这个图，挺有意思，很容易看出大模型的能力和人类的偏好：
更少的人用Claude做规划（只有1%），新功能实线也变少了，
更多的人用Claude写Test，写前端。

很合理。

让AI成为自己的伴读书童，是一个好主意，
特别是读名著。

适用AI工具有点像使用Google地图：

In the beginning I would use [Google Maps] only for routes I didn't know... This is like me using Claude to write SQL that I didn't know, but not asking it to write Python that I did. Then I started using Google Maps on routes that I mostly knew, but maybe I didn't know the last mile... Today I use Google Maps all the time, even for my daily commute. If it says to take a different way I do, and just trust that it considered all options... I use Claude Code in a similar way today.
起初我只在不熟悉的路线才用 [Google 地图]……这就像我用 Claude 写我不熟悉的 SQL，但不会让它写我熟悉的 Python。后来我开始在大部分熟悉但可能对最后一段路不太确定的路线也用 Google 地图……如今我几乎一直用 Google 地图，即便是日常通勤也会用。如果它建议走与我平常不同的路，我也会接受，并相信它已经权衡过各种选项……我现在用 Claude Code 的方式也类似。

Tool Search Tool、Programmatic Tool Calling 和 Tool Use Examples。它们分别瞄准了AI Agent开发中最头疼的三个问题：找工具、用工具、以及用对工具。

一个乍看违反直觉，仔细思考后符合直觉的结论是：

对于前端类页面的生成，通用指令模型 > 纯代码模型 > 纯多模态模型。

比如 Qwen2.5-Instruct 反超专门的 coder 和 VL 模型，说明生成高质量 artifact 需要综合推理、指令遵从和审美/布局能力，而不仅仅是“会写代码”或“会看图”。

一战又战，
里昂纳多和西恩潘主演的，
很好看，是我喜欢的类型，
不知为何，有一种当年看《满江红》的感觉。

果然，瓶颈已经是电力，而不再是芯片了。

这是美国，中国可能相反。

最近 Thinking Machines Lab 的《On-Policy Distillation》写的很好，
里面有一节 “Distillation for Personalization” 很值得我们我们做SFT的业务方参考。

它讨论了一个我们经常遇到的“跷跷板问题”：在特定领域上继续微调（比如加入新知识或业务文档）时，模型的指令遵循、语气风格等通用行为能力往往会退化。
论文的做法是：
先在新领域数据上完成中期训练（mid-train），然后用早期版本的模型作为 teacher，在通用指令数据上做一次 on-policy distillation。
这样能以极低成本恢复原本的指令遵循、对话流畅等行为，同时保留新知识。

作者认为这是一个极有潜力的“持续学习（continual learning）范式”——未来我们可以让模型在“学新知识”和“守旧行为”之间交替迭代，实现低成本、高稳定的能力融合。

深表认同。

蒙田的情绪控制大法，学习了：

事实上，在情绪刚刚开始波动之时，要止住它是花不了多少力气的；一个问题只要开始令我感到心累，或者快要令我产生纠结，我就会抛开它。
如果不在起点把它拦住，就不要想在它奔跑起来之后再把它挡下来；
如果对激情不拒之门外，就不要想在激情进门之后再把它赶出去；
如果开始的时候做不到坚决彻底，就不要想在结束的时候坚决彻底；
如果连起初的动摇也抵抗不了，就不要想抵抗住后来的崩塌！