Seven Yu retweetledi
开了个小红书号。
第一篇打算写：怎么用 vibe coding 做一个设计和交互都不错的 app。如何一次性过 App Store 审核。写写 IAP 设置，最近的开发节奏、以及真实的收入情况。
叫“为乐而造”，感兴趣的可以先关注，这周发。
xhslink.com/m/3Y1JbWigHGX
中文
Seven Yu
25.1K posts
Seven Yu retweetledi
人生第一个iOS app已经上架了，欢迎下载来玩。是一款体验很好的，经典的维基百科游戏：给定目标词和随机的起始词条，看谁最快到达目标词。
apps.apple.com/us/app/wikimat…
顺便送 5 个年度会员的兑换码：
FTKPAJEMJT87AE6MKJ
E6X6RLPJJT3JAAAAR3
8364NXJPA4JMTJPTMT
PX4RFWTLRFHE634H4H
RLTFMMRPE4TP3W3NTE
中文
Seven Yu retweetledi
CodingNS 让你在桌面、手机、Web 之间无缝续接 AI 编程会话。
🔄 支持 Claude Code / Codex 等 CLI 会话同步
💬 对话即工作区
📁 文件 / Git / 终端一体化
⚡ 实时消息流 + 多会话
一个工作流，全平台通用。
👉 github.com/jingyi0605/Cod…
中文
Seven Yu retweetledi
Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。
第一个大变化：训练方法的范式升级
2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。
2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。
什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。
这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。
结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。
这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。
还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。
第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明
Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。
人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。
优化目标完全不同，出来的东西当然也完全不同。
所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。
为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。
这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。
第三个大变化：LLM 应用层浮出水面
Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。
大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？
第一，做上下文工程。把相关信息整理好，喂给模型。
第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。
第三，提供专业场景的界面。让人类能在关键节点介入。
第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。
有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？
Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。
第四个大变化：AI 搬进了你的电脑
Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。
但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。
Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。
现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。
Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。
第五个大变化：Vibe Coding 起飞了
2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。
这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。
不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。
代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。
第六个大变化：大模型的「图形界面时代」要来了
Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。
Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。
现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。
大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。
最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。
Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。
但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。
他在 Dwarkesh 的播客里说过一句看似矛盾的话：
> 他相信进步会继续飞速推进，
> 同时也相信还有大量的工作要做。
两件事并不矛盾。2026 年系好安全带继续加速吧。
Andrej Karpathy@karpathy
中文
Following 里内容不多，切到 "For you" 好多 “妈妈我在twitter 教人5分钟白嫖 Gemini Students/Pro”、“我是独立开发者我和你说要出海你要开港卡/Wise”、“这张设计图客户付了我 $30,000 我好牛逼”，“一龙马给我发钱啦”，详情呀，详情在评论区。
中文
Hey,
Just found this awesome thing, here's my invite link if you would like to join:
wt.ls/atuin/vJ0lULiu
English
Seven Yu retweetledi
