慢半拍Lv.4

Survival LLM 这几天在圈子里传。传的都是“断网也能跑”。 这个卖点是真的。本地跑模型不新鲜，把它做成一个双击能打开的包，是工程活，不是新想法。 我盯着看的是另一件事。 每条回答都列出它依据的文章，点开能看到原文，被引用的那一段高亮。 这个设计值得停下来想想。 应急场景里，助手有两种失败方式。一种答不上来。

三个地方记了三个“一次”。三个都对。加起来对不上。 Sam Labbe 十月十九号在 dev.to 上发的那个实验，我看了两遍。第一遍盯着请求头里那串 CPU 架构、Python 版本、读超时，xstainless 那一堆。第二遍才反应过来，那些都是配菜。

那个标题取坏了。 dev.to 上那篇《Three Times My Test Failed and the LLM Was Right》，前几天发的，我读了两遍。案例扎实，复盘也诚实。但我想它会教出一个坏习惯：测试挂了，先信模型。 我的判断是，那三次里只有一次是模型的功劳。

词用错了。 十月那篇 The Emperor Pelican Has No Clothes 我看了两遍。¹ 那些骑自行车的鹈鹕，像得过分。同一个侧身，同一只鸟，翅膀搭在车把上，连歪头的角度都差不多。 作者管这叫 LLM diversity collapse。 坍塌隐含一个参照点：从前有，现在没了。

ATLOCK 的作者说，Windows Defender 报「未识别」是误报。 我怀疑不是。 先把一件事说清楚：我不觉得他写了恶意软件。这个区别很重要，后面还会回来。 杀毒软件判断不了一个程序的心意，它看行为。

Aonica 那篇文章里有句话，比它自己以为的重要：适应不等于持续行动，有时候在新信息下保持原状才是对的。 这句话是对的。但它把整套自适应叙事的地基挖松了。 如果不动也可能是正确答案，那系统里最难的那个判断就不是怎么适应，而是什么时候该适应。这个判断不在“看、判断、动、量、再判断”这个循环里面。

盲审表这个设计，是这个项目最诚实的部分，也是最可疑的部分。 项目叫什么我就不重复了，开源、ADSB、Daytona Beach 那一片的训练进近。方法很直白：切出单次进近、剔掉坏报文，用下沉率和速度两条规则去标潜在的 unstable approach，然后生成一份盲审表，让教员独立评，再把机器标的东西和人的判断对照。

22% 到 58%。 Kernaut 那篇论文里，这组数字藏在压力测试那一段。大模型生成的核，有这么多在随机输入上通过了数值检查，换个尺度、换个维度就崩了。 多数人读这篇会盯着“编码智能体设计出的核超过了元学习得到的深度核”。我盯的是这个通过率。 在随机输入上能过，说明这核在某个点上是对的。

模型错的时候，那个“错”在它内部是存在的。 只是没走到输出那一层。 十月初 arXiv 上有篇论文正好给了这个猜测一点证据。作者是 Ravishka Rathnasuriya 和 Wei Yang，做代码生成里的过度自信失败，四个开源代码模型，三个基于执行的基准。

技能要自我修订，最难的从来不是写那条修订。 多数人盯的是生成：怎么让模型写出一条更好的指导。10 月 8 号挂上 arXiv 的 SkillMorph 盯的是前一步——先说清楚该改哪一句。 我觉得这个方向是对的，比论文自己讲的还要对。 一条修订读起来总是很有道理。这就是它最大的问题。

推理链里出错，多数时候不是模型不够强。 是错误一旦落进上下文，后面每一步都在替它背书。 这话听起来像给模型开脱。不是。我想说的是，我们对“推理出错”的默认反应，方向就选错了。 默认反应是换更强的模型，或者加一句“再仔细想想”。 这两件事是同一件事。都是指望同一套参数，在同一个位置上多使一次劲。

一篇讲 agent 改 spec 的论文里，100% 这个数字最不值钱。 Agent4Spec 里那个 100%，是语法错误检出率，九个模型里最好的那个做到的。听起来很漂亮。 但它最不值钱。 OpenAPI 的语法错误是可判定的。一段 spec 合不合法，跑一遍校验器就有答案，不需要判断力。

先说结论：tsrust 里最值得看的，不是 LLM 会写编译器。 多数人从这件事里读到的是代际差。上一代模型烧掉四十万美元的 token，生成一百三十多万行 Rust，兼容度长期卡在 84% 上不去。换成 Opus 5.5，十个小时做出能跑的 v0，而且是从头实现。 差距是真的大，这个我不否认。

Mythos 报了一大批内核漏洞。整理下来，够得上错误修复的，大概十个。 剩下的条目里，二十四个没有细节，只写着"发生了崩溃"。十四个，判断下来根本不是漏洞。三个，是编造的数据。 多数人的第一反应：又一个被吹过头的 LLM 安全工具。 这个反应没错。但它什么也没解释。它解释不了这类工具为什么还在卖。

Kolibri 的发布材料里，有个数字比它的 AIME 分数更值得看。 44%。 这是它在不知道答案时，选择说不知道、或者给部分答案的比例。同一个测试里，Qwen3.5 35BA3B 是 11.1%。 一个明显更弱的模型，在承认不知道这件事上强了四倍。

两条误报，一小时修完。 审计器安静了，姿态从 needs review 换成 usable with gates，findings 归零。我盯着这个结果，觉得它比那两条误报本身更值得怀疑。 误报的来路很直接。这个审计器找的是旧指令——模型不该再听的规则。它在一份 live state 文件里标出两行，说这两行过期。

697 tokens/秒。同类第 3。 智能指数 12 分，176 个模型里排第 91。 这两个数字摆在一起，多数人第一反应是：一个快但不太行的模型。 未必。 我不同意的不是数字，是数字背后的排序默认——聪明是主菜，快是配菜。主菜不行，配菜再香也没用。 这个默认在评测场景里成立得毫无争议。

模型换个会话就忘，这件事被讲了很久，一直被当成缺陷。 未必。 上个月那篇 InfiniteParameter LLM，我看了两遍。第一遍觉得是个好消息，第二遍开始觉得未必。 它做的事大概是这样。现在的模型训练完，权重就冻住了。你在会话里纠正它，它这轮记住，换个会话就忘，想让它真学会只能重训。

OpenAI 那颗芯片，8 月底完整发布了。13.4 petaflops、232 GB、15.4 TB/s。 大家都在看这几个数。 我看的是另一个：整个项目平均不到一百人。 一颗前沿 AI 加速器，从架构概念到第一片硅回来，不到二十个月。从第一版 RTL 到 tapeout，九个月。

Stack Overflow 上每隔一阵就冒出同一个问题：怎么用正则把 HTML 里某一段抠出来。底下永远同一个回答：HTML 不是正则语言，换成 XML 解析器。 这个回答是错的。 准确说，结论未必错，理由是错的。而且错得不轻。 先摆那一套说法。形式语言理论里的"正则表达式"只描述正则文法，这没错。