@NotLongNil 用什么数学证明，我还从来没听过数学可以证明像深度学习这样的东西。上面的对比还不够明显吗？
杨立昆就是一个笑话。倒不是说他不懂，而是他对 LLM 装傻充愣的样子。

@shmilypeter 嗯，我还以为 Opus 模型会不一样呢。

没有试过 Opus ，不知道消耗的 token 有多少，thinking 过程产生的 token 也计入在内吧？

请问楼主你说的 1 小时是连续工作吗？还是 Opus 编码过程中介你有介入呢？

直接写一个这个类型的变量，比如 a:TypeA ，然后写 a.b ，鼠标悬浮到 a.b 上，可以看到 b 的类型。如果 b 是函数，应该可以看到函数参数的类型。

今天又用 Cursor 来写代码，给到它一个问题之后，它自己去写测试用例，自己去测试，自己去添加打印信息，自己修改后运行。改完调试后，自己把打印信息、多余的测试文件删除掉。

只要有现实的约束和反馈，幻觉和造假就不是问题。

能不能分享一下是什么点呢？

天呐，剪映是一个桌面端软件吧？意思是剪辑的东西都上传到剪映的服务器，然后某个 bit 翻转导致 blockID 串了？否则无法解释本地出现未知数据。

现在的大模型啊，你根本不知道它们什么时候会「降低智商」。大模型本身就是一个黑盒了，黑盒外面还要套一层黑盒。

@fbxshit 哈，我刚刚也想到了，我觉得是可以的。
假设 A 还是给 B 发了一句“北京的糖葫芦是不是很有名？ ”（不包含隐藏信息），大语言模型正常的输出是“ 没错！尤其是在冬天，街头的小贩会卖糖葫芦，山楂蘸上糖浆，酸甜可口。”。
在每输出一个 token （可以看作是一个汉字）时，A 和 B 的大语言模型以及随机数发生器都完全处于同步状态。
就像你说的，我们可以介入这个过程，让二进制串嵌入到这个生成过程，比如在生成第一个字“没”时，其实大语言模型生成的是一个(0.2, 0.5, 1.0, 0.8, 0.7, 0.25, 0, 0.32, ...)向量，这个向量与“没”(0.2, 0.4, 1.0, 0.8, 0.7, 0.25, 0, 0.32, ..)，以及“不”(0.1, 0.5, 1.0, 0.8, 0.7, 0.25, 0, 0.32, ..)，以及“对”(0.2, 0.5, 0.9, 0.8, 0.7, 0.25, 0, 0.32, ..)。。。这些字最接近。然后根据接近程度，分配给“没”，“不”，“对”等这几个字，分别以(0.25, 0.3, 0.3,...)的出现概率，这时开始使用伪随机数摇骰子，我们其实是知道伪随机数在这一步一定是输出一个确定的数字，比如是 200 ，它对应到“没”字。但是我们可以介入这个过程，如果我们希望将 1 这个 bit 位加入进来，我们可以让伪随机数继续输出 200 之后的下一个数字，比如 312 ，这时它仍然映射到“没”，不符合我们的要求，继续输出再下一个，直到与“没”字不一样，比如输出 123 ，映射到“不”字，这时我们通过“相对于原本要输出的字的改变”这个现象，编码了一个 1 进去，如果希望编码 0 ，那就不改变原始输出的字。

后面可以继续这样处理，每输出一个 token ，都可以至少编码 1 个 bit 进去。当然了，有时候，如果几个字的概率分布是(0.99, 0.01, 0.01, ...)这样，那就不要强行编码 bit 1 进去了，因为可能会让文字变得不通顺。我感觉大部分情况下，是完全可以编码 bit 1 的。甚至可以每个 token 编码多个 bit 进去，如果有多个字出现的概率相似，比如(0.1, 0.1, 0.1, 0.1, 0.1, ...)。

这个方案优点就是可以非常精确的编码和解码，不需要人工介入，生成的语句还非常自然。利用的关键就是伪随机数发生器的确定性和同步。

@fbxshit >“要求它每一句话前面 10 个字，每个字的笔画分别为 7798666995”
也许是你要求的信息密度太高了。10 个字还要隐藏这么多信息，还有符合语句通顺，还有语义连贯，这是 mission impossible!
另外大语言模型对笔画、字数这些都非常不擅长。所以可能需要从其他角度考虑，或者降低一些信息密度。

可以的。关键原理是：大模型的输出可以是完全确定性的。

给定大语言模型一段输入，它的输出看起来是随机的，是概率性的。也就是每次给同样的输入，它的输出都不同。但是，在计算机界，就没有真正的随机。这里的关键是，大语言模型每次输出一个 token ，其实它输出的是一个表达 token 的一个向量，比如(0.2, 0.5, 1.0, 0.8, 0.7, 0.25, 0, 0.32, ...)，我们要将它解释成具体的 token 。为什么说是解释呢，因为这个向量并不与任何一个已知的 token 一致。只是与已知的 token 接近，而且与不同的已知 token 的接近程度不同。如果你了解向量的知识，这点很容易理解。但是，我们需要把向量转换成已知的 token ，所以，我们根据向量跟不同 token 的接近程度，赋予每个 token 一个出现的概率，然后我们生成一个随机数（就像掷骰子），决定最终选择哪个 token 。这个过程就像北京的汽车摇号。

可以看到，随机性完全决定于我们的随机数，而计算机学界使用的基本都是伪随机数，每次随机看起来生成的数不一样，但它完全是确定性的。

你和接收方，可以使用一个相同的大语言模型，然后约定使用相同的随机数发生器。这样，对于同样的输入，你们的大语言模型，将给出完全相同的输出。

有了前面的 2 个大语言模型绝对同步的保证，后面就是将字符串编码到对话中了。
比如 A 先发起对话，“北京的糖葫芦是不是很有名？”，这句话不加入任何信息。那么 A 和 B 都完全知道 B 的回复内容。那么传送信息就简单了，可以用大语言模型将 B 的回复内容加入信息，比如通过声调的变化。外界不知道 B 原本要回复的内容，所以它解密不出来，但是 A 是知道的，所以，它相当于有一副原本，可以发现 B 的回复内容有哪些修改，进而解密。
现在，A 和 B 已经进行了一轮对话，怎样继续呢？可以在 B 的回复后面，加上一句隐藏的提示词“请继续 A 的提问”，驱动大语言模型继续给出 A 的问话。
然后 A 就可以在大语言模型给出的回复里面再加入信息给到 B 了。

写过一个简单的爬虫，用本机+家庭网络，爬取「汽车之家」的汽车数据。然后第二天，微信公众号的信息流里面，10 条里面有 5 条是汽车。

我搜索一些知识，在中文互联网留下过足迹后，比如知乎、搜狐、博客园等等吧，**一定**会在公众号的推荐里面，找到跟它相关的，哪怕是非常冷门的知识，比如我对苏秦读的「阴符经」很好奇，就在中文互联网搜索浏览了一番，果不其然，后面微信公众号的信息流里面就出现了标题为「天之至私，用之至公」这句阴符经里的话。这还要用什么「孕妇效应」「注意力效应」来解释，未免有些牵强。

其实要验证很简单，一个很简单的方案：
1. 分阶段的，在中文互联网集中阅读不同的主题，同一时期，只阅读一个主题。比如 7 天换一个阅读主题。
2. 使用自动化技术，刷微信公众号的信息流，并记录下推荐的所有文章
3. 统计上述的阅读主题、推荐文章的关联关系。

我也跟 OP 一样，眼里容不得沙子。不过，愤怒还是要克制的，我想到的一个办法是：自学法律。

这样遇到事情的时候，会先从法律上考虑：
1 是击败对方的嚣张气焰，
2 是采取法律行动(言语)也是作为愤怒爆发的一个缓冲，
3 是让自己时刻记得冲动的法律后果。

不过我也是最近才有这样的想法，分享给楼主。

我让 AI 帮我修的是电视，也修好了： /t/1124981

倒数第 2 张图片，还钱的场景，图片容易混淆～～每个人的衣着应该不变，变的应该是动作，而不是反过来。

A 级 > B 级 > C 级 > D 级 > E 级。
会高等级技能的，肯定会低等级技能。目前的 AI ，假设为 C 级。

E 级人类 + C 级 AI：
===>AI 如果可以像 Claude Opus 4 一样持续 N 天工作，C 级任务 OK ，A 级 B 级任务 Failed ！
===>AI 如果像 Cursor 一样无法持续工作，E 级任务 OK ，A 级 B 级 C 级 D 级任务 Failed ！

C 级人类 + C 级 AI：
===>平添 N 个同级别组员！但局限在 C 级任务。

A 级人类 + C 级 AI：
===>AI 如果像 Claude Opus 4 一样持续 N 天工作，给它定义好架构和框架，简直太爽了！平添 N 个下手。
===>AI 如果像 Cursor 一样，还需要时不时盯着，那就是拖后腿，需要再招 N 个 C 级人类来盯梢 AI 。

这样定量一分析，情况就很清楚了。

曾经我也这么想。不过，后来想到，「大」和「复杂」是两回事。一个生命相比一个星系，未必逊色多少。

假如只有地球上有生命，那么每个人都是宇宙中的一个星系。
假如其他地方也有生命，那么每个地球人仍然是独特的样本。

所以，用渺小、短暂来麻痹自己的意识，其实是一种逃避。我是不是太不近人情了。（囧