即刻App年轻人的同好社区
下载
置顶Readwise Reader 是最好用的阅读软件之一。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
但作为一款海外产品，Readwise Reader 在中国有些许水土不服。
为了让你更好地使用 Readwise Reader ，我们做了一款小工具—— wechat 2 reader
这款小工具解决了两个问题：
1. 让收藏文章更加便捷，在微信内转发文章或链接，即可以收藏文章。
2. 解决了Readwise Reader 在收藏中文文章时，图片丢失的问题。
42 1618
Claude 这个用大模型开售货机的试验，是一个非常好的案例。
今天的大模型，学习互联网上的所有数据，也针对在线生成做了很多任务。
但还有更多真实的数据，来源于线下，现在这部分经验还没有被学会。这些经验，倒是有可能成为模型的护城河。
这和 <AI 第二幕> 和 <欢迎来到经验时代> 两篇文章不谋而合。期待更多经验进入模型的一天。
今天的大模型，学习互联网上的所有数据，也针对在线生成做了很多任务。
但还有更多真实的数据，来源于线下，现在这部分经验还没有被学会。这些经验，倒是有可能成为模型的护城河。
这和 <AI 第二幕> 和 <欢迎来到经验时代> 两篇文章不谋而合。期待更多经验进入模型的一天。
Project Vend: Can Claude run a small shop? (And why does that matter?)
2 10
并不完全赞同「势能是AI 产品的护城河」的说法
势能，最大的好处是：在 AI 时代 ，先发优势可以带来大量的用户和声量，降低平均获客成本。这是这个关注度很高的时代的特点。
但现在的观察时间还是太短了，第一个做出来的应用并不一定是活到最后的。
速度快是一种很好的优势，但要一直保持快速地迭代，还要走在正确的方向上，并不能持续。如何把先发优势转化成竞争优势也是一个问题。
先发有先发优势，后发有后发优势，从整个赛道的竞争来看，还有待时间检验。
势能，最大的好处是：在 AI 时代 ，先发优势可以带来大量的用户和声量，降低平均获客成本。这是这个关注度很高的时代的特点。
但现在的观察时间还是太短了，第一个做出来的应用并不一定是活到最后的。
速度快是一种很好的优势，但要一直保持快速地迭代，还要走在正确的方向上，并不能持续。如何把先发优势转化成竞争优势也是一个问题。
先发有先发优势，后发有后发优势，从整个赛道的竞争来看，还有待时间检验。
4 80
提示词工程 改名为 上下文工程
潦草学者: Context is all you need
5 12
之前分享了一个我也飞书多维表格，批量进行多语言翻译的案例。（m.okjike.com）
现在 doubao-seed-1.6 多模态模型上线以后，支持多模态+深度思考，可以输入图片和视频。我试了一下效果非常不错，直接上传一个原型图，也可以自动识别文字，并翻译成多语言。（如图）
支持多模态和深度思考以后，飞书多维表格在可玩性上又增加了一些。
目前我能想到的应用方向，比如在公司内部收集什么信息时，用户只需要上传一张截图，不需要进行复杂的表单填写，也可以录入信息。
再比如一些公司会使用水印相机打卡，那么只要拍照打卡后，上传图片，模型就可以自动识别用户所在的位置，也是一个不错的应用。
现在 doubao-seed-1.6 多模态模型上线以后，支持多模态+深度思考，可以输入图片和视频。我试了一下效果非常不错，直接上传一个原型图，也可以自动识别文字，并翻译成多语言。（如图）
支持多模态和深度思考以后，飞书多维表格在可玩性上又增加了一些。
目前我能想到的应用方向，比如在公司内部收集什么信息时，用户只需要上传一张截图，不需要进行复杂的表单填写，也可以录入信息。
再比如一些公司会使用水印相机打卡，那么只要拍照打卡后，上传图片，模型就可以自动识别用户所在的位置，也是一个不错的应用。
3 32
一个洞察
LLM 的进化路线，从一开始的「模型能力 lead 应用」慢慢演化成了「用户使用 lead 模型训练」的反馈循环。
1. 用户发现 CoT 可以提高模型的生成质量，由此演化到了 Reasoning Model，将 CoT 通过 RL 的方式训练到了模型中，这就是 o1 R1；
2. 用户发现 ReAct 可以提高模型生成质量，使用工具的能力，由此演化到了 Fuction call, MCP，这就是 Agent 的底层能力。模型训练的过程中，也会使用 ReAct 的方法来提高模型使用工具的能力，这就是为什么 Minimax-M1 的 tool use 能力这么好；
3. 用户发现用户在虚拟陪伴中，剧情动作更多的对话方式（括号文学），平均对话次数更高。所以使用了大量小说和剧本来训练 Character Model，这就是 doubao-32k-pro-character；
LLM 的进化路线，从一开始的「模型能力 lead 应用」慢慢演化成了「用户使用 lead 模型训练」的反馈循环。
1. 用户发现 CoT 可以提高模型的生成质量，由此演化到了 Reasoning Model，将 CoT 通过 RL 的方式训练到了模型中，这就是 o1 R1；
2. 用户发现 ReAct 可以提高模型生成质量，使用工具的能力，由此演化到了 Fuction call, MCP，这就是 Agent 的底层能力。模型训练的过程中，也会使用 ReAct 的方法来提高模型使用工具的能力，这就是为什么 Minimax-M1 的 tool use 能力这么好；
3. 用户发现用户在虚拟陪伴中，剧情动作更多的对话方式（括号文学），平均对话次数更高。所以使用了大量小说和剧本来训练 Character Model，这就是 doubao-32k-pro-character；
7 00
