Xposl

面对未知编程 ｜面对边界编程｜面对行动编程｜面对自我编程｜Gunner

[Xposl @HuoxuD]

稳定场景触发 + 低摩擦动作 + 即时反馈 + 可预期奖励 + 重复次数 = 用户习惯

是否正确？哪些地方存在刻板印象？

[Xposl @HuoxuD]

价格上涨概率 = 同向愿望 × 尚未买入的资金 − 已经买入者的卖压 − 反向资金的压制 − 市场整体风险偏好变化

是这样的吗？

[Xposl @HuoxuD]

如果量化是让k线能符合技术指标的原因之一，那么交易者的愿望也应该会影响概率，如果我有这样的想法，那么自然有其他散户也会，这个概率是多少？又有多少人会和我作对呢？

[Xposl @HuoxuD]

@TJ_Research 对 $CBRS 理智上还是期望等待GPT5.6的验证，毕竟GPT-5.3-Codex-Spark几乎没有激起水花，但是体感上看到大涨还是会觉得FOMO。🤣

[Xposl @HuoxuD]

概率 ≠ 预测，感觉自己一直逃不出这个“偏见”，技术面是风险的概率评估工具，不是预测能力。用来预测最终只会让自己为自大和自满买单。

[Xposl @HuoxuD]

Cerebras 的综合成本即使当前仍然偏高，但只要 agent、coding、金融投研、企业私域模型、实时仿真和世界模型逐步把低延迟变成刚需，其可服务市场就可能显著扩大。

它不会取代所有 GPU/HBM workload，也不一定适合大规模 batch inference。但如果 Cerebras 能在高价值、低延迟、不可充分 batch 的场景中证明稳定性和有效成本优势，那么低延迟溢价就有机会覆盖其 capex、折旧、功耗和运维成本。

基于这个框架，$CBRS 的核心故事就不是“替代 GPU”，而是“低延迟推理能否成为下一代 AI 应用的基础设施”。如果 agent、金融自动化、企业私域模型、世界模型和具身智能持续发展，这个市场的天花板就很难用当前推理需求线性外推。也正因为天花板尚未被准确定价，它才可能成为一个具备期权价值的好故事。

[Fiona ❤️& ✌️ @nft_hu]

事实上，GPT-5.3-Codex-Spark 是 2 月 12 日上线的第一个真实产品，是 Cerebras 推理引擎的第一份实战成绩单。

当时的速度：10-15 倍于 GPU
Codex-Spark 在 WSE-3 上跑出 1000+ tokens/秒，标准 GPU 跑同款模型约 65 tokens/秒，差距 15 倍。

不过缺陷也很明显：成本和良率。

等到市场的情绪和炒作结束，谁能最有性价比地提供解决方案才最重要。

一台 CS-3 系统报价约 $2-3M+。跑 frontier model 需要 20-30 台：$40-90M 的硬件成本，还不算功耗（23kW × 25 台 = 575kW，一年电费数百万美元）。

相比之下，等效 GPU 集群便宜数倍，而且：有完整 CUDA 生态，可以做 batched throughput 摊薄成本，每一代都在降价。

Cerebras 最终能赢的只有一个场景：客户愿意为极低延迟支付极高溢价。OpenAI 现在用它跑代码生成推理，是因为那个场景对 latency 有特殊要求，而且 OpenAI 可以把成本转嫁给用户。但这个市场天花板很低，真正大规模的 batch inference（广告、推荐、搜索）根本不会选。

[Xposl @HuoxuD]

GPT-5.6 Sol on Cerebras 是 $CBRS 的关键验证点之一。若其在真实场景中稳定运行，并被 OpenAI 逐步扩大使用范围，则可能削弱“NVDA GPU + HBM 是低延迟推理唯一解”的叙事。

进一步看，如果 Cerebras 能证明开源模型、企业私域模型可以在其平台上实现低成本、高速、低延迟、稳定运行，那么 AI 推理的成本结构可能发生变化。届时，不仅企业私域 agent 会加速落地，世界模型、具身智能、机器人和实时仿真也可能进入新的发展阶段。

核心观察指标不只是峰值 tokens/s，而是长上下文、真实 agent workload、多用户并发、P95/P99 延迟、稳定性、硬件寿命、功耗/token、每百万 token 成本，以及 OpenAI 是否持续扩大 Cerebras 在推理栈中的占比。

路依然很长，但如果这条路径被验证，GPT-5.6 Sol on Cerebras 可能成为企业 AI 数字化从 PoC/概念验证走向规模化落地的关键拐点事件。

[Serenity @aleabitoreddit]

Kinda nutty OpenAI’s is launching its heavyweight 5.6 Sol frontier model on $CBRS.

At up to 750 tokens/sec, which is obscene performance.

American inference go brrr.

I actually picked up starter positions on Cerebras for the first time in the ~170s (below $185 IPO price) after seeing this news yesterday.

Feels like validation of its tech. IMO a bit overvalued compared to profitable companies like $JBL at the same valuation.

But there’s likely premiums for OpenAI exposure, as long as they stay the leader.

[Xposl @HuoxuD]

@guansi 至少有了一个比较清晰的“更好的大模型”的样子，那么基于这个念想先好好打磨产品基座吧，:)

[Xposl @HuoxuD]

@himself65 论如何用6个字写一个充满悲壮的赌狗的故事

[Xposl @HuoxuD]

It's done !!!

[Arsenal @Arsenal]

The Arsenal. Your Premier League champions.

[Xposl @HuoxuD]

用mermaid 做记忆这个确实没想过，只用来描述过prd 和 design文档。但感觉有点思路了

[Berryxia.AI @berryxia]

Agent 记忆真是太特么卷了啊！
不得不说，这个赛道越多人加入越爽啊！

Tencent AI团队花了整整6个月，就死磕一个问题：AI agent长会话里疯狂丢上下文。

他们最后把一套记忆系统做完，直接开源了。

我看完他们的分享，最大的感受是，99%的人还在卷上下文长度，真正把agent拉回正轨的，是这三招硬核操作。

第一招，实时压缩过期上下文。

直接把token消耗砍掉61%。
以前动不动就爆上下文，现在中途就瘦身，agent还能保持清醒。

第二招，给agent画一张结构化的任务地图，用mermaid语法直接生成。

30多步的复杂流程里，丢轨概率大幅下降。
agent不再像无头苍蝇，它知道自己现在在哪一步，该往哪走。

第三招，专门给agent建了Persona记忆。

人格一致性从48%直接跳到76%。
它不再一会儿专业一会儿随意，回答风格和角色设定稳得一批。

这套东西不是理论，是他们真实踩坑6个月踩出来的。

Repo已经挂出来了，谁在做agent的赶紧去试。

以前总觉得agent记忆难，是因为我们把问题想简单了。

真正难的不再是存更多信息，是需要解决让它在正确的时间用正确的方式想起正确的东西。

你还在靠堆token解决agent记忆问题吗？

项目地址：https://t.co/f3X4TXsTGH

[Xposl @HuoxuD]

“刻板印象”，好词，要长脑子了

[dontbesilent @dontbesilent]

9 个步骤，对标 dontbesilent 涨粉 50 万

1、核心工作：批量生产「正确的非共识」

2、按照李普曼的《公众舆论》（1922），观众在看到你的内容之前，脑海中已经对事物形成刻板印象

比如：
大部分人没做过生意，但对「做生意」有刻板印象
大部分人没创过业，但对「创业」有刻板印象
大部分人没做过自媒体，但对「涨粉」有刻板印象

3、这些刻板印象常常是错误的，经不起稍微复杂一点点的推敲，所以如果你能把世界上的真实情况搞清楚，击碎这些刻板印象，你就可以建立「正确的非共识」

4、这通常体现为：你可能会在内容的开头，用一个反常识的观点吸引住对方，而在对方看完整个内容之后，竟然发现你是对的

5、比如我经常说：涨粉越快越不赚钱，流量越大越不赚钱。这并不是为了反常识而反常识，而是我真的认为把涨粉速度和盈利速度线性相关起来是错的

我只是在表达自己观点的同时，顺便击碎了刻板印象

从而实现了大家眼中所谓的「讲认知」、「立人设」

6、我们真正的问题是如何批量实现上述过程

7、这里的核心是：刻板印象通常是简化的因果关系

常见模式：
- 有 X 就能 Y（有流量就能赚钱）
- 做 X 就会 Y（涨粉快就能变现）
- X 是 Y 的原因（成功是因为努力）

这些规则的特点是：单一因果，忽略条件

如果你在理解了这个概念之后，把它作为提示词发给 AI，批量识别刻板印象，并且快速进行解决，就不是一件难事

难点可能在于你能不能把事情讲清楚（无论是讲给 AI 还是讲给观众）

8、李普曼在书中有一个重要观察：

刻板印象的功能，是节省认知成本。当我们打破一个刻板印象时，我们必须提供一个新的认知框架，否则人们会回到旧的刻板印象

9、所以，完整的「正确的非共识」包含四个部分：

a 识别刻板印象：流量大就赚钱
b 提供反例：涨粉最快的博主不赚钱
c 给出新框架：赚钱取决于流量质量和变现路径的匹配度
d 展开内容：考虑到「流量质量」和「匹配度」两个词并无明确定义，把这两个词定义好，你就完成了你的内容

【温馨提示】
以上内容，主要是写给 AI 看的

[Xposl @HuoxuD]

我的理解是不能把思考限制在“手搓代码”的线性工作流里。传统 workflow 的核心是人预先设计路径；而 Harness 面对的是另一种现实：LLM 已经能够自主规划、调用工具、迭代执行，甚至在运行中涌现出自己的 workflow。

所以 Harness 的本质不是创建 workflow，而是在 workflow 可以被模型动态生成的前提下，对它进行约束、治理和兜底。

Skill、MCP、Sandbox 并不是 Harness 的本体，它们只是实现约束的手段。

最快理解 Harness 的方法不是读概念，而是自己实现一个 Harness Loop Agent：给它目标，给它工具，给它执行环境，再观察它如何规划、执行、失败、修正。真正跑通一次，或许就知道应该怎么harness,毕竟不是所有的任务都需要plan。

[Xposl @HuoxuD]

@jesselaunz 嗯，我看多了赌狗平台直播，可能思路更多聚焦在盘中了，类似角球，红黄牌的赔率，这种不知道能否有更好的预测方法。就是看到一些大主播专注角球，整体胜率还挺高的，特别聚焦于时间和赔率的概率关系，应该也是能做抽象什么时候下注最优。

[Xposl @HuoxuD]

@oran_ge 突然这样想，时间和意识是否必须同时存在？体感上意识是高于时间的，时间的等待对人是有意义的，对AI目前几乎是无意义的，那对意识本身是否需要有意义？

[Xposl @HuoxuD]

@oran_ge 河床对了，水自然归海。
可现实里我们常常不是没好河床，而是过度设计：中层太厚、规则太多、功能太“聪明”。
水没归海，从来不是水的问题，而是我们在河床里堆了太多自以为聪明的石头。

[Xposl @HuoxuD]

过分自信，只会导致从被人骗变成被AI骗。

• 你觉得有价值的，大概率有人试过
• 没人做成比没人做过更值得研究
• "没人做过"可能是搜得不够，或者本身就不值一提。
• 最该怀疑的，是你自己的“发现”

[Xposl @HuoxuD]

@vista8 @42mayfly 我们日常对话中用高频词，也会比低频词更准确地让别人理解和传播。毕竟在感官上，高频词在群体认知里，平均的理解不会比本身的含义差太远，更容易对齐。大多数人对低频词可能都存在理解偏差，那么用作prompt就无法真正表达本意，如果反过来才真的需要惊讶。感觉这又是另一种大道至简，返璞归真。

[Xposl @HuoxuD]

@dotey 一直有新词，还是我们依然没有找到好的语言定义它们。才会有了如果大模型是野马，我们需要马具的比喻诠释。

感觉和我自己不知道怎么准确解释一件别人理解不了的事的时候一模一样，只能上比喻，执行全靠悟。