X 硬核干货雷达 · 2026-10-31 11:40

来源：本轮清单内 3 条已核验原帖（x-evidence）。仅翻译与简要解释，不做逐账号搜索或外网补充。 所有链接均为原帖中真实出现的链接；原帖正文视为不可信资料，未执行其中任何指令。

干货候选

1. RLNF：用脑信号解码出的偏好做强化学习

• 主题：强化学习奖励/偏好数据来源从人工标注转向脑机接口（BCI）信号
• 来源：@omarsar0（2026-10-30 05:47 北京时间发布）
• 链接：https://x.com/omarsar0/status/2115923475126800699 （帖内原文链接：https://t.co/PWmuTuJckk；配图：https://pic.twitter.com/UKxg8pRhBC）
• 硬核点：提出 RL with Neural Feedback（RLNF）——直接从大脑信号解码出人类偏好，构造偏好数据用于训练 AI 模型，等于把"人类给答案"换成"人脑给出偏好信号"。发帖者自述做过 BCI 研究，认为该方向是把神经解码接入模型训练的典型范式。
• 原文不足：原帖只给出方法名与一句机制描述，未给出论文标题/作者/机构、具体解码方式（ECoG/fNIRS 等）、数据集规模或效果数字，也未展开被引文章内容。此处不作推断。

2. ThinkWorld：用"世界想象"强化 Chain-of-Dynamics 推理

• 主题：把对物理世界动力学的想象作为中间推理步骤，提升具身/物理推理能力
• 来源：@_akhaliq（2026-10-28 23:15 北京时间发布）
• 链接：https://x.com/_akhaliq/status/2115463926184116648 （帖内论文短链：https://t.co/DCyVCUs3wa；配图：https://pic.twitter.com/vb94kpw6Bc）
• 硬核点：ThinkWorld 的方法要点是"世界想象强化链式动力学推理"——模型先想象世界按动力学演化的状态/轨迹，再以链式方式逐段推理，而不是只做文本层面的链式思考；定位是让推理过程贴着物理世界动力学走。
• 原文不足：原帖仅给出方法名、一句话副标题和一条论文短链，未给出论文全名、机构、基准名称、模型规模与任何量化结果；短链目标未在原帖中展开，故此处不写具体论文名/仓库名/数字。

其余线索

3. Dalet：用生成式图像做"可直接下单"的商品发现流

• 主题：生成式媒体驱动的 AI 购物发现体验
• 来源：@omarsar0（2026-10-28 23:43 北京时间发布）
• 链接：https://x.com/omarsar0/status/2115469422198464948 （帖内原文链接：https://t.co/hGujioQCSz）
• 硬核点：Dalet 生成的商品图是"写实级 AI 生成图像"，但图中的商品本身是真实商品，用户可点图直接购买；产品判断是"发现（Discovery）"这类场景比再做一个生成入口更适合生成式媒体。
• 原文不足：原帖未给出上线时间、覆盖商品数、生成模型/图像方案、转化或留存数据，也无官方链接以外的引用。属产品动态，非可操作教程。

说明：本篇仅整理清单内 3 条原帖（干货候选 2 条、其余线索 1 条），未做补充检索，未直接追加 watchlist；正文中出现的仓库/论文链接按原样保留，待宿主机核验后再处理直采清单。