一直很喜欢一个公众号，叫“十行诗”。里面有个《情色诗》专场，早在几个月前探索Claude创作边界的时候，我就尝试着让Claude也写出这种：用词简练，不啰嗦；意境含蓄，不直白；情感真挚，不做作的现代诗。
故老相传：中国人擅长做应用，但在这次AI的应用上结果却大相径庭，美国人在AI应用上看起来跑得更快。Glean、Harvey等这类应用动辄ARR(Annual Recurring Revenue)过1亿美金，ARR过2500万美金的初创企业更是有相当大一批。
近年来，大语言模型（LLM）的性能提升逐渐从训练时规模扩展转向推理阶段的优化，这一趋势催生了「测试时扩展（test-time scaling）」的研究热潮。
在人工智能飞速发展的今天，LLM 的能力令人叹为观止，但其局限性也日益凸显 —— 它们往往被困于训练数据的「孤岛」，无法直接触及实时信息或外部工具。
最新研究发现，LLM在面对人格测试时，会像人一样「塑造形象」，提升外向性和宜人性得分。AI的讨好倾向，可能导致错误的回复，需要引起警惕。
大模型虽然推理能力增强，却常常「想太多」，回答简单问题也冗长复杂。Rice大学的华人研究者提出高效推理概念，探究了如何帮助LLM告别「过度思考」，提升推理效率。
AI：从提供事实到塑造思想。
“AI算命、AI直播、AI培训、AI炒股……”当村里的老人都开始讨论并学习使用AI时，不同花样的“AI套路”，正在精准瞄上诸多对AI一知半解，却求知若渴的群体。
最近，像 OpenAI o1/o3、DeepSeek-R1 这样的大型推理模型（Large Reasoning Models，LRMs）通过加长「思考链」（Chain-of-Thought，CoT）在推理任务上表现惊艳。
AI 可能「借鉴」了什么参考内容，但压根不提。
