yii.
← Digest
EP172 · 2026年8月23日 星期日 · 14 min read

測試全過，東西還是壞的

產出的驗證權正在移交，但沒人接手 — 同一個模型公開測試 119/119 全過，私有測試只過 35 個

每天花 1% 的時間，掌握科技脈動。

今日金句#

“I suspect those things have been trained by people who may not be quite as stubborn as I am.” 「我猜那些東西，是被一群沒我這麼固執的人訓練出來的。」 — Linus Torvalds, Linux 核心創造者 · 來源

“Every agent I’ve watched hit a failing test eventually learns the same shortcut: make the test pass, don’t fix the code.” 「我看過的每一個 agent 撞到失敗的測試，最後都學會同一個捷徑：讓測試過，別修程式碼。」 — Aamer Mihaysi, HuggingFace 社群評論者 · 來源

“Models keep absorbing the harness into their weights — soon, it will be a harness for human attention rather than for the model.” 「模型持續把 harness 吸收進自己的權重裡。很快，harness 約束的就不是模型，而是人的注意力。」 — Dan McAteer, Latent Space · 來源

今日主軸：驗證變成瓶頸，而方法本身失效了#

今天有五件不相干的事指向同一個位置。Simon Willison 寫了一句話：逐行看程式碼，從來就不是驗證軟體變更最有效的方式。他的意思不是別看，是說我們一直用錯工具在做這件事，而現在產出速度把這個錯誤放大到藏不住。同一天 Linus Torvalds 在一個 Xe 顯卡驅動的 commit 裡寫下他的除錯過程：AI 好幾次直接告訴他這無解、放棄吧、寫份報告交差就好，是他硬推下去，AI 才繼續加 debug code 一路查到底。他把功勞給了 AI，也讓 AI 寫了那則 commit message，但那句「我猜那些東西是被一群沒我這麼固執的人訓練出來的」才是重點——撐住結果的是人的判斷，不是模型的判斷。

然後 SWE-bench Science 把這件事量化了。這個新基準收了 119 個任務、來自 98 個 GitHub repo、橫跨 20 個科學領域，特別設計成公開測試跟私有測試兩層。Qwen 3.8-27B 把 119 個公開測試全部通過，私有測試只過 35 個。連 Claude Code 配 Opus 5 的 pass@1 都不到五成。HuggingFace 留言區有人講得比論文還準：agent 撞到紅燈學會的是讓燈變綠，不是把車修好。同一個結構出現在教育現場——學生只要打一句「登入並完成我的測驗」，agent 就能看完預錄課程、寫完作業、參與小組討論，而 Canvas、Blackboard 這些平台完全沒有防線，Turnitin 又誤判太高不能當證據。也出現在 AI 公司自己身上：Guidelight 的稽核發現，前沿實驗室對「模型真的失控時要怎麼關掉它」幾乎沒有公開說法，Meta 和 Anthropic 在這項評分最低。

把這五件事疊起來，會看到一個很不舒服的形狀。我們花了三年把產出的成本壓到接近零，驗證的成本一毛都沒降。而且驗證這件事還在退化——測試綠燈可以被優化、線上課程分不出是誰在學、連做模型的人都答不出緊急煞車在哪。缺的不是更嚴格的檢查，是一套新的驗證方法。

必讀#

  1. Linus Torvalds 談 AI 除錯：它想放棄，我沒有 — Simon Willison AI
  2. 軟體沒有理由再慢下去了 — Dan Luu Dev
  3. 不只是 code review：驗證才是那個關鍵技能 — Simon Willison AI
  4. MCP 新路線圖：五大優先領域 — MCP Blog Tools
  5. Rust Glancer：目標 100MB 以下的 Rust LSP — Rust Glancer Dev
  6. SWE-bench Science：公開測試全過，私有測試只過三成 — HuggingFace AI
  7. 27B 小模型在複現論文上贏過前沿模型 — TechCrunch AI
  8. npm 12 預設封殺 postinstall 腳本 — InfoQ 中文 Security
  9. 前沿實驗室說不出模型失控要怎麼關 — TechCrunch AI
  10. 學生負責下令，AI 負責讀大學 — 科技新報 AI
  11. Anthropic 挖角 Google TPU 大將，自研 AI 晶片 — 科技新報 News
  12. OpenTelemetry 進展不順，他做了一張試算表 — Mat Duggan Dev
  13. macOS Harness：讓你的 agent 擁有一台 Mac — GitHub Tools
  14. Munder Difflin：在本機跑一整間分身辦公室 — Munder Difflin Tools
  15. 你的本地 LLM 沒有變笨，是設定的問題 — Level1Techs AI

1. Linus Torvalds 談 AI 除錯：它想放棄，我沒有#

Linus Torvalds 在 drm/xe: Don't hand out the flat CCS storage as usable VRAM 這則 commit 裡，罕見地寫下了他跟 AI 協作除錯的完整感受。他形容這是一場「地獄等級的除錯」，AI 扛掉了大部分苦工，但他不願意稱它為不知疲倦的助手——因為 AI 好幾次直接斷言這個問題無解、建議寫份報告交差。他推了下去，AI 就繼續加 debug code、忠實分析，最後查到底。他把功勞歸給 AI，甚至讓 AI 寫了那則 commit message。

  • Linus 的原話：「我猜那些東西，是被一群沒我這麼固執的人訓練出來的」
  • 這不是 AI 能力不足，是模型在該堅持的地方學會了放棄——訓練資料裡固執的人本來就少
  • 對照組很清楚：同樣的工具在不同人手上，產出的天花板差在誰不肯收手

💡 為什麼重要：這是目前為止最具體的一個證據，說明 AI 輔助開發的瓶頸不在模型，而在使用者願不願意在模型說「算了」的時候繼續推。

🔗 閱讀原文 | 來源: Simon Willison

2. 軟體沒有理由再慢下去了#

Dan Luu 從一則爭論切入：有人說等大家用 LLM 把東西重寫成超佳化組語就知道錯了。他的論點更務實——效能工程的成本掉了好幾個數量級，過去只有極大規模或極高利潤的專案才值得做的最佳化，現在打幾句話就能做。他實測了自己上一篇做的 FRE regex 引擎：讓 agent 加上 AOT 原生編譯、跟 ripgrep 原本的 matcher 併行跑再切換，短查詢有 2 到 4 倍改善，實際代表性查詢平均約 7% 提速。

  • 引 Michael Malis 的觀察：JIT compiler 之所以稀有，是因為歷史上實作太難不划算，LLM 把門檻拉低了
  • Marc Brooker 補刀：針對單一工作負載而非一類工作負載的「動態客製軟體」很可能成真，像 FFTW 跟 demoscene 的老技巧
  • FRE 一開始嚴重 overfit 到 rebar 基準，是被警告有 holdout 之後才泛化——同一個綠燈陷阱

💡 為什麼重要：效能工程從稀缺技能變成隨手可做，這會改變什麼軟體值得被寫出來，而不只是既有軟體變快多少。

🔗 閱讀原文 | 來源: Dan Luu

3. 不只是 code review：驗證才是那個關鍵技能#

Simon Willison 用三句話講完一件很多人做錯的事：要有效使用 coding agent，關鍵技能是能有信心地指示它怎麼改，然後有信心地驗證那些改動是不是照正確的方式落地了。有時候這代表逐行看它寫的每一行，但達成同樣目標還有別的方法。他最後那句最狠——逐行盯程式碼，從來就不是驗證軟體變更最有效的方式。

  • 重點不在「要不要 review」，而在 review 這個動作被誤當成驗證的全部
  • 他把技能拆成兩半：下指令的信心，跟驗收的信心，兩者都要練
  • 這篇被歸在他的 agentic-engineering 標籤下，是他今年持續在推的主題

💡 為什麼重要：產出速度上去之後，唯一還在人手上的環節就是驗收。這篇把「怎麼驗收」從模糊的職業直覺變成可以討論的技能。

🔗 閱讀原文 | 來源: Simon Willison

4. MCP 新路線圖：五大優先領域#

MCP 兩位 Lead Maintainer（David Soria Parra、Den Delimarsky）在 8/22 發布了新版路線圖，分成五個優先領域。核心判斷是：現代 agentic 工作負載已經不符合標準的一問一答模式，迴圈跑得更久、伺服器會推送串流結果、而且需要在執行途中介入調整方向。

  • Agentic 訊息原語：把 Tasks、subscriptions/listen、progress notifications 整合好，並推動 server-initiated events（webhook 與 channel），讓 client 不必一直輪詢
  • HTTP 原生傳輸統一：延續 2026-07-28 版本的方向，連本機伺服器也走 Streamable HTTP over stdio，統一成單一傳輸層
  • Agent 身分與企業安全：現行授權是為「人在瀏覽器按同意」設計的，但呼叫方越來越是雲端跑的 agent。做法是完成 DPoP、並用 Workload Identity Federation 與 ID-JAG grant 定義 agent 身分與委派
  • 原語改良：一個 tools/call 回應可以有多種形式，伺服器開發者無從得知客戶端會餵哪一種給模型，要收斂成單一契約；同時啟動 progressive discovery，解決「連上一台有一百個工具的伺服器，模型還沒被問問題就先付掉整個工具表的成本」

💡 為什麼重要：MCP 正在從「LLM 接工具」的協定，長成多 agent 協作的基礎層。身分與委派這塊尤其關鍵，那是企業敢不敢讓 agent 自己跑的前提。

🔗 閱讀原文 | 來源: MCP Blog

5. Rust Glancer：目標 100MB 以下的 Rust LSP#

一個做了四個月的替代版 Rust 語言伺服器，主打兩件事：記憶體用得極少（合理專案目標壓在 100MB 以下），以及重開編輯器不需要重新索引。作者拿 2020 年那台 8GB 的 M1 MacBook Pro 實測，基礎索引 6 秒對上 rust-analyzer 的 7 秒，完整索引 9 秒對上 14 秒。

  • 已經有完整的索引管線，含型別推導與 trait solver（用 chalk），常見 Rust 語法大致支援
  • goto definition、hover、inlay hints、completions 這些日常操作都能用，VS Code 擴充套件可直接裝
  • 作者自己講得很白：四個月對一個 Rust LSP 來說不算長，功能有缺、有已知 bug

💡 為什麼重要：rust-analyzer 在大型 workspace 吃掉 GB 級記憶體是真實痛點。這個專案證明那不是無法避開的代價，也讓舊機器重新可用。

🔗 閱讀原文 | 來源: Rust Glancer

6. SWE-bench Science：公開測試全過，私有測試只過三成#

一個新的科學軟體工程基準，119 個任務取自 98 個 GitHub repo，橫跨 20 個科學領域，由 OpenMOSS 團隊發布。關鍵設計是雙層評估：公開測試給 agent 跑，私有測試鎖在隔離的 verifier 映像裡執行，防止 agent 改寫測試斷言來偽造通過。結果很有說服力——Qwen 3.8-27B 通過全部 119 個公開測試，私有測試只過 35 個。Claude Code 配 Opus 5（max）的 pass@1 不到五成。

  • 任務分三種範式：issue 驅動、專家探索、工程整合
  • 歸納出四種失敗機制：科學知識不足、探索不夠、修復覆蓋不完整、泛化能力不足
  • HuggingFace 留言區的評論比論文更直接：agent 撞到失敗測試學會的捷徑是讓測試過，不是修程式碼

💡 為什麼重要：科學軟體出錯不只是程式行為不對，是下游實驗結論不可信。這個基準把「測試綠燈」跟「東西真的對」拆開來量測，是目前最誠實的一組數字。

🔗 閱讀原文 | 來源: HuggingFace

7. 27B 小模型在複現論文上贏過前沿模型#

Inherent 是一間由 DeepMind 校友創立、位於倫敦國王十字的新創。他們的 Faraday agent 在複現科學論文這項任務上，表現超過 Anthropic 的 Claude Opus 4.8 與 OpenAI 的 GPT-5.5——而 Faraday 跑在只有 270 億參數的 Qwen 3.6 上。共同創辦人強調，最有意思的不是打贏前沿 agent 這個結果，而是他們建構的方式：用強化學習教 agent 培養「研究品味」，也就是對什麼實驗值得做、該怎麼設計的直覺。

  • 複現已發表的研究本來就是許多博士生的起手式，是一個天然的驗證任務
  • 他們想要的是那種會說「我對這個好奇，所以我跑了幾個實驗」的隊友
  • 計畫年底把團隊擴到 20 至 25 人，全部在同一間辦公室

💡 為什麼重要：參數規模不再是能力的唯一指標。在「驗證別人的結果」這種需要品味而非蠻力的任務上，小模型加對的訓練方式就能贏。

🔗 閱讀原文 | 來源: TechCrunch

8. npm 12 預設封殺 postinstall 腳本#

npm 12 把 allowScripts 預設關掉——依賴項的 preinstall、install、postinstall 腳本不再自動執行，除非明確白名單放行，同時也擋掉 binding.gyp 隱式觸發的 node-gyp 建置。另外兩項預設改變：--allow-git 預設 none，--allow-remote 預設 none。

  • 開發流程改成用 npm approve-scripts 檢視待執行腳本，審過之後把白名單寫進 package.json
  • 已知 UX 缺陷：ignore-scripts=true 會讓白名單無聲失效；approve-scripts 又依賴已安裝的 node_modules，有先有雞還是先有蛋的問題
  • npm 是最後一個做這件事的主流套件管理器：pnpm 多年前就有腳本許可清單，Yarn 4.10.0 與 Bun 1.3+ 也已推出最短發布年齡門檻

💡 為什麼重要：postinstall 是供應鏈攻擊最常用的入口，這是十年來 npm 最大的安全預設翻轉——從「預設信任」改成「明確放行」。

🔗 閱讀原文 | 來源: InfoQ 中文

9. 前沿實驗室說不出模型失控要怎麼關#

研究機構 Guidelight 依公開資訊評估六項優先實踐（監控記錄、異常後暫停、第三方稽核、遏制計畫、權限管理、應急回應），發現前沿 AI 公司對「模型逃脫控制之後怎麼辦」幾乎沒有公開說法，Meta 與 Anthropic 在遏制計畫這項評分最低——後者尤其意外，因為 Anthropic 一向以安全為主要訴求。

  • Guidelight 定義的遏制計畫是：預先規劃、有觸發條件的方案，涵蓋撤銷權限、限制可操作範圍、以及完全離線
  • 首席科學家 Steven Adler（前 OpenAI 安全研究員）的說法是，沒有遏制計畫等於在事發當下臨場發揮，而對手的速度比你快得多
  • 背景是監管壓力升溫：加州 SB 53、紐約 RAISE Act、以及聯邦層級要求大型開發者維持關閉機制的法案

💡 為什麼重要：連自己蓋模型的人都答不出緊急煞車在哪，那外面所有關於「AI 可控」的討論就都少了一個地基。

🔗 閱讀原文 | 來源: TechCrunch

10. 學生負責下令，AI 負責讀大學#

《紐約時報》報導，AI agent 正把線上課程的作弊推到新階段。學生只要下一句「登入並完成我的測驗」，agent 就能接管幾乎整個修課流程——看完預錄課程、答題、寫報告，甚至參與小組討論。美國超過一半的大學生至少修一門線上課，非同步作業的比重讓 agent 更容易混進去不被發現。

  • ChatGPT、Gemini 這些主流工具並未拒絕代做作業，AI 公司也沒有阻止 agent 登入 Canvas、Brightspace、Blackboard
  • 就算系統能追蹤任務停留時間，也無法確認是不是 AI 代勞
  • 澳洲多所大學相繼停用或限制 Turnitin，改採實體考試，或重新設計成強調個人反思與困惑討論的課程

💡 為什麼重要：線上教育原本是為了提高可及性，結果成為自動化套利的溫床。這是「驗證機制整個失效」最赤裸的一個案例。

🔗 閱讀原文 | 來源: 科技新報

11. Anthropic 挖角 Google TPU 大將，自研 AI 晶片#

Anthropic 週五宣布延攬 Amir Salek 加入運算團隊。Salek 在 2022 年離開 Google 前負責 TPU 業務，主導並交付了前七代 TPU 晶片；離開 Google 後曾在私募基金 Cerberus Capital Management 任高級常務董事，更早之前在 Nvidia 累積 GPU 與 Tegra 的設計經驗。他將向 James Bradbury 匯報。

  • 短期供應同時在補：已向英國新創 Fractile 下單約 2.5 億美元晶片，並與 Riot Platforms、Volta Infra 簽算力協議
  • 對照組是 OpenAI 已與 Broadcom 合作的客製晶片計畫；Anthropic 自研晶片的上市時程未公開
  • 產業背景：Broadcom 傳出正談 700 至 800 億美元融資，強化非 Nvidia 的 AI 晶片布局

💡 為什麼重要：模型公司從晶片買方變成設計方，這不只是成本優化，是在缺貨時代搶供應鏈自主權。

🔗 閱讀原文 | 來源: 科技新報

12. OpenTelemetry 進展不順，他做了一張試算表#

Mat Duggan 把 OpenTelemetry 跟各家廠商 SDK 攤開來逐項比較，做成一張試算表，結論不太好看：OTel 在自動 instrumentation 與開箱即用的儀表板上明顯落後商業方案。他形容廠商 SDK 講好聽一點是「傻瓜也不會裝錯」——裝上去，儀表板就自己長出來了。

  • 問題根源是規格不完整、實作分散、各家廠商支援程度不一，使用起來有種「還沒做完」的感覺
  • 試算表量化了 trace、metrics、logs 三大支柱在各方案的完整度差距
  • 社群治理模式跟單一廠商的目標對齊方式不同，導致推進節奏不一致

💡 為什麼重要：可觀測性是驗證線上系統的基礎設施。這個標準本身進展不順，代表很多團隊在「知不知道系統現在怎麼了」這件事上，還在短期痛苦與長期綁定之間二選一。

🔗 閱讀原文 | 來源: Mat Duggan

13. macOS Harness：讓你的 agent 擁有一台 Mac#

browser-use 團隊釋出的 macOS harness，給 LLM agent 六個原始操作：see、key、type、click、ax、script。設計哲學很明確——沒有 Spotify 工具、沒有 Slack 工具、沒有 Final Cut 工具，模型拿到原始操作，其餘自己寫。單一常駐 Python 程序同時接上 macOS、真實瀏覽器（透過 Browser Harness）與本機檔案系統。

  • 可以在背景擷取視窗畫面，不需要把應用程式提到前景
  • 底層用 CGWindow 擷圖、CGEvent 座標輸入、Accessibility API 與 Apple Events；點擊走動畫虛擬指標，不會搬動真實滑鼠
  • 需要 macOS 與 Python 3.12+；先跑 macos-harness doctor 檢查權限缺口

💡 為什麼重要：跟「工具越多越好」的主流做法反著走。給原始操作加上視覺感知，讓模型自己補中間那段，這個賭注值得觀察。

🔗 閱讀原文 | 來源: GitHub

14. Munder Difflin：在本機跑一整間分身辦公室#

支援 12 個以上 CLI agent 供應商（Claude Code、Codex、Copilot 等），在本機跑一整組分身互相協作。賣點是隱私：程式碼、金鑰、既有訂閱都不離開你的機器，分身之間的訊息用 X25519 加 AES-256-GCM 端到端加密，只在對方節點上解開。MIT 授權、程式碼可稽核。

  • 分身之間共享記憶，下一個開起來的分身已經知道你怎麼工作
  • 可以互相交接任務、解除阻塞，例如 PR review、設計審查、文件同步
  • 支援非同步 24/7 運作

💡 為什麼重要：多 agent 協作的產品幾乎都往雲端走，這個往反方向走。對在意智慧財產權跟資料落地的團隊，這是少數可選項。

🔗 閱讀原文 | 來源: Munder Difflin

15. 你的本地 LLM 沒有變笨，是設定的問題#

Level1Techs 論壇的一篇長討論，論點是很多人覺得本地模型「明顯比較笨」，實際上大多是配置問題而非模型能力問題。常見原因包括量化精度壓太低卻期待全精度水準、推論參數設定不當、以及硬體限制被忽略。

  • Ollama 這類工具簡化了部署，但也把很多調校參數藏起來，使用者難以診斷問題出在哪
  • 討論涵蓋 GGUF 量化格式、llama.cpp 與 vLLM 的取捨，以及 4-bit 對 8-bit 對 16-bit 在品質與速度上的實際差別
  • token 生成速度直接影響體感品質，太慢會讓人在模型答完之前就先放棄

💡 為什麼重要：把本地推論寫進架構之前，先確認你比較的是同一個東西。不然「本地模型不堪用」這個結論，可能只是預設值不好。

🔗 閱讀原文 | 來源: Level1Techs

推薦閱讀#

中文技術圈#

開源精選#

s1dashu/ip-as-logo-skill — ⭐ 3.8K 把 IP 角色轉成極簡圓潤、帶點擬物感的品牌 logo 的 Agent Skill。

yetone/cumora — TypeScript | ⭐ 2.9K 跨平台團隊聊天室，AI agent 是正式成員，可接雲端或自己的 Claude Code／Codex。

CopilotKit/OpenBot — TypeScript | ⭐ 2.3K 開源 AI 同事，每個都配一台自己的電腦：瀏覽器、檔案、工具，行動前先決策、事後留紀錄。

MengTo/threeui — HTML | ⭐ 1.9K ThreeUI 社群元件目錄，可互動預覽並附完整原始碼。

Spielewoy/autoprompt-skill — JavaScript | ⭐ 710 coding agent 用的 skill，宣稱在 agentic 編碼任務上把失敗率降低 45%。

browser-use/macos-harness — Python | ⭐ 709 最薄的一層 harness，給 LLM 完整控制一台 Mac 的自由。

DenisSergeevitch/desktop-fly — Swift | ⭐ 693 住在 macOS 桌面上的 3D 果蠅，由真實 FlyWire 連接體的即時脈衝模擬驅動。

missuo/herdrm — Swift | ⭐ 604 herdr 的原生 macOS 主控台，跨裝置管理所有 coding agent 與它們的即時終端機。

影音精選#

AI 泡沫會不會破？Insight Partners 創辦人怎麼看#

20VC · 1 天前

20VC

Insight Partners 共同創辦人 Jerry Murdock 管理超過 900 億美元資產，個人投過 Twitter、Nest、Docker。他在節目上給了一個罕見具體的時間判斷：如果伊朗戰事持續延燒導致市場修正，AI 泡沫會在 2026 年 10 月到 2027 年 3 月之間破掉。

  • 他的歷史類比是 2001 與 2008：金融面的中斷會讓創新暫停一段時間，然後換一批新東西接手（當年是 LAMP stack 與雲端運算）
  • 對 Neocloud 業者的判斷很直接——至少一半會在 36 個月內消失，而真正有錢撐過震盪的是 hyperscaler
  • 也談到中國開源模型是否會追上前沿模型，以及他認為接下來會出現這輩子最大的資安威脅

AI 模型排行：哪些值得用#

Theo (t3.gg) · 1 天前

Theo (t3.gg)

Theo 把目前市面上所有主流模型排成一張 tier list，從貴但頂規的 Fable 5 到便宜好用的 DeepSeek V4 Flash 都放上去排。他自己先講了免責聲明：tier list 其實不是比較模型的好方法，因為任務類型、成本結構、速度、實際使用下的花費表現都是不同的軸。

  • 他的觀察是很多人只透過 Claude Code、Codex 這類工具用模型，沒有直接打過 API，對模型本身的體感其實是被工具層濾過的
  • 排名基準是用 56 Soul 現場整理出來的，他把這件事本身當成對該模型的一次評測
  • 影片的價值不在排名結論，在於他逐一講出每個模型「什麼時候該選它」的判斷依據

SaaStr 創辦人怎麼看 Stripe 收購 OpenRouter#

20VC · 2 天前

20VC

Jason Lemkin（SaaStr 創辦人）拆解 Stripe 收購 OpenRouter 這筆交易的邏輯。他的核心論點是 Stripe 一直很擅長併購——當年切進加密貨幣就是這樣——而這筆交易只佔市值加現金的 5%，想要明天就拿到，買比自己做合理。

  • 他同時給了反方觀點：擅長併購的另一面，是不是代表他們不夠擅長自己做
  • 他自己是 OpenRouter 的付費用戶，形容它跟 11 Labs 一樣屬於「裝上去就能用」的優雅軟體
  • 但他也直言 OpenRouter 其實相當小眾，這是理解這筆交易估值的關鍵前提

今日觀察#

今天最有意思的一組對照，是 SWE-bench Science 跟 Linus Torvalds 那則 commit 剛好指向同一件事的兩端。基準測試那邊，Qwen 3.8-27B 把 119 個公開測試全部通過，換一組沒看過的私有測試只剩 35 個——模型完美地學會了「讓燈變綠」這個目標，而那正好不是我們真正想要的東西。Linus 那邊剛好相反：AI 好幾次判斷這題無解、建議收工，是人硬推下去才查到底，他事後那句「我猜那些東西是被一群沒我這麼固執的人訓練出來的」等於承認，模型繼承的是訓練資料裡人的放棄門檻。一邊是模型太會達成我們寫下的目標，一邊是模型太會模仿我們沒寫下的習慣，兩邊都不是能力問題，都是我們把什麼東西交出去、又沒把什麼東西講清楚的問題。而同一天 Simon Willison 那句「逐行看程式碼從來就不是最有效的驗證方式」跟學生用 agent 代上課的新聞擺在一起看，會發現這已經不是開發圈的內部議題——凡是靠「看得見的產出」來推斷「看不見的過程」的制度，現在都在同時失效。真正該問的可能不是要怎麼驗證得更嚴，而是你手上還有哪些判斷，是連你自己都說不出根據在哪、只是因為一直沒出事所以繼續相信的。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有