Datou

香港的一国两制没有失败？？你这回答也太不诚实了吧。一国两制无论对于大陆，还是对于香港民众，都基本上失败了。对比一下2000年时的香港政治生态和现在的政治生态，再看看北京曾经的承诺和现在的落实情况，只要不是瞎子，都能看出巨大的差别，更不要说还闹出了19年反送中以及后面的国安法这么大的事来

很多人没有意识到，工作是做不完的，当你通过各种工具提高了效率，并不会真正获得更多自由时间，只会被分配更多工作。 因为本质上市场所购买的是你的时间，至于你在工作时间内能产出多少、市场又能消化多少，并不在考虑范畴内。

我操，这个吐槽，，，克劳德还挺能黑的呀！我操。

根据我的出片理论，外观占宣传的 64%，内饰占 16%，藏在壳子里面的技术不能出片，再怎么宣传也是只占 20%🤪

传说中的DeepSeek天才少女、雷军千万年薪挖角的罗福莉也开始发推了。 帖子里最生动的段落是关于她第一次使用复杂 Agent 脚手架的经历。她用的词是：orchestrated Context，编排过的上下文，我理解就是现在比较火的 Harness Engineering。 她说第一天就被震惊了，然后试图说服团队去用，没成功，于是下了一个硬性命令： > MiMo 团队里，明天对话数不到 100 条的人，可以辞职了。 这个管理风格相当激进，但有效。一旦团队的想象力被 Agent 系统的能力点燃，这种想象力就直接转化成了研发速度。 一方面确实霸气，一方面也让我有点意外，原以为大模型团队应该是更积极拥抱这种从传统 Chat 模型到 Agent 模型范式变化的。 其他都是“干货” 1. 提前押注的架构优势 1T 底座模型几个月前就开始训练了，当时的目标是长上下文推理效率。采用了 Hybrid Attention 机制（混合注意力，简单说就是不让所有 token 都互相关注，而是让一部分用全局注意力、一部分用局部注意力，大幅降低计算成本），支持百万 token 上下文窗口，加上 MTP 推理层（Multi-Token Prediction，一次预测多个 token 而不是一个一个蹦，推理延迟和成本都大幅下降）。 这些架构决策在当时并不时髦，但它们恰好成了 Agent 时代的结构性优势。 2. 为什么 MiMo 团队能这么快 罗福莉在做 DeepSeek R1 的时候亲眼见证过的真实总结： — 基座与基础设施研究周期很长。你需要在它产出回报的一年前就有战略定力。 — 后训练的敏捷性是另一种能力：靠产品直觉驱动评估，压缩迭代周期，及早捕捉范式转换。 — 还有那些不变的东西：好奇心、敏锐的技术直觉、果断的执行力、全力以赴。 以及一样很容易被低估的东西：对你正在为之构建的世界，发自内心的热爱。 3. 模型会开源的，等模型稳定到值得开源的时候。

一个比较全面的大模型，完全下载到本地，小的能小到十几个G。你随便问它问题，他全部知道。他会所有人类语言。这就是人类全部知识骨架，或者说是知识 DNA，也就十几个G。

在说一个暴论。skills 就是 ai 时代的低代码，看起来很美，但最终还是阶段性产物。确定性流程是自动化的基础，每个环节稳定性 90%，十个环节稳定性就是 34.9%。

你们可能觉得买2T是夸张了，但是一年后这台机就是我的了，2T拿来装Apple Music里的最高码率无损那是很爽的好吧？懂了么？

ICML 2026 查出506名审稿人用大模型代写审稿意见，直接把他们同时作为作者提交的497篇论文全部拒稿。 这事很逗，之前大家听过往简历PDF里塞隐藏提示词，骗AI筛选系统给自己加分。ICML这次用的是同一个思路，但方向反过来，不是骗AI夸你，是让AI自己暴露。 做法是这样的：组委会在发给审稿人的论文PDF里埋了一段隐藏的提示词。审稿人自己读论文写意见，这段话完全不起作用。但如果把PDF丢给大模型让它写审稿意见，模型会读到这段提示词，然后在输出里插入一个指定的短语。 这个短语读起来就像正常的学术评语，审稿人很难察觉。但它足够长、足够独特，正常人类写出一模一样句子的概率接近零。组委会全局搜索这个短语，谁用了AI一搜便知。