Anthropic 发布 Sonnet 5.5，Jeff 家用训练 0.8B 决策模型登顶 HN
Anthropic 放出 Sonnet 5.5
Sonnet 5.5 是 Anthropic 在 Claude 产品线里的一次版本更新,发布当天在 Hacker News 拿到 551 热度,冲上榜首。
亮点 单条发布即拿下 HN 551 点热度,讨论量压过同日所有技术帖,热度是榜上第二名「Pirating the Pirates」的 1.4 倍。
做什么 Claude 模型家族的新中间档模型,定位在能力与成本之间取舍的那一档,面向日常代码生成、长文写作、多轮工具调用这类高频任务。
上手 按官方发布页说明接入,入口见原文链接。
适合谁 正在给产品选模型、需要比对不同档位性价比的工程团队。
提醒 官方页面只给了版本发布信息,具体上下文窗口、价格、延迟等参数需自己去页面核对,别拿上一代的数字套用。
类型: 应用/工具 · ★ 707 · 可直接上手 · yihui-dev/awesome-opus5-5-videos (?) · 打开仓库
用 Claude Opus 5.5 做的爆款视频合集
awesome-opus5-5-videos 把用 Claude Opus 5.5 生成的传播视频连同背后的提示词一起收集起来,并在 Skillry 上并排展示原片和复刻版。
亮点 每条视频都附提示词,还配一个可对照的在线复刻版本;仓库保持定期更新,不是一次性快照。
做什么 解决的问题是「看到效果却不知道提示词怎么写的」。把提示词和成品放一起,方便反推哪些措辞决定了画面走向。
上手 仓库地址 https://github.com/yihui-dev/awesome-opus5-5-videos,从 README 进入条目列表。
适合谁 做内容生成产品、需要给提示词模板找参考的开发者。
提醒 视频生成的效果强依赖模型版本与配额,拿到提示词不等于拿到同样产出。
类型: 库 · ★ 361 · 可直接上手 · tileshoutdipper/Discord-Booster-Server (?) · 打开仓库
Discord 服务器加速自动化工具
Discord-Booster-Server 是一个开源脚本与机器人,用于管理服务器加速状态,并跟踪加速带来的角色奖励与社区互动。
亮点 把加速状态、角色奖励、社区互动三件事放在一套自动化流程里,省掉人工逐个核对权限的环节。
做什么 服务器加速到期或变动时,角色奖励容易错发漏发。这个工具自动追踪加速成员并同步角色配置。
上手 按仓库 README 安装,入口见原文链接。
适合谁 管理大型 Discord 社群、需要按加速贡献发放权限的社区运营与后端。
提醒 属于自动化脚本类项目,使用前确认是否违反平台服务条款,风险由使用方承担。
类型: 库 · ★ 285 · 可直接上手 · firelex/jeff (Python) · 打开仓库
Jeff:0.8B 决策模型,本地训练,约 30 毫秒
Jeff 是一组 0.8B 大小的决策模型,兼容 Jev 接口,在个人设备上完成微调,单次推理约 30 毫秒。
亮点 参数只有 0.8B,在家用硬件上训练,推理延迟约 30ms——这个量级意味着可以直接放进请求路径做实时判断。
做什么 面向零样本分类:给一段文本或状态,直接输出决策结果,不需要为每个新类别重新训练。
上手 仓库地址 https://github.com/firelex/jeff,按 README 说明加载模型与权重。
适合谁 需要本地低延迟分类、不愿把数据送出去的 Python 后端。
提醒 0.8B 的容量决定了它在复杂语义分类上不如大模型,别指望它处理长链条推理任务。
★ 237 · 可直接上手 · Jeff – Jev-compatible 0.8B decision models, trained at home, ~30 ms · 查看原文
Qwen3.5 与 Gemma 4 的零样本分类微调
jeff 仓库同时提供了针对 Qwen3.5 和 Gemma 4 的微调版本,专门用零样本分类任务。
亮点 同时覆盖两个不同家族的基座模型,方便在同等任务上横向对比效果,不用自己搭两套训练流程。
做什么 把已有的开源基座模型微调成分类专用模型,输入文本直接给出类别,省去标注数据积累和任务级重训。
上手 按仓库 README 安装,入口见原文链接。
适合谁 手上已有分类需求、希望快速跑通基线并做模型选型的算法工程师。
提醒 零样本能力对类别命名方式敏感,上线前需要自己在真实样本上做一轮验证。
★ 551 · Sonnet 5.5 · 查看原文
Pirating the Pirates:盗版链条的反向观察
MUBI 的 Notebook 栏目发布长文《Pirating the Pirates》,梳理盗版流通链条本身如何被反向利用,在 HN 拿到 398 热度。
亮点 不是讨论「该不该盗版」的老话题,而是把盗版分发网络当作一个可观察、可被截取的系统来看。
做什么 文章追踪内容在非授权渠道中的流转路径,以及其中各方如何互相获利与反制。
上手 按原文链接阅读。
适合谁 做内容分发、版权风控与反爬策略的技术团队,可从中看到分发链路的真实结构。
提醒 属于行业观察类文章,不含可直接落地的工程方案,阅读时注意区分叙事与结论。
★ 398 · Pirating the Pirates · 查看原文
今日观察
看好「小模型 + 本地推理」这条线。Jeff 用 0.8B 参数、在家训练的硬件条件做到约 30 毫秒推理,说明决策类任务未必需要调用云端大模型,延迟和隐私两个约束反而成了本地小模型的优势场景。对开发者的实际含义是:在分类、路由、过滤这类高频短任务上,先花一天评估本地小模型能不能顶住,再决定要不要为每次调用付费。