Chance

Web3 designer and builder | Author,

[Chance @chancejiang]

AI 时代英语之于大陆华人更重要啦：
- 你的语言即是你的世界；
- 不同自然语言包含不同的能量级；
- LLM 放大了人和人的差异效应；
- 语言也是牢笼，多掌握一门语言，起码你有资格和自由跑去另外一个牢笼里看看，对比哪个更适合自己。

[Colin Wu @colinwu]

我似乎成长在最变态学英语的时代

从小家长说学英语才能找到工作

入学只考英语，按听说阅读写作排名（歧视）分班，以及学校要求六级 500 分才毕业

开始嘎嘎打怪，四六级托福 GRE，红宝书磨破烂整出个 1390

但今天除了口语交流（暂时），其他的 AI 都完美取代，那还需要学英语吗？我也不知道

[Nicolas Dessaigne @dessaigne]

The new moat in the agent era is being the tool agents reach for.

A coding agent doesn’t reinvent a database. It wires up Supabase.

The best devtools companies will make themselves obvious to agents: easy to find, easy to reason about, easy to wire up.

Devtools are entering a golden age, but only for companies that realize they’re selling to agents now, not just humans.

[李继刚 @lijigang]

你能问出什么问题，代表你眼里看到了什么路径。

[Lex Fridman @lexfridman]

I'm traveling the world for a bit, starting with China but then hopping around the globe, anywhere. Open to any adventure. No plans, only a backpack. Hoping to meet & get to know humans from all walks of life. The pic is from a long hike on the Great Wall. For me, as a fan of history, this was an epic experience.

In China, first I'm visiting a few big cities & talking to engineers at the heart of China's AI revolution. After that, if feeling crazy enough, I'm hitchhiking (first time) across rural China for a few weeks. Hitchhiking because I think it's the best way to meet rural folks who I would otherwise never get the chance to meet. I hope to do the same in US and other places.

I have a request, if you have a travel recommendation, fill out the form(s) below if you feel like it. Or share with folks who might have advice about such travel.

Form 1 - travel recommendation:
If you can, recommend to me an interesting place I should visit anywhere in the world. For this, fill out form 1. Not touristy stuff, but something off the beaten path, that tourists may not know about, but is legendary. It could be as remote as meeting a herder in the mountains who is a local legend. Asia, Middle East, Europe, India, South/North America, Africa, Australia, anywhere. In China, I'm hoping to visit maybe Heibei, Shanxi, Shaanxi, Gansu, Sichuan, Yunnan, etc, so recommendations for spots to visit are helpful.

Form 2 - coffee:
If you want to grab a coffee with me anywhere in the world, fill out form 2 (please don't use form 1 for that).

Anyway, I hectically tossed stuff in backpack. Realizing I don't have a clear plan of any kind, which is probably the only way to do it. LFG.

Love you all ❤️

[yibie @yibie]

训练小模型：2026 年最被低估的 AI 技能

2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。

2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。

两个月过去了。CJ 没有停。

他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 voice agent 的工具调用 fine-tune——成本 $11。

从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。

一、CJ 方法论：为什么值得认真对待

CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。

工具链

| 角色 | 工具 | 成本 |
|------|------|------|
| 规划（Orchestrator） | Codex 5.5 | 订阅内 |
| 数据生成（Generator） | DeepSeek v4 Pro | API 按量 |
| 训练框架 | Unsloth | 免费开源 |
| 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr |
| 推理部署 | llama.cpp / Ollama | 免费 |

数据流水线

CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」：

「"Low quality data = Low quality model performance"」

他的流水线是自进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。

$80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。

模型选择

CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确：

「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」

他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。

二、这不是 CJ 一个人的实验——行业数据在同时发声

CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。

市场规模

SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。

性能

阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。

另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。

企业已经在省钱——真正的省钱

| 公司 | 方案 | 效果 |
|------|------|------|
| Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% |
| 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 |
| EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% |
| AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 |

400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。

三、「数据集工厂」才是真正的护城河

CJ 在 5 月 22 日发了一条推文，八个词：

「"The moat might not be the fine-tune itself. It might be the dataset factory."」

这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。

中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察：

「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」

在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。

四、从边缘到生产线：部署已经在发生

SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。

2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。

而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。

五、成本轨迹：从「公司预算」到「午饭钱」

CJ 的公开成本记录是最好的注脚：

| 日期 | 项目 | 成本 |
|------|------|------|
| 05-13 | 1 亿+参数数据集生成 | ~$80 |
| 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 |
| 05-28 | Qwen 3.5 tool calling for voice agent | $11 |

$11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。

六、结论：学会训练你的第一个模型

CJ 给的学习路线图异常简单：

1. 从 1B-4B 小模型开始，不要一上来就搞大模型
2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU
3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO）
4. 用 Codex 做规划，DeepSeek 做数据生成
5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存

他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。

这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。

通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。

参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / https://t.co/7r0fApoHPJ 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

[Chance @chancejiang]

It's good hosting you, Hunter, at your Guangzhou meetup.

[Hunter Bown @goodhunt]

Guangzhou meetup today, headed to Hangzhou tomorrow

This is the trip of a lifetime and I am so grateful

https://t.co/6esAXWKQB7

For more info on Hangzhou

[Chance @chancejiang]

Welcome to China, Hunter.

[Hunter Bown @goodhunt]

feeling overwhelmingly blessed

DS-TUI is about to hit the road for a China tour

[Chance @chancejiang]

nice

[Hunter Bown @goodhunt]

this kinda just broke my brain

[Chance @chancejiang]

@zoomq AI 玩抽象的暧昧

[ZoomQuiet @zoomq]

#那什么...
现在还在使用 mc,
相比最新的 yazi 之类, 双窗口资源管理器还是更加直觉一些...特别是快捷键和 muCommander 也一样

[Chance @chancejiang]

@zoomq 🤣

[Rey｜判断位 x 英语自由 @reyjudge]

@myanTokenGeek 有一点不同意见呢

1. 人的欲望是无限的
2. AI提供了人创造供给的能力
3. 稀缺永在，只是结构性转移
4. 瓶颈可能出现在分配端：消费能力

https://t.co/9cb3aCenZ9

[Colin Wu @colinwu]

哈耶克的《货币的非国家化》是 Crypto 行业的必读书，而比特币是这本书思想更激进的实验。

哈耶克提出，让私人机构自由发行货币，市场竞争决定谁的货币更可靠。

而比特币更进一步，不是公司发行， 不是银行发行， 也不是私人机构发行。

它是一套开源协议，一组数学规则，一个由全球节点共同维护的共识网络。

[Paul Graham @paulg]

Worrying that your startup will be eaten by the model companies is like worrying that your life will be constrained after you become a movie star. You're far more likely simply to fail.

[孟岩-Mike Meng @myanTokenGeek]

昨天跟一个朋友讨论，现在大多数场景里大家用 AI 的方式是把本身就已经转起来的业务效率进一步提升，比如电商、内容创作、编程、量化交易、客服等等。

但这个跟 2000 年前后，传统企业搞互联网改造很像，建一个公司网站放宣传信息，开一个官方邮箱，再认真一点的开一个电商页面让用户在线下订单，这就算互联网化了。业务流程没变，组织关系没变，市场结构也没变。

AI 里有没有从 0 到 1 的原生应用呢？就是像电商、社交网络之于互联网一样，原来完全不可能，因为 AI 的突破才变得可能的业务呢？也许从长期来说，这种新的业务形态才更贴近 AI 的本质。

我先说几个：

- AI 智能体组织的配置、领导、管理和优化。
- AI 安全。
- AI 辅助的价值投资。这块特别说明一下，程序化交易不属于这一类，因为没有 AI 也可以做。但价值投资，读财报，分析行业和宏观政策，感知市场情绪，评估风险，这些事情对于绝大多数人来说，没有 AI 以前是完全做不了的，是有了 AI 才能做的。
- 本地化 AI 上门服务。
- AI 培训卖课，这个已经跑通了。

还有哪些？

[孟岩-Mike Meng @myanTokenGeek]

AI 人人都得学，但是想赚钱，还是得留在 crypto 里。

[Garry Tan @garrytan]

Knowing what to build, for who, and how to get them to use it is actually harder

[mert @mert]

the funny thing about ai is the people who think writing software was the hard part of building a company

[ZoomQuiet @zoomq]

#那什么...
修复的时机非常关键,
而且,这次不是实习生...
但是, 为所有厂商找到了一个非常好的理由,
不影响本身的模型声誉 ...

[孟岩-Mike Meng @myanTokenGeek]

听了一段吹嘘郑国渠的视频，宣称 2018 年之后一系列重大考古发现及出土秦简表明郑国渠是系统性的水文地质检测网络。评论区一片“我老祖宗太牛了”的自嚎。

经查这个视频里提到的所有考古证据、秦简、陶罐，所有的一切，全是假的，子虚乌有，完全不存在。

抖音是一个把十四亿人变成傻逼的系统工程。

[Chance @chancejiang]

@garrytan And welcome to The Curse of Knowledge world.

[Chance @chancejiang]

@garrytan Identify the right thin layer of software your models shall build? This takes decades of architectural experience and taste over all the available open source stacks in the world.