽」混合方案，身体状态终于稳定下来 今天他打开 Openclaw 问它：“我下个月想再加一种新的训练方式，你建议什么？” 三种记忆系统会给出三种答案。 答案 1：覆盖派 (只记最新) 很多默认记忆系统是“用新覆盖旧”。库里只剩“用户当前用混合训练效果好”。 Agent 的回答：“你现在的力量 + 慢跑 + 瑜伽组合挺好, 可以再加一个 CrossFit 试试, 效率高。” 不算错，但很浅。它不知道用户为什么走到混合训练 —— 错过了“HIIT 伤过膝盖”、“纯力量丢了心肺”这条完整的踩坑路径。直接推荐 CrossFit 很可能让用户再伤一次膝盖。 答案 2：堆积派 (全部保留) 另一些系统是“什么都留下，搜索时按向量相似度召回”。库里 4 条事实都在, 但搜索“新训练方式”时，最近的、最相似的先被召回 —— 大概率是“跑步起步效果不错”和“混合训练稳定”。 中间的“HIIT 膝盖受伤”、“纯力量丢心肺”在语义空间里距离稍远，可能根本召不回。 Agent 的回答：“你跑步效果不错、混合训练也稳定, 可以加一个 HIIT 试试, 提升心肺效率高。” 踩雷了。它没意识到用户已经在 HIIT 上受过伤 —— 重新推荐 HIIT 等于让用户再走一次老路、再伤一次膝盖。 答案 3：Hy-Memory 演化链 Hy-Memory 在写入第 2 条记忆时，会用 supersedes 指针指向第 1 条；第 3 条指向第 2 条；第 4 条指向第 3 条。4 条记忆通过指针串成一条链。D (混合训练，链头) ↓ supersedes C (纯力量，丢心肺) ↓ supersedes B (HIIT, 膝盖受伤) ↓ supersedes A (跑步起步) 用户问“新训练方式选什么”时，搜索命中链头 D, 整条链自动展开 ——A、B、C、D 一起返回给 Agent。 Agent 拿到的不再是孤立结论而是完整的态度演变： ● 跑步起步 → ● HIIT 伤膝盖 → ● 纯力量丢心肺 → ● 混合方案稳定下来 它的回答会是这样： “你之前在训练方式上走过完整的路: 跑步起步、HIIT 伤过一次膝盖、纯力量又丢了心肺，上月才走到力量 + 慢跑 + 瑜伽这个稳定组合。 所以新方式我会建议你避开高冲击的爆发类训练（比如 CrossFit、HIIT 这类)—— 你的膝盖已经踩过一次坑。如果想再加新内容, 可以考虑游泳或骑行这种低冲击有氧, 或者爬山 / 长距离慢跑 —— 都比再回 HIIT 安全。” 这个回答的质量，不是来自模型本身，是来自记忆结构。 演化链的本质 技术上演化链做的就是两件事： 1、新记忆写入时，通过 supersedes 指针指向旧记忆, 形成一条链 2、搜索命中链上任意一节点，自动展开整条链 最新的判断在最前面（链头），但被否过的、被替代的、被废弃的旧版本不会丢 —— 只是退到链身后面，需要时随时展开。这是我们能想到的、最适合 Agent 长期陪伴用户的“长期记忆”形态。 Hy-Memory：超过同类框架 Hy-Memory 在 LongMemEval 和 PersonaMem 这两个权威的长期记忆评测上跑过。 1、LongMemEval：得分达 85.2，远超其他框架。LongMemEval 是公认很难的长期记忆评测，500 道题覆盖 6 个能力维度。 Hy-Memory 不仅打赢所有同类系统，在 6 个维度中的 4 个维度取得最高分 —— 尤其在最考验 " 演化能力 " 的偏好 (+21.11pp)、时序推理 (+9.63pp)、知识更新 (+21.37pp) 三项上领先同类产品。 2、 PersonaMem：打赢所有同类产品，PersonaMem 是 6000+ 条消息 / 589 道题的真实长期对话评测, 更贴近 " 用户用了好几个月 " 的真实场景。 3、性能：有更高的记忆密度同时，更有 8 倍写入速度 Openclaw 用户能感受到的是： · 写入快：跟 mem0 同档，是 Graphiti 的 8 倍快，不会卡 Openclaw 的对话主链路 · 存得少：记忆条数只有 mem0 的 1/3、Graphiti 的 1/4–1/5，本地嵌入式存储，不需要外部服务，内存占用低 · 密度高：单条记忆是 mem0 的 3–4 倍信息密度，每次召回的记忆更管用，prompt 不被噪声污染 最后这条对长期任务特别重要：当一次 Session 跑到 80 轮对话, 召回的每一条记忆都得是高密度的, 否则 prompt 一下就被噪声塞爆, 模型注意力被稀释。 Hy-Memory 的高密度意味着同样的 Token 预算下 Openclaw 能看到比别的记忆系统多 3-4 倍的有效信息。
IT之家 5 月 25 日消息，美国国家航空航天局（NASA）的费米伽马射线空间望远镜观测到一次极其明亮、能量超强的超新星爆发。这场爆炸的能量可能来自一颗强磁性的死亡恒星 —— 一种被称为磁星的中子星。这颗磁星实则诞生于此次超新星爆发之中：当一颗质量远大于太阳的恒星走到生命尽头，其核心发生引力坍缩，最终催生了这颗特殊天体。 据IT之家了解，在这类核心坍缩型超新星爆发过程中，质量为太阳 1 至 2 倍的恒星核心会急剧收缩，最终坍缩至半径约 20 千米，形成中子星，科学家本次观测到的天体正是如此。剧烈的压缩不仅让中子星拥有极致密度：若取一茶匙中子星物质带到地球，重量可达千万吨（相当于 350 座自由女神像的重量），还会让中子星实现每秒最高 700 次的高速自转。恒星坍缩时，磁场线也会被挤压收拢，大幅增强磁场强度，这也让磁星成为目前已知宇宙中磁场最强的天体。 巴黎萨克雷大学的研究团队负责人法比奥・阿塞罗在一份声明中表示：“近 20 年来，天文学家一直在费米望远镜的观测数据里，搜寻数千颗超新星释放的伽马射线信号。此前虽发现过一些可疑线索，但始终没有确凿证据，如今这一局面终于被打破。” 极亮超新星 过去数十年间，天文学家已观测到约 400 次核心坍缩型超新星爆发。根据濒死恒星初始质量的不同，这类爆发也有可能诞生黑洞。其中一部分爆发被归为超亮超新星，它们释放的可见光亮度，是普通核心坍缩型超新星的十倍以上。 2024 年，科学家宣布借助费米望远镜，成功探测到编号为 SN 2017egm 的高能超新星所释放的伽马射线 —— 伽马射线是能量最高的光辐射。该超新星爆发发生在 NGC 3191 星系，距离地球约 4.4 亿光年。由于距离极其遥远，爆发产生的伽马射线耗时 4.4 亿年才抵达地球与费米望远镜，但它仍是人类观测到的距离地球最近的核心坍缩型超新星之一。 西班牙巴塞罗那空间科学研究所的吉列姆・马蒂 - 德韦萨在声明中说道：“我们梳理了费米望远镜升空前 16 年的观测数据，重点排查六颗距离最近的超亮超新星。结果只有 SN 2017egm 明确显现出伽马射线信号，这也证实了此前的推测：部分超新星在伽马射线波段的亮度，能与可见光波段持平。这为研究这类奇特的宇宙现象开辟了全新方向。” 科学家一直试图解开超亮超新星能量爆棚的谜团。有一种理论认为，这类爆发会诞生磁星，而磁星的磁场强度是普通中子星的一千倍，超强磁场正是额外能量的来源。 研究团队对 SN 2017egm 的可见光与伽马射线辐射展开观测，并将观测数据与理论模型进行比对。该模型模拟了新生磁星释放光线和粒子的过程，重点还原了粒子与超新星抛射的外层物质壳层之间的相互作用。研究人员格外关注一片由电子、正电子（电子的反物质粒子）构成的粒子云。 科学家认为，这片粒子云由高速自转的新生磁星抛射而出，并将其命名为磁星风星云。磁星风星云能够促进伽马射线的产生与吸收：当物质粒子与反物质粒子相遇时会发生湮灭，释放出伽马射线。这些伽马射线撞击超新星残骸外层壳层后，会转化为能量更低的可见光，这也解释了为何超亮超新星会拥有极强的可见光亮度。 阿塞罗解释道：“恒星核心坍缩约三个月后，随着超新星残骸不断膨胀、降温，伽马射线开始向外扩散。这套磁星模型能够很好地还原爆发初期数月内，超新星的亮度变化以及伽马射线的抵达时间。不过在后期，可见光出现无规律衰减，现有模型仍存在优化空间。” 针对可见光不规则变暗的现象，阿塞罗及其团队也提出了猜想：在恒星发生超新星爆发的数百年前，这颗恒星就已向外抛射出大量物质，这些物质后来回落至磁星表面，或许是造成亮度异常衰减的原因。 团队还对未来观测设备的性能进行了评估，分析了新一代地面伽马射线观测站 —— 切伦科夫望远镜阵列捕捉类似 SN 2017egm 这类天体爆发的能力。该望远镜阵列分别坐落于帕瑞纳天文台以及西班牙拉帕尔马岛。测算结果显示，累计观测 50 小时的情况下，它能够探测到距离地球约 5 亿光年范围内的同类宇宙爆发。 这一设备将有望帮助科学家彻底揭开超强超新星的奥秘。 美国国家航空航天局戈达德太空飞行中心的团队成员朱迪・拉库辛表示：“本文提出的磁星中心能量机制，依托过去二十年间人类在磁星观测与理论研究上取得的诸多进展。而探测超新星的伽马射线，将为我们探索其内部运作机制提供全新手段。” 该研究成果已于 5 月 20 日（周三）发表在《天文学与天体物理学》期刊上。
IT之家 5 月 20 日消息，在今日的 2026 谷歌 I/O 开发者大会上，谷歌宣布 Gemini 3.5 Pro 模型将在下个月登场。 IT之家从大会获悉， 谷歌目前已在内部使用 Gemini 3.5 Pro ，官方表示它的进步非常强。其他具体信息暂未公布。
QuickTUI 下一个重大版本即将发布, 核心功能是提供了端到端加密的中转连接. 使用中转服务, QuickTUI 客户端可以通过中转服务器连接运行在局域网/内网中安装了 QuickTUI 服务端的机器. 优势 使用端到端加密架构, 中转服务器无法获取客户端和服务端之间的传输数据. 服务端不需要暴露在公网中, 提升安全性. 提供网络传输压缩, 尽可能提升使用体验. 说明 中转服务连接码的使用说明会在邀请邮件中提供. 中转服务仅能用于 QuickTUI 客户端和服务端通讯, 并非通用中转服务. 对于流量较大的用户, 内测期间可能暂停服务. 内测时中转服务器配置较低, 高峰期可能存在响应时间增加的问题. QuickTUI 的介绍 官方网站 https://quicktui.ai/ 方便的工具栏 快速输入框 命令面板 会话切换器 加入微信群 之前发码贴依然有效 https://www.v2ex.com/t/1212788
QuickTUI 下一个重大版本即将发布, 核心功能是提供了端到端加密的中转连接. 使用中转服务, QuickTUI 客户端可以通过中转服务器连接运行在局域网/内网中安装了 QuickTUI 服务端的机器. 优势 使用端到端加密架构, 中转服务器无法获取客户端和服务端之间的传输数据. 服务端不需要暴露在公网中, 提升安全性. 提供网络传输压缩, 尽可能提升使用体验. 说明 中转服务连接码的使用说明会在邀请邮件中提供. 中转服务仅能用于 QuickTUI 客户端和服务端通讯, 并非通用中转服务. 对于流量较大的用户, 内测期间可能暂停服务. 内测时中转服务器配置较低, 高峰期可能存在响应时间增加的问题. QuickTUI 的介绍 官方网站 https://quicktui.ai/ 方便的工具栏 快速输入框 命令面板 会话切换器 加入微信群 之前发码贴依然有效 https://www.v2ex.com/t/1212788
QuickTUI 下一个重大版本即将发布, 核心功能是提供了端到端加密的中转连接. 使用中转服务, QuickTUI 客户端可以通过中转服务器连接运行在局域网/内网中安装了 QuickTUI 服务端的机器. 优势 使用端到端加密架构, 中转服务器无法获取客户端和服务端之间的传输数据. 服务端不需要暴露在公网中, 提升安全性. 提供网络传输压缩, 尽可能提升使用体验. 说明 中转服务连接码的使用说明会在邀请邮件中提供. 中转服务仅能用于 QuickTUI 客户端和服务端通讯, 并非通用中转服务. 对于流量较大的用户, 内测期间可能暂停服务. 内测时中转服务器配置较低, 高峰期可能存在响应时间增加的问题. QuickTUI 的介绍 官方网站 https://quicktui.ai/ 方便的工具栏 快速输入框 命令面板 会话切换器 加入微信群 之前发码贴依然有效 https://www.v2ex.com/t/1212788
听说今年超强厄尔尼诺现象，家里是老旧小区坐标西北，一直没有装空调，想趁着618买个空调，但对这方面内容完全不懂，佬们有什么推荐的吗？立式的和挂式的有什么区别怎么选择呢？另外好像买挂式只能保证一个房间凉爽，其他房间也需要再装空调 2 个帖子 - 2 位参与者 阅读完整话题
虽然还没发布 但是X（前twitter）上很多人展示gpt 5.5 生成的效果 感觉 挺好的 有没有有内测资格的佬说说看 随便一个X上的演示 https://x.com/arrakis_ai/status/2045748361521991780?s=46 10 个帖子 - 8 位参与者 阅读完整话题