同意#7 的思路。
其实社会对于某个“作品、品牌、产品”的看法，只存在两个维度，即正向循环和死亡螺旋。不存在中间态。

只要多数人认为“好”，只要作者不做出太出格的举动，这个市场惯性是非常大的。
反之亦如此，某个品牌、产品舆论上不看好，你想扭转多数人的看法，你就需要一个、甚至多个决定性领先的产品。

这也就是锚定效应。

大众集团做了那么多年的垃圾，依然屹立不倒。甚至整个德国汽车行业都自成了一套价格歧视体系。
不也是在国产多年的跨级别价格、性能碾压时，才口碑崩塌的么。
反过来也是，当初国产车为什么搞价格配置碾压？不就是因为口碑不如德日，逼不得已么。

所以这种假设其实是不成立的。换句话说，如何及时且适当的利用好自己的口碑舆论优势，来推行最适宜的产品，才是最好的方式。
推出产品时，不能只看产品是不是全行业领先。要判断这个产品是不是最契合企业需要的当下的风格、调性、舆论、定位。

从内测就能看出来，说是内测员，实际是卷大家去做插件生态……

文章非常受用，启发了我。感谢楼主分享

这个是最迷的，如果只执着于部分 SKU ，比如 mac 和 GB10 ，有分别更专业更垂直的网站，可以直接查询：
https://omlx.ai/compare
https://spark-arena.com/leaderboard

这个网站说是 local LLM 的性能比较，结果只让填产品型号，把自组直接扔掉，这不是搞笑呢么？

这网站这么奇葩？硬件只有型号没有详细配置，如果只关注 mac ，那和 oMLX 怎么比？

技术能力差距缩短了。提高了下限，上限基本没动。
但是生产能力的差距拉大了。

这个生产能力不光指的是生产代码的量，同时也指比如架构、代码的遵循，代码的可读性、可维护性的控制。整个系统的风险等等。
LLM 能帮你写代码，但是 LLM 无法做到你没想到的事。

举个例子，一个大学生和阿里 CTO 通过同一个 LLM 写的“商城系统”，可以说完全是两个系统。他们从架构、业务、稳定性、冗余度、可扩展性、甚至是业态上限上，都是本质的区别。

@Rrrrrr 这么说也不合理。毕竟确实 LLM 通过统计学发现了很多人类没发现的“认知捷径”（也就是所谓的涌现）。
在人类中，这种“发现”其实就是一种智力的体现，也就是发明创造。

B 站还有数学学者在分享通过 GPT 来进行数学探索和研究已经是非常主流的一种工具了。
所以这个话题其实非常复杂。

本质上是在 LLM 时代，智力应该被重新定义。

首先你得先说“智力”的定义到底是什么。

如果说知识量，那么具有完备工具（能信息检索，有联网能力）的 LLM 肯定是远超人类的存在。
毕竟，你问爱因斯坦是理想好还是问界好，他也得懵。

但是智力不光局限在知识量上。或者说人类的智力，是在人脑有限知识量的局限下，最大泛化的能力。
所以 LLM 的“智力”其实需要重新定义。

举个最简单的例子，假设一个 LLM 包含了全世界所有的信息，能背出目前所有问题的答案，那么他是智力强还是记忆力好呢？

没有 agent 相关经验，能测出个啥来呢……

AI 时代特别可怕的一点就是，一大票人认为：AI 会做 = 自己懂了
这点特别可怕。

这个目录结构也是典中典了。
难懂程度和课本有一拼，有“反自学设计”。

“假如让 ai 来参与设计语言，应该会很厉害吧”
是，毕竟 AI 的上下文更长，更容易找到语法解析、语义效率、语义展示这三者之间的甜点。

但是没必要。目前的“编程语法”是自然语言。

用 4bit 量化可以，但效率慢到哭。
RTX PRO 5000 ，540p 竖屏，15 秒 I2V ，要 700 秒。
换成普通 m5 的话（不是满血 MAX ），大概时间要 5x~10x 。

性能其实是视频模型很重要的一个参数，毕竟和 LLM 不同，图、视频是要 seed 抽卡的。

@dko 生存空间几近压缩，只能说目前固定收入（类似维护费、年费）还能活。
好在我司一直是走小公司路线，所以成本比较低。

目前我们的解题思路是借着 AI 的生产力解放，基本上是让甲方无边界定制。
只要有需求，且给定制费，就无条件给做。

相当于从产品思路转换成了定制服务的思路，从而增高自己的壁垒。防止行业内竞争对手的价格内卷循环。

@dko 就是这个逻辑。本质上是顶着专业人员的名头，实际履行的是半个销售，半个客服。

@dko 我司是传统 saas 行业，所以理论上讲，很多业务是和甲方基层有利益冲突的。所以和甲方基层“打成一片”就是我们这边实施的必修课。

在我的经验看来，你不能跟总监/部门经理搭上话，实施基本上是不合格的。

在国内驻场实施不就是个“出气筒+陪酒员+传声筒”么？

什么是“三件套”……

可以当作了解或者学习的练手。
但是试图做头部还是算了……

这其中有几个因素是决定性的。
1 、你不知道未来的模型走势，很有可能你做了几个月，结果第二天模型版本更新直接掀了你的桌子。
2 、你不知道模型和运行环境的细节，导致很多优化都是臆测或者穷举。这就导致你的生产力极度受限。
3 、你不懂模型核心，这就导致你的 harness 很大程度上是空中楼阁。

一个适配自家模型的团队，和一个完全第三方的个人，你认为谁出精品的概率更大……
再不济，你真的是骨骼精奇，做出了世界第一 Agent ，你的成果对于官方而言可能就是几分钟的工作量而已……
再退一万步，你的 Agent 独步天下，不用你的 Agent 就没法 coding 。官方把你的 Agent 封禁了，或者负优化，你又如何？

阿里的 deepseek 限流非常严重，TPM 1.2M token

1：没有顺序。Agent 的本质就是 ReAcT 这篇论文。
2：目前流行的 Agent 都是“反框架”的。
4：没有顺序，他们分别只是不同的能力。你说你是先学走路、先学吃饭还是先学说话？都要学，但哪个先学都可以。
5：OpenCode 就不错
6：没有突出的，或者说大家都一样。Agent 这个东西他就没有客观评价体系。主观的输入 + 主观的引擎 = 主观的结果。