syw

[syw @skywalker_38459]

@thsottiaux @OpenAI One concern with GPT-5.6 in Codex: usable input context appears to be ~353K, while the API long-context threshold remains 272K. If subscription usage follows the same cutoff, the extra window becomes a quota cliff. Could you clarify or add a 272K cap?

[syw @skywalker_38459]

@wawrolstad @GoSailGlobal 闭源模型厂狂喜

[syw @skywalker_38459]

@BarryBarrywu 最后是不是就变成小程序？

[syw @skywalker_38459]

@wangchangfu88 要进化了

[syw @skywalker_38459]

@iBigQiang @CryptoJHK 他教的是��运，赌不被版权方举报

[syw @skywalker_38459]

@ye_dj @cherylnatsu 这个仁者见仁了，华为一直对外说自己无辜

[syw @skywalker_38459]

@LongXiao4082 @wangchangfu88 对，我觉得还是正视这些问题，而不是直接简单的否定

[syw @skywalker_38459]

@FengBrox @wangchangfu88 我觉得这话也不是完全没道理，人多动一动、干点活，确实能少点胡思乱想。

但也别把体力活当成啥灵丹妙药。要是天天被生活压着干、累得不行，还看不到啥希望，人一样会扛不住。只不过很多人不会说自己“抑郁”，可能就是脾气变差、爱喝酒、睡不好、这儿疼那儿疼，或者整个人越来越没劲。

[syw @skywalker_38459]

@LongXiao4082 @wangchangfu88 过去不是没有抑郁，是很多人根本没被识别出来

以前村里那些被说成“想不开”“犯癔症”“大神”“疯疯癫癫”的人，未必都能用抑郁解释，但至少说明心理和精神问题一直存在。只是过去没有医学语言，也没有就医和统计系统，很多痛苦都被说成命苦、懒、脾气怪、撞邪

劳动可能让人暂时没空想，但不等于能消灭痛苦

[syw @skywalker_38459]

@terryaidev @VersunPan 大概率是了

[syw @skywalker_38459]

@MaxForAI 对应claude的max呗

[syw @skywalker_38459]

@CryptoJHK @zz0407g 二创是改个名字+改封��吗？

[syw @skywalker_38459]

@one1down @kashou987 @op7418 我觉得要看怎么定义“真正”。

Gemini 确实能做视频理解，但 API 文档里默认视觉侧是 1 FPS 抽帧，再结合音频/时间戳/长上下文推理。它比普通抽帧强，但应该还不是原始连续视频流理解。

[雨哥向前冲 @xiangxiang103]

AI 能通过律师资格考、能写代码、能画画—— 却学不会一件三岁小孩都懂的事：冰淇淋，不会让人溺水。

解释一下这句话。统计学里有个著名现象：冰淇淋卖得越多，溺水的人越多，两条曲线高度相关。但你不会去关掉冰淇淋店救人——真正的原因是「夏天到了」：天热既让人买冰淇淋，也让人下水。冰淇淋和溺水之间只有相关，没有因果。

而今天几乎所有大模型，干的就是「看到冰淇淋销量就预测溺水」这件事。 数据里一起出现的，它就当成有关系。在文本、图像里，这套「拟合相关性」的打法所向披靡——因为互联网数据足够多，把所有模式背下来就够用了。

可一进物理世界，它立刻露馅。看几个你天天能遇到的场景：
🧹 扫地机器人：学会绕开你家那块黑色地毯，你一换新地毯，它要么撞上去、要么把地毯边当「悬崖」死活不过——它记住的是「这块特定的黑」，不是「什么是障碍」。

🚗 自动驾驶：见过千万张「白天的行人」，半夜遇到一个穿反光衣、姿势奇怪的环卫工就识别失败。它学的是「行人长什么样」，不是「一个有质量、会移动、撞上去会出事的物体」。

🤖 机械臂：在 2cm 高的桌上抓杯子练到完美，桌子升高 2cm 直接 fail。因为它背的是「这套画面对应这套动作」，根本不懂「重力、重心、接触点」这些因果规律。

共同病根都一样：它们学的是「看起来像」，不是「为什么会这样」。 相关性能让 AI 在见过的世界里表现惊艳，却永远给不了泛化——而真实世界，处处都是没见过的情况。

人类恰恰相反。三岁小孩不用摔一万个杯子，就知道「推到桌边会掉」。他建的是一个因果模型：边缘 + 重力 = 掉落。换个杯子、换张桌子、换个国家，照样成立。这种「一次理解、处处泛化」的能力，才是智能的本质，也是当下 AI 最缺的那块。

所以我把这件事看成 AI 的第四代范式： 第一代感知（CNN）、第二代生成（Transformer）、第三代涌现（大模型）——本质都在更高效地拟合相关； 第四代，要从「拟合相关」跨到「理解因果」。这不是把模型做大，而是把架构做对。

@huang_biwei 创立的 Aether，做的就是这件事：把因果推理变成物理世界模型的底层架构，让 AI 真正理解「改变什么会导致什么」，而不是把见过的画面背下来。这是全球第一个以因果为核心的物理智能「大脑」。

而且这条路不是临时起意。创始人 UCSD 助理教授，因果 AI 深耕 12 年，开源工具 Causal-Learn 作者，100+ 顶会论文，Apple Scholar——在���有人都去卷参数的年代，她把因果这条冷板凳坐穿了，刚好等到产业拐点。

一句话：这一波，我押范式，不押规模。

所以这次 Aether 官宣融资，我把它看成一个信号：押注「因果」的时代，开始了。

想了解更多因果世界模型信息：https://t.co/1T3hrAocPU

[syw @skywalker_38459]

@xiangxiang103 有点意思，学习学习🧐

[syw @skywalker_38459]

@neard_ws @TencentCloudEO 对，就是有点难用...

[syw @skywalker_38459]

想知道客户访问你的网站能有多快？我用 EdgeOne 工具测出：下载 48.57 Mbps / 延迟 33.00 ms，这就是接入 EdgeOne 后客户体验到的真实速度！测完分享即可免费使用 EO 加速： https://t.co/N7yd8zWeK4 #TencentCloudEdgeOne #speedtest @TencentCloudEO

[syw @skywalker_38459]

@thsottiaux are you real human？

[syw @skywalker_38459]

@SoloTe2193 @geekbb opus4.7和opus4.8这俩是不是就是蒸馏的mythos？

[syw @skywalker_38459]

@lemon2017320 @geekbb 你知道啥叫mit协议嘛