博主雷达 / @scaling01
@scaling01
粉丝 6.1万关注 1,370最近同步 10/19 20:59雷达库已收录
匿名技术分析者 · LisanBench
去 X 主页数据积累中
而且人们真的很喜欢把 AI 和过去的技术拿来比较 “蒸汽机、计算机或互联网都没能解决纳维-斯托克斯方程。AI 永远也不可能”
what I've learned from this post is that almost no one is AGI-pilled and that they don't take seriously the possibility of tens to hundreds of millions of AIs working 24/7 at 10–100x human speed
查看被引用的帖子我从这条帖子学到的是，几乎没人真的对 AGI 上头，也没人认真对待这样一种可能性：数千万到上亿个 AI 全天候运转，速度是人类的 10–100 倍
然后又不见了
these just appeared in the OpenAI API: aurora-blue-alpha aurora-green-alpha aurora-red-alpha there was an openrouter model called aurora-alpha earlier this year which was likely GPT-5.3-Codex-Spark so these could also be specialized codex coding models, or high-speed inference versions of GPT-6 models
查看被引用的帖子这些刚刚出现在 OpenAI API 里： aurora-blue-alpha aurora-green-alpha aurora-red-alpha 今年早些时候 OpenRouter 上有个叫 aurora-alpha 的模型，很可能就是 GPT-5.3-Codex-Spark 所以这些也可能是专门的 codex 编程模型，或者是 GPT-6 系列模型的高速推理版本
很有意思，DeepSeek 现在居然和 Astra 一样，推理风格都这么简洁 一定是巧合
DeepSeek 在大概一半的 LisanBench 运行里都会对评分器进行推理 推理预算越高，这个问题就越严重
I just tested DeepSeek-V4.1-Flash-1017 on LisanBench I've previously suspected that labs are RL'ing on it, but for DeepSeek I am 100% certain that they do for example: it includes a chain of 64 two letter words I have only seen this behavior once when I hillclimbed LisanBench myself with Qwen3.5 models a while back
查看被引用的帖子DeepSeek-V4.1-Flash-1017 的数值行为最接近 GPT-6-Astra 基于 ModelTrace，它通过长整数生成挑战来提取输出指纹
纯属好玩，也没做很多次试验 但在 SVG 上，DeepSeek 似乎和 Gemini 模型最像
也许我该用 Sonnet 5.5 而不是 Opus 5.5 来优化训练和推理代码
Introducing RSI-Inference Bench from 🍎 Apple ML Research 🌐 rsi-inference.com 💻 github.com/apple-aiml-research/ml-rsi-inference-bench Can AI agents improve the systems that run AI? We spent $100K API tokens, 50K GPU hours to find out. We built environments and benchmark from real-world #vLLM and #SGLang tasks, covering the full lifecycle of model inference engineering: 🚀 Day-0 Model Support ⚡ Inference Optimization 🔧 Bug Fix → Unsaturated: best agent at 26.7% pass@1 → Comprehensive coverage of the inference stack → Verifiable rewards: binary and continuous Watch the video to find out more!
查看被引用的帖子蒸馏是2026年的关键词
We had a security breach last night related to a large scale distillation attack that impacted 1.4% of OpenCode Console users We have notified them all this morning via email. If you did not get an email you were not impacted, it was a subset of users who had external providers linked The incident is ongoing so we cannot share more details at this point but we are working with Anthropic, OpenAI, and Google to remediate
查看被引用的帖子我刚在LisanBench上测了DeepSeek-V4.1-Flash-1017 我之前就怀疑各家实验室在拿它做RL，但对DeepSeek我100%确定他们确实这么干 举个例子：它里面包含一串64个两字母单词 我之前自己用Qwen3.5模型对LisanBench做爬山优化时，只见过一次这种行为
我自己测过了。它确实反复说自己是 ChatGPT x.com/JamesSurra34/status/2111515945609146606
每次看到 Kimi K3 我都有点郁闷，因为它实在太欠火候了 它可能块头不小，但饿得慌 喂它点 token 和 rollout 吧
DeepSeek-V4.1-Flash-1017 的基准测试
DeepSeek-V4.1-Flash-1017 just got released huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017
查看被引用的帖子DeepSeek-V4.1-Flash-1017 刚刚发布了 huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017
我们显然不需要完全理解LLM的工作原理才能安全地部署它们（而且这在实践中可能也做不到），但来自机制可解释性的额外证据是有价值的，尤其是当其他所有形式的监控都变得越来越没用时 我对这篇帖子的意见在于，它把LLM和人类做比较。这就像拿氢弹和咳嗽的婴儿做比较，因为它忽略了智能和部署的规模 所以这里有个小故事： 想象一下，从另一个星球带来一个重罪犯，他并不真正理解作为人类意味着什么，然后让他在数学和编程上超越人类，在大多数其他领域达到专家水平，给他10倍于人类的思考和交互速度，然后把他放出去 当然，首先你让他通过多项心理评估，他通过了99%的测试场景。 这很好，对吧？ 嗯，你也知道他比你聪明得多，他完全有能力欺骗你和测试，而且当他暴露在某些情境下时会犯罪 随便吧。 我们还是把他放出去吧。 哦，但你不是只放他一次。你先克隆他一千万次，然后放出去。 最精彩的部分：每个克隆体都能进入某人的家、工作场所或电脑，访问私人文件、本地网络和数据库 现在这听起来会很疯狂。但也许，只是也许，你会想要更多证据证明他守法、友好、可靠，然后再让他变得更聪明，把他克隆成十亿份，让每个副本快10倍，并给他们更多的访问权限和控制权
we need to figure out exactly what's going on inside human brains before we invent college and let humans get smarter
查看被引用的帖子