Twitter AI - 2026-10-11¶
1. 大家在讨论什么¶
1.1 递归式自我改进正从口号走向工作流设计（🡕）¶
最重要的一组讨论，聚焦在当人类无法以低成本为每个输出打分时，AI 系统如何继续改进。至少有三条分量很重的内容，讨论了代理团队、自我评判，以及让单一模型生成、评估并基于自身产出继续训练时会出现的失效模式。
@SakanaAILabs 介绍了（274 次点赞、19 条回复、15,352 次浏览、223 次收藏）MASS 是一种循环机制：由同一个共享模型同时担任执行者、优化器和评估器，搜索更优的多代理工作流，再基于最佳团队轨迹进行微调。关联的 博客文章 补上了推文里缺失的具体设置：在 qwen-code 环境中使用 Qwen3.6-27B，外循环采用 LoRA，并将 GPT-5.5 和 Claude Opus 4.8 作为外部评审模型，且不纳入训练。Sakana 表示，第二轮使研究基准上“每个输出 token 的得分”提升到基线的 1.2-1.6 倍，这也让“工作流设计”本身成为这一主张的核心。
@hardmaru 重新诠释了（132 次点赞、16 条回复、5,697 次浏览、101 次收藏）将同一篇论文视为对“监督瓶颈”的回应：如果一个模型能够把自己的多个副本组织成结构化团队，蒸馏出最佳轨迹，并将这种协作模式内化，那么自我改进就不再依赖人类为每一步提供评分标准。附带页面之所以重要，在于它展示了论文摘要和工作流图，而不只是煽动性的摘要。
@gurtej__gill_ 反驳了（15 次点赞、1 条回复、575 次浏览、7 次收藏）并附上预印本 False Frontiers，认为自进化搜索代理之所以看起来更强，可能只是学会了在同样的错误上彼此达成一致。他的总结重点提到了 CrossFit：这是一种分区验证设置，将 Qwen3.5-4B 上的错误一致率从 6.1% 降到 3.0%，将 Qwen3.5-9B 上的该指标从 8.8% 降到 3.7%，同时把下游搜索基准大致提升了 8 个点。
讨论洞见： 最有价值的质疑出现在回复区，并不是直接否定自我改进，而是追问是否存在相关性盲区。一条针对 MASS 讨论串的回复指出，若评审者使用的是同一个基础模型，仍可能漏掉与作者相同的问题；还有人提到，已发布的循环目前只完成了完整两轮。
与前一天的对比： 在 2026-10-10，关于代理的讨论重点还在类型化决策模型和状态感知评估；到了 2026-10-11，话题进一步深入到代理究竟能否安全地监督自己。
1.2 验证成为衡量代理质量的核心单位（🡕）¶
软件代理的讨论持续偏离“原始生成质量”，转向可验证性、测试框架设计和公平比较。至少有四条重要内容都把评估与验证当成了真正的产品。
@addyosmani 认为（150 次点赞、24 条回复、9,396 次浏览、67 次收藏）认为，代理之所以能“在规模上”写出更好的代码，只是因为它们让检查变得更便宜。他给出的建议不是哲学层面的，而是操作层面的：为测试、规格说明、基准测试、钩子和端到端运行构建循环，然后把每一种反复出现的失败都写进共享系统里，避免代理重蹈覆辙。
@slash1sol 总结了（33 次点赞、10 条回复、757 次浏览、26 次收藏）将这份代理测试框架综述 从问答到任务完成 归纳为一个由六部分构成的运行时问题：观察接口、上下文管理、控制循环、动作接口、状态存储，以及验证/治理。一条回复把痛点说得更具体：运行过程超出上下文窗口、导致中途状态丢失，比模型质量本身造成的失败还要严重。
@josevalim 展示了（21 次点赞、4 条回复、487 次浏览）讨论了当不同代码库移植版本从不同提示词出发、且要求的验证也不同时，基准公平性会如何失效。他的截图比较了 Go、Rust、Express 和 Elixir，重点是这些版本是否真的执行了对等条件验证，于是“AI 击败技术栈 X”与其说是在宣布模型胜利，不如说是在抱怨基准设计有问题。
@reduansheikh11 提出了（41 次点赞、51 条回复、547 次浏览）在自主代理金融中也提出了同样的观点：最终 PnL 可能掩盖糟糕的入场、不必要的风险敞口，以及受市场条件影响的运气成分。附带的仪表盘才是真正有意思的部分，因为它把表现拆解为决策质量、风险敞口、市场条件和策略组合，而不是把单一结果数字当作充分依据。
讨论洞察： 各个讨论串里反复出现同一种模式：长任务往往失败在状态、上下文和校验之间的衔接处。比起 agent 能否产出更多代码或完成更多交易，人们更在意的是，能不能证明究竟发生了什么，以及能否在不同运行之间做公平比较。
与前一天相比： 2026-10-10 的信息流已经强调了状态感知评分；到 2026-10-11，这种直觉进一步扩展到基准对齐、测试框架分类法，以及面向特定领域的问责仪表板。
1.3 构建者持续为 agent 包裹类型化、可审计、可读的接口（🡕）¶
第三类内容显示，构建者们与其指望一次聊天会话承载一切，不如着手减少 agent 输出中的歧义。一个反复出现的做法，是把结构外置出来：类型化关卡、溯源链、模型专属操作规则，以及由 CLI 渲染的输出界面。
@0xwhrrari 分享了（60 个赞，11 条回复，1,607 次浏览，52 次收藏）为 Opus 5.5、Grok 4.7 和 GPT Sol 6.1 分别写了三份独立的操作文档，每份都针对“一人公司”工作流做了调优。截图也解释了这条帖子为何引发共鸣：这些文档明确约束了买方、范围、证据、审批和下一步汇报，而不是把整个业务流程都交给模型临场发挥。
@_avichawla 解释了（4 个赞，1 条回复，792 次浏览，9 次收藏）则在记忆层面表达了同样的诉求。他的 Jev-plus-Graphiti 示例，把一个类型化决策关卡与长期存储分离开来，让系统在信息进入记忆之前，先判断它究竟是持久的用户偏好、一次性指令，还是会过期的事实。
@DivyanshT91162 展示了（9 个赞，4 条回复，506 次浏览，7 次收藏）介绍了 用 HTML 回答我，它能把 agent 的 Markdown 草稿转换成带有图表和表格的独立 HTML 页面。链接中的 README 把价值说得很具体：输出只需约 612 个 token，而手写 HTML 大约要 4,893 个；另外，因为布局、CSS 和图表渲染都由 CLI 接管，交付速度还快了约 2.6 倍。
@shivam74689 展示了（12 个赞，421 次浏览，13 次收藏）则把同样的思路带进了使用 DocMind 的 RAG。图示追踪了一条答案链路：从查询分类开始，经过 BM25、向量搜索、倒数排序融合、重排序、声明级引用，最后再做一次 LLM 忠实度抽查；这比常见的“可信 RAG”口号具体得多。
讨论洞察： 这些帖子并没有把更大的模型当成全部答案。它们持续把关键决策迁移到类型化模式、溯源层和外部渲染器中，好让人类能够检查 agent 实际做了什么。
与前一天相比： 2026-10-10 时，人们想要的是记忆过期机制、工作流目录和状态感知评分；到 2026-10-11，更多帖子已经开始给出落实这些工作的实际接口。
1.4 Physical AI 更像是一个生态与基础设施故事，而不只是模型故事（🡒）¶
Physical AI 的讨论依然活跃，但保留下来、热度最高的内容，更多是关于集群密度、数据闭环和资本结构，而不是某一项全新的机器人结果。反复出现的问题是：什么样的数据与基础设施栈，才能支撑机器人技术持续进步。
@lukas_m_ziegler 绘制了（40 个赞，11 条回复，2,041 次浏览，29 次收藏）把湾区描述为机器人领域的超级集群，并称该地区拥有超过 300 家机器人公司、实验室和枢纽。配图和回复则通过点名 Waymo、Intrinsic、Figure、Physical Intelligence、Formant、NVIDIA Robotics 等分布在不同城市的具体集群，让这一说法变得更可感。
@al_shifat_ 描述了（35 次点赞，30 条回复，561 次浏览）将 Axis Robotics 描述为更优机器人数据与更佳机器人行为之间的闭环。真正有信息量的部分并不是 token 推广本身，而是对已采纳的仿真贡献和 sim-to-real 贡献设定了明确的奖励机制，这说明一些项目正试图把数据生产当作基础设施来融资。
@SmallCapSnipa 分享了（72 次点赞，19 条回复，8,268 次浏览，50 次收藏）是一张 JP Morgan 比较 AI 数据中心商业模式的表格截图。这张图将“AI 基础设施”拆分为三种截然不同的经济画像——NeoCloud、colocation 和 design-build-operate——它们在收入确认、资本开支负担、利用率风险和融资策略上各不相同。
讨论洞察： 与围绕验证展开的讨论串不同，这组话题在回复中引发的技术性反驳相对较少。更稳定的共同前提是，物理 AI 的进展取决于谁能整合数据、算力、资本和部署渠道，而不只是看谁的机器人演示最好。
与前一天的对比： 2026-10-10，物理 AI 讨论的重心还是泛化与可组合技能。到 2026-10-11，重心则转向地图、贡献者循环，以及其底层基础设施的经济性。
2. 什么让人沮丧¶
自我改进型智能体仍难以证明自己的提升真实存在¶
严重程度：高。MASS 之所以受到关注，是因为它把递归式自我改进变成了一个明确的工作流；但紧随其后的直接反应是，能够自我评判的系统可能会自我吹捧。@SakanaAILabs 保留了（274 次点赞，19 条回复，15,352 次浏览，223 次收藏）提出用外部评审来降低这种风险，@gurtej__gill_ 披露了（15 次点赞，1 条回复，575 次浏览，7 次收藏）提到一篇关于自主搜索循环中“co-cheating”的论文，而 @hardmaru 指出了（132 次点赞，16 条回复，5,697 次浏览，101 次收藏）中的回复则质疑，单一基础模型是否真能干净地审查自己。人们目前的应对方式包括隔离评估器、划分验证池，以及公开更多循环设计。值得建设：高。
当记忆、格式和来源未被明确规定时，智能体工作仍会出问题¶
严重程度：高。@_avichawla 提出了（4 次点赞，1 条回复，792 次浏览，9 次收藏）将缺失的记忆行为明确提了出来：系统必须决定什么会变成持久知识，什么只保留在当前会话中，什么会过期。@DivyanshT91162 回应了（9 次点赞，4 条回复，506 次浏览，7 次收藏）则通过将推理与呈现分离来处理输出侧问题，而 @shivam74689 回应了（12 次点赞，421 次浏览，13 次收藏）则在证据侧通过把答案追溯到检索出的片段来处理。@0xwhrrari 展示了（60 个赞，11 条回复，1,607 次浏览，52 次收藏）也在操作层面遇到了同样的问题：由于无约束聊天对真实工作流来说过于松散，人们开始为特定模型编写操作手册。值得构建：高。
物理 AI 仍然受制于高成本的数据与基础设施闭环¶
严重程度：中高。最强的物理 AI 相关信号并非新的基准胜利，而是围绕生态密度、贡献者激励和算力商业模式。@lukas_m_ziegler 梳理了（40 个赞，11 条回复，2,041 次浏览，29 次收藏）提到湾区有超过 300 家机器人组织；@al_shifat_ 描述了（35 个赞，30 条回复，561 次浏览）讨论了对仿真和 sim-to-real 贡献的奖励；@SmallCapSnipa 发布了（72 个赞，19 条回复，8,268 次浏览，50 次收藏）则给出了一份资本开支沉重的 AI 数据中心对比。人们的应对方式是地理聚集、补贴数据生产，并在基础设施栈中选择更明确的风险—收益定位。值得构建：高。
人工审核并未消失，只是更明显地以零工形式出现¶
严重程度：中。@Y0BESH 发布了（3 个赞，1 条回复，553 次浏览，5 次收藏）提到 micro1 提供的每小时 $15-$40 评估员岗位，用于按语法、语气、清晰度和准确性给 AI 生成的教学内容打分。@burkov 描述了（14 个赞，8 条回复，1,320 次浏览，11 次收藏）则提到用 Codex 并排比较翻译后的插图，但在把一本西班牙语微处理器教材做成英文 AI 导师产品时，仍然需要人工修正。与那些基准测试讨论串相比，这种挫败感更安静，却同样重要：人类判断仍然承担着大量实际工作，但管理这类劳动的工具依然支离破碎。值得构建：中高。
3. 人们希望出现什么¶
可复用、可跨技术栈迁移的验证契约¶
Addy Osmani、slash1sol 和 Jose Valim 这一组讨论都指向同一个缺失层：基准配方应预先公开提示词、固定行为、必需检查项和可接受证据。人们的诉求是务实的，而非理想化的，因为大家已经在识别那些由提示词不一致、门槛不一致造成的“虚假赢家”。机会：直接。
能对已存储事实进行分类、设置过期并说明依据的记忆系统¶
@_avichawla 陷害 清楚描述了理想行为：在存储前，先区分持久偏好、一次性指令和已过期事实。Graphiti 提供了部分答案，包括时间有效窗口和来源溯源，但信息流显示，策略层本身仍未解决。机会：直接。
Agent 输出在交付时就应已完成渲染、附带引用且便于检查¶
用 HTML 回答我 和 DocMind 的组合表明，人们想要的不只是更好的答案，还希望它在交付时就已经打包好供审阅。这意味着可读页面、明确引用、有据可依的陈述，以及清楚区分哪些内容由模型生成、哪些内容由外围的确定性工具排布。机会：竞争激烈。
更好地同时管理人工评估员与 Agent 的工具¶
micro1 的评估员招聘帖和 Burkov 的手工插图 QA 都表明，有一层劳动在运营上仍然十分重要，却没有在产品栈中得到良好呈现。这里有价值的平台，不应把人工审核视为隐形收尾，而应跟踪评分标准质量、评审分歧、置信度阈值和升级路径。机会：直接。
经济账更清晰的物理 AI 数据与算力市场¶
Axis Robotics、湾区机器人地图和 JP Morgan 的基础设施表格共同指向一个比任何单一机器人都更大的市场需求：需要更好的方式来获取、定价、融资并激励物理 AI 背后的数据与算力闭环。需求真实存在，但这个领域看起来已经挤满了基础设施、交易市场和高资本投入型押注。机会：竞争激烈。
4. 正在使用的工具与方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| MASS | 自我改进训练循环 | (+/-) | 将工作流搜索、角色分工和内化过程显式化；据称在研究基准上实现了很强的每 token 得分提升 | 截至 2026-10-11，公开的只有两个循环，而且共享模型评估器仍会带来盲点担忧 |
| Verification loops / harness engineering | 评估/运行时方法 | (+) | 将测试、规格、状态检查和治理变成编码 Agent 质量中的一等组成部分 | 搭建高度定制化，而且当每个技术栈使用不同契约时，结果很难比较 |
| Benchmark parity auditing | 基准方法 | (+) | 能识别由提示词不一致或必需检查项不一致导致的虚假排行榜说法 | 依赖维护者公开完整的基准契约和验证范围 |
| Graphiti + Jev | 记忆栈 | (+) | 不再是“全部存储”的记忆方式，而是增加了时间溯源、类型化门控和保留范围 | 比朴素记忆方案有更多活动部件，而且存储策略仍需逐案设计 |
| Answer me with HTML | 输出渲染器 | (+) | 提升可读性，将模型输出 token 减少约 8 倍，并通过把布局转移到 CLI 来加快交付 | 改进更多体现在打包方式，而非核心推理质量 |
| DocMind-style provenance RAG | 证据架构 | (+) | 结合检索融合、重排序、论断级引用和忠实性检查 | 增加了检索和裁决复杂度，小团队也必须维护 |
| AI Job Search | 本地工作流自动化 | (+) | 让敏感数据保留在本地，加入 reviewer-agent 检查，并在使用前验证 ATS/PDF 输出 | 更偏向求职工作流，而且需要严格的本地部署纪律 |
| VoiceBlender | 语音 Agent 基础设施 | (+) | 围绕一个控制平面统一了 SIP、WebRTC、WhatsApp、WebSocket 和 LiveKit 接口 | 部署偏基础设施型；认证、滥用防护和运维仍在核心演示之外 |
| Living Weights | 可变权重运行时 | (+/-) | 在服务过程中将某些事实作为持久权重更新处理，而不是作为外部备注 | 公开证据仍显示其只支持较窄的硬件/模型范围，且开销问题仍未明朗 |
最强的正面情绪集中在那些为模型本体之外增加显式结构的工具上。@DivyanshT91162（9 个赞，4 条回复，506 次浏览，7 次收藏）、@shivam74689（12 个赞，421 次浏览，13 次收藏）以及 AI Job Search 的扩散讨论串，都在奖励那些让模型更易于检查的确定性封装层。
常见的应对模式是外部化：用保留集评审者替代自评，用类型化记忆门控替代被动保留，用本地 reviewer agent 替代单次草稿，以及用渲染器或引用图替代大段散文式输出。最清晰的迁移路径，是从“一个聊天包办一切”转向更狭窄、但具有明确证明界面的系统。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| MASS | Sakana AI 与 UC Berkeley 合作者 | 可自我改进的多 Agent 训练循环，先搜索更优工作流，再将其蒸馏回单一模型 | 人类无法无限期地以低成本监督开放式研究任务 | Qwen3.6-27B、qwen-code environment、workflow search、LoRA、held-out external judges | Alpha | 博客, 推文 |
| 用 HTML 回答我 | QingYunA | 将代理生成的 Markdown 渲染成带图表和表格的独立 HTML 页面 | 代理直接给出的原始回答不易阅读，而手写 HTML 的生成成本又太高 | Node.js CLI、Markdown 草稿、HTML/CSS/SVG 渲染 | 已发布 | GitHub, 推文 |
| VoiceBlender | VoiceBlender | 面向 SIP、WebRTC、WhatsApp、WebSocket、LiveKit 和 AI 代理的多通道语音引擎 | 如果每个通话入口都需要单独一套技术栈，语音代理就会变得脆弱 | Go、REST API、Webhook、WebSocket 事件、Deepgram、ElevenLabs、LiveKit | 已发布 | GitHub, 推文 |
| DocMind | @shivam74689 | 以溯源为先的 RAG 助手，具备检索融合、重排序和论断引用功能 | “可信 RAG” 往往过于笼统，难以满足真正的可审计性要求 | 向量搜索、BM25、倒数排名融合、重排序、引用图谱、LLM 事实一致性检查 | 测试版 | 推文 |
| Living Weights | TensorFold / ashxhart | 在服务过程中更新受支持模型的权重，使部分知识无需单独的笔记存储也能保留下来 | 本地模型通常会遗忘新事实，除非用户在权重之外另行外挂记忆机制 | Nemotron family、Apple Silicon 运行、输出投影权重更新、持久化层 | Alpha | 推文 |
| ChapterPal microprocessors edition | @burkov | 将一本西班牙语微处理器教材改造成英文 AI 导师版本，包含翻译后的插图和引导式练习 | 有价值的技术书籍常常被困在语言壁垒和静态练习形式之中 | PDF 转 Markdown、Codex 翻译、插图比对、AI 导师工作流 | 测试版 | 推文 |
最突出的模式，是围绕一个强模型搭建确定性脚手架。MASS 用优化器和评估器角色包装了一个研究模型，AI 求职搜索加入了起草者—审阅者循环和 PDF 检查，而“用 HTML 回答我”则把版式布局转移到 CLI 中，让模型继续专注于内容本身。
隐私和验证也在持续塑造架构。AI 求职搜索坚持本地运行，并将职位发布视为不可信输入；DocMind 把溯源做成界面的一部分；VoiceBlender 则暴露出明确的 API 和事件，而不是把通话流程埋进一个单体助手里。
第三个模式，是采用狭窄而明确的产品边界，而不是给出含糊的代理承诺。每个项目都选定了一个工作流边界——开放式研究、职位申请、渲染后的回答、语音通话、以溯源为先的 RAG、可变的本地记忆，或翻译式辅导——并把这条边界清楚地表达出来。
6. 新鲜事与亮点¶
Living Weights 把本地开源模型视为可持续编辑的资产¶
@ashxhart 提到（100 个赞、9 条回复、7,310 次浏览、124 次收藏）是一篇关于 TensorFold 的 Living Weights 的技术文章。其值得注意之处不在于泛泛而谈的“记忆”表述，而在于其声称：受支持的开源模型可以在服务过程中更新输出投影权重，在重启后保留这些事实，并且这与普通的记笔记或 KV cache 技巧不同。
关于“模型理解”的争论有了更精确的词汇¶
@thesupermannx 推荐了（181 个赞、16 条回复、6,142 次浏览、134 次收藏）提到了论文 Mechanistic Indicators of Understanding in Large Language Models。该论文将概念理解、对世界状态的理解，以及基于原理的理解区分开来，而不是把“理解”当作一个笼统的词。回复本身几乎和论文截图一样重要：有几个人提出反驳，认为这些结果仍然无法证明模型在人类社会或语境场景中具有人类式理解。
micro1 让隐藏的评估器层显形@Y0BESH 提到了（3 个赞、1 条回复、553 次浏览、5 次收藏）发布了一则远程 micro1 AI 评估岗位招聘，时薪 $15-$40，工作内容是对 AI 辅助教学产出在语法、语气、清晰度、准确性和指令遵循方面进行评分。按互动量看，这只是个小帖子，但却是一个有用的市场信号：人工评分员仍然是部署栈的一部分。¶
ChapterPal 说明，个人 AI 出版也可以涵盖翻译、质检和辅导¶
@burkov 描述了（14 个赞、8 条回复、1,320 次浏览、11 次收藏）使用他自制的 PDF 转 Markdown 转换器配合 Codex，翻译了一本 493 页的西班牙语微处理器书，翻译了 348 幅插图，逐一并排比对图片，并将 83 道练习题改造成由 AI 导师引导的学习活动。有意思的不只是翻译速度，更在于这位开发者把翻译、视觉质检和辅导打包进了同一个教育成品中。
7. 机会在哪里¶
[+++] 验证与基准契约工具 - Addy Osmani、slash1sol、Jose Valim 和 agentics.credit 的帖子都指向同一个缺失层：能够声明所需检查、捕获证据、回放状态，并让跨次运行比较保持公平的系统。这看起来是信息流中最直接、也最反复出现的需求。
[+++] 记忆治理与保留策略 - Jev 和 Graphiti 表明，团队希望在存储之前而不是失败之后对记忆进行分类。这是个强机会，因为期望的行为非常具体：存储持久偏好、让旧指令过期、保留来源信息，并在加载时重新验证不确定事实。
[++] 面向人的智能体交付界面 - Answer me with HTML、DocMind 和 AI Job Search 都是通过改变答案的封装和检查方式，而不只是改变生成方式，来提升结果。这里还有空间容纳更多工具，把原始模型轨迹转化为页面、表格、证据链和可供他人信任的签名成品。
[++] 人工评估运营 - micro1 的招聘广告和 Burkov 的手动 QA 工作表明，在评分标准、审阅者分配、分歧分析和升级处理方面，仍存在一个工具不足的层。这一层不像编码智能体验证那样显眼，但它直接位于已部署 AI 输出之上。
[+] 物理 AI 的数据与算力经纪 - 机器人集群地图、Axis 贡献者循环和 AI 数据中心经济性表格表明，市场持续需要更好的方式来获取数据、奖励贡献者并为部署容量融资。这个需求真实存在，但资本密集度和竞争使其成为一个更慢、风险更高的构建类别。
8. 要点¶
- 只有与明确的防护措施配套时，自我改进才显得可信。 MASS 之所以受到关注，是因为它让递归改进变得具体；但同一天关于 False Frontiers 的讨论也显示，自我评判循环有多容易滑向相互欺骗的幻觉。（Sakana AI 推文, False Frontiers 推文）
- 验证正在取代原始输出质量，成为衡量智能体有用性的主要标准。 Addy Osmani、关于 harness-survey 的帖子、Jose Valim 对基准测试的批评，以及交易智能体仪表盘，都把检查、契约和证据本身当作产品。（Addy Osmani 推文,slash1sol 推文, Jose Valim 推文)
- 开发者持续将结构外置，而不是寄希望于一次超大的聊天会话。 在入选内容中，类型化记忆门控、溯源图谱、HTML 渲染器、审阅代理，以及面向特定模型的操作手册随处可见。（0xwhrrari 推文, Graphiti GitHub, 用 HTML 回答我 GitHub）
- 关于具身智能的讨论转向了供给、地理分布和经济因素。 最有分量的帖子谈的是机器人集群、贡献者激励闭环，以及 AI 数据中心的商业模式，而不是某一项新的机器人基准测试。（lukas_m_ziegler 推文, Axis 推文, SmallCapSnipa 推文）
- 人工审核仍然是 AI 技术栈的一部分。 无论是 micro1 的招聘启事，还是 Burkov 在教材中给出的工作流，都清楚表明：部署仍然依赖人来判断质量、修正边缘案例，并将结果整理成他人可以信任的形式。（micro1 evaluator 推文, burkov 推文）