（帖子已被作者删除）

老生常谈的问题了，机器学习深度学习数据就是很重要，甚至可以说是决定性因素，当然不只原始数据，还有数据增强和合成数据管线之类的东西

这种渠道我之前也测过几下，很诡异，他的effort似乎调了是没用的，而且没有推理token数量，直觉上是某种逆向，但无法确定来源

可能不行，但未必这么快。 提示：这种论调在 o1-mini 发布之前其实流行过一段时间，但互联网没有记忆（

> 没有自驱力的模型，似乎上限基本就是下限。 loop其实不是大问题，对于任意模型你都可以几乎无限制的提高他的努力程度，比如每轮都自动发“请继续找视频的问题并改进，使他更完善” 难点还是判断力，也就是知道什么是好的，什么是差的，差的应该往哪个方向改才能好

根据我的测试<1.3-1.5的没有完全真的 都有或多或少的参水 而1.3-1.5其实是很高的倍率了，pro20刀（算140rmb吧）周限300刀月1200刀，实际上甚至接近0.1，如果不封号

一般不是吧，不过也不排除降低到 5.6 Pro 之类的

6-Astra(网页端叫ChatGPT 6 Pro) Opus5.5 Fable5.1 这几个就行了 需要注意的是 6-Astra 在纯官方 API 才有满血 MAX

全新的话买neo不如win本了 或者等下一代neo 如果是a20p就可以考虑 不过不知道要等多久 8g你用了就后悔了。买neo说真的不如直接二手m1 16+512，现在应该三四千，但要避免被坑

neo不要买 air最好选到24G，如果只远程为主可以考虑16G

这玩意水很深 不想碰就全新国行官方或授权渠道即可

Opus 5.5 在一些地方是 > Fable 5.1 的，直接说是蒸馏和量化似乎并不可靠，起码有额外的后训练或者是更新的大模型蒸馏来的。

这机器续航比较短板，不过不需要很好续航也勉强 512g不行外挂个硬盘吧

样本量太小，无法得出有统计意义的结论

反代感觉比较灰色，分发和反代是不同性质的，分发按照共识应该是明确违反tos的 不过如果tos写清楚了那就没啥好说的，oai的问题在于它不是提醒你甚至封号，而是静默降智，这是不可接受的

其实原文也写了无法得到因果结论 但这种叙事确实容易被没有统计学知识的人这么理解 因果分析是一个非常严肃的事情，不进行主动的、控制变量的广泛实验而只依靠关联分析几乎永远无法得到可靠的因果结论

我举个例子 有人测这个  X (formerly Twitter) – 5 Sep 26 ![图片](https://cdn3.ldstatic.com/optimized/4X/b/6/9/b69690595

你可以举个例子 实际上现在前沿大模型做这个并不差 或者是你的任务实在太不常规 太难了

从目前的表现来看，oai更像一个实验室，附带一些草台班子式的商业运营，适合探索新路线；A\虽然很坏，而且在数学这些最前沿的探索可能打不过oai，但产品和模型和商业上显然更深思熟虑（在这方面有些类似Apple），在路线不变的情况下综合上做到让人用起来最轻松

单核 M5P=90% M6 多核/GPU M6=60%-70% M5 Pro（满血）

Soniox翻译不太行，转录拿来自己接LLM比较好，应该有人造了类似轮子 我其实有一个但太简陋了

感觉 Soniox + 上下文 + 热词能做到类似效果，延迟也没什么问题，翻译可以不用他的单独接一个 LLM 本地的话之前看有人用 Qwen ASR + Hy MT 也有相当好的效果，就是断句一般

开放式，除了这个没啥问题，这玩意性价比可以

我遇到过非常类似的情况也是ds chrome他就是有的东西对不上就会直接给你把所有用户数据干掉，很神秘

可以参考完成 aa 测试的 token 数量： 

除了max基本比较线性，可以按任务复杂度去开。 max是有一个阶跃的，开了max就雷霆思考了

> AI在数学领域 解决不同的数学猜想 以为现在的AI水平做这个应该是都差不多 不太明白你是怎么从AI解决数学猜想推出各个AI的能力都差不多的… 并不是所有模型都解决了很重要的猜想 先不说不同模型本来就实力不同，就算同一个模型，上下文工程，harness，提供给模型的工具、subagent并行数量、subagent规划方式都会影响效果

现在是 Opus 5.5 的时代！OAI 这个降智和稳定性用不了一点

同理：决策树错了你知道为什么错，但是早些时候llm认为9.9<9.11人类却不知道为什么… 所以某种程度上llm不如决策树（虽然这确实有些道理） **但是你的随机森林能端到端的输入并理解自然语言状态和选项吗.jpg**

主流llm范式不太适合做实时的/流式/双工的操作，所以没什么人愿意折腾