🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts list (list: https://x.com/i/lists/1961235697677017443) within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
年轻人面对最糟糕的社会情况，最佳的选择反而是回归保守。 该结婚就结婚，该生孩子就生孩子。 这件事情发生过无数次，在好的年代，坏的年代。而且以现在的工业化发展程度，已经算历史高点了。并不会发生真正的社会灾害。 转机说不定在哪一天就来了。不要相信你身边想拖你下水，把你变得radical的人。这种感觉就好比你身边那个一直跟你说“男人都不是好东西”的闺蜜，55岁那一天你突然发现她其实父慈子孝，在家里什么都有，贤惠的不得了。
最近发票报销的问题搞得非常混乱 负责税务规划的人不适合干这么打杂的事儿 代理记账的人又过于打杂了，处理不了上百张发票的归纳分类 差点要雇个大学生来对接了，偶然发现千问官网的 VL 模型，上传文件似乎是没有数量限制的，出奇地好用 Openrouter 的 Qwen3-VL 一次只能上传 8 个文件，Qwen 官网的可以一次处理几十个 PDF 一句 prompt 直接就把发票表格做好了，又少雇一个人😄
今天听肉唐僧的节目后，忽然理解了，纽约为什么会选一个社会主义穆斯林市长。 👉相较于穷，现在的年轻人，更害怕卷。 卷的问题不在于吃苦。卷，是一眼望不到边的苦海，一种无法逃脱的绝望。这已经超越了个人努力的极限。 此时，年轻人就会自然而然的，需要一个超越人类能力的解决方案。 就像保健品一样，这种需求，只有社会主义者，只有骗子，才能满足。
Yangyi
这事儿有点意思… 50 位来自字节、阿里、腾讯等机构的 AI 研究员，联合发布了一份 300 页的论文，里面有些关于代码模型和 Agent 的结论，挺出人意料。 关键点： > 小模型也能打败大厂的专有模型 RL（特别是 RLVR）让小开源模型在推理方面超越大模型。 一个用 RLVR 在高质量验证问题上训练的 14B 模型，可以匹敌 OpenAI 的 o3。 > 模型学 Python 有点吃力 预训练时混合语言模型是好事，但 Python 和静态类型语言不太一样。 语法相似的语言（Java 和 C#，或者 JavaScript 和 TypeScript）能产生很好的协同效应。 如果把 Python 大量混入静态类型语言的训练中，反而可能因为 Python 的动态类型而适得其反。 > 语言之间有差异（代码 Scaling Laws） 让模型精通一门语言所需的数据量，很大程度上取决于这门语言本身。 论文认为 C# 和 Java 更容易学习（所需训练数据更少）。 Python 和 JavaScript 实际上更难学，有点讽刺（但你会发现 AI 最常被用于这些语言 😂）。 > MoE vs Dense（能力 vs 稳定性） MoE 模型容量更大，但在 SFT 期间比 Dense 模型更脆弱。 训练中的超参数对 MoE 模型的影响更大，而 Dense 模型更稳定。 MoE 模型还需要持续调整学习率，以避免路由不稳定。 > 代码模型默认是「不安全」的 在公共代码库上训练，会让模型学习到多年积累的不安全编码模式。 安全微调通常效果不佳。 模型可能拒绝写仇恨言论邮件，但会很乐意生成一个存在 SQL 注入漏洞的函数，因为它「能用」。 > 结构比内容更重要 在 CoT 微调中，模板和逐步推理模式比推理的事实性更重要！ 模型实际上学习的是分解问题的「认知模板」。 为推理创建合成训练数据时，逐步结构（「如何做」）比确保每个中间事实都完美更重要。 > 「Lost in the middle」问题仍然存在 新模型支持更大的上下文，但当重要代码位于 Prompt（或上下文）中间而不是开头或结尾时，准确性仍然会下降。 > 多 Agent 辩论减少幻觉 对于复杂的软件工程任务来说，这明显更好。 我认为设置辩论非常关键，如果调整不当，甚至可能导致 Agent 强化幻觉。 > 代码安全上的「对齐税」 对齐可能会降低一般的编码能力。 论文实际上提出了一种解决方案，以减轻这种税收的方式进行对齐。 想了解更多细节，可以阅读完整论文。 https://t.co/sXyz0sBiEI
Est. 3.8K views for your reply