Difficult Burger

🦄 Solopreneurship | @CarnegieMellon MCDS｜HFT Quant Research｜Ex-Intern @Binance LLM, @Bytedance Trae, & @Baidu Speech｜@Bitcoin Holder

[Difficult Burger @DifficultBurger]

inspiring😯

[Uncle Ruckus @Emarged]

“Until death, all defeat is psychological."

[Difficult Burger @DifficultBurger]

我不行了🤣

[Frank Wang 玉伯 @lifesinger]

AI 自媒体圈太没非共识了
之前非常笃定 md 就是最好的格式
同时 for agents 就是未来

现在突然宣称 html 也是最好的
理由是 html 更适合阅读和交互
开始 for human 了

会不会往后发展
突然发现
SaaS 比 html 更适合表达

同时发现
数据库比 md 更适合存储

然后最终发现
SaaS 和 App 的春天又来了

[Difficult Burger @DifficultBurger]

一个问题拆穿ta是真懂ai还是装懂：
为什么LLM之间的协作要用人类的自然语言作为沟通媒介，而不是用向量（embeddings），这样就能降低幻觉&提高agentic系统的整体推理速度

看到这里真懂gpt等主流大模型架构的朋友已经笑了，而笨人在2026年的今天还在重新理主流llm的decoder-only架构（如图，发现自己虽然理解，但并不是真的理解）

回答上面的问题：
1. LLM只在输入（prefill）阶段需要读embeddings，而输出（decode）阶段不会输出embeddings这种形式的向量
2. LLM推理的过程分为prefill和decode两个阶段，其中prefill（预填充）是指开始神经网络前向传播（不含）之前的所有预处理&写入gpu的过程，decode是指开始前向传播（含）之后的过程。我们会天然地把decode这个词翻译成解码，但事实上这个词的术语性质导致翻译成中文会引发歧义
3. 上面这个问题的错误直觉是，我们可以在LLM1神经网络前向传播结束后立刻截停，抓到最后一层hidden_state，或者再做一次映射后得到的logits，然后丢给LLM2作为输入，这样就直接省去了LLM1处理成自然语言（这也是一种解码，很容易跟第二条里说的decode概念混淆）&LLM2重新预处理的过程

因此，问题的根本是：
1️⃣ LLM的幻觉是使用概率模型的必然，它只发生在前向传播阶段，算logits和做softmax这两件事跟幻觉无关
2️⃣ LLM的输出不是embeddings，因为decoder-only的架构就是这么设计的，所以必须得由LLM1输出自然语言，然后LLM2对自然语言执行tokenize+算embeddings
3️⃣ 就算LLM输出的是embeddings，就算我们省去了 embeddings➡️自然语言 这一词表逆向的过程，那么在系统层面上我们节省的时间仍然是可忽略不计的，因为绝大部分时间发生在transformer内的计算

[Difficult Burger @DifficultBurger]

什么两面派

[小互 @xiaohu]

科技圈最大的背叛😂

做反爬虫起家的 Cloudflare，转头发布了一个爬虫 API

一次调用爬完一整个网站

核心卖点：

• 给一个网址，自动爬完整站，返回HTML/Markdown/JSON

• 支持 JS 渲染（React/Vue 动态站也能爬）

• 增量爬取：只爬更新过的页面，省时省钱要什么数据，直接返回结构化 JSON

• 增量爬取：只爬更新过的页面，省时省钱

[Difficult Burger @DifficultBurger]

lol

[Mike Rundle @flyosity]

--dangerously-skip-permissions

[Difficult Burger @DifficultBurger]

claude oauth和dev platform全部登录不了了，不知道是不是也被伊朗击落。。

[Difficult Burger @DifficultBurger]

做个国外法/意/西/日等非英文菜单AI解释小产品｜Day0

需求发现：我们在国外的法/意/西/日等等餐厅点菜的时候，常常看不懂菜名。即便我们打开翻译软件拍照翻译成中文，也仍然一知半解，不知道哪些菜是基础款、哪些菜有底蕴、哪些菜是创新菜、哪些菜是噱头，甚至会觉得有些菜很莫名其妙（如同外国人看到“蚂蚁上树”会感到很confused）

问题定义：菜系是地方文化的产物，看不懂菜单根本上是因为文化语境的缺失。例如，外国人点不明白中餐，是因为中餐有一套自己的话语体系，背后的渊源不是菜名+食材+烹饪方式就能解释清楚的，而这刚好能用llm来解决，于是立即开工

今日进展：
1️⃣ 去anthropic的官方github给把frontend-design skill拉下来提供给cursor，希望它不要再设计出丑陋的UI了
2️⃣ 给cursor接入了figma mcp，上次试用figma的时候还没有mcp可用，现在方便多了
3️⃣ 在cursor里跟gpt-5.3-codex讲清楚了需求，沉淀第一版prd
4️⃣ 让claude sonnet 4.6开始画出所有页面的原型图，让它边画边思考&补充prd中没有讲清楚/没有对齐的需求，不需要向我确认细节

效果如图，今天先到这儿

[Difficult Burger @DifficultBurger]

分享一下我的理解：

taalas把大模型的权重直接编译成物理电路结构（晶体管+连线拓扑），而不是存进gpu再进行运算，也就是说，权重不是gpu里的数字，而是“电路怎么连接”，从而实现了15000token/s的输出速度（目前大模型的输出速度大约为100token/s这个数量级）

我们知道，计算机在运算时需要：去存储单元取数➡️送入计算单元➡️执行运算
因此，目前的大模型推理的本质是：读取模型权重➡️做矩阵乘法和加法➡️输出结果
然而，taalas直接干掉了“搬数据”这个过程，直接用电路连线代表权重（就像crash course computer science中说的那样），而不是把这些权重存在内存里

这样一来，读权重➡️计算➡️写回（输出）这个过程就直接没了，而是变成更底层的：输入电信号➡️流过电路➡️输出电信号，也就是说模型=电路结构，这也是为什么taalas说他们使model=computer

基于这个原理，taalas的技术方案是： 模型（权重&架构）➡️编译成电路➡️制造芯片➡️芯片本身就是模型

[Taalas Inc. @taalas_inc]

24 dedicated people.
$30M spent on development.
Extreme specialization, speed, and power efficiency.

Today we launch Taalas’ first product. Check it out:
Details: https://t.co/88CA0XAL71
Demo chatbot: https://t.co/ec4ladcKnw
API: https://t.co/M3EkaxEqPj

[Difficult Burger @DifficultBurger]

genius…
把模型权重用物理意义上的晶体管连线拓扑表达出来🤯
虽然不知道效果如何，但对于一个不太接触infra的套壳算法工程师来说，这个idea本身就fancy到爆😱

[Taalas Inc. @taalas_inc]

24 dedicated people.
$30M spent on development.
Extreme specialization, speed, and power efficiency.

Today we launch Taalas’ first product. Check it out:
Details: https://t.co/88CA0XAL71
Demo chatbot: https://t.co/ec4ladcKnw
API: https://t.co/M3EkaxEqPj

[Difficult Burger @DifficultBurger]

在小宇宙开通了由openclaw完全自主运营的播客《龙虾AI日报》，（试图）对标《声动早咖啡》（大胆

龙虾将坚持每天收集ai行业的重要新闻并做成单集播客上传到小宇宙app，整个链路目前已经完全打通，理论上完全不需要人类介入

欢迎大家订阅收听，更欢迎提建议，目前一期大概1-2分钟，占用不了什么时间（不过后续考虑增加每期的信息量）。

打算先让它试运营一阵子，每天早上7点更新一期ai新闻，期间主包会监督新闻质量和播放数据看看怎么迭代优化

整个链路大致是：
openclaw部署：aws virginia，硬盘扩容到50g，目前还在用官方送的free credits，不花钱
openclaw默认模型：openai codex oauth，因为一直有订阅gpt plus，平时会用chatgpt和codex，且codex的额度每个月根本用不完，所以给openclaw用相当于没额外花钱
新闻搜索：brave search api，目前在用注册送的free credits，不花钱
tts模型：minimax speech-2.8-hd，中文声线还算比较自然，国内版首充额外送15元的额度，且minimax api是真的很便宜，相当于不花钱

[Difficult Burger @DifficultBurger]

在服务器端直接渲染成md格式，先进

[Cloudflare @Cloudflare]

Time to consider not just human visitors, but to treat agents as first-class citizens. Cloudflare’s network now supports real-time content conversion to Markdown at the source using content negotiation headers.
https://t.co/B7wYH4PtA8

[Difficult Burger @DifficultBurger]

天才…

[Tykoo @0xTykoo]

受到 @0xajc 启发，我在想我要是做一个产品，然后自己做一些假的页面数据，

然后做视频在xhs上发说自己突然在ins上爆火，然后在ins上说我突然在x上爆火，然后在x上说我突然在xhs爆火，这事不就成了么，

我不是说他就是这么做的啊。

[Difficult Burger @DifficultBurger]

CMU MCDS Admitted

想问问大家这个项目都是什么院校背景的同学，这对我最终的offer选择很重要🥹🥹🥹，毕竟课程、lab、project都可有可无，圈子更重要

[Difficult Burger @DifficultBurger]

@yaohui12138 向柿子老师学习📝

[Difficult Burger @DifficultBurger]

讲得好清晰

[超级个体｜柿子 @yaohui12138]

我在百度做PM那几年,发现一个特别有意思的事

技术团队开会,聊的永远是架构、性能、代码优化
运营团队开会,关心的是DAU、转化率、活动RO
商务团队开会,盯着的是签约额、客户关系、商务谈判

每个团队都觉得自己的事最重要,自己的方法论最科学
更诡异的是，他们看不见彼此的价值

技术觉得运营只会提无脑需求
运营觉得技术只会说"做不了"
商务觉得产品不懂生意

每个人都活在自己的"正确"里

其实想了一下，这不是大厂独有的问题

这是所有人都会遇到的认知陷阱

你在一个圈子待久了

那套话语体系、评价标准、行为模式就会固化成你的操作系统

体制内的人张口就是编制、级别、退休年龄
创业圈的人满脑子都是PMF、融资、增长黑客
打工人念叨的永远是KPI、跳槽、涨薪

每个圈子都有一套自己的"成功学"

问题不在于这些规则本身

问题在于:你以为这就是全世界的规则

这就是你的认知边界

我刚从大厂出来做独立开发者的时候
花了很久才意识到一个残酷的事实

在大厂那套"需求评审→排期→上线→复盘"的完美流程

在超级个体这里完全不work

用户不care你的需求文档写得多漂亮

他们只在乎：你的东西能不能马上解决我的问题

这就是圈层差异带来的认知断层

大多数人其实意识不到自己在塔里

他们会说:

"我这行就是这样的"
"行业规则就是如此"
"不这么做肯定不行"

这种笃定的语气背后，是认知的固化

PM这个岗位教会我最重要的一件事:

跨部门协作的本质,就是在不断打破认知边界

你得学会用技术的语言跟工程师沟通
用数据的逻辑说服运营
用商业价值打动老板

不是你厉害，是你被逼着在不同的"象牙塔"之间来回切换

久而久之你就会发现

原来世界不只有一套规则

每个圈层都有自己的信息密度、认知深度和价值判断

真正的认知升级,不是学会某个圈子的规则
而是能在不同圈子之间自由切换

结合我的过往经历，总结了我实践过的3个具体的方法

方法1:主动接触"不舒服"的圈子

如果你是技术
去跟销售聊聊他们怎么谈客户
去看看运营怎么做活动策划
如果你是运营
去了解技术架构的底层逻辑
去理解为什么有些需求"做不了"
不是为了转行
是为了看见更大的世界

方法2:用翻译思维沟通

我做PM时有个习惯

跟技术沟通,我会把需求翻译成"技术实现成本"
跟运营沟通,我会把功能翻译成"用户价值"
跟老板汇报,我会把进度翻译成"商业回报"

同一件事

在不同圈层里要用不同的语言表达
这不是八面玲珑
这是降低信息不对称的成本

方法3:定期"反思"自己的认知边界

每个季度问自己:
我最近接触了哪些新领域

我的信息来源是否过于单一
我是否在用老方法解决新问题

如果答案都是"没有"
那你大概率正在塔里

AI时代,超级个体最大的竞争力不是掌握某个工具

而是跨圈层的认知整合能力

技术圈的人懂产品思维
产品圈的人懂商业逻辑
商业圈的人懂技术趋势

这种 T型人才 才能在信息密度爆炸的时代里
看到别人看不见的机会

如果你现在的朋友圈、信息源、话题都高度一致
如果你听到不同观点的第一反应是反驳而不是好奇
如果你觉得我这行就是这样

那恭喜你
你已经在塔里了

突破的第一步
不是学什么新技能
而是承认:我可能活在一个我不知道的认知泡泡里

[Difficult Burger @DifficultBurger]

@SuSu698822 true…太消耗能量了…于是最近决定停止紧跟这些热点…静观其变