在这个信息洪流时代，大家都有什么方法做减法，让自己聚焦于某一特定领域而不过分发散？

比如定期取关一些公众号/大V等。

llm 在进行 inference 时，分两个阶段，一个是 prefill，一个是 decode。前者就是要先把 prompt 全部计算一下生成 kv cache，后者就是基于这个 cache 一个字一个字的吐。prefill 的耗时一般用 TTFT（Time To First Token）衡量，decode 使用 ITL（Inter-Token Latency），一般来说 TTFT 要明显大于 ITL，而且前者更消耗 cpu。

刚才突然想起一句话来描述这个事情：“万事开头难”。太精准了😂

第一台车，才 3 个月零 10 天，遭遇第一次事故

iOS 27 这个控制面板里的计时器动画和交互，真不错

提车 3 个月，9300 公里，充电总花费约 1100，1500 度电

阅读illicit distillation 部分，你可能会有新的认知。

ChatGPT（原 codex）里这么多 chat，没有一个是我想要的 classic 的 ⌥+空格 的 chat

这样算下来，Navier–Stokes 这部分平均每条 agent 消息约 48,148 个 output tokens。需要注意这里的 message 可能不是我们平常理解的“一次普通聊天回复”，而是 multi-agent 系统内部的一次 agent 消息，应该包含大量的 reasoning token 和内部的多轮交互。

message 频率方面，平均约 511 条 agent 消息/分钟，约 8.5 条/秒。如果粗略按文中提到的 约 10,000 个并发 agent 均摊，则是单个 agent 平均约 19.6 分钟发一条消息。

Source: openai.com

让 ChatGPT 指导我定时备份teslamate 数据，然后让其将操作步骤总结记录到notion，并附上必要的截图。

结果…它把截图自己重新画了一遍，而且还只是个示意图，真实页面并不长这样…

ChatGPT image 2.5 的发布页设计，有点意思

虽然没有确凿证据，但是我总觉得“归因”这个词现在正被越来越多地使用，正是因为大家越来越多地使用ai 写东西。