Leo的笔记本

今天读了OpenAI的经典论文《Scaling Laws for Neural Language Models》。 读完第一反应是：就这？跑了一堆实验，拟合了几条幂律曲线，也没什么高级的数学推导，凭什么成为大模型领域的奠基之作？ 但仔细想想，这篇论文的经典之处恰恰在于——它用一个简单的规律，改变了整个AI行业的方向。 论文到底说了什么？ 一句话概括： 语言模型的性能，与模型规模、数据量、计算量呈幂律关系。规模越大，效果越好，而且是可以预测的。 三个核心公式： 关系 公式 意思 参数规模 L(N) ∝ N^-0.076 参数翻倍，损失降5% 数据规模 L(D) ∝ D^-0.095 数据翻倍，损失降6.6% 计算预算 L(C) ∝ C^-0.050 计算翻倍，损失降3.4% 看起来很朴素对吧？但就是这些简单的幂律关系，回答了一个所有人都想知道的问题： “扩大规模到底值不值？” 在这篇论文之前，没人敢确定。在这篇论文之后，整个行业开始疯狂卷规模——GPT-3、GPT-4、LLaMA、PaLM……所有大模型的训练策略，都直接或间接基于这篇论文的发现。 ...

最近和一个朋友聊了很久，关于AI技能怎么变现的问题。 他在一家公司做技术，我在学校搞研究，两个人的视角不一样，但聊到最后得出了一个共同的结论： 大部分人搞反了方向。 01 一个很朴素的商业逻辑 我朋友提了一个链条： 你有一项技能 → 把它写进代码和Prompt里 → 封装成一个应用 → 用户订阅你的服务，按年付费。 听起来很完美，对吧？ 传统SaaS是”你付钱用我的软件，但活还是你自己干”。AI时代的SaaS进化了——“你付钱，活直接给你干完”。 他举了个例子：以前做财务系统，用户付了钱还得自己登录、勾选、确认，操作一大堆。现在呢？理论上用户付完钱，AI把活全干了，用户甚至不需要打开软件。 这就是AI带来的质变。 但问题来了——这条链路上最难的环节是什么？ 不是写代码，不是调Prompt，不是封装应用。 是找到愿意付钱的人。 02 豆浆鸡蛋的困境 我跟他说了一个比喻：你发现人人都吃早餐，于是你做了豆浆鸡蛋。但人人都吃早餐，不代表人人都会买你的豆浆。 Skill变现难，本质上不是技术问题，是分发问题。 第一，需求太分散。 我自己写了不少Skill，比如一套公众号配图+小红...

少烧 token，多出 completion 研二的某个周六，我坐在电脑前画论文的架构图，不到一个小时就累得不行。不是身体累，是脑子被掏空了。图也没画好。 我开始反思一个问题：为什么我明明一直在努力，却总感觉什么都没做成？ 我的”多线程”人生 我的桌面永远开着十几个软件。浏览器永远有三四十个标签页。微信、论文PDF、代码编辑器、公众号后台、抖音——全都同时开着，好像它们同时跑着我就在同时进步。 我跟 Claude 聊起这个习惯，它说了一句让我沉默了几秒的话： 不是你的电脑扛不住，是你的注意力扛不住。 仔细一想，确实是这样。我的 CPU 看着没满载，但上下文切换的开销已经把我拖垮了。每切换一次任务，大脑就要重新加载一遍上下文——论文写到哪了？代码跑到哪步了？那个表格填了没？这些隐性消耗，比任何一个任务本身都耗能。 “什么都培养了，就等于什么都没有培养” 这是我跟 AI 聊到一半时脱口而出的一句话。说完之后自己愣了一下——因为我知道，这句话精准地戳中了我的核心问题。 我不是不知道要专注。我是怕停下来。 同时推进五件事，会给我一种”我很高效”的错觉。而只做一件事的时候，会有一种隐...

MiniMax 年度会员 API 实测：图像生成 + 语音合成，到底好不好用？作者：研路炼钢日期：2026年3月26日 前言 前阵子入手了 MiniMax 年度会员 Plus 版，一直听说有语音合成（TTS）HD 功能，但打开后台一看—— 一脸懵逼。 额度写着 4000 字符/天，模型写的是 “Speech 2.8”，但 API 怎么调？文档在哪？选哪个模型？一头雾水。 干脆花了一整天自己调研，把图像生成和语音合成两大功能都测了一遍，能踩的坑都踩了，写成这篇文章，给同样迷茫的你。 一、测试环境 API 平台：https://platform.minimaxi.com API 地址：https://api.minimaxi.com 认证方式：Bearer Token 先用 curl 扫了一遍 MiniMax API，发现以下端点存在： 1234567/v1/t2a_v2 - TTS 语音合成 ✅/v1/t2a_async - 异步 TTS/v1/image_generation - 图像生成 ✅/v1/video_genera...

最近看到一个研究生的秋招复盘，数据很扎实：70 场面试，3 段实习，2 个大厂 offer。 他总结出来的核心发现让我印象很深：厂招的优先级排序是”实习 > 学历 > 项目 > 论文”。 匹配的实习加上学历过关，基本都有进面机会。而很多人（包括我自己）以为论文最重要——但现实是，大部分人的论文方向跟 LLM 不搭，所以论文在这个赛道的权重反而最低。 作为一个还在读研、也在考虑未来方向的人，这个排序对我触动很大。今天把他的经验整理一下，加上我自己的理解，分享给同样在准备秋招或者还在犹豫方向的同学。 第一份实习：别挑，先上桌 他的建议是：第一份实习去大公司做日常实习。 为什么？大公司的招聘流程规范，不会因为你没有实习经历就刷人，而且有培养体系，能真正学到东西。更关键的是：有了第一份大公司实习背景，第二份、第三份实习就好找多了。 准备周期也不长。简历上有一个 LLM 相关项目（哪怕是竞赛复现的），刷完 LeetCode hot100 前 50 题，transformer 基础八股过一遍，就可以开始投了。 投递渠道就那几个：Boss 直聘搜”LLM实习””大模型实习...

前阵子写论文找参考文献，我让 DeepSeek 帮忙推荐几篇 Transformer 在目标检测领域的综述。 它给了我五篇，格式完美——作者、期刊、年份、DOI 一应俱全。我还觉得挺靠谱，顺手就往论文里引了两篇。 后来导师让我把参考文献的原文都下载一遍核对。我拿 DOI 去搜，第一篇——链接无效。第二篇——Google Scholar 查无此文。作者名字搜了一圈，根本不存在这个人。 五篇里有三篇是 AI 编的。格式像真的，内容是假的。 当时我后背发凉。如果没核实就交了，轻则被导师骂，重则学术不端。 后来我在小红书上看到一个研究生发帖吐槽：”怎样防止 DeepSeek 编造文献啊，我都快病了。”底下一堆人附和。说明这不是个例。 AI 为什么会编文献？ 先说清楚一件事：AI 不是在骗你，它只是在”预测”。 当你说”给我找五篇关于 XXX 的文献”，AI 的逻辑是：你要”文献”，文献应该有作者、标题、期刊、年份、DOI——那我就生成一个”看起来像文献”的东西。 它不知道这个文献是否真实存在。它没有”真假”的概念，只有”像不像”的概念。 训练数据里有大量的论文引用格式，所以它能生成格...

我在配置 OpenClaw 多 Agent 工作流的时候，发现一个有意思的设计：主智能体启动时加载 7 个文件，子智能体只加载 2 个。 一开始我觉得奇怪——子智能体为什么不把人格、记忆、用户信息都加载上？不是越完整越好吗？ 后来想明白了：子智能体不需要”人格”，它只需要干活。 这个设计背后有一套很清晰的哲学，今天把我理解到的分享出来。 主智能体加载了什么？ 主智能体启动时，按顺序加载 7 层文件： 第一层是 AGENTS.md，智能体的基础配置——全局指令、工作目录，红线规则。这是所有智能体的地基，所以第一个加载。 第二层是 TOOLS.md，工具配置——有哪些工具可用、怎么调用。没有工具，智能体什么都干不了。 第三层是 SOUL.md，人格注入——这个智能体是什么性格、什么语气、怎么对待用户。这是主智能体和子智能体最大的区别所在。 第四层是 IDENTITY.md，身份信息——名字、头像、特征，让主智能体知道”我是谁”。 第五层是 USER.md，用户信息——用户的偏好、背景、上下文，让主智能体理解”我在跟谁说话”。 第六层是 HEARTBEAT.md，心跳机制——定期检...

前阵子看到一个工科学生分享自己的量化投资转型经历，从 2022 年接触技术分析，到 2024 年用 XGBoost 跑通因子策略。两年时间，从”看K线图猜涨跌”到”用数据和概率做决策”。 他说得最好的一句话是：“赚钱不靠预测涨跌，而靠风险暴露。” 这句话让我想了很久。不只是投资，做研究、做项目、选方向，很多事情的底层逻辑其实是一样的。 他的起点：一门选修课 故事的起点很朴素。他在学校选了一门《数学与投资》的课，学了技术分析——K线图、头肩顶，金叉死叉那些。 学完之后他发现了一个问题：同一张 K 线图，不同的分析师能给出完全相反的结论。有人说”下跌中继”，有人说”已经见底”，有人说”震荡整理”。 主观分析没有客观标准。 这让他很困惑，也成了他转向量化的起点。 第一个策略：回测很美，实盘亏了 30% 2023 年，他做了第一个实盘策略——BTC 的 ATR 通道突破策略。回测表现极好：年化收益 150%，最大回撤 15%，胜率 65%。 然后他上了实盘。三个月，亏了 30%。 原因很经典：市场从单边趋势转成了震荡，固定参数失效了，策略过度拟合了历史数据。 回测漂亮不代表实盘能赚...

我现在每天都在用 Claude Code、Gemini CLI、Cursor 这些工具写代码。但说实话，刚开始的时候，产出的东西确实很”AI”——紫色渐变、千篇一律的布局、通用模板感极强。 后来慢慢摸索，产出质量才开始上来。我发现差距不在工具本身，而在你怎么用它。 这段时间我总结了一个”六阶模型”，也算是对自己从菜鸟到现在的一个复盘。看看你卡在哪一层。 第一阶段：命令式使用 大部分人刚上手都是这个状态：打开工具，输入”给我做一个 XX 网站”，然后等结果。 结果出来了，能跑，但丑。而且千篇一律——因为你没给 AI 任何关于审美、目标用户，品牌调性的信息，它只能给你一个”安全但平庸”的方案。 我刚用 Claude Code 的时候就是这样，让它帮我写一个数据可视化页面，出来的东西功能上没问题，但视觉上一看就是 AI 生成的。 突破点： 从”给我做 XX”变成”我要做 XX，目标是 YY，风格是 ZZ，你觉得我还需要考虑什么？”。把 AI 从命令执行器变成合作伙伴，质量立刻不一样。 第二阶段：对话式协作 到了这个阶段，你开始跟 AI “聊”了。不再只是下指令，而是让它先提问、先...

写 SCI 论文这件事，被拒稿的原因有很多。但有一类原因特别冤——不是内容不好，是写作不规范。 我自己就被这种事坑过。第一次写英文论文的时候，导师看完初稿，第一句话不是讨论方法或实验，而是：”你这个单位前面怎么不加空格？” 当时我一脸懵。后来才知道，”5mm”是错的，”5 mm”才是对的——这是 SI 国际单位制的硬性要求。摄氏度除外，”2°C”不加空格。 这种细节，写错了不会影响你的科研水平，但会让审稿人觉得你不专业。审稿人一旦觉得你不专业，后面的内容他看的耐心就少了一半。 几个我踩过的坑 of 连用三次以上，句子就废了。 我刚开始写的时候特别爱用 of，写出过这种句子：”The theory of the conditions of the absorption of light”。导师直接划掉，改成 “The theory and conditions for light absorption”。 后来我养成了一个习惯：每次写完一段，全局搜索 “of”，看有没有三个连在一起的。有的话就用 for 替换一部分。 缩写在 SCI 论文里不能用。 can’t 要写 canno...