杰维克 Jevik

☞All in AI
☞记录Vibe Coding的点点滴滴
☞AI研发 | Agent 推崇者
☞AI内容创作者 | AI咨询 | AI提效 | 具身智能

[杰维克 Jevik @Jevik_AI]

我觉得为了流量这样双标，确实有点不道德；

所以我好多年不看所谓的专业评测视频了，不论是数码还是新能源汽车，这帮人并不是客观测评，甚至就是念稿子；

带着“信仰”和“滤镜”去测评产品，这足以证明这个人是骑墙或者拿钱办事；

[Leto Bao @leto_bao]

影视飓风是真的坏

iPhone Duo 评测：把人家发布会现场的展示机掰坏了，还骂人家质量不行

华为三折叠评测：不但不敢掰，还在节目里提醒大家千万不要给掰坏了

[杰维克 Jevik @Jevik_AI]

其实这种解决方案对于金融机构，特别是小的金融机构很友好，目前他们遇到的问题：

1、由于网络限制，调用公共大模型API这条��走不通；

2、本地部署大模型硬件成本高；

3、即使有了硬件基础，垂直领域的大模型需要训练，但数据不足以支撑后期训练和微调；

Kimi的这套方案现在我觉得这个可能陆续解决了；

[思维怪怪 @0xLogicrw]

月之暗面推出 Kimi 金融行业解决方案，把金融数据、Skill 和 Agent 能力打包到一起。

方案接入 Wind、东方财富、标普全球、财联社、财新数据等 10+ 数据源，并提供财务建模、机构研报、财报点评、组合复盘、持仓早报等 9 项金融 Skill。

Kimi 称，合作案例中，财务建模的人力投入从 5–7 人天降至 0.5–1 人天，深度研究从 10–20 天缩短至约 2 天。

Kimi 还���中信建投共建「风险评估网关」，处理数据分级、个人信息保护、工具授权、内容核验和审计追溯。试点中，单份临时受托报告的人工制作时间从约 30 分钟降至 10 分钟。

短短一周，OpenAI、Anthropic 和 Kimi 相继推出金融行业产品。金融 AI 的竞争也从聊天和信息检索，开始深入数据、建模、报告和合规等完整工作流。

https://t.co/J2PW8sQtVX

[杰维克 Jevik @Jevik_AI]

@realchendahuang @Sukiea1008 是的，尽可能的把主动权掌握在自己手里，把复杂的事做到可观、可控、可管

[杰维克 Jevik @Jevik_AI]

我从2025年，80%的代码都是Vibe Coding的；

一开始呢，我有种拥有三头六臂的感觉，整个人手搓项目非常快，比如各种酷炫UI的记事本；Chrome浏览器插件；外贸邮件生成和监控系统；家族族谱系统；

没有AI之前，前端和运维是我的短板，但是有了AI之后这些分分钟搞定，毕竟也是十年后端老兵，知道每一步用啥，搭啥，不会的抛给AI就行，完美形成了闭环；

那时候的执行力简直拉满，但过了两三个月之后，我开始思考这种过渡依赖AI的方式好不好？拿到的结果对不对？我收获了什么？我又得到了什么？

一段时间之后我得出结论：快不代表好，会不代表对！反而失���了思考力和判断力；收获的可能是“自嗨”的产品，甚至麻痹了本身努力的自己；

所以现在日常工作中，本着“事缓则圆”的原则，多去想，多去思考，不急于下结论，带着批判性思维去验收AI给你的结果，毕竟AI是被动的为你服务，你的能力和品味决定了AI是否能给你高质量的答复和结果；

AI发展迅猛，追求的是速度；但我们人类反而需要学会“减速”；结果固然重要，但人类谨慎的思考和细腻的决策也是必不可少的生存技能；

[杰维克 Jevik @Jevik_AI]

OMG，it is amazing！

[Diogo Almeida @CompleteSkeptic]

After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI?

I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev

• 20-200x faster
• 40-400x cheaper (w/ output tokens free)
• Frontier composable intelligence optimized for decisions

AFAICT the shortest path to AI-based economic revolution

[杰维克 Jevik @Jevik_AI]

@yibie 你细品，不然他怎么成为大V的，就是没有话题制造话题；有了话题就有了流量；两头赚……

[杰维克 Jevik @Jevik_AI]

@skaas777 所以保命要紧，今天健身房继续续费

[杰维克 Jevik @Jevik_AI]

we will become a manager;

[Dark Coder @dark_coderz]

Serious question:

If AI writes 90% of the code,

are we still developers?

[杰维克 Jevik @Jevik_AI]

Why not Engineering？

[CHEAF @cheaf25master]

2022 - learn to code
2024 - learn ChatGPT
2026 - learn AI agents
2028 - learn to code

Do you agree?

[杰维克 Jevik @Jevik_AI]

Bro，I am not.

[Omkar @omkarships]

Guys let's be honest,

Are you really scared that AI will replace software engineers?

[杰维克 Jevik @Jevik_AI]

都在追求大模型的RSI的能力，唐总也在继续摸高呢！

[jietang @jietang]

Two weeks.

That's how long it took to go from GLM-5.3-Flash's first run on domestic accelerators to serving all of its production traffic, with 3.2× end-to-end throughput along the way.

What I keep thinking about is who did much of the work: an Infra Agent powered by GLM-5.3.

A model helping optimize the system that serves it.

The conditions were hard. Limited memory and interconnect bandwidth. 1M-token context. Multimodal requests. An immature software stack where kernels were missing and documentation was often guesswork. Every optimization was a trade: compute for memory (ReplaySSM), communication for memory (intra-node tensor parallelism), precision for capacity (mixed INT8/FP8/BF16 caching), and disaggregation for scheduling freedom (Encode–Prefill–Decode).

But the most important lesson wasn't about any single optimization.

When the agent got stuck, it was rarely because it couldn't write the code. It was because it didn't know *why* things got worse.

"Throughput down 20%" tells you something broke. It doesn't tell you which layer, which hypothesis, or what to test next. In RL terms, it's a sparse reward with a credit assignment problem. And an end-to-end benchmark that takes hours makes exploration painfully slow.

Senior engineers solve this with an implicit process reward in their heads. They know when to check the timeline, when to run a microbenchmark, and which layer's output to compare.

So we made that explicit. We call it dense feedback: layered verification interfaces the agent can call directly.

Correctness feedback: did it compute right?
System behavior feedback: where did the time go?
Performance feedback: which option wins, under which conditions?

Each signal has to be local, cheap, and objectively verifiable.

Three things the agent found:

First, precision drift in KDA's context-parallel path that grew with sequence length. The cause was TF32 rounding error compounding through chained state-matrix merges. The fix is now merged upstream in Flash Linear Attention (PR #1180).

Second, KV transfer never overlapped with DeepEP dispatch. The agent followed the call chain across the Python/C++ boundary and found that the intranode path never released the GIL. After the fix, transfer overhead fell from over 30% to under 1%.

Third, a decode kernel recomputing the same normalization four times because of how it was chunked. The agent restructured it and got a 1.71× speedup. The idea came from "optimization skeletons" it had distilled by reading existing kernels across SGLang, FLA, and DeepGEMM.

To be clear about the boundaries: humans still defined the goals, built the feedback environment, and reviewed every high-risk change.

But the engineer's role is changing, from the person who solves the problem to the person who designs the feedback.

There's a deeper implication too. A layered, verifiable feedback environment built on real infrastructure tasks is exactly what training the next generation of models needs most. Every task the agent completes can become training ground for its successor.

We are still far from recursive self-improvement.

But the smallest loop now exists.

The model optimizes the system. The system serves the model.

[杰维克 Jevik @Jevik_AI]

@kongge_space 背后是AI带来的效率提升，解放了大脑和双手，有更多时间去创造新的东西

[杰维克 Jevik @Jevik_AI]

文章的观点----> 15. 真正成熟的 AI 产品应该把模型和 Prompt 隐藏起来。用户不需要关心 GPT、Claude、DeepSeek，也不需要自己选择模型，只需要提出需求，系统自动完成任务。

跟我提出的AI时代产品应该具有"I/O"思维相吻合，用户只需输入然后坐等输出；

因为AI能力很强了，我觉得不应该让你的用户在提需求和等结果中间花费太多的时间和精力；

[Ethan @ethanl_0x]

朱啸虎昨晚北大演讲核心总结

1. 技术领先只是阶段性优势，长期竞争最终还是回到商业。
技术进步快的时候拼技术；技术扩散快的时候，拼渠道、品牌、供应链、成本、用户入口和运营效率。

2. 判断创业项目最重要的是 3S：
Size：市场足够大
Scalable：能够快速规模化复制
Sustainable：能够长期防御，不容易被大厂复制或吞掉

3. 高度定��化的业务很难 Scale。
如果每个客户都需要重新部署、重新开发、重新服务，本质上更接近服务公司，而不是可规模化的产品公司。

4. 最好的增长是用户主动带来用户。
社交网络、社区和双边平台的优势，在于网络效应和自然传播，而不是长期依赖买量。

5. AI 创业最危险的是做成一个“大厂可以免费集成的功能”。
如果只是一个简单 AI Feature，没有入口、数据、网络效应等壁垒，很容易变成给大厂“打样”。

6. 用户入口往往比单纯的技术领先更加重要。
腾讯能够不断后发追赶，一个重要原因就是微信、QQ 这样的流量入口长期存在。

7. 双边、多对多的平台更容易形成长期壁垒。
滴滴、美团这类平台的核心不是简单撮合，而是同时连接大量供给方和大量需求方。

8. 高频业务比低频业务更容易形成独立产品和用户入口。
一个比较理想的标准是用户至少每周使用一次；频率太低，很难长期占据用户心智。

9. 创业公司最好不要教育市场。
最好的切入点，是用户本来就存在需求、已经形成习惯，只是原来的解决方案不够好。

10. 用户数量本身并不等于商业价值。
更重要的是用户是否愿意付费、是否有留存、是否能够升级到更高价值的服务。

11. 交易越标准化，越容易规模化。
像打车这种“A 点到 B 点”的标准需求，更容易形成大平台；高度非标的家政、美容等服务则更难 Scale。

12. 留存比单纯增长更重要。
朱啸虎提到，其看 AI 产品时，希望看到大致次月留存 50%+、六个月留存 20%+。

13. AI 正在从 Token Maxing 转向 Value Maxing。
未来不是所有任务都要使用最强模型，而是选择最合适、性价比最高的模型完成任务。

14. 开源模型可能逐渐成为 AI 基础设施的重要形态。
朱啸虎将其类比 Linux：随着模型能力趋同和成本下降，开源模型可能获得越来越大的市场空间。

15. 真正成熟的 AI 产品应该把模型和 Prompt 隐藏起来。
用户不需要关心 GPT、Claude、DeepSeek，也不需要自己选择模型，只需要提出需求，系统自动完成任务。

16. AI 最好的创业机会之一，是“旧需求 × 10 倍体验”。
不一定需要创造全新的需求，而是找到已经被市场验证的需求，再利用 AI 把体验提升 10 倍甚至 100 倍。

17. 朱啸虎目前重点提到的 AI 应用方向包括角色扮演、Coding 和视频。
这些场景具有高频、强需求，以及 AI 相比传统技术明显提升体验的特点。

18. 中国 AI 软件出海，开源可能是一种重要获客方式。
相比传统依赖海外销售团队的 SaaS，开源可以通过产品本身和开发者社区直接触达全球用户。

19. 机器人创业不一定追求“通��”，而应该优先解决高价值的具体任务。
相比大量同质化的人形机器人，更值得关注的是水下清洗、工业装配等“高价值、���务明确、泛化要求低”的场景。

总结：技术先进只是入场券。随着技术快速普及，真正决定公司长期价值的，还是市场规模、规模化能力、用户留存、入口、商业模式和壁垒。

[杰维克 Jevik @Jevik_AI]

@0xarthurzs 同感，发出去几个小眼睛；

我看着都烦，每次都战战兢兢，如履薄冰；不想这么累；

[杰维克 Jevik @Jevik_AI]

@jhk1highlight 我没有去出国可能跟他们一样想法，出了国完全不这样想了；

学好英语给你带来benefit真的很多；

[杰维克 Jevik @Jevik_AI]

@EthanWang07X 确实，我现在上班路上天天练习英语听力，感觉水平有所提升；去年在国外我就是个傻子，后悔当年没有好好学习英语😂

[杰维克 Jevik @Jevik_AI]

@Yunn260414 我就很另类，不喜欢被这些标签来定义

[杰维克 Jevik @Jevik_AI]

AI的行为有时候真的让你气笑不得；

让他写部署文档，他能把部署步骤搞反，这个不能怪我提示词写的不好了吧？

这种就是明显的降智了。

[杰维克 Jevik @Jevik_AI]

@AndyL5cc 还好，我开发用的比较多

[杰维克 Jevik @Jevik_AI]

@AI_Jasonyu @lxfater 活该他挣不到钱，活该你能赚到钱；