我有很多同学都是做dllm的，本来dllm都濒死了只有很少几个组做了，这下都兴奋起来了

源内容里没有什么内部和外部的表达，这是自己加的吧。字节seedance应该都是自己部署的，估计都没有打包成二进制交给外部的一些平台部署

不是说seadance是一个200B的模型嘛好像，以10%来训练也不少了，毕竟字节有这么多业务，主要还有大量的资源在语言模型部署那边

oai讲过吧好像luna都是astra参与自己给自己炼化出来的

现在的人学聪明了，看到对面糊就不给爽了 ^-^

这都不发卡了吧

只有护照在国内的就老老实实付费吧

经典愣头干，我的astra max已经发生了很多次这种问题了，我给他一个非常简单的优化prompt的任务，他迭代了一百个版本出来，给我笑死了，隔壁opus thinking了十分钟干完了

如果你是同时编辑器+终端我觉得是没问题的，也很合理，我基本已经很少review代码了，有core的部分我也是通过codex的diff去看

那就是你的生态决定了你用cli可以，大部分是需要频繁切换上下文的，例如要看跑出来的页面，结果等等

系统问题没办法了，linux我确实觉得cli更好

可以去看看remote ssh, 都是24小时，至于占内存这个还好吧，电脑16G以上不随便跑

现在各家remote ssh效果都很好了，也可以一直长程连接着不会断的

cli没法快速查看Demo 网页 图像视频等等呢，而且现在网页版开销也不大，Cli如果维护多个对话管理起来也很难

cli没法快速查看Demo 网页 图像视频等等呢

eu没啥福利啊，返现都砍到1%了

我输出了2是什么意思，一个词都没有只有2 补档，多对话了一次给了输出，这是不是内测到了 

opus 5.5适合写原型，这是个写原型特别猛的模型，但是真落地总会有意想不到的mismatch情况，这也是小模型的病症了，Gpt写原型太慢太拖拉，也就是有大家广为流传的防御性编程问题。搞得人也很难受，但二者其实写清楚文档和约束表现都还可以。如果是裸跑想落地建议先opus实现原型然后就让gpt大人帮你做好兜底。算是一个不错的trade off

google的基础设施相对于claude code, claude dekstop以及gpt家的codex生态差太多了，半死不活的反重力以及上个世纪的gemini cli, 我都不知道要在哪里打开这个gemini 4最合适，干脆直接适配codex把

平均耗时601也太夸张了吧，是astra的三倍，处于不可用的状态

A11, 因为我的手机号是十一位哈

> 是为数据的特征和特定的任务设计的 这句话十年前确实成立，当时三四层的模型确实可以逐层解释和针对任务进行设计，放现在完全不成立了，现在的模型完全没有可解释性，纯黑盒模型了已经。其次 跟数学没关系不代表数学不重要，做deellearning不需要数学而已，而且是绝大部分方向都不需要高深的数学，反而是行外人觉得数学很重要。 一些偏底层的确实需要，例如我也是在diffusion出来后才知道什么叫马尔可

可以考虑一下我这个路线，兴趣挺重要的，你早点开始落地，你就能一直保持兴趣，除非你确实对数学很感兴趣可以一直学下去，不然你这样学估计坚持不了太久，我还记得好多年前我第一次做出一个猫狗分类的模型我是多开心xx,祝好

我做了几年dl,而且还是生成方向，你说的这些基本都是torch自己库里的东西，怎么会自己造轮子呢，梯度下降这种知道理论就可以了，我的意思是手算刷题没必要。我说了呀知道一些微lao1方法 线代和概率论的大学知识就可以了，甚至不需要高代..高代很多地方我都学不明白

你应该这是最慢的学习方法了，因为还是初中生可能做题思维居多(不批判，支持楼主的学习精神)，你学这些的目的是什么。换句话说你不落地用，你能记住多少…

ml尤其是deeplearning跟数学真没什么关系，基础的概率论和线代了解一下矩阵是什么，是怎么算的，向量是什么之类的基础概念就可以了。概率论用在生成中比较多，不论是llm还是多模态gen, 了解一下logprob, 分布，概率分布，条件分布之类的就可以了，不需要花太多时间在这上面。至于你说的做题那更是不需要了，所有计算都让计算机来做就好了 如果你真学ml / dl, 可以先去学python,

跑个鹈鹕看看降智了没，像是降智了gpt

还没统一发放吧，文档里写了，感觉用来跑6.1sol能跑好久

这个垃圾销量不就说明了一切吗，为啥不上iphone 18 pro呢，影像 散热 续航 游戏基本这一代都拉满了

卸载了重新下载应该就都有了，这个很迷不知道跟什么有关