分类： 未分类

前面有小米送 Token，最近商汤科技也同样推出 Token Plan 限量免费公测，三款模型每 5 小时 1500 次调用，完全免费。看来大模型的后来者都很卷啦，作为消费者也希望更多大厂参与起来，竞争越激烈越好。

三款可用模型，每 5 小时 1500 次调用

公测期间完全免费，核心权益：

• 三款可用模型，每 5 小时 1500 次调用
• 每个模型独立计数，同账户所有 Key 共享配额
• 最多可创建 20 个 API Key
• 兼容 OpenAI API 格式，接入门槛低

三款模型各有分工

SenseNova 6.7 Flash-Lite：轻量多模态智能体模型，面向真实工作流。轻量高效，兼顾效果、成本与落地性；原生多模态架构，支持图像输入理解（OCR、图表解读等）；办公场景增强，稳定支撑复杂长链路任务；上下文长度 256K tokens。

SenseNova U1 Fast：多模态理解与生成一体模型，专供信息图（Infographics）生成场景。注意：U1 Fast 使用独立的图像生成接口，不支持图像输入。

DeepSeek V4 Flash：高性能对话模型，支持思考/非思考模式、256K 上下文，最大输出 64K tokens，支持 JSON Output、Tool Calls 等功能。

接入方式

Base URL: https://token.sensenova.cn/v1

兼容 OpenAI 格式，现有 OpenAI SDK 或 Agent（如 OpenClaw）可以直接迁移。对于已经在用 OpenClaw 的用户来说，配一个商汤的 Key 作为补充调用渠道，成本几乎为零。

SenseNova 6.7 Flash-Lite

面向真实工作流的轻量多模态智能体模型，支持文本对话与图像输入理解。

轻量高效，兼顾效果、成本与落地性

原生多模态架构，支持图像输入理解（OCR、图表解读等）

办公场景增强，稳定支撑复杂长链路任务

Token 效率更优，复杂任务成本更可控

上下文长度 256K tokens（最大输入 252K，最大输出 64K）

MODEL ID: sensenova-6.7-flash-lite

SenseNova U1 Fast

SenseNova U1 Fast 基于 SenseNova U1 的加速版本，专供信息图（Infographics）生成场景。

MODEL ID: sensenova-u1-fast

注意： U1 Fast 使用独立的图像生成接口 POST /v1/images/generations，不是 Chat Completions；不支持图像输入。

DeepSeek V4 Flash

DeepSeek 高性能对话模型，支持思考模式与非思考模式，上下文长度 256K tokens，最大输出 64K tokens，内置 JSON Output、Tool Calls等功能。

MODEL ID: deepseek-v4-flash

不止折扣，更原生多模智能体

SenseNova U1 支持原生多模态架构，理解生成一体、原生支持 Cowork-Skills 体系，办公场景特化，支持 Hermes Agent 5 & OpenClaw，快速接入。初步体验下来效果还是不错的，如果你最近在找免费的 Token Plan 可以试下。

商汤不仅发布了 Token，也开源了 Cowork-Skills，可以在 GitHub 下载，也可以在 OpenClaw、OpenCode、Hermes Agent 中安装使用，包括数据分析、PPT 生成、图像生成等 25 个 Skill。

总结

大模型市场从”百模大战”进入”百舸大战”，算力成本持续承压，各家都在寻找新的商业模式。商汤此时推出”免费 Token Plan”，未必是长期策略，但至少说明：在价格战打到白热化的阶段，谁先拿下开发者，谁就赢了第一回合。

引用链接：
[1] https://platform.sensenova.cn/token-plan
[2] https://github.com/OpenSenseNova/SenseNova-Skills

# 编程的本质：为什么优秀的开发者学会的是编程而不是语言

**来源**: Hacker News / Evil Genius Labs
**发布日期**: 2026年5月2日

## 引言

在编程教育领域，一个常见的误区是认为学习某种特定编程语言就等于学会了编程。Evil Genius Labs的博主最近发表了一篇文章，深入探讨了这个问题。

## 核心观点

真正优秀的开发者掌握的是**编程思维**而非特定语言的语法。这种能力包括：

### 1. 算法思维
– 能够将复杂问题分解为可管理的步骤
– 理解时间和空间复杂度的概念
– 能够选择合适的数据结构解决问题

### 2. 问题建模
– 将现实世界问题转化为程序逻辑
– 识别模式并利用已有解决方案
– 知道何时创造新解决方案，何时复用现有方案

### 3. 调试能力
– 系统性地追踪和修复bug
– 编写可测试和可维护的代码
– 理解代码执行流程和状态变化

## 为什么语言只是工具

文章指出，大多数编程课程的错误在于一开始就教授特定语言的语法。这就像在学生学习写作原则之前就教他们使用特定的笔一样。

### 更好的学习方法

“`
1. 先理解问题解决的基本原则
2. 学习算法和数据结构的核心概念
3. 用伪代码或流程图练习逻辑思维
4. 最后才选择一门语言实现解决方案
“`

## 实际应用

这种学习方法的优势在于：

– **跨语言迁移能力强**：一旦理解了编程思维，学习新语言只需要了解其语法特性
– **问题解决效率高**：不会被特定语言的局限性束缚
– **代码质量更高**：关注逻辑而非语法技巧

## 结论

对于想要成为优秀开发者的人来说，应该把时间投入到培养编程思维上，而不是追逐最新的语言或框架。正如作者所说：”好的开发者学习编程，大多数课程只教语言。”

—
*本文为原创编译内容，编辑发布于 xlx.baby*

# AI实际耗水量远低于公众预期：研究揭示数据中心真实用水量

**来源**: Hacker News / 加州水务博客
**发布日期**: 2026年5月2日

## 摘要

一项最新研究表明，人工智能数据中心的实际耗水量远低于公众认知。这一发现对于正在评估AI技术环境影响的企业和政策制定者具有重要意义。

## 详细内容

根据加州水务博客的研究报告，公众对AI技术用水量的担忧存在显著夸大。研究指出，现代数据中心在设计时已经采用了多种节水技术，包括：

– **高效冷却系统**：采用闭环水循环技术，大幅减少用水量
– **蒸发控制技术**：有效减少水资源浪费
– **智能调度系统**：根据环境条件优化冷却需求

### 关键数据

研究数据显示，一个典型的大型语言模型训练任务，其耗水量实际上远低于公众认知中的”每查询消耗数升水”的说法。

### 行业反应

这一研究结果对AI行业来说是个好消息。此前，由于对AI耗水量的误解，一些地区曾出现对数据中心建设的抵制声音。现在，随着真相浮出水面，预计更多地区将重新考虑对AI基础设施的政策态度。

### 技术进步

值得注意的是，AI公司也在积极投资节水技术。微软、谷歌和亚马逊等主要云服务提供商都在开发更节水的数据中心设计，以减少对当地水资源的影响。

## 结论

这项研究提醒我们，在评估新兴技术的影响时，应该基于实际数据而非猜测。随着AI技术的不断进步，其环境足迹只会继续改善。

—
*本文基于公开新闻来源整理，编辑发布于 xlx.baby*