GPT-5.2 labeled real production traffic as evaluation-like 5.4% of the time and simulated traffic 5.1% of the time, while traditional evaluations (such as SWE-Bench or MonorepoBench, which are composed primarily of synthetic examples) were classified as evaluations almost 100% of the time
这组数字非常有说服力：模型把真实生产流量误判为评测的概率是5.4%，把模拟流量误判为评测的概率是5.1%——几乎相同。而传统评测集（SWE-Bench、MonorepoBench等）被模型识别为评测的概率接近100%。这意味着基于合成数据的传统评测，在模型面前几乎完全透明——它们测量的是模型在知道自己被测时的行为，而非模型在真实部署中的行为。两者之间的鸿沟，正是Deployment Simulation试图弥合的。
the missing abstraction to automate robotics research is a repeatable feedback loop for real-world policy improvement: reset the scene, execute a policy, verify the outcome, and refine the next iteration
这句话点出了整个领域的核心瓶颈，也是ENPIRE的出发点。编程智能体在数字环境里已经能做得很好——写代码、测试、看日志、改bug、循环迭代。但在机器人研究里，这个循环一直卡在物理世界的摩擦上：有人重置场景、有人判断任务是否成功。ENPIRE的核心贡献是把这两个步骤自动化，从而让数字世界成熟的智能体循环可以平移到物理世界。
Prometheus融资120亿美元，估值达410亿美元，成为物理AI领域最大单笔投资之一。
DeepMind联合多家机构设立1000万美元基金，专门研究多智能体系统的安全风险，但相比其内部研究预算仍显不足。
AI Prompt Engineer
我觉得我后面要学习的东西，关键词
云存储的底层关键技术有哪些？
JavaScript 的 this 关键字是一个好的设计吗？
final修饰递归方法会提高效率吗？
JVM对于声明为final的局部变量（local var）做了哪些性能优化？
rebase 操作的目标基底分支 Master
注意：该注解@FeignClient中的value属性指定了服务提供者在nacos注册中心的服务名。
value属性指定了服务提供者在nacos注册中心的服务名。
线程池queue满后，自带拒绝策略
调用外部操作超时，本地事务无法判断外部操作是否执行成功
有一个事务协调者事务日志记录
Unicode字符的码位，需要1个或者2个16位长的码元来表示，因此这是一个变长表示
dispatchException，再交给 processDispatchResult() 进行处理。
pos < n
Body 对象已经是一个解析过的对象，而不再是一个流了
先把utf8字符串转成utf8mb4字符集，再做比较
索引t_modified更小，遍历这个索引比遍历主键索引来得更快
表示的就是使用了覆盖索引，性能上会快很多
改帐均须动笔。纵为不变之帐，仍需覆写之
insert … on duplicate语句，确保了在事务内部，执行了这个SQL语句后，就强行占住了这个行锁
这样update这行，在当前事务commit之后（即释放行锁），其他事务才能update这行
让“like”表里的数据保证user_id < liker_id
读锁之间不互斥，因此你可以有多个线程同时对一张表增删改查
getClass获得类型信息采用==来进行检查是否相等的操作是严格的判断。不会存在继承方面的考虑
equest.getParameterValues(name)"，返回的是一个 String 数组，最终给上层调用者返回的是单个 String（如果只有一个元素时）或者 String 数组
为了防止子线程伪唤醒(spurious wakeup)，只要子线程没有TERMINATED的，父线程就需要继续等下去
当前线程对象死亡时，其相关的锁也会被唤醒
然后提交
if (parent.getPoolSize()<parent.getMaximumPoolSize()) return false
当线程不满时，就让线程池增加线程