◻️ Hydway
5.1K posts
我现在明白为什么大家Claude Code各种套餐都消耗很快了，因为大家都直接用Coding模型处理多个同类文件，而不是先做一个接LLM等各种API的Python程序、再用测试好的程序来处理多个文件。这样用模型当然是没底的，而且完全没必要啊，Python + LLM API多便宜啊，而且文件如果量大，这样根本不可行啊。
中文
◻️ Hydway 리트윗함
我最近在想一个问题：为什么 VLA（Vision-Language-Action）这种看起来完全不理解物理的方法，能在机器人控制上打败 Boston Dynamics 花了三十年打磨的物理建模方法？
表面的回答是端到端学习更强。但更深一层，我觉得这和信息论有关。
物理建模本质上是一种压缩：用少量方程表示世界的行为。压缩在简单系统中高效（SpaceX 火箭回收至今用凸优化），但在复杂系统中必然丢信息，而且精度天花板由人的建模能力决定。更多算力只能加速求解，不能让模型更准。
VLA 放弃了压缩。它用通用函数逼近器直接学 input-output mapping，精度上限由数据和算力决定。数据和算力还能 scale，精度就不饱和。
这解释了一个跨领域的规律：NLP 里传统方法先理解语法（压缩），LLM 直接 next token prediction（不压缩）。CV 里先提边缘特征（压缩），ViT 端到端学（不压缩）。每次不压缩打败压缩，都是同一件事。
判断一个控制问题该走哪条路，看两个变量：系统复杂度（人工建模能压缩多少而不丢关键维度）和数据丰度（有多少数据让函数逼近器填满状态空间）。火箭回收两个都低，物理建模最优。通用机器人操控两个都高，VLA 胜出。
写了一篇完整的分析，梳理了两条路线各自的关键论文链、每篇的核心直觉和留下的问题，以及各家公司（Unitree、Figure AI、Boston Dynamics、Physical Intelligence）的技术栈。
yage.ai/share/vla-vs-p…
中文
◻️ Hydway 리트윗함
Yes, it's true! Weight-bearing exercises like gym workouts (lifting, running) strengthen bones by increasing density and building new tissue—your skeleton adapts to the stress (Wolff's law). Being sedentary leads to bone loss and porosity over time, raising osteoporosis risk. The image exaggerates for impact, but the science checks out. Stay active! 💪🦴
English
看到现在所有 Claude 被封号的案例里，我觉得唯一的风控指标是 IP，其他都是辅助判断（支付方式、用量等等）
有没有一个反例能够帮我推翻这一点：
也就是说，你本身生活在美国或者日本，全程都使用自己的家庭宽带 IP，没有任何干扰的情况下，最后也被封号了。
我自己唯一一次封号也是因为旅游出现了他国 IP…
Steve@levineeet
@taresky 还是 IP 质量吧？我订阅用的美卡 + Apple Pay，开了几天之后都没事，昨晚用 Xcode 调用 Claude Agent 半夜就给我封了
中文
当前 AI 性价比排行榜：
1. GPT team（咸鱼车位 3.3）
2. 谷歌 Pro 家庭组（$20 带 6 个号）
3. MiniMax 2.7（每月 29 块，5 小时 600 次模型调用）
中文
