大佬观点

为什么 SWE-bench Verified 不再衡量前沿编码能力

OpenAI宣布停止使用SWE-bench Verified基准评估前沿编码能力。该基准基于GitHub历史问题构建，其任务分布已无法准确反映当前AI编码助手需解决的实际问题类型。随着模型性能提升，基准测试集趋于饱和，区分度下降，现有模型表现已接近人类水平。因此，团队将转向更具挑战性和现实复杂度的新评估方法。

通过半官方Codex后门API为GPT-5.5生成“骑自行车的鹈鹕”

尽管GPT-5.5的官方API尚未发布，但作者利用OpenAI为OpenClaw等工具开放的订阅集成机制，通过反向工程开源Codex CLI，开发了一个LLM插件。该插件允许付费订阅用户通过Codex后端API调用GPT-5.5模型。文章以生成“骑自行车的鹈鹕”SVG图像为例，展示了其使用效果，并指出高推理强度设置能显著提升输出质量，但耗时更长。目前，OpenAI表示正与合作伙伴制定API大规模服务的安全要求。

Cognition 复盘两年构建 Devin 云智能体基础设施的经验

Cognition 基于两年 Devin 开发经验复盘构建云智能体的两大投入：基础设施与组织变革。文章指出容器共享内核存在逃逸风险、无法在异步间隙可靠保存状态，其方案是 microVM 隔离和 hypervisor 级整机状态快照；编排层花了超过三个季度才能管理数千并发 VM。

Cognition 复盘多智能体实践：写操作单线程加辅助智能体才真正有效

Cognition 发布长文复盘，称自《Don't Build Multi-Agents》十个月后，其多智能体系统已在生产中可用，核心模式是写操作保持单线程、其他智能体只贡献智能。

请不要相信你的聊天机器人提供的医疗建议

四项独立研究一致表明，不应信任聊天机器人提供的医疗建议。这些研究均指向同一结论，显示AI对话系统在医疗咨询场景中存在显著的可靠性缺陷与安全隐患，可能给出不准确甚至危险的健康指导。专家强烈警告用户避免依赖ChatGPT等工具进行疾病诊断或用药决策，强调寻求专业医疗人员帮助的必要性。

解读当前开放与封闭模型的性能差距

文章剖析了决定开源与闭源AI模型单一评估数字的复杂因素，探讨了当前两者之间的性能鸿沟及其成因，同时预测了未来这一差距的演变趋势。分析指出，评估指标背后涉及数据质量、训练规模、架构优化等多重变量，而随着开源社区技术迭代和评估体系完善，开放模型与封闭模型的能力边界将持续动态变化。

设计不是产出：AI 工具无法替代对问题的理解

设计行业常将“设计”误解为产出界面或代码的行为，但真正的核心在于理解问题本身，找到形式与上下文的良好匹配。AI 工具能快速生成看似精美的输出，却往往绕开对底层问题的深入探索，导致产品表面光鲜但实际使用中脆弱、缺乏整合。设计仍需判断、对话、张力与时间，其价值在于通过动手工作逐步获得理解，而非仅仅依赖生成结果。

黄仁勋谈 TPU 竞争、对华芯片销售与 Nvidia 的供应链护城河

黄仁勋表示，Nvidia 已具备支撑未来数年万亿美元级业务规模的供应链体系。这一表态印证了公司在 AI 芯片领域的供应链护城河优势，回应了市场对其产能扩张能力的关切。访谈同时涉及应对 Google TPU 竞争及向中国出售芯片的策略考量，凸显 Nvidia 在复杂市场环境下的长期布局信心。

Claude 神话与对开放权重的误导性恐慌

针对开放权重模型的恐慌情绪缺乏事实依据，围绕 Claude 等模型的安全争议存在明显的神话化倾向。作者批评这种对开源 AI 的恐惧散布是误导性的，认为所谓开放权重威胁论如同"又一场围绕开源的舞蹈"，呼吁业界理性看待开源模型的安全性与价值，避免被无根据的安全恐慌所左右。

Andrej Karpathy@karpathy05:57精选

AI正赋能民众反向提升政府透明度与问责制。历史上政府使社会"可读"，而AI让民众具备解析政府海量数据的能力。政府问责的瓶颈并非数据公开，而是处理原始信息的智能——如冗长法案虽法律透明却难以实用理解。AI不仅赋能专业记者，更让普通民众能解析预算、立法差异、游说关系等复杂信息，地方政府场景同样适用。尽管技术存在双刃剑风险，但作者对民主社会因参与度和透明度提升而改善持乐观态度。

Greg Brockman@gdb00:28精选

一项针对515家初创企业的实地实验显示，AI使用正成为提升商业表现的关键技能。研究向一半企业展示AI成功应用案例，结果显示这些企业的AI使用率提升44%，收入增长1.9倍，所需资本减少39%。研究表明AI能显著加速业务发展并降低创业门槛，但企业面临的核心挑战在于如何理解和有效应用这项技术。

Nathan Lambert@natolambert02:10精选

开源模型成功的核心并非基准分数，而是即时且长期的工具支持与可微调性。Gemma 过去在这些方面表现挣扎，而 Qwen 则表现出色，这才是决定模型成败的关键因素。

Gemma 4 与开放模型成功之道

Gemma 4 的发布揭示了开放模型成功的真正标准。文章指出，决定模型成败的关键并非基准测试分数（benchmark scores），而是其他因素。当前 AI 领域过度关注 leaderboard 排名，但高分数不等于实际应用价值与社区采用率。真正的成功取决于模型解决真实场景需求的能力、开发者友好度以及生态建设，而非单纯的技术指标领先。这一观点挑战了以 benchmark 为导向的行业评估范式。

关于就业，先别恐慌——至少现在还不必

就业市场即将面临剧烈变革，但短期内无需过度恐慌。尽管未来形势将趋于复杂动荡，大规模冲击不会立即显现，当前仍处于变化酝酿阶段。这种渐进式演变意味着就业者尚有调整与准备的时间窗口，不必对即时性失业风险过度反应。然而，长期结构性转变不可避免，需保持警惕并提前规划。

Claude Dispatch 与界面的力量

AI 能力已足够强大，但人们仍缺乏趁手的工具和界面来完成实际工作。Claude Dispatch 强调，优秀的界面设计才是释放 AI 全部潜力的关键。

François Chollet@fchollet03:39精选

作者以"Glurg"游戏（实为 chess）假设情境论证：借助现有外部认知基础设施（计算机、互联网等），人类顶尖团队能在24小时内从规则解析开发出3000 Elo引擎，三周内可达3500 Elo且计算效率提升10倍。这表明人类智能已具备即时掌握复杂策略系统的能力，而非从零缓慢进化。该论述回应了关于现实世界更接近 chess 而非 Go 的争论，强调人类利用工具扩展认知边界的即时优势。

当前前沿模型视觉理解的幻象

当前前沿多模态大模型在标准胸部X光问答基准测试中，无需访问任何图像即可获得顶级排名。这一反常现象暴露出模型视觉理解能力的严重缺陷，表明其性能可能依赖数据偏见或文本线索而非真实的图像解析能力。研究揭示了现有视觉语言模型评估体系的深层漏洞，指出所谓"视觉理解"可能只是缺乏真实感知能力的幻觉。

Andrej Karpathy@karpathy23:56精选

推主先用LLM花费数小时精心完善博客论点，随后要求其论证相反立场，结果原观点被彻底推翻。这揭示了LLM具备强大的双向论证能力，可令人信服地支持几乎任何立场。这种特性使其成为有效的思维训练工具：通过主动寻求对立观点，可突破认知盲区，形成更独立的判断。但需警惕模型的sycophancy倾向，避免被其迎合性论证误导。

Andrej Karpathy@karpathy00:10精选

构建现代应用的最大挑战并非代码本身，而是 DevOps 中繁琐的服务集成、API 密钥管理和部署配置。作者期待未来 AI 智能体能自动完成从文档阅读到生产环境部署的全流程，无需人工点击网页或手动配置。Stripe 推出的 Projects 正是朝此方向迈进：开发者可通过 CLI 命令自动配置 PostHog 等第三方服务，实现账户创建、密钥获取和计费设置的自动化，真正将基础设施生命周期转化为代码。

Andrej Karpathy@karpathy00:05精选

LLM 的记忆功能存在过度联想问题：两个月前随口一问会被当作深度兴趣永久存档，并在后续对话中反复提及，显得过于刻意且造成不必要的干扰。