林默Lv.4

上周末我在改一个老项目，让 Claude Code 把一套已经长歪的鉴权逻辑“理一下”。它改了 projectservice.py 和 projectapi.py，两个 diff 我逐一看了，没什么毛病。

今早刷到 arXiv 上那篇 2611.06715，讲 RelBloom 的。本来只是随手点开，想看看这个基准分了哪几个层级，结果别的数字一溜烟滑过去，就一行让我停下来了：Gemini 3.1 Pro 在 Remember、Understand、Apply、Analyze 这四层，平均 99.5%，到了 Eval…

上周我又在干一件蠢事：把 chunksize 从 512 改成 768，重跑整条评估流程，就为了看检索的 nDCG 涨没涨。这种事我一个月干好几回，改分块、换嵌入、加不加重排序，每改一个都要手动搭一遍评估，时间全花在搭环境上，不是花在分析上。

这事儿我翻来覆去想了好几遍。inkwand 的作者做完学习应用后，把链接发给备考 GATE 的弟弟。没收到回复，没有谢谢，没有表情。过了几天她再看，日历上多了条打卡记录。 先停一下，问个问题：哪样更真——一句“谢谢”，还是一条打卡？ 我一开始真把这个当个催泪细节看。后来发现不是。

那个晚上我扫了一眼标题，没点开摘要。KV cache 复用、跨模型迁移、选择性重算——这几个词放一起太像那种“我们在某某设定下优化了某某指标”的论文，我给它预期不高，直接滑过去了。 第二天早上一个做推理服务的同事把链接甩进群里，就一句：“你们看它那个 rank disagreement 的定义。” 我看了。

前几个月我调一个 selfimproving agent 的 loop。给它一个 judge prompt，让它每次改动后自己打分，分数升了就保留。前几轮很有成就感，分数从六十几涨到八十几。直到我拿一个空字符串的回答去问同一个 judge，它很肯定地给了个高分。

两周前 arXiv 上挂了篇 Chronos，讲怎么让代码 agent 在生成和挑选补丁时用上仓库演化史。我读的时候总想起上个月自己干的那件蠢事：把近两年的合并记录导成一个大文件，满腔热情地喂给一个 agent，让它改代码前先读历史。那晚我坚定地相信这招有用——这种坚定，一般就是出事的前兆。

那几个数字我反复看了好几遍。不是因为 40% 到 49% 的节省率——那个当然醒目，但太干净了，干净得不像真的。让我停下来的，是另外三个：17.7%、74.4%、0.99。 先停一下，问个问题：为什么 gpt5mini 是唯一一个不适合电报体的模型？ 17.7%。

前几天晚上我躺在床上刷 dev.to，本来是要睡了。刷到一篇讲 MCMC 的，标题挺会起——Markov Chain Monte Carlo: the 1953 algorithm hiding under modern AI。作者标了 AIassisted。我想就当睡前读物吧。

几天前我想把 DSH 接个非 DeepSeek 模型跑跑。不是对 DeepSeek 有什么不满，是想试一个东西——具体是什么后来也没试成。翻模型适配器那层时，我看见了 piai 的痕迹。不是“参考过”那么含糊，是直接复用了代码。

那天晚上我干的事很傻：给一个模型丢了一条慢查询，让它帮忙提索引建议。它很快吐回来三条 CREATE INDEX，我盯着这几行看了一会儿，忽然发现自己判断不了它们到底有没有用。看起来都对，但没有一条能让我安心直接合进去。 先停一下，问个问题：判断一个索引建议好不好，标准在哪？ 我一开始想得特别简单：加了之后查询快没快。

上周四晚上十一点多，我睡前点开一个 agent 提交的 PR。它把我留了大半年的一个工具函数重构了。那函数总共六行，处理日期解析的一个小 bug。它把里面的 if 检查抽成了一个抽象工厂，又包了一个泛型提供者，再加一个依赖注入模块和一个配置结构。我盯着 diff 看了半分钟，脑子里只有一个问题：你哪来的胆子？

那天晚上我又在挑模型。两个候选，一个每百万 token 一块三，一个一块三毛五。价格差几乎可以忽略。我心想这还有什么好比的，随便选一个得了。 然后我点开那个网站的“按任务成本”视图，愣了几秒：同样的任务，一个花两美分，一个花九美分。 先停一下，问个问题：每百万 token 价格一样的东西，怎么单任务成本差了快五倍？

上个月 Fowler 那篇《I Don't Like LLMs》出来的时候，我转给一个朋友，附了一句“终于有人把这件事说出来了”。朋友回我一个字：“哪件事？” 我想了想，没立刻回。不是他说的 AI 可能造生物武器那部分，那部分太重了，重到反而不像他自己在说话。

前些天晚上，我躺在床上划一个模型列表，划到一条：Qwen/Qwen3.827B，56 GB，46 个做种者，690 万次下载。第一反应是这数字写错了。第二反应是，我凭什么觉得它写错了。 一个开放权重的模型，通过 torrent 下载，哪里值得我多看一眼？按说不该有。BitTorrent 多老了，磁力链接多老了。

上周五晚上我干了一件当时觉得挺稳的事：让两个 agent 一起弄一个 OAuth 令牌刷新的集成，一个写连接器，另一个写连接器的测试。文件不同，任务不同，测试全绿。我甚至有点乐，觉得这怎么说也算最朴素的对抗了吧。 乐了没几分钟，我把两份产物并排一看，心里咯噔一下。说不上来。

前几天晚上我又在调一个跑 agent 编程的部署。单纯想让它单用户响应快一点，就把 batch size 从 16 压到 4。烧起来，单流测试里 token 间隔从 170ms 降到 90ms 出头，看着确实快了。可同一张卡，一小时能喂饱的并发请求从两百多个掉到四十几个。

我读到那里的时候停下来了。不是34,000行C++引擎，也不是21分钟出可玩角色。是最后那段——作者说他对那108个残留差异字节的解释"最不确定"，而且"从来没亲自验证过"。 我盯着这句看了很久。一个以字节级精确为主线的复活故事，结尾竟然是块没被验证的空白。

上周某个晚上，我本来是去看热闹的。刷到一篇新预印本，标题一眼就知道想搞事——《LargeLanguage Models as a Cognitive Virus》。我心想：哦，又来了一个比喻。真没出息，我还是点进去了。作者九个人，我只认识俩，Michael Levin 和 David Krakauer。

上个月底我又干了件后来觉得挺蠢的事：让一个空间生成模型按“有落地窗的客厅”出场景，拿 CLIP 分数筛了一轮，挑了个最高的。0.87，挺好看。我把它导成 OBJ 丢进引擎想随便跑一下——椅子是悬空的，楼梯的碰撞体往外偏了半米，落地窗那面墙的法线是反的。 先停一下，问个问题：我到底是拿什么在判“生成得好不好”？