@irisdev #11 你觉得 18 岁后立即能不靠父母抚养独立生活的人占多少比例？

@cabing 游戏的事情很难说的。sony 花了 20 多亿，8 年磨一剑的巨作《星鸣特攻》，还不是上线十几天就暴死关服了。。。

之前新闻上研究耐寒蚊子的专家终于成功了？ https://i.imgur.com/n119Wvk.png

现在需要一个正经团队的切切实实的靠谱的项目，来验证 Vibe Coding 在复杂工程实践里全面代替手动编码的可行性，而不是造出 N+1 个套皮 chatbot 或者半天工作量的 web tools 来推销概念。。。

@SoulFlame 禁摩区还有摩托车行呢。。。合不合法得看怎么解释

懂了，windows 好烂 https://i.imgur.com/agAJ0Rd.png

讨论代码行数的时候
T: “觉得这是有效指标（按代码行数判断工作量）的人，智商根本不配在科技公司上班”
S: “你知道你刚刚说的是谁吧？”
T: “不知道”
S: “他可是最近提升了政府效率的关键人物”
T: “哦，看来我说的挺准”https://i.imgur.com/agAJ0Rd.png

你觉得的“大体相似”，在很多人眼里已经是“一模一样”了。

其实可以搞个 benchmark 来横评对比以下。

虽然大概能理解意思，但是中文语境下，n 行不应该是 n 条平行线么？

之前的欧乐 B 用了 6 年坏了，因为牙医经常说我牙保养的不错，就又买了一个差不多型号的。

坏掉的那个型号好像是 P2000 ，开关失灵，拆开发现是橡胶防水的部分磨损裂开导致水汽进入，开关短路。

这个型号手把部分有大面积橡胶，开关也在橡胶部分上。用了几年以后橡胶就开始磨损碎裂，手一撮就掉下来好多。慢慢磨薄之后就裂了一个小口，水汽应该就是从这里进去的。

拆掉橡胶部分，晾干后里面的机械和电路都是正常的，只是没法修了，准备之后拿防水胶搞一搞可以继续刷鞋。

新买的这个和之前的几乎一样，只是手把部分完全是塑料的了，应该能用的时间更长一些。

@since2021 #39 我西郊的车位租出去是 400 一个月，我在北京北五环住的时候租的车位也是 400 一个月，当时就好奇西安车位为啥这么贵。

@whtwwo1 你是看了那个香港火灾的新闻么？ https://i.imgur.com/N9E3iZ2.png 确实高层一旦起火可太地狱了。。。

https://uploads.guim.co.uk/2025/11/26/HK_fire_loop.mp4

@sunny352787 #5 感觉不太一样，AI 味应该来自不一致性。

如果是经验丰富的程序员，即使是过度设计，总体来说“过度”的角度应该是差不多的，这算是程序员的编码习惯。
AI 的设计能明显看出来没有像人一样一致性的习惯，哪怕通过各种 prompt 约束，还是会有不一致的情况。

用 AI 的角度来说就是 Temperature 的变化不够灵活。

人在处理一些简单问题时会用钉死的公式化方式去做（ Temperature 约等于 0 ），在一些需要细节思考和非常见的情况下又会进行很多发散思维（ Temperature 较大），对于每个人来说，这个 Temperature 变化的场景和范围都是不同的，侧面反映了一个人的思考模式。

AI 则可能在该发散思维的时候来回说车轱辘话，在需要收敛的地方又经常会搞些拉人血压的低级错误，这才看起来不像个人。

@sillydaddy #27 你这个例子里，你说概率为 0 就完全没有道理啊，从原理上就不成立啊。
你要是认为概率是 0 ，起码应该给个理由为什么是 0 吧？

至于你说的实验 1 亿次，1 亿次也不多啊，小概率事件和不可能事件这两个概念的区别总该知道吧。

@BBrother @elevioux #21 不知道抽象能力算不算智力的一部分。

比如说最早的程序员是能看懂纸带上的二进制编码的，后来有了汇编以后很多从汇编开始学习的程序员可能就看不懂（不熟练）打孔纸带了，后面有了高级语言后大部分程序员也不懂汇编了，以后如果 vibe coding 越来越流行，可能程序员都不用会编程语言了。。。

抽象能力让人可以在基础概念里总结发明出高级概念，通过高级概念来处理更大数量级的基础概念。
现在花 2 分钟写一个几 k 的 hello world ，编译一个几 MB 的可执行文件，里面就是上千万个 bit ，放到以前给纸带上打孔都不知道要打多久。

这样一层层抽象下去，人脑在硬件不变，处理数据量不变的前提下，能控制的基础概念的量是指数级提升的。
比如司机一脚踩下油门/电门，无数的零部件都在严丝合缝的运作。
医生一针打下去，无数的化学反应、微生物状态变化都在发生。

如果这种抽象是可以无限扩展的，那么人脑就不会是硬件上的瓶颈。

@sillydaddy 如果按你说的要通过意思进行真正的逻辑推理，那想要知道糖葫芦是否有名，就需要对知道糖葫芦的人的数量进行大致的统计，或者从相关文献中寻找信息源，这种具体任务已经和 “Language Model” 这个概念完全没有关系了。

@sillydaddy 你这才是一种误解吧，LLM 的数学模型就是个概率模型，不存在对意思的逻辑判断。

长上下文没有偏离是因为 Attention 机制，早期的 RNN 模型上下文过长就是会有问题。

问他 100 遍，仍然只能得到相近的回答，是因为训练数据里的类似场景远超你说的 100 遍这个数量级。

@usn #11 这不是 Transformer 架构决定的么？你说的新玩法是指？