@Muyun 非常感谢，回答很有帮助&启发。

1.确实，端到端是一种技术范式，走向数据驱动
2.L 还有一点好处它能理解环境语义(得益于 LLM 的通识)，比如施工牌、交警手势，上限感觉还是高的。但是对算力要求会更高？
3.所以 VLA 是通过 V>L>A 来防止高维到极低维的信息 loss 么，这 latency 会很高吧？
4.vision-action pair 的数据积累，不知道算力和数据对于 AD 更是瓶颈呢?其实我之前没意识到数据的问题，确实 VA 的数据不像 LLM 好获取。而且城区不好用大家不愿用，负反馈循环了..但是车企有宣传比如 1000w clips ，不知道这量级算多算少。
5.world model ，理想、华为宣传上好像是已经在用做仿真和 RL 训练了。理想联合发的有个 paper 4D Gaussian ，我理解就是带有预测的交通世界模型来仿真。不知道"还需要几个技术突破"具体指啥？

@Chicagoake 确实比以往赛季复杂些。我觉得还不错，可玩性很高

@Hercules 别说了，两星岩宝刚输了😔

@howencilx 太棒了，果然可以了！

@shadowyue 我需要 chrome 里设置。可是 chrome 的代理设置会转到 win 系统的代理配置。这个配置在开启加速器后会始终保持关闭（加速器作的妖）

@cctv180 这和浏览器->代理设置 的区别是啥？

@epiphyllum 迅游，进程模式。它还有个路由模式。

我发现开启迅游后，“代理服务器”开关会被关闭，手动开启指向梯子后又会被立马自动关闭。

猜测迅游应该是监听了这个 event ，始终保持关闭？

@InDom 对。是比较休闲的下棋，不是需要 all in 注意力

@dyvdy 不稳定，我是自己搭的。不是优化线路..

@Muyun Cool.请问你是 AD 的从业者，能不能随便聊聊目前最新的智驾路线(比如 VLA 、WEWA ）

@unco020511 城区还是高快？高快现在各家都很不错了

@metalvest 认同。所以我了解现在有了 4D ，随时间变化的 3D 空间的仿真训练。应该就是为了学习这种预测能力

@cynics 我没试过 FSD 。但是国内 FSD 版本似乎测评里表现一般（当然跟 tesla 训练国内数据限制有关）

@frankies 确实很多领域内名词，需要学习=.=

VLA 我还是觉得上限更高，但是对算力要求也更高（目前车端的算力不太够？）。至于世界模型仿真 RL ，VLA 也能做不冲突。可以具体说说各自的优劣嘛？

@stinkytofux 就第一次会有些忐忑，后面还好~ 而且我只在高快上用，城区不用。我觉得高快场景很简单了，现在辅助驾驶能很好 cover ，能节省非常多精力。但是确实需要知道能力的边界，保持专注

@Tink 这句话我本身也不认可（本末倒置了）。但是语言可以是逻辑推理的表征毫无疑问。

"肌肉记忆"我认为是千万次重复后，人体系统演化而来的能效优化的结果。它的底层依然是神经元连接，只是不需要人脑中的高级部分再参与了（所以能耗、延迟都更低）。端到端其实就很适配开车中“肌肉记忆”的场景（所以高速表现挺好的）。

而且开车场景不全是肌肉记忆，有~5%的场景是需要逻辑思考的。拿掉头来说，我的思考 path 可能是：1.有没有掉头专用灯 2.有没有双黄线，怎样的形态 3.左转灯状态。对于我来说，它不是“肌肉记忆”，需要逻辑思考。你说有没有人能把它做成肌肉记忆，我觉得可以，只要他重复千万次或许能做到看一眼就知道怎么开的“肌肉记忆”---但那本质不也是训练后内化的神经网络权重参数么

我也是打算写个 localsend 类 app 上架拿激励的，到 v 站搜了下看你已经写了。

上架了么，上架了我可能就不弄了

@agood 下次试试，主流音乐 app 都支持么？

.code-workspace 是 cursor 的规范还是 vscode 本身的啊？我也有过多项目希望共享上下文的需求，当时是建的 workspace