yuandian

每天用中文拆解一条 AI 大新闻｜OpenAI、Claude、Grok 谁在领跑？不追噱头，只说点不一样的

[yuandian @yuandian66]

@sweis The 1,024-token context cap is the part I'd most want to see move next. Most agent requests blow past that before the model even starts answering.

[yuandian @yuandian66]

@addyosmani Writing down what you expect the diff to look like before the agent runs is the habit I'd keep. Skip that and it's way too easy to grade the agent's summary instead of the code.

[yuandian @yuandian66]

@UPing123zzz 重复扣费那条太真实了。接模型 API 最容易漏的就是超时：超时不代表没执行，不带幂等键重试一次，可能就扣了两回。

[yuandian @yuandian66]

@interjc 只读评审这个用法太对了，计费和鉴权最怕写的人自己审自己。7 次都抓到真问题之外，噪音多吗？还是基本每条都值得改？

[yuandian @yuandian66]

@bkdgiffug 这个是靠输出指纹去猜，项目自己也说只是概率判断。Anthropic 刚开源的 FlashProve 走的是另一条路，服务商给每条回复附证明、你本地验，前提是中转站愿意配合，难就难在这儿。

[yuandian @yuandian66]

用过中转站的应该都犯过嘀咕：说是 Opus，后面跑的到底是不是 Opus。

Anthropic 刚开源了个叫 FlashProve 的东西，就是管这个的。服务商先公布一份权重指纹，之后每条回复带一个证明，你用普通 CPU 就能验它是不是那套权重跑出来的，权重本身不用给你看。

博客里的数字：拿 400B 的 Llama 4 Maverick 测，一张 H100 每秒能出大概 110 个 token 的证明，一个 1024 token 的请求证明 19MB 左右，24 线程 CPU 验一个 17 秒。

不过别指望中转站下个月就用上。出证明的 GPU 时间是正常推理的 70 到 95 倍，上下文目前只到 1024 token，只认 greedy 解码，官方自己也说是研究原型。

我是挺认这个方向的，以后谁说「绝对没掺假」，可以直接要证明了。

[yuandian @yuandian66]

@OpenAI Curious what share of the findings turn out to be real, exploitable bugs versus noise. That ratio decides whether smaller teams can afford to run something like this.

[yuandian @yuandian66]

@emollick Sycophancy sticking around while hallucinations drop makes sense. People rate agreeable answers higher, so training keeps paying for it.

[yuandian @yuandian66]

@gdb Keeping plain Git was the right call. Do the smarter fetches need anything on the client side, or does a stock git binary get all of it?

[yuandian @yuandian66]

@op7418 作品库比单个 Skill 实用，做内容最费时间的经常是找以前那一份。一键做同款是保留版式只换内容吗？

[yuandian @yuandian66]

@dotey 0.016% 能看出改的是哪些权重吗？修死循环这种更像是找到几个卡住的开关，换成往里加新能力还灵不灵，挺想看后续。

[yuandian @yuandian66]

这两天 GitHub 上 open-duet 挺火，说是 Claude Duet 的开源平替，6k 多星了。在自己电脑或服务器上建一组有名字、有分工的 agent，引擎自己接，Claude Code、Codex、Gemini CLI 都行。

想上手的先看两点：同名仓库不止一个，火的是 Anil-matcha/open-duet；项目自己标的还是实验阶段，桌面安装包没签名。还有它不带模型，token 照样记在你自己账上。

token 这块想省点的，Muse 现在用邀请码注册两边各送 10 亿词元：https://t.co/BMM1EDrJyF ，码 97RQ2B，注册后 48 小时内去设置里兑换。

[yuandian @yuandian66]

@bindureddy The 20x only holds if someone actually owns the retraining every time the base model moves. That upkeep is the line most teams forget to budget for.

[yuandian @yuandian66]

@gefei55 同感。不过后台全交给 CC 之后权限得收一收，删数据、改价格这种操作至少让它先问一句再动手。

[yuandian @yuandian66]

@AxtonLiu 所以我现在只想讨论的时候，会先补一句「先别改代码，只说你的判断」。不加这句，它真当你在下需求。

[yuandian @yuandian66]

@rauchg Agree. A fresh box every run means reinstalling deps and re-reading the repo before any real work starts. Carrying auth along safely seems like the harder part than memory though.

[yuandian @yuandian66]

@thsottiaux @tnm Curious what broke first once agents ramped up. Was it the sheer number of pushes, or fetch load from every agent cloning the monorepo?

[yuandian @yuandian66]

Revolut 把 2000 个工程师默认用的写代码模型，换成了自己部署的 GLM。56 张 B200，算下来每百万 token 3 毛美元左右，说是原来 Anthropic、OpenAI 账单的十分之一。Claude Code 和 Codex 没扔，只留给难啃的活。

数字是他们 AI 负责人 David Abitbol 在 AI Engineer 大会上自己讲的，账具体怎么算外人看不全，我先打个问号。

但思路我挺认的。平时大部分活就是改字段、补测试、写个脚本，真用不着最贵的模型。

我们这种小团队肯定买不起 B200，可把活分成两档这件事，今天就能做：日常的丢便宜模型，卡住了再请大模型。

[yuandian @yuandian66]

一个付费用户的赛博受难记：ChatGPT，你还能再敷衍一点吗

出问题先甩锅：提示词不清，需求没说全。你按它说的改，它还是错，错完道歉，下次照错。更要命的是越来越差，同一句话，以前像样，现在只剩片汤话，上下文说忘就忘。

跟 Claude 比，啥也不是。Claude 照着仓库原来的写法接着写，不该动的不动。GPT 动不动顺手改你没让它碰的代码。难的多文件任务上，Claude Opus 4.8 是 69.2%，GPT-5.5 是 58.6%。有人用 GPT 写半年才 50%，换 Claude 几天到 90%。差的不是版本号，是能不能干完活。

慢得更气人。它还没想好怎么回答，Claude 活都干完了。Claude 几分钟出结果，GPT 动不动二三十分钟，等半天一看还是一塌糊涂。慢还差，时间花了，额度烧了，还得自己重做。

写代码全是防御性编程，改个名字加一堆校验，修个 bug 套三层兜底。先写几百行文档，架构、测试、验收、回滚头头是道，半小时后核心代码一行没动。文档写完，检查全过，就是功能没做出来。

额度更是一出闹剧。Pro 200 额度原计划从 Plus 的 20 倍砍到 10 倍，价格不变，被骂撤回又宣布翻倍。先砍一半再翻倍，还得谢谢它。接着 ChatGPT 和 Codex 额度并成一个池子，聊几句天，写代码的额度就蒸发了。钱没少，用量少了。

产品线铺得最勤，核心最跟不上。Sora、Atlas、Operator 一个接一个来，一个接一个死。内部都承认摊子铺太薄，算力来回调度。没活就改名换皮加模式，今天 Classic，明天 Work，后天 500 美元 Pro。

说到底，别甩锅，别拿文档代替交付，别偷偷换模型，别动不动砍额度。把核心模型做好，稳定、聪明、干完活，比一年发十个新产品都强。@thsottiaux 还有遗忘的，欢迎补充讨论

[yuandian @yuandian66]

@xzx_34 文档写了 几百行，交付的啥也不是😂