铃阅时讯
❌

阅读视图

人生周报v094: X

原创 李继刚 2026-10-11 22:36 北京

历史会押韵

《剑来》里,陈平安遇到眼前一亮的句子,会一笔一画刻在竹简上,时不时拿出来晒晒太阳,翻拣重读。

以陈平安为师,我想记录一下每周在这世上遇到的好句子。

每周读到的好句子,收下来晾一晾 —— 是以有「读」。

心里总有话忍不住想对这个世界讲 —— 是以有「说」。


读

Don’t optimize your life for productivity.

Optimize it for creative energy.

X @MoZarrinsadaf

看到一段话,觉得很有道理,而且我认为这就是“审美”:

一个人的成长上限,很大程度不取决于主观用力程度,而取决于他曾经接触过的最高标准。

长期处在低标准环境里,人会把含糊当正常、把完成当结果、把不复盘当结束;而一旦见过更清晰的表达、更严谨的流程、更稳定的协作方式,认知的参照系就会被重新校准。标准并不是通过说服建立的,而是通过真实样本被替换的。

一旦看见过更高版本,就很难再对低版本保持默认接受。

即刻 @王紫君 Zima

话说快递员就是当代圣诞老人啊。雪橇是电瓶车,驯鹿是导航,烟囱是快递柜。差别在:圣诞老人一年一回,他们可能一天一回。

即刻 @关于莉莉鱼的一切

最近参观了一些 AI 用得很成熟的团队,也研究过一些很优秀的 agent 和工作台。发现照搬过来完全行不通。

原因是违反了 Gall 定律了。

【Gall 定律:一个能正常运行的复杂系统,一定是从一个能正常运行的简单系统演化而来的。从零设计的复杂系统永远无法运行,也无法修补成可运行的状态。】

这很好地解释了为什么“抄最佳实践”经常失效。

我们看到的是别人已经长成的系统,却看不到它是怎么一步步长出来的。

那些流程、规则、Skill、Agent,很多都不是一开始规划好的,而是在业务里先跑一个简单版本,再根据一个个真实问题慢慢加出来的。

所以现在我研究优秀的 AI 团队,不关注他的大而全的工作台。而是:“他最开始解决的那个小问题是什么?下一步为什么会多出这个东西?”

成熟系统可以用来理解方向,但自己的 AI 系统,还是得从一个真正能跑的小系统开始。

复杂是长出来的,不是规划/抄出来的

即刻 @老黄

长大了之后就是不断挣钱然后给成年的自己报兴趣班。

即刻 @西蓝发

把向内的攻击性转化成自省

把向外的攻击性转化为建设

前者确认自己的精神领土

后者延伸它

即刻 @方六

你真的很想要自由,

但你又很容易把自由重新变成一项 KPI.

即刻 @丸籽本丸

人应该害怕捷径。 因为捷径存在, 就要投入精力和心力去寻找、探索捷径。

就不能再安心、平静地走路。

即刻 @puuoo

说

回看 Agent 的发展,基本是一路补短板:

  • 缺少当前事实,就加检索和数据接口

  • 长任务容易丢信息,就加状态保存和上下文管理

  • 工具调用会失败,就加重试、检查和恢复

  • 行动可能越权,就加权限隔离和审批

  • 结果看着对但不达标,就加测试和验收

这些「支撑技术」决定了模型的原始能力能不能真正落进现实场景。

但它们也带来自己的代价:延迟、维护成本、错误传播、协调开销。

于是形成两股力量:

外围不断加支撑系统来兜底,让结构不断深化、复杂;

模型进步又把其中一部分能力吸收进去,让结构重新变简单。

新技术不要求每个组件都新,「新的组织方式」本身就能带来新能力。

现在听人说话,大脑会自动过滤掉「形容词」和「副词」,只抓「名词」和「动词」。

于是经常发现,一个人讲了半天,观点是「null」。

在家里:一张白纸 + 一支笔 在外面:一个 iPad + 一支 Apple Pencil 在公司:一个白板 + 一支白板笔

它们都是我的思考画布。笔一落下,思路就开始展开;写着画着,新的想法就一个个冒出来。

Agent = Harness(LLM)

Result = Agent(Context)

解释力:压缩过去已见

预测力:泛化将来未见

「增一减二」:每增加一个 x,就同步强制减少两个同类的 x。

x 可以是你的微信好友,可以一个关注账号,可以是一本书,可以是家里添加的新物件,任何事情。

这个原则,可以不断逼近我们内心真实“价值函数”,到底最重要的是什么。

书

本周推荐《集装箱改变世界》。

这是一本「老书」。但在今天的 AI 时代背景下重读,别有一番收获。

金属箱子早就出现了,为什么等了半个多世界才真正改变世界?

类似的问题,电的发明和点亮全世界为什么也隔了那么久?

回到今天,AI 已经这么聪明了,为什么我们的 GDP 报表上还没看到它的比例提升?

过去在等「x」的出现,今天的「x」是什么呢?

跳转微信打开

  •  

AI Trading —— 决策便宜,行动很贵|42章经

原创 曲凯 2026-10-11 21:00 北京

数据多,真的不等于有 alpha。

浩哲是港大在读博士、HKUDS 成员,本科毕业于武汉大学数学系。这几年他一直在探索 AI for Finance 相关的事情,前段时间做了一个很火的项目 Vibe-Trading,开源不到半年就已有超 3w star。

本期播客原文约 13500 字,编辑整理后约 4600 字。

编辑整理:陈皮

曲凯:能不能先给大家简单介绍一下 Vibe-Trading 这个项目?

浩哲:它是一个覆盖二级市场的交易台,体验有点像是让你拥有一支跨工作台的研究团队。你用自然语言提出一个投资想法,它就能调动宏观、公司基本面、量化和风险复核等方面的研究能力,帮你看清公司的现金流怎么样、催化剂是什么、风险在哪,最后由你自己决定要不要投资。

但其实我们去年年底启动这个项目时,原本做的是一个给量化研究员用的专业工具。之所以会有调整,一方面是因为发现原来的方向和用户需求有点相悖,另一方面是我也越来越重视一个问题,就是研究结果能不能让人检查和理解。

金融需要可解释性,而且我有一个观念:

金融里的决策很便宜,行动很贵。

在其他行业,大家常说 AI 让「做」变得很便宜,难的是决定做什么。拿软件开发举例,AI 可以写代码、补测试、排查错误,但用户依然需要判断自己要什么、某个功能值不值得做。

金融则是反过来的。

决策便宜,是因为市场每秒都在报价,每个价格背后都有人做了决定;社交媒体上每天都有大量观点;一个研究 agent 也能给几千只股票各提一堆判断。行动很贵,是因为每笔交易都要付手续费,亏损需要自己承担,成交后也没办法撤回。那么一个人要真正做出投资决策,就必须能向自己解释这个行动。

而在我们一开始做的量化方向里,因子信号等概念对普通人来说都像是天书,大家看完也说不清「我为什么要买这只股票」,就不会掏钱和担责。

所以我们转向了辅助主观投资,把 AI 的研究变成大家能看懂的投资理由。

曲凯:主观投资、量化,包括 forecasting 都算 AI Trading 吗?能不能请你帮忙定义下 AI Trading,以及它最适用的一些场景?

浩哲:大家听到 AI Trading,往往会想到两幅画面,一个是 AI 对涨跌的预测很准,如同神谕(笑),另一个是 AI 可以自动下单,人能躺着赚钱。

但这些理解都很片面。

我对 AI Trading 的定义是:在几乎免费的决策和代价昂贵的行动之间,建立一条可验证、可审计的通道。

展开来讲,AI Trading 系统有四大部分,包括模型、数据对齐、Harness,以及人。

模型负责产生决策,帮你读材料、提假设、写代码、给判断。

数据对齐负责检查判断所依据的数据是否可靠、口径是否一致,比如价格单位到底是美元还是千美元,时间粒度到底是月还是分钟,回测用的到底是不是当时就能拿到的数据等。这是整个系统中最核心的部分,一旦出错,结果会相差好几个数量级。

Harness 负责判断哪些决策有资格变成行动,以及出错时能不能被及时阻止。

人则负责划定边界,决定什么能做、什么不能做,制定 Harness 的规则,确定规则之外的事情由谁拍板。

这里面,模型的智商决定系统能想到什么,独家数据决定它想到的东西别人有没有想到。这两者提升的是决策质量,但我觉得它们的边际价值正在下降,反倒是数据对齐和 Harness 的价值在上升。

举个具体的 AI Trading 的例子吧。

你想知道一家公司的现金流变好了,究竟是经营改善带来的结果,还是一次偶然变化。借助 AI Trading,大概会是这样一个流程:

模型可以帮你先整理各种材料,再列出可能的解释。这里最重要的就是分清哪些是材料里的事实,哪些是 agent 根据材料提出的假设。

接下来要检验这些假设,比如去看现金流改善的来源是什么,有没有和原判断相反的证据。

如果要进一步把这个想法变成交易策略,还要看能不能拿到实时信息、回测有没有偷看未来数据、扣掉成本后结论是否成立等等。

最后你拿到的应该是一个有依据、有适用条件的判断。如果证据不足,agent 必须说明「无法判断」,不能给出一个模棱两可的结果。至于最后要不要买卖、下单,还是你来决定。

讲到这里,AI Trading 和传统量化之间的区别也就出来了。在传统量化里,人在开发策略时就会把换手率、策略容量和责任边界等定下来,之后让机器以很低的成本大量执行。

而在 AI Trading 里,你没法这样一次性地定好一个决策策略,需要一道闸门持续把关,最终的决策也还是要交给人。AI Trading 实际上要不断完成从材料到假设、从假设到验证,再到有边界的执行和复盘。

曲凯:听起来涉及很多交叉验证?比如看完 A 这只股票,还要看整个行业、看 B、看 C,这些涉及很多人的 know-how 吧?这里面哪些能由 AI 自主判断,哪些需要人加进去?

浩哲:武断一点说,所有的行业 know-how 都可以由 AI 来判断,因为这些知识在模型迭代中已经被蒸馏进去了。更需要人判断的是风险,因为每个人的风险承受能力不一样,AI 并不知道你能承受多少。

曲凯:但如果这些行业知识已经被蒸馏进模型了,那直接用模型产品分析,和用一个第三方工具的区别是什么?

浩哲:区别在于能不能得到一套可审计、可验证、可以 re-run 的流程。

像 Codex、Claude Code 这种产品,在做投资分析时都偏黑箱,很多时候你没办法重新跑一遍去验证某个数字,大模型也有幻觉,每次 re-run 也未必得到确定的答案。

曲凯:明白。你前面说独家数据的价值可能没有大家想象中那么高,但很多机构都会努力搞一些内部消息之类的,这些不会对结果造成很大影响吗?

浩哲:数据多,真的不等于有 alpha。

在大家都能拿到的数据上,能找到的规律已经被价格消化了,不太会因为谁采买到更多数据就更容易找到 alpha。

买数据真正的作用,是验证你的想法。很多时候你以为一个想法不行,可能只是数据不够、口径没对齐。

曲凯:那怎么评判 AI Trading 系统的好坏?

浩哲:我认为好的 AI Trading 系统,要能产出尽可能多且便宜的决策,但尽量少行动,确保每个行动都有来由、有边界、有人负责。收益率、胜率是结果。先把系统搭建得完备,才可能结出好的结果。

而坏的系统有两种。一种是把每个便宜的决策都变成行动,就是过度交易。最近有很多人用 Jev 做 trading,就有点像这种情况。另一种是过于谨慎,一个行动都不敢做,但系统也说不清到底为什么。

曲凯:正好聊到 Jev,你怎么看它对 AI Trading 的影响?

浩哲:我可能会泼一盆冷水。我觉得 Jev 对交易的帮助约等于零。

首先,就像前面讲的,金融缺的不是便宜的决策,而是一套能让人信服的、将决策转化为行动的流程。可是 Jev 优化的是本来就很便宜的那一侧,相当于把不太值钱的东西变得更不值钱了。

而且,金融里最核心的材料,恰好是 Jev 不擅长处理的。它刚出来时我看过官方文档,里面有提到它在数学计算、日期比较等方面的弱点。可数字、日期、噪音、误导消息,不正是金融世界本来的样子吗?

还有一点就是 Jev 给概率,不给理由。你真的会长期相信这样的模型,并且愿意把钱交给它吗?

当然,Jev 在金融里还是有用处的,比如可以做信息初筛,告诉你这条新闻是不是关于这家公司、这份公告是原始发布还是转载、这个材料和研究问题有没有关系。这些任务量很大,每天可能要做几十万次,做错一次,或者只是少看了几份有价值的公告,对最终判断的影响相对有限。

所以,形象一点说,Jev 更适合当门口的分拣员,不适合做那个把整条链路送到你手里的快递员。

曲凯:那在 forecasting 领域呢?本来大家就是在处理概率,那 Jev 是不是会有帮助?

浩哲:Jev 在预测领域可能会遇到更严重的问题。

因为交易本质上是对概率下注,不是对答案下注。股价可以理解为未来各种可能性的加权平均。你赚钱的逻辑,是自己的概率判断和市场隐含概率之间的差,再扣掉成本。概率决定的是你的一个决策能够对应多大的行动,比如如果你有 60% 的把握,那就配小仓位,更大的把握配更大仓位,可能到了百分之百,你就 all in 了。

但一个比较重要的问题是,怎么判断 AI 给出的把握到底靠不靠谱?

举个例子。模型说「下季度营收超预期」和「超预期会带来股价上涨」这两件事都有 90% 的把握,很多人会算 0.9 × 0.9,认为自己整体有 81% 的把握。

但这其实悄悄假设了两件事相互独立。事实上,你没法判断真实的联合概率。金融里,很多判断用的是同一条新闻,一旦新闻是错的,所有假设都可能是错的。

曲凯:明白。你自己也用 Vibe-Trading 吗?最后有多大程度遵循 AI 的建议?

浩哲:我自己也用,而且差不多 80%—90% 都会遵循 AI 的建议。

举个例子吧。今年 7 月,存储行情很热,也经历了差不多半个月的整体下跌。当时大家都在讨论中国厂商扩产会不会压低存储价格。

我的 agent 就提了一个问题:内存、闪存、机械硬盘都叫存储,那它们受到的冲击一样吗?

然后它就围绕这个问题做验证和实验。最终得到的答案很明确:不一样。但市场会根据同一条新闻给整个行业定价,这就可能出现定价不充分的地方。随后我们选了一家主要做机械硬盘的公司,并比较了它历史上财报后的上涨表现。当时 AI 给的最终结论偏谨慎,但我最终决定在财报前买入。

在这个例子里,80%—90% 的研究都是 AI 在做,我更多是去验证推理链条是否合理,以及决定是否行动。

曲凯:现在用 AI 辅助交易的个人和机构越来越多,会给市场带来什么变化吗?比如共识会不会形成得越来越快,市场变动也更快?

浩哲:这个问题非常好,也是我觉得当今大家都应该关注的一个问题。我觉得市场会有三个变化。

首先,信息被价格消化的速度会越来越快。

2000 年之前,学术上有个很有名的现象,叫「财报后漂移」,意思是好财报发出来之后,股价不会一天涨到位,而是在后续几天、几周甚至几个月慢慢上涨,因为需要人去读财报、开会、下单。

但我记得几年前,有篇论文叫《安息吧,财报后漂移》,里面就说在美国,这种漂移好像从 06 年起就不存在了,因为财报里的信息在发布当天就能被消化完。

那随着 AI Trading 普及,各种信息被价格消化的时间甚至会缩短到只有几秒钟。这件事也会给投资者的行为带来变化,就是「读」会越来越不值钱,因为这件事已经没有门槛了。

第二,超额收益可能从单个信号转移到组合条件上。

当人人都有一个很会读研报、能一键跑因子的 agent 时,单个因子的 alpha 会很快消失,那机会就在于能不能跨 desk 同时拿到不同数据,做好对齐,再拼接到一起。

第三,信息处理快了,错误也会传播得更快,可能会出现一些专门用来误导 AI 的假消息,引发一些意料之外的市场波动,出现问题后也很难确定责任归属。这是现在很多监管部门关注的问题。

曲凯:那对于感兴趣、但还没开始用 AI Trading 的人,有什么从 0 到 1 的建议?

浩哲:当然最好来用用 Vibe-Trading 哈哈。

但第一件事还是想清楚自己的风险偏好,然后隔离风险,比如给 agent 一个单独的账户。坦白说,不要把 AI Trading 当致富密码,因为用的人多了,就一定会有反制手段出现。

此外,也可以让 AI 帮你尝试从来没接触过的市场或领域。很多散户可能只是没找到适合自己的市场,但每个人的性格、天赋都不同,有的人擅长大宗商品的逻辑推理,有的人适合在四五千只股票里研究基本面,也有人就是适合看技术图形,那其实都可以借助 AI 去试试,找到最适合自己的市场或领域。

曲凯:明白。最后,我好奇 AI Trading 对投资者的影响到底是怎样的?

浩哲:一定会有增强,但对不同人的增强方式不一样。

原本投资能力在二三十分的人,可以用 AI 更好地控制风险、做研究,不必再听信那些荐股信息。

五六十分的人已经有判断基础,但之前可能受限于研究能力,那就可以借助 AI,尝试更专业的研究。

八九十分的人,更重要的是让自己的想法在不同维度上得到验证。比如,以前一个做宏观的人可能不会写代码,没办法亲自通过回测验证判断,而一个做量化的人可能不了解价格背后的经济学原理,那么 AI 就能帮助他们从多个方向验证观点,也让他们更自信。

还有个题外话,就是大家现在总在讨论 AI 能不能替代人,但我最近在想:会不会不是 AI 需要人帮它做判断,而是人需要 AI 来体现自身的价值?

今天 AI 还需要通过替人做事来证明自己的价值,比如能省多少工时、替代多少员工、值多少工资。但如果未来模型足够强,问题可能就变成了人还能做什么?这个世界还有什么事情需要人?因为工作除了带来工资,还能让人觉得被需要、能对别人的生活产生影响。

所以我觉得哪怕 RSI 来了,最后仍然会是 human in the loop,因为人需要通过参与进各种流程,来保持生活的方向感和意义感。

再往深处想,这其实是一个带有哲学甚至神学意味的问题:一个人值得被尊重、拥有较高的社会地位,是因为 Ta 能创造更多价值,还是因为 Ta 本身就是一个人?

这个问题可能还没有答案。

但人的决定权不应该随着机器能力的提升而消失。我们需要通过创造、决定、承诺和承担责任,感受到自己的生命是有分量的。我觉得 AI for Trading 也会朝这个方向发展。

42章经

思考事物本质

跳转微信打开

  •  

AI时代 “雕花”的艺术

原创 渣B 2026-10-11 20:04 浙江

“屎上雕花”还是“精雕细琢” ?

TL;DR

前几日发生过几个技术讨论, 讨论到该不该做的时候, 都谈到这事算不算“屎上雕花”:

  • 同事A: 我们在讨论一些可靠传输和ScaleUP的事情, 具体的内容涉密就不多说了, 大致就是省这么点收益也不大到底做不做?

  • 朋友B: 讨论 BPO 和 Score centering 的时候, 是不是抄了一下 SC 就好了, 我认为可能需要更细致的讨论在 Sparse Attn / MoE 的情况下, 以及超长程的 Agent Trajectory 在 Off-policy 下可能会经历多段不同的 Rollout Model 产生的  Logits, 以及 token level 和 chunk level 的 credit 如何处理等细节问题.

  • 朋友C: 在讨论一些 Attention 相关的 KV 设计, 起因是 Seed 一篇讨论 DeepSeek 的 CSA 一类的 Chunkwise Compression 的处理, 是否要引入 Context Aware Chunking.

  • 朋友D: 新的一些 GPU 架构的讨论, 关于数据依赖如何处理的问题, 也涉密不能多说.

到了 AI 时代需要考虑的东西更多, 底层的技术原理本身大家差异都不大, 而各种细节的 tradeoff 堆叠在一起便会产生巨大的差异. 因此技术决策上有了很多工程细节的东西需要处理, 是“屎上雕花”还是“精雕细琢”很多技术管理层的领导无法在第一时间分辨, 用于决策的汇报材料中的技术细节也因为层层汇报信息逐渐压缩, 变成了简单的“功能”有无, 或者局部的 benchmark 优劣. 最终技术领导的认知能力和细节的把控能力成为成败的关键.

因此想拿几个小事为引子, 来谈谈“雕花”的艺术.

1. 谈谈芯片架构

最近看到CUDA 13.4 增加一个 Locality Domains[1] 的功能.  实质上就是一些 NUMA aware 的内存分配.  其实当 L2 Cache 被划分为两个Partition 的时候已经有很明显的内存访问延迟差距了. 当然我能理解 NV 为了维持统一的内存访问这个简单的编程接口和生态的初衷, 在 Blackwell 这一代上也勉强能够维持住, 但在 Rubin 上随着 HBM 的带宽加的更大以及 cross die 的 NV-HBI 带宽以及延迟的约束, 走向 NUMA Aware 的路径已经是必然趋势了.

按照传统的决策路径来看, 例如在早先的一些 AMD 卡上, 考虑到 L2 的架构写代码确实很烦, 如果能够继续维持 UMA 不感知 L2 Partition 确实是一个更优的选择. 对于 NV 的 Blackwell 是不是要做 NUMA Aware, 当然也有一些办法可以弄, 例如根据内存地址逆向出一个Hash函数来做一些 Location aware 的 malloc 或者 Swizzle的处理, 但是整体来看收益并没有多大. 那么即便做了或许也是属于“屎上雕花”.

但是在 Rubin 这一类的卡上, 这个能力就要暴露出来了, 虽然你还可以和以前一样使用 UMA 的编程方式, 但是为了极致的性能收益在算子中引入这些能力便成了“精雕细琢”.

进一步展开这个问题, 如果你要设计一颗新的 GPU, 那么你是否还需要维持 UMA 或者所谓的 CUDA 生态兼容? VLIW 是否值得再去看看? 历史上 VLIW 的失败案例数不胜数, 并且如果从传统的芯片设计工程师的角度来看可能还会继续维持 SIMT 这类的编程接口, 但是这些决策在 AI 时代或许应该有些改变了. 当然很多涉密的内容就不展开了.

这件事想说的是“屎上雕花”还是“精雕细琢" 可能还需要在更长的时间维度上去看, 并结合整体系统的变化和约束, 并且不要被过往的经验人为的封锁住一些探索的空间.

2. 谈谈互联

其实对于任何一个搞互联的人, 通常最简化的模型就是: 带宽多大/延迟多大/每秒消息数能做到多少. 很多产品设计的指标和决策都陷入到这种 micro-benchmark 中. 但是实际上业务要什么? 前段时间我们某个模型线上推理把 PD 分离从 TCP 换成 eRDMA, 其它什么都没有改, 线上的实际 TTFT 降低了40%. 而同等的另外某知名的网卡延迟更低/每秒消息数更高, 但实际的收益只有 10%. 延迟降低40% 也就等同于 tpm 性能提升了接近 1.6 倍, 这个收益是非常巨大的.

原因很简单, 在线业务中 TCP 和 RDMA 混跑时的拥塞控制和长尾延迟抑制上. 传统的 RDMA 为了片面的追求高消息速率和超低延迟, 在可靠传输和拥塞控制上都有大量的简化. 而当你把这些细节日积月累的打磨干净后, 出现了显著的性能提升. 但是你如果单看任何一个细节, 仿佛都是在“屎上雕花”, 至少从 microbenchmark 的角度, 或者一些单从网络指标的角度看都是些很微乎其微的收益.

另一个涉及 KVCache 服务的业务, 由于资源调度的限制需要跨 AZ, 某家跨 AZ 还专门搞了一个名词 Scale-Across, 但基本上处于不可用的状态, 被迫回退到 TCP 上处理. 前几天也是一个非常简单的修改, 跨AZ场景下, eRDMA整体在 KVCache 业务上的延迟比 TCP 下降了 50%.

其实很多时候, 我们在做一些设计时很容易陷入到 microbenchmark driven 的工作模式中, 不光是互联的芯片, 在 GPU/XPU 上也是这样, 因为领导开发布会的时候基本只谈 算力FLOPS/ HBM带宽/互联规模等 microbenchmark, 这也是国内这些年很多加速器架构和编程生态非常割裂的原因. 以前也写过一篇文章《谈谈芯片设计的一些取舍》 就不多展开了.

这件事想说的是“屎上雕花”还是“精雕细琢" 不要以 microbenchmark 来评估, 更多的是站在整个系统 E2E 的视角进行分析.

3. 谈谈算法

做量化交易也快15年了, 大概10多年前做自己的量化交易系统的时候, 由于国内几个交易所的网络都是我设计的, 并且很多券商的高频交易相关的设备也是... 但是如果我自己去搞高频, 大概率会被入刑. 因此整个量化算法设计初衷就变成了一个中低频的策略. 算法本身是很简单的一个原则: 多因子模型涉及大量的拟合回归以及频繁的策略调整和模型迭代. 这个时候也有大量的“屎上雕花”还是“精雕细琢”的决策. 最后其实还是要回归到一个很简单的逻辑上来, 首先衡量整个市场的结构, 赚稳定的钱并且把策略容量作为更重要的算法设计需求. 当然具体的策略我不会多说, 我只想说整个算法本身 10 多年了完全没改至今还能有稳定的收益.

这一部分我想说的是, 无论是当年的量化交易算法, 还是如今的一些 Transformer 相关的模型结构. 更多的要从底层的逻辑考虑, 老老实实的把数据质量提高, 然后整体模型结构上尽量维持第一性原理去设计, 例如在讨论 Looped Transformer 和 Recursive Transformer时, 去抓住最核心的对一个 Attn block 本身的 Q/K/V 的处理上来看. 而不是这里加个 bias 那里加个 conv. 对于 Linear 和 Sparse Attn 的处理也应该如此, 首先从最底层的原理上分析  的State是否真的可行. 以及从数学上推导如果不做 Context aware 的压缩, KV容量的下界是什么? 另外 Chunkwise Compression vs Context aware Compression 该如何取舍.

是“屎上雕花”还是“精雕细琢”或许是从你搭建整个架构的最开始的地方开始就有了定论.

4. 谈谈 RL

过去的很多追求训推一致以及一些 cliff 的处理和 KL 的处理, 每一个在过去的一段时间内都会显得挺有效的, 至少模型训出来了, 效果也还不错. 但是这些处理的技巧是“屎上雕花”还是“精雕细琢”?

一直欠读者一份详细的关于 BPO 和 Score Centering 的详细分析报告, 这两个工作本身是非常简单有效的, 但是对于整个 RL 后训练的处理上, 其实也要回归到一个最底层的逻辑. 为了训练能够更好的 Scale, 特别是大量 rollout 的时间成本和算力成本压力下, Off-policy 更好的利用数据是一个必然的选择, 另一方面面对相对稀疏的 reward, token-level credits 如何处理? 当我接受 Async 的训练时, 例如一个耗时数百个小时的 Agent Trajectory 很有可能在整个 RL 的过程中 Rollout 的模型被 update 了多次, 这些问题处理不处理? 还是一个简单的 IS 就够了?

值得注意的是, 当前 Pre-Train 和 Post-Train 实际上还是有很多割裂的地方, model-arch 上针对后训练场景的一些 specific design 是“屎上雕花”还是“精雕细琢” 也是一个开放性的问题.

其实当前后训练不停的在处理很多训练稳定性相关的问题, 把整个算法越加越重, 是否在模型结构上对 token-level credits 做一些设计就能更好的解决问题? 这是我最近在思考的, 但似乎并没有很好的答案. 或者一些答案本身也是“屎上雕花”.

一些所谓的“大道至简”的东西或许只能靠运气... 这也让我想到 RDMA 这些年工业界对多路径和拥塞控制的处理上, 反反复复尝试了好几年都还没彻底解决... 多路径的算法上, 依赖交换机 packet-spray 把交换机的功能越加越多, 并且在一些链路失效的时候还有整体的集群稳定性风险, 拥塞控制上, 先认为丢包是一个小概率事件做 Lossless 就认为好像是大道至简了, 但如今在 大规模 ScaleOut稳定性上和Scale-Across 的拥塞处理上都遇到了大量的问题, 然后进一步又用特殊的网络拓扑解决. 网卡上 DPA 加完了再加 PSA, 然后还要加一些 Ethernet Switch 的IP 越加越重, SACK也加回来了, 然后 Window based CC 也有人开始加了, 最后发现和 TCP 就差一个端口号了. 但是当你用 TCP 的时候又陷入了 ToE 的邪路, 各种无法 Scale, SACK 这些长尾延迟无法控制等一系列问题又逐渐出来了... 摊手...

这一段想谈论的是, 对于“屎上雕花”还是“精雕细琢”, 或许你需要更广的知识面去探索更多的可能性后才能判断, 最后有可能运气好的到一个“大道至简”的答案. 其中的差别是“精雕细琢”是在某个领域或者周围的相关领域进行更广泛更深度的覆盖后作出的选择. 而“屎上雕花”则是一知半解的去堆砌了一些看上去能用的东西, 过段时间又拉一坨...

5. 结语

前段时间看到 OpenAI 放出一大堆数学证明, 有一些还在数学界工作的朋友开始哀嚎了.... 接下来的十几年, 或许要改变人的学习方式了……更广泛的视野和更好的提问将进一步拉开人与人的差距. 就像数学, 证明本身已经不是太大的瓶颈了, 更多的是去开荒, 找到荒地才是数学家更该做的事情……  对于其它行业来说, 或许也是如此, 例如 AI Infra 这一侧冲击其实更大, 很多体力活基本上都不用干了. 验证一个想法的成本变得非常低廉...

欢迎大家进入一个新的蛮荒时代...如何区分“屎上雕花”还是“精雕细琢"的一些技术上的 taste 变得更加重要.

参考资料

[1] 

Locality Domain: https://docs.nvidia.com/cuda/cuda-programming-guide/04-special-topics/locality-domains.html

跳转微信打开

  •  

从近亿元到数十亿元,4家企业宣布新融资

峰瑞资本 2026-10-10 20:30 北京

「FreeS Family 融资新闻 Vol.28」

从技术前沿,走向产业深处。过去两个月,新一轮AI技术加速向更广阔的物理世界延伸,技术与产业的融合不断深入。AI算力、AI芯片、计算光学等多个前沿赛道里,四家峰瑞被投企业宣布融资新进展。

今天,让我们聚焦这四家FreeS Family企业的融资情况,见证创新力量的不断突破。

报道详见:

光本位完成数十亿元融资,估值达到近200亿元

威邦震电完成近亿元B轮融资,推进分子振动光谱技术在工业检测、临床及AI for Science商业化进程

「行云集成」完成近8亿元融资

厘清智能完成数亿元天使轮及天使+轮融资

#峰瑞资本 #融资新闻 #AI芯片 #物理AI #计算光学 #AI光计算 #前沿科技

跳转微信打开

  •  

抱歉,团队已经解散了!

廖信忠 2026-10-10 20:02 上海

导读

我们在走进东港刘叔爱心救助小院、见证了他与八百多只毛孩子的坚守与日常后,心中满是敬意与动容。带着这份沉甸甸的感触,写下了这篇真实走访。若没有这份二十五年如一日的坚守,很难想象,在这寒凉的世间,这八百多只小生命将会面临怎样无助的命运。

视频信息来源于辽沈晚报

01

首先向大家申明一下今天这篇文章并非广告,是一次非常有意义的爱心接力!

昨夜,来自东港市的刘叔流浪救助小院负责人刘振洪老伴向我发了一条求助信息,她说“老师,我们基地八百多只毛孩子的口粮严重短缺,再这样下去就连泔水都不够吃了,我知道您的粉丝多,都很有爱心,希望您能帮帮我,再这样下去,救助站真的就要解散了!”

于是我们与尤阿姨取得了联系,从详细的沟通中我们得知目前刘叔在沈阳接受住院治疗,小院八百多只毛孩子嗷嗷待哺,已经没有粮食维持下去了,77岁的刘叔在住院期间依然满心牵挂着毛孩子每天温饱的事情,希望大家在这困难时刻帮帮刘叔,谢谢各位家人们了。

图片

走进东港长山镇的一个小村庄,听见阵阵狗吠声,就知道那是刘叔的救助站。

救助站已经成立25年,一路走来的艰辛似乎也无法用言语表达出来。

图片

刘叔每天照顾完小院的毛孩,还固定给外面工地上,废墟里的流浪狗们喂食,即便很多次被人用嫌弃的眼光和恶毒的言语指责着,甚至打翻过他的食物,他不但不为所动。

还耐心地和周围的人说,狗狗们都是有灵性,我们应该善待它们才对!

图片

和这个今年已经77岁的老爷子聊天,他说自己这一生到现在,有两件算是值得骄傲的事情:一是在北海舰队当了五年兵入了党,二是在长达20年的光阴里,救助了800多只毛孩子。

21岁那年,刘振洪征兵体检通过。他肯吃苦,人又本分,训练起来格外认真、专注,不到两年就光荣入了党。五年兵役结束,刘振洪已经是个班长,还得了两次嘉奖。

图片

退役后回到农村的家开了一个小饭店。由于他为人正直、善良,饭店经营得风生水起,攒下很多钱,十里八村没有一个不羡慕他的。

然而一次与遗弃毛孩的偶然相遇改变了这平静的一切。

图片

25年前的一个清晨,刘叔正在逛着集市,隐约听到垃圾堆的角落里传出一阵阵狗叫声,好奇心驱使他走进,发现一个破旧的纸箱,里面蜷缩着四只刚出生的小奶狗,浑身湿透,瑟瑟发抖。 

刘叔蹲下身,轻轻摸了摸它们的头。其中一只小狗虚弱地睁开眼,舔了舔他的手指。那一刻,这个曾在部队摸爬滚打多年的硬汉,心突然软得一塌糊涂。

图片

02

收养了几十只或病或残的流浪猫狗之后,刘振洪的名字渐渐被十里八乡熟知。知道有刘振洪这么号人之后,这些人一下有了办法,不管小狗老狗,残疾狗还是病狗,都往他家扔,反正他会养。

图片

若大家想关注基地情况,可查看基地的实时监控直播。

图片

直播提供:刘振洪

刘振洪很气愤,他说这些人不负责任,不讲道理。

就这样,从2001年救助至今,他为狗狗们三次扩建小院,但仍然不够住。

后来,连刘叔睡觉的西屋也充当了犬舍。

图片

25年来刘叔和毛孩子同住

密度太大了,狗一多就容易打架、生病。刘叔说。为了照顾这些狗,他和老伴每天凌晨4点起床,打扫卫生、蒸狗粮、喂食、给狗狗剪理毛发……一直忙到深夜。

图片

做救助难,做个人救助更难!

救助堪比“无底洞”,只进不出,哪怕有再多的钱,也有用尽之时!

刘叔苦心照顾家庭的同时还要照顾基地,每日除了照顾狗,就是救狗,多年来早已将自己的积蓄花得一干二净。

可小院的毛孩子却是与日俱增,有被人扔在基地门口的伤、病狗,也有刘叔从别人基地接手来的狗狗。 

图片

刘叔还救助了很多体弱猫咪

 除了喂粮,还要单独煮鸡蛋给它们补营养

如今刘叔的流浪狗救助基地里已有800多只毛孩子,每个月光粮食都要消耗至少12000斤。

“钱流向了不缺钱的人,苦却流向了能吃苦的人。”

最让他头疼的是医疗问题。许多被遗弃的狗患有重病——断腿的、失明的、皮肤溃烂的……起初,他会带狗去宠物医院,但高昂的医疗费让他难以承受。后来,他自学兽医知识,自己给狗打针、喂药、包扎伤口。 

图片

03

更让人揪心的是,刘叔自己的身体也越来越差,他因癌症动过三次手术,如今走路都吃力,却仍咬牙坚持:“我要是倒了,这些狗怎么办?”

图片

刘叔救助的残疾狗狗“来福”

就在10多年前,身体一直不适的他查出间质肿瘤(高风险),并且由胃扩散到脾,要被割掉三分之二的胃。

图片

肿瘤手术后,按照医嘱,他需要坚持吃治疗肿瘤,眼看院里的毛孩子连米饭都没得吃,刘叔咬咬牙,停了自己的药。

停药三年,癌症再一次复发。死神一次又一次找上门,好在他在十余年间挺过了一段段的考验。

图片

当时妻子和孩子哭着劝他放弃这些狗,安心治病调养。刘振洪也犹豫了,可转头,又看见院里的毛孩子单纯懵懂的眼睛。

“要是我放弃,它们就没有家了。”

“到死的那天,那就没办法了,但只要活一天,我都不能放弃。”

图片

“尽管养这么多猫狗,这么累这么苦这么难,但还是坚持下来了。因为它们最大的希望都在我身上,我要是不养,它们就没活路了。”

图片

刘叔给了猫猫狗狗一条活路,可是命运却一次又一次把他往死路上逼。

刘叔的弟弟在小院喂狗,几次碰上来丢狗的人,含着眼泪跟对方说:“我哥今天还去医院检查呢,你看看院子里这么多狗,真的顾不过来啊!”

图片

可是没有人理会。

没有人关心这位老人的病情发展到哪一步,没有人关心这么多狗狗的食物从哪里来,没有人在乎他和它们要怎么活下去……

图片

谈起妻子,刘叔心中充满了感激更充满了愧疚。

“我总说要守着这八百只毛孩,可守着它们的日子里,我没给过你一天好日子。我怕自己走后,这些毛孩没人管,更怕你往后的日子,要为我和这八百条命独自奔波。如果有下辈子,我再也不做这“毛孩的爸爸”,只想做你一个人的丈夫,陪你过几天真正的日子。”

图片

这些年,刘叔救猫救狗,很多人觉得这些毛孩子是依靠着他活了下来。但刘叔说,他又何尝不是在依靠这些毛孩子呢。因为有它们的存在,他才能有很强硬的心态,去面对生活中遇到的各种问题。

图片

刘叔曾经说过,“不是我有什么大心大爱,那都是命啊,十几年的感情,换做谁都很难放弃,所以有时我就不明白,那些遗弃宠物的人是怎么想的。”

图片

这个总把 “都是条命” 挂在嘴边的老人,用半生时光证明了,善良从不是轰轰烈烈的壮举,而是日复一日的坚守。

图片

现在小院粮食告急,像块沉甸甸的石头压在刘叔他们夫妻二人的心头。无数个夜晚,他总是坐在一把椅子上发呆,仿佛整个人的精气神都在这一刻被抽走,如同一棵被风雨摧残过的老树,没有人知道他在想什么……

图片

本以为生活会慢慢安稳,可残酷的病魔再次卷土重来。6月12日,刘叔的病情出现耐药复发,肿瘤再度恶化,身体状况急剧下降,腹痛、虚弱等症状反复出现,让年迈的老人备受折磨。为了阻止病情持续恶化,刘叔不得已再次进行了手术治疗。

图片

两次大手术重创了刘叔年迈的身体,也耗尽了最后所有的积蓄。术后刘叔身体虚弱,无法彻底痊愈,还需要长期的化疗、靶向药物巩固治疗,才能抑制癌细胞扩散、保住性命。

图片

但即使这样,这位老人还是放不下他心心念念的“孩子们”。

万般无奈特向此求助。恳请大家施以援手,哪怕是一次善意的转发,都是支撑刘叔他们走下去的希望。

这位77岁的高龄老人在医院短暂的治疗后,回到家后依然每天拖着疲惫的身体从早到晚坚持照顾着毛孩子们的日常生活。

这个世界的破破烂烂,总有人在缝缝补补。

非常感谢,您能看到这里,让刘叔小院的“孩子们”更多一点活下去的希望。 刘叔和老伴用微弱的力量行大善之举,我们也会持续关注这样一个特殊的群体。希望屏幕前的您能为它们团购口粮,哪怕只是尽力转发分享让更多人看到,都是在为它们挺过难关助一臂之力,更是以“另一种方式修行”。爱让弱者刚强,爱使生命长青。最后主编想说:”救助不该是一个人的全力以赴,而是所有人的力所能及“,希望社会各界爱心人士给它们爱与温暖,让它们有一个安稳的一生!同时我们也向这位光荣的老兵致敬!感恩你们!

图片

不弃养不伤害,愿每一份善意,都能被温柔托举。

图片

他叫刘振洪

来自东港

他和各界爱心人士一起

为800多只毛孩子们

的生存而不懈地奔波着…

菩萨心肠极力救护,改善流浪动物的生活条件

长按二维码帮助刘叔

温饱毛孩子

图片

资料提供:刘振洪

救助基地真实性:已通过

↓点击下方“阅读原文”,帮助刘振洪团购宠粮温饱毛孩子,点击下方“分享”让更多人帮助他吧! 

阅读原文

跳转微信打开

  •  

Agent 接管了我的新工作室!

原创 秋芝2046 2026-10-10 16:38 广东

让 Agent 接管现实世界,真的太酷啦~

雷猴啊朋友们~

让 Agent 接管现实世界,真的太酷啦~

这篇文章里,大家熟悉的Agent,什么 Codex,Hermes,它们不做 ppt 不写文案,而是当现实世界的“管家”~

对智能家居感兴趣的朋友一定要关注了,一起来看看,被 Agent 接管的工作室跟传统的智能家居,又有什么区别!

图片

介绍

首先,硬件上我们其实并没有搞什么单品牌传统的全屋智能,找专人来搞复杂编排那种。

空调和灯,都不是一个品牌的。

但是我们整个工作室的灯光,选的都是易来Pro的,中央空调也接入了易来Pro的智能控制器。

选它还有个好处:易来Pro把硬件接口全都开放出来了,做成 Agent 可以调用的 MCP 和 CLI。

熟悉 Agent 的朋友都知道:接入个 MCP 和 CLI,多简单啊!

那这就让我们的电器设备,变成 Agent 们都能调用的工具。

所以,这简直是 Agent 从操作数字世界,到真实世界最简单清爽的第一步了。

图片

接入Agent

那由 Agent 操控之后的智能家居,跟过去的第一大区别就是:入口自由。

原来控制智能家居的,基本都是专门的 App或智能音箱,以及平板中控。

但现在,Codex、Hermes 这些Agent,大多电脑端、手机端都有。关键它还能连接飞书、微信,语音也能随时输入。

几乎就是,在哪都能控~而且极其简单。

就以我们平常使用的大管家 Hermes 为例。

那接入易来Pro的 CLI 也很简单,直接把官方的这个AI教程网页发给它,让它照着说明安装。

官网:https://ai-tutorials.yeelight.com/zh/

然后,过程中根据他的引导,扫码授权就好了~

接好以后,诶,你可以问他:“工作室里有哪些设备?”

你看,300 多个!有灯、有窗帘、传感器、空调控制器,分别在哪个区域、现在是什么状态这些信息都可以查到。

而且,很多朋友应该跟我一样,装完自己都不知有哪些功能。诶那接上 AI,一问他,

什么 RGB调色、设计灯光,家庭成员管理,他都能操作了,非常清楚~

图片

理解意图

那第二大区别,就是他真能理解意图,灵活执行~

原来我们用智能家居,基本得下非常明确的指令:“小某小某,打开哪哪的灯。”

或者是要记住一些提前设置好的模式。但凡你说错词,它都要:“抱歉,小某还不能 xx。”

所以,原来的语音控制,基本就是背口令。但我们工作室 300 多个设备,我不可能说:“把办公二区的第二排的第四个灯打开”吧~

但接了 Agent 之后~哪怕模糊的表达,Agent 都会自己理解目标,合理地想个方案满足你。

因为关键是Agent 有记忆,干久了会越来越了解你家的情况。

比如,我直接告诉它:

“我准备去那个大厅运动了,按现在的环境帮我安排一下。”

你看,它自己先看了天气温度,又看了现在的设备开了多少,然后自己推荐降 4 个窗帘就好了~

我都没说调哪个设备!而且还有个细节是我说的“大厅”,其实登记的叫做“多功能活动区”,它都能 get 到我意思。

图片

第三大区别:灵活自动化

第三,Agent 它还可以自动执行,以及结合实际情况灵活判断。

虽然原来的智能家居也可以定时一个自动任务,比如每天 8 点打开窗帘、开灯什么的。

但它是程序化的、死板的。不管刮风下雨,还是你想睡会懒觉,它都会按程序开窗帘~

但 Agent 就灵活多了。比如我们工作室,每天晚上都要关灯,但小伙伴们各自加班的情况不同,行政同学也不可能等到每一个人都下班了之后,他再去关灯。

于是,我们就在 Hermes 设了一个定时任务,

让他每天晚上到了 10 点,先到飞书群里问一句:

“现在还有人在干活吗?”

如果十分钟之内没有人回复他,他就自己把空调、灯光全关掉。

如果有人说“我还在”,它就继续确认对方在哪个区域,保留他那个位置的灯光和过道灯,其他都关掉,

你看看,既按时执行,又根据情况灵活判断。

而且,这个任务设置起来多简单呢?我直接这么一段提示词发过去,其他都是它自己设置的。

图片

第四大区别:个性化编排

所以,这就要说到第四点,让Agent接管,做个性化的定制~

原来能做个性化智能场景的,基本上都是智能家居爱好者,用一些极客手段自己搞开发;或者有钱的朋友,请全屋智能的人定制化给你配好。

那易来Pro这个 CLI 或者 MCP,

就相当于把你的所有设备都变成了 Agent 随时读懂和调用的“工具”。

再加上现在 AI 这么会开发,自主编排的想象力就相当大了~

还可以跟其他的软件、硬件做定制的串联开发,而且是用嘴说。

比如我们工作室的门禁,是用飞书考勤的人脸打卡。

我就让 Hermes 把这个人脸识别的接口,跟前台的易来Pro彩灯串联,做了个定制版欢迎仪式的程序。

每个人一扫脸进门,前厅就会亮起他的专属欢迎灯光~

归属感从进门开始~

而且,能组合起来的还不只是灯光,能控制的甚至也不只是 Agent~

我们考虑再接入更多传感器、摄像头、机器人和其他开放设备。

不需要技术人员,就能捯饬出很科技的家居体验。

图片

好啦,易来Pro也正在推出更多家庭场景的AI智能硬件,Agent接管家庭已经在眼前了~

也特别感谢深圳光明科学城以及新湖街道各级单位,在工作室装修期间给予我们的支持与帮助,让我们在这么好的环境里工作,动手尝试这些新的科技想法~

那你想让 Agent 怎么帮你管家呢?欢迎在评论区聊聊~

我们下次见啦!

跳转微信打开

  •  

EMNLP 2026 Oral|HOMURA:面向时间受限场景的 LLM 翻译强化学习优化

原创 Index LLM Team 2026-10-10 11:59 上海

当前HOMURA已经大规模应用于bilibili视频原声翻译场景中,为实现高质量、高合规性的时间受限翻译提供了可行的技术路径。

1. 概述

大语言模型(LLMs)在多语言翻译领域取得了显著进展,但普遍存在系统性的“跨语言冗长偏差”(Verbosity Bias),导致译文往往过于啰嗦,难以满足字幕翻译、视频配音等对时间预算(Time Budget)有严格要求的场景。现有的提示工程等难以在语义忠实度与长度约束之间取得平衡。为此,本研究首先提出了 Sand-Glass 基准测试,专门用于评估音节级长度约束下的翻译表现。随后,我们提出了 HOMURA 强化学习框架,通过 KL 正则化目标函数结合创新的“动态音节比例奖励”,显式优化语义保留与时间合规性之间的权衡。实验结果表明,HOMURA 能够精准“驯服”输出长度,在尊重不同语言密度差异的同时,显著优于主流 LLM 基线模型,实现了高质量、高合规性的时间受限翻译。当前HOMURA已经大规模应用于bilibili视频原声翻译场景中,为实现高质量、高合规性的时间受限翻译提供了可行的技术路径。论文链接:https://arxiv.org/pdf/2601.10187

HOMURA 已被 EMNLP 2026 接收为 Oral(口头报告)!

HOMURA 的音节控制方法也应用于哔哩哔哩 Index LLM 团队推出的 Index-Translate 系列。该系列的文本翻译模型覆盖 150 种语言,提供 2B、9B 和 35B-A3B(preview)三种规模,支持术语、格式、风格与上下文指令,并扩展出语音翻译模型 Index-Echo、音节控制模型 Index-Homura 和长文档翻译模型 Index-NativeLong。其中,Index-Homura 根据指定音节数调整译文,为字幕和配音等时间受限场景提供长度控制能力。

2. 研究背景与挑战

 (Background & Challenges)

随着大语言模型(LLMs)的飞速发展,其在神经机器翻译(NMT)中表现出了卓越的语义准确性。然而,这种语言能力伴随着一种系统性的**“跨语言冗长偏差”**。

如上图所示,论文提出的**回环膨胀率(Roundtrip Expansion Ratio)揭示了一个关键问题:即使语义内容保持不变,LLM 生成的译文往往比源话语显著更长。传统的评估指标往往忽略了这一点,但这种“喋喋不休”的特性在时间受限(Time-Constrained)**的场景(如字幕翻译、视频配音及同声传译)中是致命的。在这些场景下,译文长度构成了一个刚性的“时间预算”,直接决定了输出内容能否与画面或原声同步。

从信息论的角度来看,时间预算充当了严格的“速率约束”。模型必须在有限的音节配额内,通过词汇整合和句法重构,将最大化的信息密度压缩进最短的长度中。然而,现有的 LLM 很难自发实现这种平衡。这不仅是因为语言间的密度差异(如德语、西班牙语天然比中文占空间),更深层的原因在于 LLM 的对齐过程——现有的奖励模型往往存在“长度偏差”,倾向于给更长、更详细的回答打高分。因此,如何“驯服”模型的长度,使其在不损失核心语义的前提下满足严苛的时间约束,成为了多语言本地化领域亟待解决的建模挑战。

本文核心贡献总结:

  • 诊断分析: 系统量化了 LLM 翻译中的冗长偏差,并提出了回环膨胀率等跨语言诊断指标。

  • 基准构建: 引入了 Sand-Glass 数据集,通过音节级预算模拟真实的配音与字幕约束场景。

  • 方法创新: 提出了 HOMURA 强化学习框架,有效平衡了严苛的长度约束与语义保留。

3.基准测试与冗长偏差分析

 (Pilot Study)

为了量化时间受限场景下的翻译挑战,本研究构建了 Sand-Glass 基准测试,并对大语言模型的冗长偏差进行了深入诊断。

3.1 Sand-Glass 基准与音节度量

Sand-Glass 是一个源自真实视频语料的翻译基准。不同于通用翻译数据集,它引入了**音节(Syllable)**作为时间的代理指标。

  • 等信息量原则(Iso-Information Principle):科学研究表明,虽然不同语言的音节速率(SR)差异巨大(如西班牙语极快,汉语较慢),但全人类的信息传输速率恒定在约 39 bits/s。

  • 语言密度差异:如下表所示,汉语的信息密度(0.94)远高于西班牙语(0.63)。这意味着从汉语翻译到西班牙语时,为了保持语义完整,译文长度天然需要膨胀约 1.49 倍。

3.2 诊断指标:回环膨胀率

传统的“正向膨胀率”无法区分译文变长是因为“语言本身的密度差异”还是因为“模型废话多”。为此,论文提出了回环膨胀率(Roundtrip Expansion Ratio):

1.将源文翻译为译文。

2.将译文回译为源语言。

3.计算膨胀率:

结论: 在理想状态下,同语言对比的回环膨胀率应接近 1.0。但在 Sand-Glass 上的测试显示(见下图),主流模型的 $\rho_{rtp}$ 普遍大于 1。这证明了 LLM 存在系统性的、与语言种类无关的冗长倾向。(上图展示了大模型翻译下的语言膨胀分布图)

3.3 校准目标区间

为了打破这种偏差,本研究对比了“理论膨胀率”与“LLM 实际膨胀率”,发现 LLM 普遍存在 30%-40%的额外冗余(Bias)。

基于此,HOMURA 框架设定了严苛的目标音节区间(Target Bounds):

  • 英语 (En): 设定为 [0.8, 0.9](强制模型进行摘要式精简)。

  • 德语 (De): 设定为 [0.9, 1.0]。

  • 西班牙语 (Es): 将原本1.84倍的音节比大幅压低至 [1.0, 1.1]。

这种设定强制模型通过改写(Rewriting)而非简单删减,在极短的时间预算内实现信息的最大化对齐。

4. HOMURA 框架设计 (Methodology)

本研究将音节级控制建模为“可控文本生成”任务,目标是在满足严格音节比例约束的同时,最大化翻译质量。

4.1 KL 正则化目标与 GRPO 优化

为了实现精准控制,HOMURA 采用了基于 KL 正则化 的强化学习目标。其核心思想是:通过一个奖励函数 R(x,c,y) 鼓励模型满足长度约束,同时最大化模型翻译的生成质量。

  • 优化算法: 采用 GRPO(Group Relative Policy Optimization) 算法。该算法无需额外的 Critic 网络,通过在同一组样本内进行归一化来计算优势(Advantage),极大降低了计算开销,适合序列级别的奖励优化。

4.2 奖励机制设计 (Reward Design)

这是 HOMURA 能够精准“驯服”长度的关键。奖励函数由长度合规奖励和质量奖励两部分加权组成:

1. 动态音节比例奖励:

  • 动态区间设定: 基于前述的语言密度分级设定基础目标区间 [L_0, R_0]。

  • 短句平滑处理: 针对短句子(音节数少),微小的长度变化会导致比例剧烈波动(离散噪声)。本研究引入了动态缩放因子,对短句适度放宽下限。

  • 平滑奖励函数: 采用平方指数衰减函数而非简单的 0/1 判定,为优化过程提供连续的梯度引导,使模型逐渐向目标区间收敛。

2. 质量奖励:

为了确保压缩长度不会导致语义丢失或语句破碎,研究设计了两种质量评估路径:

  • 基于准则的评估 (Rubric-based):

  • 语义忠实度: 利用回译(Back-translation)机制,将生成的译文重新翻译回源语言,通过计算其与原句的**嵌入向量相似度(Embedding Similarity)**来衡量语义保留程度。

  • 语言流利度: 使用大模型作为裁判,针对语法、可读性和语言一致性进行打分。

  • 基于推理的评估 (Reason-based / GenRM):

通过训练一个专门的生成式奖励模型(GenRM),使其能够产生思维链(CoT)推理。该模型会先在内部进行回译和语义对比,再对流畅度做出判断,最后给出一个具备可解释性的二进制奖励信号。这种“先推理、后打分”的方式显著提升了奖励的鲁棒性。

5. 实验结果与分析 

(Experimental Results)

本研究在 Sand-Glass 基准测试上对 HOMURA 进行了全面评估,并与 GPT-5、Claude-4.1 及 Gemini-pro-2.5 等主流模型进行了对比。

5.1 长度合规性与质量的权衡

实验结果表明,HOMURA 在满足严苛时间预算方面表现出显著优势。

  • 精准的长度控制: 相比于仅依靠提示词的模型,HOMURA 能够极高比例地将译文压缩在目标区间内。在英语、德语和西班牙语等多个语向中,HOMURA 的超限率(Over-length rate)远低于基线模型。

  • 语义密度的提升: 论文引入了语义密度指标,用于衡量单位音节内的语义价值。结果显示,HOMURA 在压缩长度的同时,保持了极高的语义保留率。这证明模型并非通过简单“删减”来缩短长度,而是通过**语义巩固(Semantic Consolidation)**实现了更高的信息密度。

5.2 强化学习过程中的行为分析

通过对训练过程的监控,我们观察到了模型策略的显著演变:

  • 打破冗长先验(beta参数的影响): 实验中一个重要的发现是,当 KL 惩罚系数 beta > 0 时,模型往往会陷入“保守陷阱”,不敢大幅度重构句子。而当 beta = 0 时,模型能够彻底摆脱基座模型的啰嗦倾向,学会更激进且高效的表达方式。

  • 梯度范数与优化动量: 监控曲线显示,HOMURA 在优化过程中保持了稳定的梯度更新,能够有效地向“率失真(Rate-Distortion)”的前沿边界移动。

5.3 “压缩墙”的发现

 (The Compression Wall)

研究进一步探测了语义压缩的物理极限,我们基于设计自动压缩寻找最低极限。

实验发现,对于语言对,存在一个“有效压缩阈值”(如中英翻译约为 0.49)。一旦压缩要求低于这个阈值,语义准确性会发生非线性崩塌。HOMURA 的优势在于它能够极其接近这一极限而依然保持译文的流利度。

5.4 质量-压缩权衡分析

 (Quality-Compression Trade-off)

为了深入探讨模型在不同长度限制下的表现,本研究从“率失真(Rate-Distortion)”视角分析了翻译质量与输出长度之间的权衡关系。

  1. 基线模型的局限性: 如图所示,未经约束的基线模型通常聚集在“高质量、长文本”区域。虽然可以通过提示词迫使 LLM 缩短译文,但其翻译质量会随着压缩率的增加而剧烈下降。这表明普通 LLM 在降低“音节速率”时效率较低,难以在极短的预算内识别并保留核心语义信息。

  2. HOMURA 的高效权衡: 相比之下,HOMURA 展示了显著更高的率失真效率。在相同的音节预算下,HOMURA 的语义保真度显著优于基线;或者说,在保持相同质量水平的前提下,HOMURA 能实现更短的译文长度。

6. 结论 (Conclusion)

本研究深入探讨并解决了大语言模型(LLM)翻译中普遍存在的系统性“跨语言冗长偏差”,这一偏差是实现字幕翻译、视频配音等时间受限任务的主要障碍。

  1. 基准构建: 本研究引入了 Sand-Glass 基准测试。该基准基于“等信息量原则(Iso-Information Principle)”,利用音节预算模拟真实世界的时间约束,为量化评价翻译的“时间可行性”提供了科学工具。

  2. 方法突破: 提出了 HOMURA 强化学习框架。通过结合 KL 正则化目标函数与创新的“动态音节比例奖励”,该框架在无需参考译文的情况下,实现了极其严格的长度合规性,并显著提升了单位长度内的信息密度。

本研究不仅在工程上实现了精准的长度控制,更在理论上界定了语义压缩的边界(例如中英翻译中0.49的可行性阈值)。未来的工作将进一步验证该压缩边界在更多语言对中的普适性,并计划将 HOMURA 扩展至端到端语音翻译领域,探索语义与时长联合优化的更多可能性。

7. B站原声翻译效果展示

该功能依托 HOMURA 对时长的精准把控,生成了与原视频时间轴严格对齐的译文,从根本上解决了机器配音中‘音画不同步’或‘语速异常’的行业痛点,为用户带来了如同原生般的沉浸式视听体验。

https://www.bilibili.com/video/BV111BeBPEaD/?spm_id_from=333.337.search-card.all.click&vd_source=e946351224816c78650f22c3d26579ad

8. HOMURA 入选 EMNLP 2026 Oral 

现场见

如果你也会参加 EMNLP,欢迎来听我们的 oral、到 poster 现场交流,一起聊聊翻译、强化学习和多语言内容生产。

HOMURA 已被 EMNLP 2026 接收为 Oral(口头报告)。报告 已安排在 2026 年 10 月 27 日 09:00–10:30 的 Machine Translation and Semantics session,地点 F9-10。

我们也会参加 Poster Session D(10 月 26 日 11:00–12:30,Hall H),以及 WMT poster session,欢迎到现场交流。以上时间均为布达佩斯当地时间,具体安排请以 EMNLP 官方日程(https://2026.emnlp.org/program/)和 WMT 官方日程(https://www2.statmt.org/wmt26/program.html)为准。

现场还会发放精美谷子,欢迎来交流技术与使用体验,把喜欢的周边带回去。我们 EMNLP 见!

团队周边展示

-End-

作者丨Index LLM Team

跳转微信打开

  •  

和 ColaOS 橘子聊个人 Agent 这半年:时代追上了他,他却打了转向灯

原创 Mars任鑫 2026-10-10 11:34 上海

半年前我劝橘子给个人 Agent 找个细分,半年后这成了最热的赛道。我们把他抓回来聊这半年:便宜模型把账算过来了,免费打法回来了,他却放弃卷办公,转去做 996 之外,今年先熬到盈亏平衡。

01-cover

半年前橘子来 AI 炼金术聊个人 Agent,我还在杠他,说这个东西太宽泛了,要不要找个细分。半年后个人 Agent 成了最热的赛道,我们把他抓回来再聊一次。时代追上了他,他却没往人堆里挤:办公不卷了,转去做「996 之外」,今年的目标是盈亏平衡。

本期要点

·云上、免费、完成度,个人 Agent 突然成了共识

·便宜模型让 Agent 成本降了几十倍

·6 到 18 个月前砸掉的产品,现在都值得重做

·补贴 token 低于获客成本,免费打法回来了

·办公太卷,橘子转去做 996 之外

·99% 的人没有日历,也不会支使人干活

·AI 没有身份,人的身份本身能变钱

·今年先熬到盈亏平衡,runway 就是无限

·爆款只给你两周,电脑前的活都在贬值

·Opus 5.5 之后,全是主航道

▶ 收听完整版:小宇宙、喜马拉雅、Apple Podcasts、Spotify 搜索「AI炼金术」,本期《和 ColaOS 橘子聊个人 Agent 这半年:时代追上了他,他却打了转向灯》

半年前蹭你热点没蹭上,半年后再蹭一遍

半年前跟橘子聊天,他做的就是个人 Agent。ColaOS 装在电脑上,把我的电脑爬了一遍,然后跟我说,我帮你干这个,帮你干那个。我当时还在杠他:这个东西太宽泛了,你要不要找一个细分啊?

半年后,Instinct 9 月融了 10 亿美元,估值 100 亿美元;Meta 靠着 Muse 把股价都带了起来;xAI 出了 Grok Bot,OpenAI 搓了一个 Dot,Manus 搓了一个 Cue。大家突然觉得,这才是正确的路径。我的感觉是时代终于追上了橘子,就想把他抓过来:半年前蹭你热点没蹭上,半年后再蹭一遍。

橘子接得也干脆,说抱歉了,半年前没有给大家带来爆点,半年后再努力一次。

但我心里是有疑问的。云端的「小龙虾」(OpenClaw)早就出过一批,各家也都给你一台云上的机器,那一波没看到谁特别做起来。这一波究竟是做起来了,还是靠扎克伯格的撒币大法,只是热闹起来了?

橘子说,成不成立还不好说,刚火。但他观察下来,这个节点有一个变量,大家都开始把 Agent 放在云上了。以前在本地电脑上跑,多少有点门槛;放到云上,就真的跟豆包一样,你说句话它就能做事,只是能做的事多了十倍、一百倍。再加上免费,Muse、Dot、Instinct 都免费,而 WorkBuddy 这类办公产品还在收费。有 Agent 能力,又叠着云端的成本,还免费给用户用,传播的摩擦力一下子降得很低。

补贴只是一方面,还有产品的完成度:

“如果小龙虾是 30 分的话,Muse 就已经接近 90 分了,打磨度是非常高的。”

便宜模型,把账算过来了

砸掉的产品,现在可以捡回来重做

砸掉的产品,现在可以捡回来重做

徐文浩补了另一层:比较便宜的模型,Agent 能力变得很强了。

半年前想让 Agent 效果好,起步得用 Opus 这样的模型,Sonnet 的效果都不一定特别好。今天换一个 flash 级别的模型,比如 DeepSeek Flash,或者录音当天刚发布的 Haiku 5.5,你不拿它写代码,只让它看个邮件、订个机票酒店、操作一下软件,效果已经挺好了。

“半年前你的 token 成本是今天用这些 agent 的几十倍……半年前可能即使是 Meta,它也补贴不起。”

橘子拿 ColaOS 自己的账印证。以前用 Opus 4.6 跑 Agent,内测的时候补贴给每个用户的成本,一个月要几百美金,而且还不是重度用户,就是普通用户。今天换成 flash 级的模型,一个用户一个月也就十几美金,基本十美金就够用。十美金是什么概念?SaaS 订阅也就 10 美金、20 美金,按五年、十年去算,已经补贴得起互联网那套免费打法了。

我听到这儿的反应是,这里有一个时间窗口。半年、一年前火过的产品形态、火过的概念,当时不管是成本还是技术交付不了,现在都可以重做一遍。去搜 6 到 18 个月前,但凡火过但是砸掉的产品,现在都可以重做了,因为成本和效果提上来了。

橘子提醒了硬币的另一面。半年前愿意为成本花钱的用户,今天可以花更少的钱,对应的就是 ARR 的减少。过去半年 ARR 做得比较高的公司,得想想接下来怎么办。

补贴低于获客成本,免费打法回来了

徐文浩的说法很直接:互联网 to C 的产品,过去都是免费的;过去三年 AI 产品不能免费,是因为确实补贴不起。

“现在又进入了一个补贴得起的阶段,那为什么不能再来一次滴滴跟快的的打车大战呢?”

橘子说可以啊,这时候投资人就可以出场了,你们的钱终于有用了。我接了一句,钱终于可以烧起来了。橘子的理由是,现在补贴用户用 token 的成本,已经低于获客成本了,他管这叫「一个很质变的节点」。

钱烧出去,怎么赚回来?徐文浩之前发给我一个 Ben Thompson 的视频,观点是做 to C,唯一被证明能打到大市场的是广告模式,不是收费模式。我当时问的是,谁先在 AI 里发明出竞价排名,或者刷几条视频就插一条广告这样的模式,monetization 上的进步,会不会就是下一个胜负手?

橘子觉得这是趋势,今年不是的话,明年一过春节大家也都会意识到。靠卖 token 给 Agent 做 revenue 的阶段,要给下一个阶段让路了,下一个阶段得找到一个接近免费前提下的新商业模式。好处是增长压力终于变小了:付费产品 ARR 能做起来,DAU 很难做;现在 DAU 又能做起来了。

这个弯转得太快,橘子自己都被打脸。年初他刚喊过「DAU 没用了」,还没到年底又回去了,他自嘲「半年保质期」。我补了一刀,那篇雄文也就是今年年初的事,感觉过了好几个世纪。橘子说他情有可原,RSI(递归自我改进)提前到来了,一旦进入 RSI,以前所有的判断都已经过时了。

时代追上来了,他却不卷了

996 之外,还有一份钱

996 之外,还有一份钱

我问橘子,赛道热了,你们下一步怎么走,也做云端、也做免费?

他说细分的还没法讲,但大方向第一条是,办公这个赛道他们基本放弃卷了。

一层原因是大厂在这块做培训、做企业服务已经很卷了。另一层更底:过去这半年,大家是把 Agent 当成一个技术在做的,它是基建,可大家太容易把它当成产品。真去跟用户聊,Agent 这个东西很抽象,用户很难理解。Instinct 用一个消息界面解决所有问题,反而更好传播。豆包这个产品很简单,但豆包工作已经很复杂了,WorkBuddy 也挺复杂,这么复杂的产品对大众用户来说,跟从零开始学 Office 差不多,得有老师带着才能学会。

那转去哪?橘子说的是个人项目,这也是他们发现的真实需求。公司给你装好了 WorkBuddy,你不太会拿它做自己的项目,也不知道公司有没有监控。而且个人项目需要你长期输入偏好和记忆,工作不需要,老板只要你完成目标就行。橘子的说法是,「我们就是做 996 之外」。徐文浩在旁边补刀:「默认 996 好吧。」我接:「劳动法不存在。」

个人 Agent 这个词还是太抽象,得找细分。Instinct 的细分是管日程和差旅,用户里都是经常出差的人,靠佣金赚钱,橘子用四个字形容:「AI 携程」。他们想做的,是帮你发现「人生的第二资产曲线」,通过副业或者自媒体,在工作之外再赚一份钱。他还拿我早年做的今夜酒店特价打比方:场景可能很小,但能帮你省钱,或者帮你挣点小钱。

我觉得这个方向挺靠谱的。先不讲产品,至少 YouTube 和 Twitter 上有无数人在教别人怎么赚钱、怎么薅羊毛,在媒体层和注意力层,这件事是有很多人关注的。今年之前,没有一个 YouTuber 在教大家学 personal assistant,但教你怎么开个副业赚钱的热帖,不管中国还是美国都大量存在。

我之前的孵化器也脑暴过这个方向。当时的结论是,个人助理最好去帮一个人做他不会的事。但凡他会的,他就会挑你毛病:他就喜欢靠走廊,你给他订了靠窗,他就不满意。他不会的就不一样了,比如刚到巴塞罗那,下了飞机不知道怎么走,你就可以给他指路。你告诉他怎么开启抖音副业,必须每天发三条,哪怕已经是过时的招,他当下也没有能力判断。你更像一个老师、一个教练,反而不容易错。

所以我又追了一句:那是不是应该做成 AI 版的生财有术,天天有个人盯着我,告诉我你又错过了三个赚钱的机会?橘子说那倒也不至于,闲鱼现在走的也是生活方式路线,小红书最早不也就是个海淘信息平台。

橘子对这个方向也保持着谨慎。需求很真实,但现在很多解法不太成立,比如年初大家喊的 OPC(一人公司)。自媒体本身是一种筛选,一千个里可能十个赚钱,容纳不了所有人。

99% 的人没有日历

给你一个能使唤的帮手,你想不出要它干嘛

给你一个能使唤的帮手,你想不出要它干嘛

我问橘子,这半年有哪些事发现自己想错了,又有哪些事证明自己英明神武?

他说英明神武的部分,是个人 Agent 这件事他们确实最早做;但做得很困难,坑比成绩更值得讲。

第一个坑,大部分人对 Agent 没有真实需求。他们去线下的专科学校推广、发传单,人家看都不看一眼。

第二个坑是日历。AI 圈的人都在自己的信息茧房里,管个邮件、管个日历,橘子觉得 99% 的人都没有这个东西。他当场举了个例子:今天这场录音推迟开始,就是因为大家没有日历,迟到了。这个我认,我平时是有日历的,结果那天把日历写到了周日去。

个人助理的切入点就是日历。没有日历,你怎么订行程?只靠跟 Agent 说半天,输入 context 的成本很高。这也是他们当初选择做电脑端的原因,电脑上有很多信息可以自己找。后来发现,让用户把 context 输进来,特别是跟同事的关系,非常烦人,而且这些信息不存在于任何文档里。

第三个坑,Instinct 讲的那种 Agent 之间协作的故事,他们也试过,「使用率低得吓人」。

我自己的观察是,大部分人从来没有培养过一块肌肉,叫支使别人干活。你给他一个能被支使的东西,他想不出来要支使它干嘛。橘子说当领导绝对是个能力。大部分人也不想当产品经理,不想当 creator,就想打开短剧看;真要动起来,一定是不得不赚钱。像我们这样工作就很快乐的,「是变态」。我说对,一帮变态在那边研究正常人类。

电脑也是个盲区。徐文浩说,除了公司发的电脑,自己还有电脑的人其实已经很少了,他见过很多研发、算法出身的大厂员工,个人根本没有电脑。橘子的说法更直白:AI 圈之外的人看 AI,有点像看宗教狂热,一个从来没用过电脑的人,你说给他配一台云端电脑,他理解不了这是什么。

AI 没有身份,人有

橘子他们自己做推广,找的是素人,做一个视频给几十块钱,可能就爆了一条。AI 是没有身份的,AI 发的内容在各个平台大概率直接被干掉;但每个人有自己的身份,就可以去发。几块钱对时间值钱的人不算什么,对在农村、没有工作的人,是一笔不错的小钱。有些视频和短剧软件已经在给用户发钱,农村的老人每个月能拿上千块,橘子还发帖问过:这算不算 UBI 的一种形式?

这让我想起宝岛眼镜。他们发起过一个运动,让公司所有人给自己吃过的店写点评,大几千个员工,都写成了高等级的点评用户。员工出去吃饭,餐厅会说你帮我写个点评,这单给你免了;回过头,这批人再替宝岛眼镜写好话,相当于一支隐形的水军。身份本身是可以变钱的,但大部分人和大部分公司没有意识到这一点。

那谁真的用 AI 赚到了钱?我见过一个更刻薄的说法:有没有真的赚到钱的 AI 人?有啊,都是 builder。你 build 一个东西,疯狂地发视频,让大家觉得你很厉害,然后接广告,这就是商业模式。橘子说他确实见过很多月入五万的 builder,做很多东西,中间用到某个大厂的模型,大厂赞助一下。我们评论区也有人问,能不能举个用 AI 月入一百万的例子,真的好难举。

橘子在一线看到的另一类人,才是被 Agent 改变最大的:十几个人的小公司。以前岗位配不全,现在老板亲自上,AI 把缺的那部分填上。这些老板很多在 30 到 35 岁,有人脉、业务和交易上的积累,以前只是没有团队帮他把想法做成产品。我的理解是,不是原来 400 个研发发挥出 4000 个的效果,而是原来一个研发都没有,现在自己有了研发能力。

该熬,还是该转

我估计接下来会冒出一大片 personal assistant 各个细分品类的 BP,所以问橘子:作为踩过很多坑的人,给这些创业者什么建议?

他说以前创业是一腔热血,有个梦想,先拿一轮再说;现在既要有梦想,又要验证出你能赚到钱。

我抬了个杠:刚不是说又能做 DAU 了吗,怎么又要赚钱了?他说你看 Instinct 讲的故事,人家讲的不是 DAU,是交易额。

“如果只有 DAU,说我帮十万人管理日历,你觉得可能融到钱吗?”

可反过来,你都能赚到钱了,还需要融资吗?这是一个很微妙的阶段,一会儿要讲故事,一会儿要做生意。

这个我太熟了。经常有人问我怎么融资,我让他去看《让子弹飞》:别人为什么要跟着你干?你发枪是没有用的,发钱也是没有用的,你要让大家觉得黄四郎已经被打死了,我是来分享胜利果实的。大家都是给最不缺钱的人给钱。

徐文浩问得更扎心:你先定义了一个产品形态,半年后它成了风口,可你好像没得到风口的好处,反而更艰难了?橘子说来了 100 个竞争对手,而且都是大厂,「我应该开心吗?」徐文浩的总结是,投资人都想听一个非共识,但最好等它成为共识的时候,再把钱给你。

然后是徐文浩憋了很久的问题。很多公司故事讲得很 sexy,融到了钱,坚持不住就 pivot 去做 B2B,因为投资人要看收入;结果过了半年,风口又回到了原来的赛道。一年前说做短剧,故事讲不通,模型没这个能力;Seedance 出来之后,又讲通了。作为一号位,到底该熬还是该转?

橘子的回答很具体。一号位一年重要的决策也就一两个,大方向没错就还好。今年做 AI 应用整体不太受待见,融资新闻都不多,中国创业者尤其如此,熬是免不了的。他们的做法是长期做一个 upside 足够高的事,短期目标定得很现实:今年的目标就是盈亏平衡,虽然这是一家创业第二年的公司。

“你只要到达这个目标,其实你后续的 runway 就是无限,你就可以去寻找新的机会。”

徐文浩又抛了一个:做产品这么快,模型还越来越强,到底还要不要做产品?Opus 现在给一段 prompt,就能把知识类视频从头做到尾,一类垂直产品就这么被吞掉了,是不是干脆只做流量?

橘子说软件本身已经没有什么红利了。剩下的红利,是提供一个服务,可能不大,但很多人需要,你又服务得不错;大家注意力都很涣散,用着不错就会留下来,获客成本降下来,就转起来了。一两个这样的服务,能做到 ARR 好几百万美金;再往上做到几千万、上亿,就得有机缘,得出圈,那时候拼的肯定不是产品技术能力了。

爆款只给你两周

橘子讲了一个很典型的例子:Instinct 做出来之后,基本一个月,整个行业能做的全做了一遍,徐文浩说他们公司也做了。区别在于人家融到了 100 亿美元的估值。橘子的朋友管这叫「币圈玩法」:

“你哪怕领先一天,然后你把它炒到最顶端,你不要说你考虑下一轮,你就考虑下十轮,把钱融到位就行了。”

所以最后还是得做出爆款。而且光有一个爆款产品没有用,它最多就给你两周的曝光,你得在这两周里把它充分用起来。橘子补了一句:两周内不光要爆掉,还要搞定融资。我再加上渠道,或者什么大厂的合作。

徐文浩说他们产品的内部 benchmark,在全网排第六,可他的感受是,做产品也没什么用,不如多花点时间吸引眼球。橘子收了一句:没有流量,就什么都没有。我一听就乐了,这就到了我熟悉的领域了,讲故事。

电脑前的活在贬值,老登资产在升值

以前觉得喝茶浪费时间

以前觉得喝茶浪费时间

橘子顺着稀缺性往下说:稀缺才有价值,coding 和做视频都已经这么强了,这部分未来只会越来越没有价值。

我觉得未来还是有一些东西有价值的。生产端越来越不值钱,需求端那边,谁控流量、控信任、控渠道,谁就更值钱。所以还是老登资产,喝茅台那些事情,暂时 AI 还搞不掉。勤勤恳恳敲电脑这件事,所有在电脑面前能完成的事情,理论上都应该贬值了。资源还在资源的 owner 手里,这些人很多连智能手机都不太会用,他们还是要跟你这个人闻闻味道,私下喝杯茶,再做判断。

所以我现在在想,是不是该多出去跟大佬们喝喝茶。以前觉得喝茶浪费时间,现在觉得对着电脑敲字才是浪费时间。

只做产品的处境,其实更惨烈。我认识一个像我们这种老登型的创业者,之前卖过公司,一年多前就已经在用 AI 做漫剧赚钱了。那时候模型不行,得有人在上面搭 harness,还要请专业的人教怎么运镜,他相当于比别人领先 20 分。结果 Seedance 一升级,漫剧整个变容易了,这 20 分瞬间没了,所有人被拉平。

做传统生意,AI 让水涨船高,把你的优势抹掉;做产品,模型可能把你抹掉;哪怕是做模型,我认识的几家模型公司也因为 Seedance 很纠结。我当时的感慨是,做个小细分,老老实实赚点辛苦钱,可能晚上才睡得好觉一点。

Opus 5.5 之后,全是主航道

以前说别站在主航道上,现在全是主航道

以前说别站在主航道上,现在全是主航道

以前给创业者的建议是,不要站在模型的主航道上。橘子说,现在你会发现全都是主航道。

Opus 5.5 能搞视频,直接把世界模型的活都吃掉了,而世界模型是上半年中国投资人最爱投的赛道,「全部打水漂了」。游戏也一样,以前大家说 vibe coding 个小游戏,现在下载一个 3A 大作,让 Opus 反编译一下、破解一下,随便改随便造。橘子准备第二天发一篇文章,标题叫《游戏、软件、硬件,一切终将开源》:任何东西交给 Opus 5.5,就都算开源了;它猜出你的架构,按你的架构重写一套,你都没办法告它。徐文浩说这就是 clean room,反正我也没见过你的源码。

硬件也没跑掉。以前相机的固件做得很蠢,现在大家都拿 AI 改,苹果遥控器、小米遥控器都成了 vibe coding 的设备。

徐文浩一直在疯狂推荐 Omarchy(DHH 做的那套 Arch Linux 配置),我本来懒得装,那天终于想明白了,打算第二天就去装:软件都能让 AI 反编译,系统又能拿到操作系统级别的权限,理论上来讲,在数字世界你就可以做一切。说到这儿我没忍住:我靠,那我们聊这些创不创业有啥用啊,一年之后整个世界都变了。

橘子又加了一码:它还只是一个 Opus 模型,而且更便宜了;再过一个月,DeepSeek 的 Flash 也会有这个能力。

“这个十月,我觉得大家可以好好想想战略,你站在哪个位置。”

彩蛋:没有安全的位置,那就做自媒体吧

我的结论是,好像没有哪个位置是安全的,那就做自媒体吧。橘子说站在模型前面,做播客还行。

他的新播客 Next Token,上一期有一万二的播放,当周科技圈涨粉前三;发了四期,上了八次小宇宙新星榜。音频在小宇宙首发,视频在 B 站首发,官方都给推流。为什么有推流?因为认识人,connection 还是很重要。他做了好几年播客都没涨多少粉,后来发现,还是得抱紧平台大腿。

徐文浩说:「我们作为一个从来没有被平台扶持过的播客。」我说我们面子不够啊,被推荐得太少了,我也要去找一下,就怕我一发过去,人家把我微信删了。

收个口

回到开头。半年前我劝橘子找个细分,半年后时代追上了他:模型便宜到补贴得起,免费打法回来了,他最早定义的那个品类,一下子来了 100 个竞争对手,还都是大厂。

他没有往人堆里挤,而是打了转向灯:办公不卷了,去做 996 之外;长期找一个 upside 足够高的事,短期先熬到盈亏平衡。

这一期能直接拿走的一条战术,是去翻 6 到 18 个月前火过又砸掉的产品,成本和效果都变了。最扎心的一条,是 99% 的人没有日历,也没有支使别人干活的那块肌肉。

模型每升级一次,谁辛辛苦苦攒下的 20 分都可能瞬间被拉平。所有能在电脑前做完的活,迟早都会被模型做得更快、更便宜;还值钱的,是流量、信任和渠道,是别人愿意跟你当面喝杯茶、再做判断的那份关系。所以我现在越来越常问自己:除了对着电脑干活,我手上还有什么,是模型一升级也拉不平的?

▶ 完整版在小宇宙、喜马拉雅、Apple Podcasts、Spotify,搜「AI炼金术」就行,本期《和 ColaOS 橘子聊个人 Agent 这半年:时代追上了他,他却打了转向灯》。文字版删了不少,三个人互相补刀的语气,还是听原声最好。橘子的新播客叫 Next Token,小宇宙也能搜到。

— 完 —

跳转微信打开

  •  

一家大型企业有几十万份文档,究竟应该怎样

这个男人来自千祥 2026-10-09 19:58 浙江

国庆前刚帮上海一家大型国企,把几十万份文档塞进知识库。客户问得特自然:“全导进去让AI直接用行不行?”

技术上当然行。可真干起来才发现,“导进去”反而是整件事里最容易的一步。

这些资料散在OA、ERP、企业微信和NAS里。同一份制度能冒出三个版本,AI该信哪个?正式文件和会议纪要说法打架,听谁的?

更麻烦的是格式。扫描PDF、几百页的制度、带合并单元格的Excel全混在一起。要是表格解析错了、长文被机械切断,后面再强的模型也只能对着碎片胡猜。

最吓人的是,AI找错文件比找不到还危险。它要是精准召回了一份过期的差旅标准,回答得头头是道,员工照着订票,这责任算谁的?

到了Agent时代,权限更是个大坑。员工没权限看薪酬,他调的Agent却可能顺藤摸瓜拼出完整报告。甚至还能直接写回知识库——谁允许它写的?写错了谁负责?

所以别光想着建更大的知识库。企业真正要搭的,是一条能持续供应可信知识的流水线。

跳转微信打开

  •  

TRAE 全面升级,太像 Codex 了,想想也没毛病!

原创 向阳乔木 2026-10-09 17:57 北京

先说一个暴论:国内如果你用不了 Codex,那就直接用 TRAE。

毫无疑问,TRAE 是国内 Coding 领域的第一,长期以来专注于 AI Coding。

这也是字节跳动内部工程师一直在用的产品,有很多沉淀积累。

现在,TraeWork 和 TraeCode 两条产品线合并,统称 TRAE。

合并后,TRAE 体验和能力是我用过的所有 Agent Harness 中最接近 Codex 的产品。

不废话,上实际案例。

需求调研

经常有朋友问,乔帮主你为啥有这么多 Vibe Coding 想法和灵感。

我想了下,一方面从自己需求出发,另一方面也会关注很多别人的产品,从中找灵感(偷)。

乔布斯说过:“优秀的艺术家复制,伟大的艺术家窃取”。

从哪儿看新产品呢?比如 Producthunt。

你可以打开 TRAE ,点击插件市场,安装上“电脑控制” 和“浏览器控制”插件。

图片展示的是TRAE插件市场界面。左侧为导航栏,有新建任务、插件市场等选项。右侧是插件市场内容,介绍发现并安装插件、技能和MCP,拓展TRAE能力。其中“电脑控制”和“浏览器控制”插件被红色框突出显示,前者可让TRAE直接操作电脑,替代鼠标和键盘;后者能连接你的Google Chrome、豆瓣等浏览器。这些插件与上下文提到的安装“电脑控制”和“浏览器控制”插件相呼应,为后续让TRAE帮助查看Producthunt等功能做准备。

有了这两个插件,我就可以让 TRAE 去帮我看 Producthunt,找出日榜、周榜、月榜中排名不错的产品。

图片展示了TRAE界面,左侧为功能菜单栏,选中“Product Hunt 榜单筛选”选项。右侧是TRAE的编辑区域,上方有“用 iOS 脚本访问 producthunt 最近几周榜单的前三名,找出值得复制的产品,而且对初学者有用的”任务提示。下方是TRAE的代码编辑区,显示了使用LCUI进行Product Hunt榜单筛选的代码,还列出了相关插件、MCP等信息。该图片与上文提到的让TRAE帮看Product Hunt、找出排名不错产品等内容相呼应,展示了TRAE操作界面及代码编写情况。

甚至还能一句话变成自动化任务,每天自己运行找有趣的产品。

图片展示了TRAE创建的三个定时任务,分别是“PH日榜Top7推送”“PH周报:每日榜第一”“PH月报:周榜第一”,对应每天16:05、每周一16:05、每月1日16:05执行。任务内容为推送当日、上个周/月的榜单产品,下次运行时间也一并列出。图片下方还说明了任务实现说明,包括脚本、推送时间选择及任务有效期等信息,与上文提到的让TRAE帮看Producthunt、找有趣产品等内容相呼应。

最近看到一个免费设计资源站,收录了 2万 UI 设计库,很适合学习研究。

这张图片展示的是TRAE工具筛选出的相关产品列表页面,页面上方标注了筛选条件为近4周榜的4-15名,筛选出的多为小团队或独立开发者的小众产品。列表中分为产品、做什么、为什么值得复刻三列,其中被红色方框高亮标注的是“Kombai Gallery”,该产品的介绍为“2万+精选UI设计库,给Agent和人用”,右侧说明其内容来源模型贴合能力模型,具备类似Vector编码圈的导航功能,是值得复刻的一款设计资源类产品。图片展示的是Kombai网站界面,其口号为“20,000+ standout UI designs Free forever for agents & humans”。界面中有一个搜索框,下方有Web、Mobile等分类标签,以及Landing Pages、Dashboard等设计类别。还展示了多个设计示例,如“Toggle switch | Aqua”“Video player | Infinity”“Carousel | Record Sleeve”等。该图片与文档中提到的“最近看到一个免费设计资源站,收录了2万UI设计库,很适合学习研究”相呼应,直观呈现了该设计资源站的界面及部分设计作品。

那我会想是否能开发出一个工具给大家学习用?

学 UI 插件开发

最近乔帮主沉迷 Obsidian 插件开发, 想把自己的所有需求,都尽量通过这个软件承载。

这样实现 All in One 的阅读、学习、记录,且电脑和手机都能用,分发传播也方便。

比如自己国庆假期开发的几个插件,累计下载已超过一万。

图片展示了TRAE插件市场中搜索“qiaomu”后的结果。搜索框内显示“qiaomu”,右侧有“仅显示已安装”开关。当前显示5个插件,分别是Qiaomu AI RSS、Qiaomu Reader、Qiaomu Home、Qiaomu Radio和Qiaomu Agent,均为未安装状态。这些插件由向阳乔木开发,更新时间不一,如Qiaomu AI RSS更新于2天前,Qiaomu Reader更新于16小时前等。该图片与文档中TRAE插件开发内容相关,展示了开发过程中可利用的插件资源。

这个 UI 学习工具,也打算做成 Obsidian 插件,我就对 TRAE 说:

“基于这个网站的所有图片和分类,做一个 qiaomu-product-gallery 的 Obsidian 插件: https://kombai.com/gallery/web/”

图片展示了TRAE开发qiaomu-product-gallery Obsidian插件的界面。左侧是TRAE的项目列表,选中“创建Obsidian产品画面插件”。右侧是TRAE的开发界面,显示了基于kombai.com网站图片和分类的开发任务,有“任务已手动终止”等提示,还列出开发用到的Skill“npx skills add joeseesun/qiaomu-obsidian-dev”等信息。该图片与上下文紧密相关,直观呈现了TRAE开发插件的界面及任务情况。

等了10 多分钟,第一版就开发好了,开发用到的 Skill:

npx skills add joeseesun/qiaomu-obsidian-dev

很多设计师和产品经理都会花钱订阅 mobbin 网站,这个网站有 62 万张真实截图、14 万以上的用户流程,覆盖 1,000 多个 App。

如果拼截图数量,我们肯定不行,所以我让 TRAE 把我之前做的 UI 学习网站也整合进来。

这是一张Obsidian编辑器的界面截图,对应文档中关于TRAE开发UI学习插件的内容。左侧导航栏中,“整合UI学习网打造审美工具”这一选项被红色框线标注,是当前选中的内容。右侧是TRAE完成开发任务的相关信息,其中一段用户需求被红色框线重点标注,内容为“整合这个库 https://github.com/joeseesun/learnui 我希望我们的产品变成产品和UI学习和审美提升工具,还能点评做笔记”。界面还呈现了任务耗时、当前插件现状、整包方案等内容,体现了TRAE按用户需求推进插件开发的过程。

经过几轮对话,TRAE 调用我的 Skill 完成了所有开发、安装 Obsidian 测试 。

最终成品包含了灵感图库、UI 词典、风格图鉴、审美测试等功能,演示如下:

最后,一句话让 TRAE 帮我上架到了 Obsidian 官方插件库。

安装 Obsidian ,打开设置->第三方插件,搜索 qiaomu 就能找到。

已有产品改造

DeepSeek Harness 终于推出了桌面客户端。

听身边朋友说灵活性特别高,可以定制开发自己的插件。

图片展示的是DeepSeek Harness的界面。上方有“deepseek Harness”标识及语言选项。中间大字显示“DeepSeek Harness Ready to use. Right now.”,并介绍其适用于日常任务、编码等。下方有“Download for macOS”下载按钮。左侧有“New Session”“Plugins”“Automation”等功能选项。右侧弹出窗口介绍DeepSeek Harness,称其为开源插件,基于Codex的“一切皆插件”架构,可作为桌面应用运行或从代码启动Web UI。该图片与文档中介绍TRAE(太像Codex了)的内容相关,展示了TRAE的插件版本DeepSeek Harness。

于是我把自己的所有 Obsidian 插件都做了一份 DeepSeek Harness 版。

Obsidian 版因为有用户反馈,迭代更快,两边版本慢慢对不齐了。

所以,我会让 TRAE 比较两边代码插件,帮我更新,提示词也很朴素:

“原版做了一些优化 qiaomu-reader,你对照检查更新我们当前的 deepseek Harness 版”

图片展示了TRAE(可能是TRAE的界面)在对比优化qiaomu-reader并更新时的界面。左侧为项目导航栏,显示“qiaomu-product-gallery”等项目。右侧上方有“IDE”标识,下方是TRAE界面,显示任务耗时20m 5s,任务内容为对比原版qiaomu-reader 4.5.7+4.5.13,已同步60个问题,修复了10个,还列出部分修复内容。该图片与文档中TRAE比较两边代码插件、更新代码提示词等上下文内容相关,直观呈现了TRAE在代码更新任务中的操作界面及结果。

或者类似表述

“对照原版 qiaomu-home,对 deepseek Harness 版做更新”

这张图片展示了TRAE工具针对deepseek Harness版进行代码更新移植的操作界面,界面上方红色框标注了操作指令“对照原版qiaomu-home,对deepseek Harness版本更新”,与文档中提及的用于代码版本对照更新的提示词对应。界面左侧显示各类任务列表,主区域呈现了TRAE完成qiaomu-home到deepseek Harness版本更新的结果,明确标注本次移植更新的三项核心特性,同时附有明确的变更说明与任务完成状态,体现了该工具完成代码移植开发测试的成果。

大概 20 分钟左右,就能完成全部移植开发测试,质量也很不错。

随时随地开发

TRAE 最新版本有一个“我的助理”,支持绑定飞书、微信等 IM。

图片展示了TRAE最新版本“我的助理”功能界面。左侧为功能导航栏,有新建任务、插件市场等选项,当前选中“我的助理”。右侧是“办公助理”界面,已连接飞书、微信,微信连接状态为“已连接”,有“解绑”按钮。下方有通道连接选项,包括飞书、企业微信、钉钉,其中企业微信和钉钉显示“即将上线”。底部提示保持电脑唤醒以接收消息,有开关按钮。该图片与上下文介绍TRAE“我的助理”支持绑定飞书、微信等IM的内容相关,直观呈现了其功能界面。

如果再通过 TRAE 的插件市场安装了 Github,就能很方便的远程修Bug、合并代码。

在外面吃饭时,我问了一句:“查看下乔木剪藏 clipper 有什么用户 pr”

图片展示的是TRAE“我的助理”功能在手机微信中的应用界面。用户询问“查看下乔木剪藏clipper 有什么用户pr”,TRAE回复正在初始化中,随后告知已查完qiaomu - clipper仓库情况,目前有2个用户PR都需处理,还列出了PR总览信息,如开放、已合并、已关闭未合并数量,以及具体PR内容,如PR #33 - 木子不是木子狸(mu - zi - lee)的feat(study):新增本地Whisper字幕、双语导出与视频布局界面等。该图片直观呈现了TRAE在手机端的使用效果。

等一会,就看到了用户提交的 PR 代码,手机微信就能完成合并、发版。

小红书上也会收到一些用户需求反馈。

图片展示的是小红书平台上的一个评论界面。界面显示时间为5:14,有141个赞和收藏。下方有用户“RYUGU RENA”回复“向阳乔木”的评论,内容为“那我再许愿下有可能支持dataviewjs吗”,时间为2天前,地点为湖南。下方还有“向阳乔木”回复“RYUGU RENA”的评论,内容为“加一个组件,支持dataviewjs 预览展示和配置吗?”,时间为2天前,地点为天津。该图片与文档中提到的“小红书上也会收到一些用户需求反馈”相呼应,展示了用户在小红书平台上的互动情况。

截图+打字发到 TRAE 手机端,也能远程连电脑完成开发。

图片展示的是TRAE手机端界面,显示“Obsidian DataviewJS...”任务,耗时5分34秒。界面中呈现了关于Dataview插件API能力的调研结论,包括第三方插件通过app.plugins.plugins.dataview.api拿到DataviewApi及关键方法等信息。下方有代码示例,还配有“TRAE Auto Model”按钮。该图片与文档中TRAE全面升级的内容相关,直观呈现了TRAE手机端的界面及部分功能展示。

不止用于编程

这次 TRAE 升级合并了 TraeWork,学习、办公能力也大幅加强。

“模板库”中有大量“非程序员”的常用办公、学习需求,直接可以“做同款”。

图片展示了TRAE的“模板库”界面。左侧为功能导航栏,有新建任务、插件市场等选项。右侧上方是“模板库”标题,下方有“精选”“收藏”标签,可按全部、内容创作等分类查看。界面展示了多个模板缩略图,如“沈屿”“边界重写2022”等,部分模板有星星标识,可收藏。该图片与上下文紧密相关,直观呈现了文档中提到的“模板库”中有大量“非程序员”的常用办公、学习需求,可直接“做同款”的功能特点。

我选了个书籍拆解模版,不仅生成了 HTML,还附带 excalidraw 源文件,支持在线编辑。

如果从事教育行业,生成这种画布用于演示、讲解,就非常爽。

图片展示的是TRAE生成的《纳瓦尔宝典》核心内容图解界面。左侧有颜色、字体、字号等编辑选项。中间是图解内容,包含财富篇、幸福篇等板块,如财富篇有“财富公式”“财富杠杆”“财富游戏”等板块,幸福篇有“幸福公式”“幸福杠杆”等板块。右侧有“向阳乔木”相关内容。底部有“核心金句”等板块。该图解与上下文提到的书籍拆解模版生成HTML、附带excalidraw源文件等内容相契合,直观呈现了书籍核心内容。

另外,所有 AI 生成的 HTML、Markdown、图片、视频,都会集中在 “我的产物”中,可以随时查看,二次加工,再不用翻聊天记录找。

最让我惊喜的是关联了“飞书”,无论 AI 生成还是人手工创建的文档,都能在 TRAE 中看到,随时添加到对话界面处理,对于用飞书办公的企业或个人来说,这才是最棒的 “上下文”。

图片展示了TRAE(可能为一款AI工具)的“我的产物”页面。左侧为功能导航栏,有新建任务、插件市场等选项。右侧上方显示“你的产物都在这里,随时回来继续编辑”,下方有本地、云端、飞书三个标签,当前选中“本地”。页面展示了本地的网页、幻灯片、文档、表格、视频、图片等内容,如“report”网页、“musk-poster”图片等,还设有搜索文件栏和筛选、导出按钮。该图片直观呈现了TRAE产物管理功能,与文档中介绍的产物集中管理、随时查看二次加工等功能相契合。

写在后面

国内 AI Coding 赛道里,TRAE 应该是用户量最大的产品。

这次升级,我觉得挺成功的,产品变得更清晰易用,尤其对于小白开发者来说。

产品考虑的也很周到,保留了过去的双模式:SOLO 模式和 IDE 模式。

SOLO 模式适合单项目 AI 端到端开发,IDE 模式适合聚焦单项目深度代码编辑。

对小白来说,只需跟 TRAE 对话就能把想法做出来。

对于专业开发者来说,既能多 Agent 开发多个项目,掌控全局,又能通过 IDE 模式把握细节。

不仅桌面、网页、移动端三端打通,还能绑定微信、飞书等IM 随时查看 Agent 进展,远程处理各种需求。

TRAE 用大量插件打通生态,用模版降低用户使用门槛,让AI Agent的能力覆盖到更广的人群中。

可能有人可能会说,界面太像 Codex 了,我觉得不是问题。

做过 PM 的会有同感,不少产品推演到最后,标准答案可能就那么几个...

毕竟乔布斯说过:“优秀的艺术家复制,伟大的艺术家窃取”。

感谢你读到这里,求一键三连!

跳转微信打开

  •  

新模型密集发布,该怎么选?分享我的实测感受

原创 快刀青衣 2026-10-09 17:00 北京

选错模型,有时比不用更麻烦。

国庆节前,有用户在群里问我:「刀哥,最近我看国外新模型怎么发布这么多,你能聊聊这个吗?」

确实,整个9月就是新模型的密集发布期。说实话,我也跟得气喘吁吁。每款新模型出来,我都要拿一些自己常用的问题去试试看。

结果最后我发现,最苦恼的是,靠我自己的能力已经分辨不出哪个模型的答案最厉害了,感觉各有千秋。

我先跟你掰着指头数一数,光传统上的AI御三家都发布了哪些新模型:

9月3日,OpenAI发布新一代旗舰GPT-6 Astra,综合能力目前最强。

19天后,9月22日,OpenAI又发了两个:GPT-6 Sol和Luna,一个中端,一个轻量。同一天,Anthropic发布Claude Opus 5.5。

再过7天,9月29日,OpenAI在开发者大会上推出GPT-6.1 Sol,编程能力直追Astra,价格却只要自家旗舰模型的五分之一。

第二天,9月30日,Google发布Gemini 4 Argon。

一个月,五次发布,三家公司。上一个模型还没搞明白,下一个就来了。

我感觉这三家在玩「斗地主」:每个人都在出牌,但每个人手里都还捏着一个炸弹。你不出我就不出,你一出,我马上就跟上。

这期我就从几个实际问题来聊:这些模型各自强在哪,贵不贵,普通人用得上吗?

把它们放在一起看,也能看出几个正在影响我们怎么选、怎么用AI的趋势。

咱们先从最近非常活跃的OpenAI说起。

GPT-6 Astra是OpenAI的新一代旗舰,也是目前最强的通用模型之一,比上一代GPT-5在复杂推理和长上下文处理上都有明显提升。

但它也是最贵的,API价格是每百万token输入10美元、输出50美元。普通开发者用它做一次深度对话或者研究报告,花费就相当可观,很容易打爆账单。

它适合处理那些你没法自己验证结果、出错代价又很高的任务,比如复杂的代码架构设计、一份几十页合同的风险分析、多步骤的研究推演。

如果你的日常工作不需要这种精度,其实有更合适的选择。

并且这个模型,我自己用下来会发现,有时候你问一些简单的问题,它很容易把问题想复杂。这有点像我们上学时班里那种惹人讨厌的学霸:

拿到一张简单的卷子,或者发现最后一道大题很简单,他不会开心,而是紧皱着眉头说:「老师应该不会布置这么简单的题吧?我是不是想简单了?」

大模型有时就是这样。我可能只是想问问一加一等于几,它以为我在跟它讨论终极的哲学问题。

就在旗舰模型Astra发布19天后,OpenAI同一天推出Sol和Luna两个型号。

Sol是中端定位,大多数日常任务的表现接近Astra,但价格只有它的五分之一。Luna的价格就低得多了,输入0.1美元、输出0.5美元,比Astra便宜了整整100倍。

Luna适合那些需要大批量调用、对质量要求没那么高的场景,比如客服、摘要、分类这类重复性工作。

毕竟100倍的价差,适合做的事情当然不同。

不过,同样花Luna这个价位的钱,今天能买到的能力,一年前我觉得连全世界最好的模型都达不到这个水平。

同样是9月22日,Anthropic发布了Claude Opus 5.5。如果只看文字对话能力,Opus 5.5和上一版Opus 5的差距不算特别大。

Anthropic自己也说得很直白:Opus 5.5在多数工作上达到了自家Fable 5.1的水平,同时典型任务的运行成本比Opus 5低了大约40%。

不过,这个模型刚出来的时候,大家没有太关注。因为除了Opus 5之外,Anthropic旗下还有Fable这样之前断档领先的选择。

让Opus 5.5在社交媒体上刷屏的,是另一种玩法:用纯代码直接生成视频和3D内容。

Opus 5.5自己写代码,代码运行出来就是视频和3D场景,过程中不需要调用视频生成模型。这样一来,语言模型也能做视觉创作了。

过去,「写代码」和「做视频」是两个完全不同的工种,现在同一个模型能把这两件事接起来做。

我看到不少博主就用这个模型来做广告片,质量非常高。而且这些人里,很多之前都不是传统的AI视频工作者。

其实这对很多人来说,是一次非常大的能力横向拓展。我觉得,这种底层能力的变化,可能比跑分的提升更值得关注。

紧接着,9月29日,OpenAI在开发者大会DevDay上发布了GPT-6.1 Sol。

要知道,距离Astra发布,只过了26天。GPT-6.1 Sol在编程能力上已经打平Astra,API价格是输入2美元、输出10美元,恰好是Astra的五分之一。

只过了26天,价格降到五分之一,编程能力就接近旗舰了。这两个数字放到一起,很能说明这一轮更新有多快,简直就是「我狠起来连自己都打」的真实写照。

9月30日,Google发布了Gemini 4 Argon,多项基准测试超过了Astra,输出上限更是提升到了100万token,理论上可以一次性输出一本书。

不过,Gemini 4 Argon目前只向少量合作伙伴开放,咱们普通用户暂时体验不到。

我觉得,Google是着急了,先把实力展示出来。免得就像很多经典的管理学案例一样:一个市场上,老大和老二打架,然后发现老三死了。

如果Google再不发布点新东西,它的模型相比OpenAI或者Anthropic,确实会让人感觉已经不是一个时代了。

不少同学可能还会好奇,那国内的情况怎么样?

同样在提速。Kimi K3、GLM-5.3、DeepSeek V4.1,最近几个月密集更新。在节前的云栖大会上,千问的一批模型也都全线更新,基本上都是更强、更便宜。

除了发布得更勤,哪些模型用得最多,也值得看看。

根据OpenRouter平台最新数据,全球周Token消耗量前四名,有三个都是咱们国内的轻量Flash类模型。

排第一的模型是个厂商匿名未公开的模型;DeepSeek V4.1 Flash排第二,一周消耗25.6万亿token;GLM 5.3 Flash排第三,9.63万亿;MiMo-V2.6-Flash排第四,9.63万亿。

前十名里,中国公司出的模型也占了大半。

当然,虽然很多都是国内模型,但不代表使用它们的都是国内用户。因为现在有非常多欧美初创企业,在日常业务场景中,直接使用咱们的轻量级开源模型。

用量跑在最前面的,反而是便宜的模型,旗舰模型排在了后面。就这,DeepSeek还推出了闲时半价策略,把本来就不高的价格再砍一半。

说到这里,9月这一轮密集发布,如果把前面这些模型放在一起看,至少能看出三个变化。

最直观、最显而易见的一条,是过去很贵的AI能力正在迅速降价。

要知道,2021年,GPT-3刚开放API的时候,每百万token收费60美元。到2026年,同等能力水平的模型,价格降到了0.06美元。五年,降了1000倍。

整个行业的价格都在往下走,这不能用某一家公司的促销来解释。a16z的研究算过,大模型推理成本正在以每年10倍的速度下降,比摩尔定律还快。

这些账,如果我们只以月为单位来看,可能还没那么震撼。但如果回头看一年前、两年前的AI能力和价格,你就会对这个迭代速度非常惊讶。

李开复在《AI未来已来》里也算过一笔账,能帮我们理解这个降价速度:在相同智能水平下,AI推理成本两年降了99.4%。如果一辆特斯拉Model Y也经历同样幅度的降价,25万的车现在只要1428块钱。

回头看9月的发布就能理解了。Astra刚出来26天,GPT-6.1 Sol就用五分之一的价格追平了它的编程能力。Luna更夸张,价格只有Astra的百分之一。

第二个变化是,新模型的研发过程里,已经有旧模型在帮忙了,而且起到的作用越来越大。

这也是我和罗老师8月份去硅谷的时候,好几个AI公司的科学家都在说的趋势。

OpenAI在技术博客中提到,GPT-6的训练流程中使用了AI辅助的数据生成和评估。Anthropic的研究报告也显示,Claude参与了自身下一代模型的安全测试和红队演练。

在硅谷调研时,我们采访了一位Anthropic做预训练的专家。那天坐下来,他就跟我和罗老师说:「按照现在AI的迭代速度,我觉得一年半之后,我可能就要退休了。」

他这么说,就是因为看到了AI在训练AI的过程中,发挥的作用越来越大。

不过,「AI参与研发」,现在离「AI自己造出下一代」还差得很远。

目前AI做的更多还是辅助性工作:生成训练数据、做初步评估、加速测试流程。核心的架构设计、训练策略制定,仍然是人类研究员的工作。

但就是这些非常耗时间的辅助工作,已经足够让研发速度快起来很多。

我看到日经中文网的一个统计数字,2023年初到2026年3月,中美头部AI企业发布高性能模型的平均间隔是125天;而2026年4月到9月,这个数字已经缩短到了44天,只有原来的三分之一。

还有一个变化是,这些模型并不是刚研发完就立刻发布的。

我的感觉是,这几家公司内部往往储备了多个已经训练好的模型,选择什么时候发布,本身也是一个商业决策。

最典型的例子是OpenAI。GPT-6 Astra、Sol、Luna、GPT-6.1 Sol,四个模型在一个月内发布。

它们不太可能是在这一个月里先后完成的,更合理的解释是:公司已经备好了这些模型,再根据市场竞争的情况决定什么时候发布。

再看Anthropic在9月22日发布Opus 5.5,OpenAI一周内就跟上了GPT-6.1 Sol。能这么快跟上,说明模型很可能早就准备好了,就等着对手出牌的时候扔出来。

哪怕不能抢走市场,至少也能抢走媒体和大众的注意力。

不过,手里有几个没发布的模型,不等于领先了几代。有些模型是平行分支,测试不同方向,有的适合视频,有的适合代码;有些效果不够好,可能永远不会发布。

这三个变化,让我们能用上的AI能力越来越多。直觉上,模型越来越便宜,对普通人来说应该是纯粹的好消息,咱们选个最便宜的用就行了,反正都挺聪明的。

可便宜的模型和贵的模型,擅长的事不一样。

特别是,选错了模型,有时候比不用模型更麻烦。因为你会拿到一个看起来像回事、但经不起推敲的结果,而且你可能根本意识不到它错了。

写一封邮件,Luna够了。分析一份复杂合同的风险,可能得用Astra。帮你整理会议纪要,Flash模型绰绰有余。

但如果你要让AI帮你做一个关键决策的推演,就值得选最好的模型,也得知道怎么用它。

怎么选,要看出错的代价。

一封邮件措辞不够精准,影响有限;一份合同的关键条款被漏掉,后果可能不可逆。越是你没法自己验证结果的任务,越需要用好模型。

反正现在我建议大家多去尝试不同的模型,不要太专一了。我拿自己节前做的一个特别小的需求来举例。

不少朋友都知道,我们跨年演讲已经做了11年。过去每年的活动都会有至少几千张高清照片,都散落在一些云相册的链接里。

现在想找一些历史素材,翻起来不仅花时间,很多时候也压根记不清楚了。

所以我就用OpenAI的便宜模型Luna,帮我批量按年份下载照片、整理文件夹;用GPT-6.1 Sol对每张照片进行重命名和打标签。

然后,用Anthropic的Opus 5.5做了一个查询历年素材照片的本地网页。之所以用Opus,是因为他们家做网页的审美一直在线。

在这个需求里,我还使用了马斯克的Grok bot。你肯定好奇,既然已经用了前面两家的模型,为什么还要用这个?我再把具体场景描述一下,你就理解了。

虽然AI下载了很多照片,但我希望命名和标签能精准到这种程度:这是罗老师在台上鞠躬致意,这是脱不花在彩排时巡场。

但是,当我扔给OpenAI和Anthropic的模型几张罗老师的照片,让它们帮我找出这个人的所有照片时,这两家的模型都拒绝了我。

给出的理由也差不多,说这涉及用户肖像和人脸识别,不能拿一张照片去判断其他照片里是不是同一个人。

这时,我就想到了马斯克的Grok bot。因为他家的模型一向以肆意妄为而著称。

果然,我把需求跟它一说,它压根没跟我扯这些,直接开始从几万张图片里干活。我把我和Grok bot的对话截张图,你可以看一下。

与 Grok bot 整理跨年演讲照片的对话截图

你看,就这么一个小需求,我调用了三家公司的AI来处理。

不过,因为现在还都是我自己在创建阶段,接下来如果真给跨年项目组用,我肯定会把背后的模型换成DeepSeek或者智谱的GLM,因为省钱、速度也快。

但我想说的是,目前AI还没法替咱们做这种判断,也不会主动告诉你「这个问题,你应该去问一个更贵的模型」。

它更新得再快,能做的事情再多,这三秒钟的判断,还得咱们自己做。

阅读原文

跳转微信打开

  •  
❌