谢幺 Xie Yao

A Explainer | 通俗解释

[谢幺 Xie Yao @XplainYao]

@Circlesbro 是不是上传图片了？这好像是个bug

[谢幺 Xie Yao @XplainYao]

这个报告是统计的2025年的数据，而Qoder是2025年8月发布的，也就是说，统计数据仅仅只有4个月。

现在又过去了7个月，江湖已经发生了巨大的变化。

因此，这个报告不能说是一点用都没有，只能说参考价值不大。

拿来忽悠忽悠小白是可以的。

[码良 @cxjwin]

at 所有人，放下 WorkBuddy，开卷 Qoder。

我建仓阿里了。

[谢幺 Xie Yao @XplainYao]

这让我想到了一个商业模式。

用内置浏览器看广告， 得到一些积分来使用AI。于是穷人可以靠看广告来用AI，富人&注重效率的人付钱购买订阅或者买token来用AI。

目前市面上的AI产品商业模式似乎大多都是订阅，还没有基于广告来变现的。

这种方式也不需要出卖人们对AI本身的信任（不需要让AI助手成为一个谁给的钱多就帮谁吆喝的导购）

[Bennie @0xBenniee]

发明内置浏览器的真是个天才。

[谢幺 Xie Yao @XplainYao]

看到你也是这样，大家都是这样，我就安心了🤣

[数字生命卡兹克 @Khazix0918]

快被AI逼疯了...
已经精神失常到胡言乱语了

[谢幺 Xie Yao @XplainYao]

MCN没有这么大的能耐，我的一些加入了MCN的博主朋友们也时不时被限流，在群里喊冤。

限流原因很可能是因为你教大家用Codex、CC，而这些东西必须要翻墙才能用，等于你在引导大家去翻墙。

但如果你只是教大家如何用Codex接DeepSeek的API用很可能就不会被限流。

当然这也只是我基于一些视频数据的观察得出的判断。供参考

[谢幺 Xie Yao @XplainYao]

the best word is the word never printed.
Use common Knowledge & Metaphors.
Fix the core message, not the polish.
minimal congnitive load.

[谢幺 Xie Yao @XplainYao]

@yangyi GUI确实是未来，这点同意，但你现在展示的并不是动态GUI，左边那一栏的那些个按钮，和下面的这个输入框和按钮，都是传统固定GUI，而不是真正的动态GUI

[谢幺 Xie Yao @XplainYao]

过了几天，终于有解决方案了，居然是让我卸载掉最新版本Claude code 装上旧版本

[谢幺 Xie Yao @XplainYao]

避雷百度千帆Token Plan个人版

本着试一试的态度用一下，结果跑着跑着报442错误，想反馈，发现有一个气泡，说明有很多人反馈这个问题，所以被聚合成一个气泡，然而当点开发现……并没有解决方案……

[谢幺 Xie Yao @XplainYao]

最终，一切还是要看模型本身，而不是包裹在模型外面的复杂工程和提示词。

就像同样的工具和上下文，给两个不同天赋的人，最终表现出来的结果会天差地别。

智能的涌现无法被工程平替，所以别在雕花上浪费太多时间。

[谢幺 Xie Yao @XplainYao]

避雷百度千帆Token Plan个人版

本着试一试的态度用一下，结果跑着跑着报442错误，想反馈，发现有一个气泡，说明有很多人反馈这个问题，所以被聚合成一个气泡，然而当点开发现……并没有解决方案……

[谢幺 Xie Yao @XplainYao]

@sihyou1 @dontbesilent 这是一个双刃剑。做的不好是砸招牌，做得好是有种杠杆，能撬动更多的服务，就像山姆卖给你会员，是为了让你买更多东西。健身房办给你会员，可以给你推销更多私教服务

[谢幺 Xie Yao @XplainYao]

@Oo_Motoko 依然可以找人拼6T或者12T的家庭订阅😂

[谢幺 Xie Yao @XplainYao]

@grok @oragnes 历史上的前几次工业革命，发生过类似的事情吗？后续如何收尾的？时间周期大概多长？

[谢幺 Xie Yao @XplainYao]

@grok @oragnes 智能体应用带来Token需求的爆发，需求的爆发为什么会提高成本？

[谢幺 Xie Yao @XplainYao]

在多次尝试用AI替代我写稿后，我意识到LLM和人类大脑的关键区别：

我是这样处理内容的：

- 观众注意力是一个漏水的瓶子——不续就会流干，流干了观众就划走了。

- 观众的脑力是一个逐渐被填满的容器——满了就装不进去新东西。需要在满之前，完成一次知识获取，产生获得感，这样才能续上下一个空容器。

我每次读稿的时候，都在自己身上跑这套模拟。一段一段地感受：这里注意力是不是快漏完了？这里脑力是不是要溢出了？这里有没有续上？这个过程费力、慢。

但它是理解观众的唯一途径——因为观众就是这样处理内容的。

而大模型的机制恰好相反。

大模型一次性读取全部内容，整体处理，然后输出。不会经历"漏水的瓶子"——我的注意力不会衰减，我的脑力不会填满。

LLM的优势，是能快速看到全局结构，但盲区是，天然感受不到观众逐段处理时的注意力曲线。

[谢幺 Xie Yao @XplainYao]

Context越准越好，这个理解对吗？

[Orange AI @oran_ge]

如果还觉得 context 越多就是越好
那就没有真正理解 context 是什么

[Orange AI @oran_ge]

如果还觉得 context 越多就是越好
那就没有真正理解 context 是什么

[Phoenix Yin @Phoenixyin13]

🚨 Anthropic 直接读心成功！Claude 的脑内独白已经被实时破解

就在几小时前，Anthropic最新论文发现，Claude 自己在训练中进化出了一个隐秘的 J-Space，我们这里叫它J空间。
这是一个沉默的内部工作台，模型会在里面默默思考、存中间结果、检查 bug、甚至知道正在被测试，但表面输出完全看不出来。

可能好多人看到Anthropic这篇论文以为炸的地方是意识，其实论文自己都说了不claim意识。我认为最值得注意的事是人类第一次拿到了读取AI模型没说出口的想法的工具，这极度重要且值得思考。

目前根据社区的反馈与我自己下午阅读这篇论文的整体感受，观察到三件事。

1.消融掉J-space，选择题、情感分析这种浅任务毫发无损，但多跳推理、类比、翻译直接崩到不如Haiku。也就是说，这个空间就是模型真正在思考的地方。

2.用CoT解的数学题比直接作答的更抗消融，即模型把工作记忆卸载到了纸面上。人类用draft、模型用CoT，机制上是同一件事。

3.我认为这条也是对安全最要命的一条。J-lens能在模型输出任何token之前，它能提前发现模型内部标记这场景是假的、自己在被测试ing。
并且，在 agentic 环境里看到它暗中盘算 leverage、隐藏目标、甚至 scheming，把可解释性本身升级成事前测谎仪。

这次，模型在训练过程中自己进化出了这个类似人类意识工作空间的结构。这和神经科学里的 Global Workspace Theory这一重大概念有着惊人的功能相似性。

总体来看，我们第一次有了比较可靠的方法能窥探大型语言模型沉默的内部思考过程，这对理解控制模型、提升安全都意义重大。