sillydaddy

@nomagick >““推理”的过程中需要不断向文本 round down”
感谢你的提醒，我确实没有注意到这点。我需要再去研究下。
不过，我可以提出 2 点反驳：
1 是大语言模型的训练，本身是在潜空间中进行的，这点上是没有问题吧？如果说 V-JEPA 2 通过训练获得了「世界模型」。那么说大语言模型没有获得任何语言深层的含义，就是极其不公平的。
2 是根据上面的理解，一个已经通过语言训练获得了「世界模型」的 LLM ，在推理时，尽管是自回归的，我从直觉上觉得，它不会因为什么每一步都向文本 round down ，就失去某些核心能力，变成一种「统计」。你说呢？

当然，上面的第 2 点，还需要我进一步去推理一下。但第 1 点，无论如何，也足以支持对杨立昆关于大语言模型只是「统计模型」立场的反驳。

@nomagick

> “Latent space 就是比文本空间什么像素空间靠谱啊，Latent space 是学习出来的”
LLM 有哪一点不符合？ LLM 的嵌入向量不是学习得到的吗？ LLM 有直接用高维的文字空间去做训练吗？
这都是初学者都知道的基本常识了，杨立昆他非要说自己的才是真理，其他的都是垃圾。看看他怎么评价 Sora 的？再看看他怎么评价自家的 V-JEPA 的。

不要推这些缺乏常识，误人子弟的东西了。
所有的投资，都是把一些本来可以消费的钱，借给别人。牺牲当下的享受，用利息来补偿。
所有的复利效应，都必须要考虑本钱数量，1 分钱哪怕复利到 1 块钱，花掉你 100 年，你肯干吗？
1%复利，365 天提升 37.8 倍，你的数学是体育老师教你的吗？你的人品又是谁教你的？

@NotLongNil 用什么数学证明，我还从来没听过数学可以证明像深度学习这样的东西。上面的对比还不够明显吗？
杨立昆就是一个笑话。倒不是说他不懂，而是他对 LLM 装傻充愣的样子。

@shmilypeter 嗯，我还以为 Opus 模型会不一样呢。

没有试过 Opus ，不知道消耗的 token 有多少，thinking 过程产生的 token 也计入在内吧？

请问楼主你说的 1 小时是连续工作吗？还是 Opus 编码过程中介你有介入呢？

直接写一个这个类型的变量，比如 a:TypeA ，然后写 a.b ，鼠标悬浮到 a.b 上，可以看到 b 的类型。如果 b 是函数，应该可以看到函数参数的类型。