即刻App年轻人的同好社区
下载
批判的武器不能代替武器的批判🤕🙊🙈 //@哥飞: 真理不在射程内，就在摄程内
枪上花: 很有哲理，不能武力监督，就只能舆论监督。
0 00
从前是日益增长的物质文化需求和落后的产能的矛盾。
现在是增长缓慢的需求和飞速增长的产能供给的矛盾。
所以竞争发展成内卷：卷价格，卷情绪价值，卷附加值，卷盘外招。正常的中庸空间被压缩，极化才有机会胜出，几乎必然。
如此的不止电影。
🙊🙈
现在是增长缓慢的需求和飞速增长的产能供给的矛盾。
所以竞争发展成内卷：卷价格，卷情绪价值，卷附加值，卷盘外招。正常的中庸空间被压缩，极化才有机会胜出，几乎必然。
如此的不止电影。
🙊🙈
月光: 看牛来的人，大抵是两种，绝大部分是猎奇和跟风，使自己能够加入热点话题；一小部分是认为这样可以对抗某种资本、监管或者权威之类的假想敌。唯独没有人因为这个电影好看去看，而这恰恰就是问题所在 审美可以多元，哪怕是烂片，观众也可以基于自己对片子本身的审美决定是否去看。而一旦将作品以外的附加因素引入市场竞争，就打开了潘多拉魔盒，出现更多瞄准盘外招的项目 黄片不能上院线，除了公序良俗，同样也是不能将服务性需求这种盘外招引入作品竞争。正如女明星很多人提到，为了作品表达，需要裸露或者性内容都可以接受，但不会拍以此为卖点的作品是一个道理 规则在设立的同时，就为破坏规则者提供了套利空间，而破坏规则的成本，则要全社会为其共同买单
1 00
对于大多数人，做出奥德赛也是小概率事件。做出牛来倒几乎是必然的 🤦♂️
成为苏神(jianlin）是小概率的，但是成为酥神是跳一跳还是能够到的 🌚
成为苏神(jianlin）是小概率的，但是成为酥神是跳一跳还是能够到的 🌚
_Ezrana: 把《奥德赛》和《牛来》放在一起讨论的人，是没有区分偶然性和必然性事件。《牛来》爆火是偶然性事件，而《奥德赛》是一种必然。 所以人要选择的是，把自己的时间和精力放在一个增加事情发展的必然性的努力之上，还是重仓赌注一些偶然性事件～
1 10
豆包：中性基准预测：3800‑4800万；乐观上限：6500万；悲观下限：2200万
元宝：保守 5000-8000万，中性 9000万-1.2亿，乐观 1.3亿-1.5亿。
GLM5.3：5000 万–7000 万区间，中枢约 6000 万，落至 8000 万以上的概率不足 25%。
千问：最终票房大概率会落在1亿左右。
KimiK3：和 Kimi 聊天的人太多啦，订阅会员可进入独立的优先队列～
🥸🌚🐶🤭😏
元宝：保守 5000-8000万，中性 9000万-1.2亿，乐观 1.3亿-1.5亿。
GLM5.3：5000 万–7000 万区间，中枢约 6000 万，落至 8000 万以上的概率不足 25%。
千问：最终票房大概率会落在1亿左右。
KimiK3：和 Kimi 聊天的人太多啦，订阅会员可进入独立的优先队列～
🥸🌚🐶🤭😏
哥飞: 如无意外的话，牛来票房估计会止步 3000 万内。现在已经可以感觉到，热度在下降了，票房也在下降，排片也在下降。
0 00
真实的企业（尤其是稍微大一点的公司）里评测不是技术问题。
太专业了老板说他看不懂，他哪天从外面看了个词就又说你不专业，你专家评测得分数高了，老板说你评的不准，你专家评的分数低了，你要解释为什么低，为什么不能高。最后，效果不好，所有人都可以甩锅评测做得不全面。
把尺子撸得冒火星子，也不能量得更长不是。
所有人都能对评测指手画脚，最后导致评测变成一个很重要，但又没人真拿它当回事的东西。
太专业了老板说他看不懂，他哪天从外面看了个词就又说你不专业，你专家评测得分数高了，老板说你评的不准，你专家评的分数低了，你要解释为什么低，为什么不能高。最后，效果不好，所有人都可以甩锅评测做得不全面。
把尺子撸得冒火星子，也不能量得更长不是。
所有人都能对评测指手画脚，最后导致评测变成一个很重要，但又没人真拿它当回事的东西。
林阿福Alfred: 今天看到 @yusen 分享关于企业AI的思考有感，也顺着思考中提到外包分享一下最近实践下的一下感受： AI 进入企业的第一步，就像 Yusen 讲的，可以先用 “外包” 来选择场景。 客服、数据整理、非核心研发这些工作，通常边界清楚、输入输出明确、质量容易验收，也已经在相当程度上完成了与企业核心业务和敏感数据的解耦。企业先在这些环节引入 AI，组织阻力最小，也最容易看到成果。 但 “外包” 只能帮助企业完成转型的起步。如果 AI 长期停留在低价值、标准化的执行环节，组织获得的主要还是降本。下一阶段需要沿着价值链向上走，让 AI 逐步进入那些更依赖判断、领域知识和专家经验的环节。 如果想要向上走，企业需要建设一套 “组织级 Harness”。 怎么理解组织级 Harness？ 单个 Agent 的 Harness，解决的是如何驾驭 LLM 产生的智能：给模型提供上下文、调用工具、规划任务、检查结果，并在失败后重新尝试。 组织级 Harness 驾驭的对象更复杂，它需要同时协调组织内的 Agent 和人，让两者围绕同一个业务目标协作。它更像一套组织的智能操作系统，比如： Memory 负责沉淀组织的业务背景、历史决策和长期上下文。 Skills 将专家经验和最佳实践封装成可复用的能力。 Orchestration 负责任务拆解、角色分工、流程衔接和异常处理。 权限系统决定 Agent 能看到什么、调用什么，以及哪些动作必须由人确认。 Review 机制负责检查结果、处理高风险决策，并把纠正结果送回系统，作为迭代的养分。 这几个组件连起来之后，企业得到的就不再是几个各自为战的 AI 工具，而是一套能够分配任务、调用能力、积累经验并持续进化的生产系统。 而在这套组织级 Harness 里，我认为最关键、同时也最容易被忽视的部分，是评测，尤其是来自业务专家的评测。 专家经验往往藏在人的脑子里。很多时候，专家一眼就能判断一个结果 “对不对”，却很难直接把判断过程完整地说出来。组织需要把这些隐性的经验逐步拆解成真实案例、判断标准、边界条件和失败样本，让 Agent 的工作质量能够被衡量。 每一次专家对 Agent 的纠正，都应该沉淀为新的评测数据。每一次流程失败，都应该转化为下一轮 Harness 迭代的输入。评测集记录的是组织内对“好”的品味，反馈闭环则让这套标准持续变得更准确。 我现在越来越觉得，建设 AI Native 组织，很像迭代一个 Agent 产品：先选择一个边界清晰的任务跑通，建立评测集和反馈闭环，再逐步提高任务难度、扩展上下文和权限范围，最终进入组织真正创造价值的核心环节。 如果能到这一步， 智能才真正原生地融入了企业。
2 20
供给过剩，需求稀缺。然后呢…？
愤怒中登小丑鱼: 表达过剩，理解稀缺
0 00