胡锡进自己把“舆论场有盘醋”那条微博（5241188786635093）隐藏了。我觉得“醋”这个比方打的很好。心里有碟醋，自然要到处找饺子，看什么都是饺子。
@tombkeeper
一个村子里住着 101 个人，分别是比尔，汤姆 1、汤姆 2、汤姆 3……汤姆 100。比尔的钱很多，比所有的汤姆们加起来还多。比尔出门坐马车。汤姆们有的骑驴，有的连驴都没有。后来，汤姆 22 从外村的拉斐尔那里学会了一些新词。很快汤姆们都学会了这些词，于是他们就去找比尔说：“把你的钱分一半给我们”。比尔很爽快地同意了。现在，比尔的钱只有原先的一半，而每个汤姆的钱都翻倍了。汤姆们非常高兴。但没过几天，汤姆们就发现生活似乎没什么变化。因为村里还是只有一架马车，十头驴。当每个汤姆的钱都翻倍后，马车和驴的价钱自然也翻倍了。还是只有比尔能坐马车，还是只有十个汤姆能骑驴。于是，汤姆们决定把比尔的钱全部分掉，把马车和驴变成全村共有。比尔和那些有驴的人虽然不情愿，但面对几十把干草叉还是只能同意。现在，101 个人的钱全都一样多了。但是，马车和驴的数量并没有变。谁坐马车、谁骑驴、谁走路呢？汤姆 22 说最初是他跟拉斐尔学的新词，所以他会告诉大家马车和驴应该怎么分配。时空在这里分裂了。在第一条时间线里，汤姆 22 自己坐上了马车，并把驴分给了他的朋友们。后来，汤姆 22 把自己的名字也改成了比尔。于是，大家从此幸福快乐地生活在一起。在第二条时间线里，大家并不同意汤姆 22 的想法，吵了起来。就这样吵了 10000 天之后，马和驴都死了，矛盾也随之消失。于是，大家从此幸福快乐地生活在一起。在第三条时间线里，大家也不同意汤姆 22 的想法，最后决定全村轮流使用马车和驴，每人一天。第一天，马车归汤姆 1 使用。汤姆 1 用完马车后，觉得反正第二天马车要归别人用，就没有喂马。第二天，汤姆 2 也是这样想的。很快，马和驴都死了。于是，大家从此幸福快乐地生活在一起。-----------------------------------还有一条时间线是从汤姆 22 见拉斐尔那里分开的。在这条时间线里，汤姆 22 见拉斐尔的时间晚了 100 年。在这 100 年里，村里不但有了更多的马和驴，甚至从马车时代进入了汽车时代。每家都有了电话，有了空调，有了抽水马桶。每个人的生活都比原先好了 10 倍。100 年后的一天晚上，汤姆 22 见过拉斐尔后回到村里，在村口的告示栏贴了一张海报：“苍天已死，黄天当立。谁开奥拓，谁开奥迪？”
一个世界首富，把那么多好玩的东西放在一旁，跑来搞DOGE为人民服务，却眼睁睁看着自己的政治理想被摧毁，那肯定会觉得被骗了。所以马斯克彻底不装了，连“皇上圣明，奸臣误国”的套路都不用了： 查看图片
@tombkeeper
#马斯克怒批特朗普法案# 特朗普搞的《The One, Big, Beautiful Bill》，简称 OBBB，直译就是《一个、大、美丽法案》。这个名字带有浓郁的特朗普语言风格，哪怕和美国两百多年来所有的法案一起丢到棒球场上，你也能一眼认出来。对于这个法案，白宫官方网站表示有“五十赢”。当年郭嘉给曹操鼓劲儿，也只挤出来“绍有十败，公有十胜”。这“五十赢”不知出自哪位的如椽巨笔。马斯克投奔特朗普，不拿工资搞 DOGE，是出于对传统共和党价值观“小政府”的追求。然而马斯克没想到自己抠了小半年帮政府抠省的那点钱，跟《一个、大、美丽法案》将要花出去的相比，简直不值一提。特朗普其实并不是共和党——当然他肯定不是民主党，但他也不是共和党。他的政治追求既不是共和党的也不是民主党的，而是凯撒的。他追求的是皇图霸业青史留名。然而，皇图霸业要花钱，全靠大家交的税。
各家公司风控策略对 iPhone 的信任权重都比较高，所以即使 iPhone 6s 也是有价值的，可以用来起号。
@tombkeeper
在网上别生气。你生气的对象可能在这些架子上。 tombkeeper的微博视频
比如：搜索引擎回答不了“林徽因老公的弟弟的舅舅是谁这种问题”，后来谷歌搞了知识图谱解决了一部分推理问题，但非常有限，最终大模型解决了这种泛化问题（语料中没有的间接知识，但是通过推理得到的新知识）。//@盐你一脸喵:泛化能力跟搜索引擎没有自己的理解不是一个事儿吧
@梁斌penny
“梁博，我昨天一个实习面试搞砸了，面试官问我用一两句话概括对大模型的理解，解决了什么问题，为什么能解决这些问题。我一下子就懵了，我一个大四学生，哪能有很高的理解水平呢，又向往大模型公司，这个问题要怎么回答呢？”答：我认为大模型的核心价值2C来说是压缩信息差，此前搜索引擎做到了一部分，但是缺2个。第一个是泛化能力，搜索引擎相当于从自己知识库找到相关性高的答案给出，没有自己的理解。第二个是受限于阅读习惯，只能按照按一定排序算法顺序给出参考，距离最终答案还需要人工做最后解读和整理。而大模型解决了这些问题，一步到位直接给答案，极大的压缩了信息差，实现了信息进一步公平。2B来说是整理数据的能力大大提高了，我们此前整理数据，使用了各种各样的自然语言处理工具，整理效果和性能都不行，大模型把这方面能力大大提高了，这也使得中美两国，包括一些拥有巨大数据的公司，Palantire，彭博，还有一些对冲基金公司的数据被更高效的整理，整体价值大大提高了。至于为什么大模型解决了这些问题，有两个特别牛逼的结合，第一个是注意力机制，这个解决了对输入的精准理解。第二个是残差网络，这个解决了深度神经网络训练梯度消失，梯度爆炸的问题。而深度神经网络可以拟合任何输入和输出的特性，加上上面2条改进，就成为无敌的利器。当然我的回答可能还是繁琐了一些，如果简单来说，2C是压缩信息差，2B是提高数据整理能力。核心改进是注意力机制（首创）和残差网络（借鉴），这么回答基本可以过关了。。
“梁博，我昨天一个实习面试搞砸了，面试官问我用一两句话概括对大模型的理解，解决了什么问题，为什么能解决这些问题。我一下子就懵了，我一个大四学生，哪能有很高的理解水平呢，又向往大模型公司，这个问题要怎么回答呢？”答：我认为大模型的核心价值2C来说是压缩信息差，此前搜索引擎做到了一部分，但是缺2个。第一个是泛化能力，搜索引擎相当于从自己知识库找到相关性高的答案给出，没有自己的理解。第二个是受限于阅读习惯，只能按照按一定排序算法顺序给出参考，距离最终答案还需要人工做最后解读和整理。而大模型解决了这些问题，一步到位直接给答案，极大的压缩了信息差，实现了信息进一步公平。2B来说是整理数据的能力大大提高了，我们此前整理数据，使用了各种各样的自然语言处理工具，整理效果和性能都不行，大模型把这方面能力大大提高了，这也使得中美两国，包括一些拥有巨大数据的公司，Palantire，彭博，还有一些对冲基金公司的数据被更高效的整理，整体价值大大提高了。至于为什么大模型解决了这些问题，有两个特别牛逼的结合，第一个是注意力机制，这个解决了对输入的精准理解。第二个是残差网络，这个解决了深度神经网络训练梯度消失，梯度爆炸的问题。而深度神经网络可以拟合任何输入和输出的特性，加上上面2条改进，就成为无敌的利器。当然我的回答可能还是繁琐了一些，如果简单来说，2C是压缩信息差，2B是提高数据整理能力。核心改进是注意力机制（首创）和残差网络（借鉴），这么回答基本可以过关了。。
renew
该内容请至手机客户端查看 查看二维码
我见过一个人非常认真地把“我还没有财富自由”作为损人利己的理由，并毫不避讳地说出来。当然，由于其天资所限，虽然确实损人了，但没有实现想象中的利己。好消息是，十年过去，这个人还没有财富自由。
在网上别生气。你生气的对象可能在这些架子上。 tombkeeper的微博视频 Translate content播放视频播放当前时间 00:00/时长 00:22加载完毕: 44.44%媒体流类型 直播试图直播，当前实时播放直播 播放速度2x1.5x1.25x1x（默认）, 选择0.5x倍速高清 720p, 选择标清 480p流畅 360p720p小窗播放试试“小窗播放”，边刷微博边看视频 全屏静音This is a modal window.tombkeeper+ 关注 复制视频地址 正在小窗播放中点击展开00:22 1047次观看