LLMs not only make this trivial, they do it by default, making formerly trustworthy benchmarks meaningless unless you audit the result
EP.99 故事线C: LLM 默认就会针对 benchmark 做优化（即使被告知不要作弊）——这不是技术限制，而是 RLHF 的副作用。好的评测体系必须包含「holdout 集」，就像机器学习本身一样，这个洞察将深刻影响 AI 能力评估实践。
Grok 4.6 underwent a longer supplemental training run than Grok 4.5, with curated model-generated data for reasoning
使用模型生成数据训练模型——合成数据已成为前沿训练的标准组成。这带来一个开放问题：模型从自己的输出中学习，训练分布会不会随时间漂移？模型自我强化的长期效果，是scaling时代的新型数据挑战。
Adverse impact only revealed by disaggregated position-by-position analysis
方法论洞察：把所有职位数据聚合分析时，偏差几乎不可见；按职位逐一拆分后，偏差清晰浮现。揭示了「聚合陷阱」——企业和监管机构如果只看整体平均数，将永远看不到真正的歧视。这对所有 AI 公平性审计都是重要教训：分类颗粒度决定能否发现问题。
a failure that occurs once in ten million conversations is unlikely to be discovered in a million-sample run, so adversarial evaluations, red-teaming, and targeted tail-risk analysis remain necessary
Deployment Simulation的盲区：它无法检测频率低于1/200,000的行为。但对于AI安全来说，最危险的风险恰恰往往是极低频率的极高危害事件（尾部风险）。这就是为什么这个方法是对红队测试和对抗性评估的补充，而非替代。两类方法各有分工：Deployment Simulation负责覆盖高频行为的准确预测，红队测试负责挖掘低频的严重威胁。这种分工的清晰承认本身，反而是这篇论文科学性最强的地方之一。
初中和高中的数学学习方法，值得仔细揣摩
Subjective listening experiments show an interesting mix of agreement and disagreement among listeners, which can help or hinder analyses depending on their goal. Western staff notation is useful for precise comparison of related melodies, but often not well-suited for comparing across cultures. Cantometrics is well-suited for broad cross-cultural comparison, but less well-suited for comparing fine-grained differences within cultures or very broad comparisons between human and animal vocalisations. Automatic analyses allow for more detailed and objective comparisons of music and speech, but struggle to capture some of the complexities of polyphonic music and extract features such as scale tunings from the imprecision found in real singing. And we haven’t even touched on more sophisticated automated methods (e.g., Music Information Retrieval Toolbox [Lartillot et al., 2008]; Essentia [Bogdanov et al., 2013]; Librosa [McFee et al., 2015])16 or other comparative methods such as qualitative analysis or approaches based on Indigenous knowledge (for a very brief glimpse of those, see the Epilogue).
Overview of research methods: pros and cons.
subjective listening experiments
张律：你听，是不是能听出来black collared barbet 他们感情好不好？
phylogenetic comparative analysis
cross-species coevolution of different capacities.
多做交叉阅读和扩展阅读。论文本身往往只有 10 来页，非常精炼，对于很多知识点，往往就只有一个小片段，甚至只有一两句话，所以交叉阅读和扩展阅读少不了。根据你需要深入了解的知识点，你可能要回顾之前已经解读过的论文，也可能需要去阅读一些开源项目的代码，或者是一些计算机经典书籍中相关的章节，帮你彻底理解对应的问题
扩展阅读和交叉阅读
一篇篇的大数据论文，并不是教科书里的一个章节或者一个知识点，而是对于一个重要的系统问题的解决方案。在读论文之前，先尝试自己去思考和解决对应的问题，有助于你更深刻地理解问题和解决方案的重点。
思考自己如何做
继续坚持贯彻我的系统纠错机制。每做错一个题，我都记录在本子上，并分析出错的原因。这样，在纠错的过程中我的知识疏漏不断得到弥补，水平不断提高。
分析错题本的出错原因
评估两个MLLMs，在六个数据集上，, LLaVA-Cap, LLaVA-VQA, LLaVA-Rea, LRV, A-OKVQA, and Shikra。 BLIP-2和MiniGPT-4两个模型。选择这两个模型，是因为没有怎么使用指令集进行微调。
评估benchmark，MME和SEED-Bench。
分成了两组，: (A) LLaVA-Cap (image captioning), LLaVA-VQA (visual question answering), and LLaVA-Rea (visual reasoning); (B) LRV (diversity), A-OKVQA (com- plexity), and Shikra (spatial annotation)。
从task type的角度，实验结果来看： 1. 在caption任务上训练，带来了明显的性能降低 2. MLLMs在reasoning任务上微调，带来了明显的性能提升。VQA task的训练中规中矩。
从Instruction特性角度：作者继续分析。作者的实验结果，表明，在A-OKVQA上进行微调，可以明显的提升性能。
在LRV和shikra上训练，仅带了小幅度的提升。
综合来看，LLaVA-rea和复杂度，A-OKVQA很有用。
Dr. Helen Crompton, Professor of Instructional Technology at Old Dominion University, encourages her education graduate students to use ChatGPT as a stand-in for a particular persona—like a debate partner who will point out weaknesses in their arguments, a recruiter who’s interviewing them for a job, or a new boss who might deliver feedback in a specific way. She says exploring information in a conversational setting helps students understand their material with added nuance and new perspective.
现在国外的大学已经开始使用chart gpt。来充当助教的身份和角色，甚至于更加专业的一种身份。例如它可以去审视所有的辩论者，谁的发言更加全面、谁的发言更加薄弱。并且将这种发现的问题，及时的反馈回去。这就好比有一个非常资深的老师，随时在观察你的学习进展情况，并将你的学习的存在的问题及时的进行指点。
We’re sharing a few stories of how educators are using ChatGPT to accelerate student learning and some prompts to help educators get started with the tool. In addition to the examples below, our new FAQ contains additional resources from leading education organizations on how to teach with and about AI, examples of new AI-powered education tools, and answers to frequently asked questions from educators about things like how ChatGPT works, its limitations, the efficacy of AI detectors, and bias.
问题的关键在于——他是如何？加速学生的学习过程。学习的过程，他本身应该有哪些环节？他到底是在哪一个环节实现了这种。速度和质量上的提升。要把这个事情弄清楚。意义，非凡非常关键。
第四个问题,粪便臭不臭?一位女士不停地述说自己的苦难,没完没了。法师打断她的话说,你的苦还真多呀。
苦难已经过了就不再是苦难，这种说法好似有道理，可是，细细想想，不仅让人不寒而栗，自说苦难，却不反思为何苦难，那么苦难再次来临，却浑然不知，那么人们会习惯这种苦难吗？显然不会，因此，忘记苦难不是解决办法，甚至是一种自欺欺人的做法，真正的解决方法：苦难的因果要分析清楚，苦难来临时的解决方法要想明白，应对苦难的情绪措施要准备充分。
贪心 本题也可以用贪心，每次拆成n个3，如果剩下是4，则保留4，然后相乘，但是这个结论需要数学证明其合理性！ 我没有证明，而是直接用了结论。感兴趣的同学可以自己再去研究研究数学证明哈。
讨论了这么多数字时代我们笔记的选择，但我认为我们实际的效率和产出很难超越 Niklas Luhmann 老爷子。抛开他的天赋和水平，数字笔记虽然给我们很多便利，但当我们能够用手去触摸那些实体化的笔记，并且将他们平铺开来，再追寻着笔记之间简陋的号码来将他们分门别类收纳的时候，我们是不是会对自己所拥有的笔记有更好的认识，与实体接触的过程可能是我们理解知识的一个重要的部分，这种实体化又是数字时代难以模拟的。
身上的玉，别人说好看，也只是一句带过；就怕说多了，别人让拿下来看看，自己骑虎难下！
永远做自己的主人，无论是谈论的话题，还是行 为的决策，永远记得适可而止，不要让别人牵着 鼻子走。 除了自己的父母和至亲至爱的人，还有自己之外，在这个世界上，可能真的没有人希望你比他获得更好，这就是人性、这就是现实世界、现实生活的一部分。 面对别人并非真诚的恭维、评价，最好的处理方式就是：顺着她面上的话的意思，用实际行动去让他后悔他的表达意思。 ①对方说话的本意几乎是和他的话面意思相反的，因此，要明着顺，实质上也要奔着自己的意图去； ②在牌桌上、场面上，都是博弈的场合，既有明面上力量的角逐，同时还有心理层面的博弈，暗地里心理层面的博弈更要随时、变化花样的进行，只有这样，才能给予对手以全面、全时的影响，从而达到自己的目标和初衷。而如何给予对手以心理层面的干预、影响，就要在话语之间进行顺说正打从而让对手、对方自己进行心理、策略上的主动调整。
ruby语言有什么样的美学特点？
号称终极快速学习法的费曼技巧，究竟是什么样的学习方法？
如何理解java是一门静态多分派且动态单分派的语言？
Java 8的default method是一个好的设计吗？
Java 8接口有default method后是不是可以放弃抽象类了？
Java动态绑定机制的内幕
Linux 内核学习的经典书籍及途径？
静态方法能被两个方法同一时刻调用吗？
如果某个数学定理他不去证明，某个量化策略他不去验证，可能真的就少有人能做出。但如果 Wave 没有他，可能 Wave 还是会招到一位优秀 CTO，或者 OPay 会占领 Wave 现有的市场，提供完全一样的服务。Kuhn 会在意自己贡献起决定作用吗？Kuhn 说，知道自己一定程度上不可替代当然是重要的。只是他回顾 Wave 的历史，他认为如果不是他，公司不会发展地那么快。
你的意义可以是实现那个迟早会发生的事
1）真实世界的问题维度很高，难题不止一种；2）如果以影响力为目标，他能产生最大影响的方式不一定是解决最难的问题，而可能是：找到解决简单问题的最快方法；找到能用简单方法解决但还没被解决的问题；组建团队，加快解决简单问题的速度。他现在这个“支付公司 CTO“ 的工作，抽象到一定程度就是“从一个数据库删一行数字、在另一个数据库里加一行数字”。但就是这样“简单”的工作给用户创造了巨大价值：很多原来发货后几个月才能拿款的小商贩，现在当场、甚至提前就能拿到钱。Kuhn 穿着公司 T 恤在塞内加尔路上走，经常有人认出他们公司的企鹅标志。在做这份工作之前，他还担心工作内容太简单他会无聊。但他后来发现，任何一个问题，只要看久了都会觉得有趣。
真实世界的问题维度很高，难题不止一种。
任何一个问题，只要看久了都会觉得有趣。
我的方法是，基于自己的需求和面临的问题（why）选择工具和方法（what），当碰到新的工具时，先了解其基本功能和使用逻辑，自己把玩一番（how），然后根据自己的需要，建立一个使用流程。等熟悉之后，开始在 YouTube 搜搜看其他人是怎么用的，有没有值得借鉴的地方，或自己没有发现的功能。然后把它们揉合到自己的系统中来。
1、基于需求来选择工具与方法 2、遇到新的工具时，先了解基本功能与使用逻辑。 3、根据自己的需求来建立一个使用流程。
常用的结构化方法：图表化：展现复杂问题的结构，帮助更全面的完善细节，也是我在整理信息是特别常用的一种方法。但其难点是在于要将问题拆解充分，最终每个单元格只有单一的「是与否」信息为最佳；模型化：将问题思考的过程提炼，帮助我们进行更全面的分析与思考，设计常用的分析模型如：用户体验地图、用户增长模型…公式化：找到核心变量及其影响关系，明确工作与结果的关系，对于数据结果导向的工作特别常用。
结构化思考的形式，图表化、公式化最基础，模型化需要抽象总结，定期提炼。
Java会同时根据方法名和参数列表来决定所要调用的方法，这叫做方法重载(method overloading)
，修正起来也就简单了。假设不允许我们去拆分类，我们可以按照下面的思路来修改：
还可以使用order机制
只能确保多个线程无法执行同一个实例的 wrong 方法，却不能保证不会执行不同实例的 wrong 方法
你为啥说Nginx和OpenResty在安全性和稳定性方面有问题？有啥证据吗？答： 说明一个事情的方法有两种，一种叫理论证明，另外一种叫举例。第一种方法比第二种方法要有力量的多。 一个使用自动内存回收机制的语言，其稳定性和安全性比使用手动内存回收机制的语言要高，这是理论上推导出来的，而不是靠举例子的。对应的代价是运行内存回收逻辑的成本，这个在文章中也说明了。 建议大家阅读一下Go语言的设计思想和诞生历史。或许大家没有注意到，Go语言的作者之一Ken Thompson正是C语言的作者。为什么老爷子在发明C语言数十年后又发明一种新的语言? 也可以去阅读一下OpenSSL修改Bug的历史，看看其中由于内存管理产生了多少问题（https://www.openssl.org/news/vulnerabilities.html）。类似这样的错误是无法根除的，这是C语言设计机制的问题，不是写程序的人小心一些、系统多运行几年就可以解决的。
说明事情的方法，一种是理论证明，另一种是举例。
exploratory case study
探究性案例研究
identify n-grams
bag-of-words identify n-grams
The “Random Forest” machine learning algorithm
拆分后，我们要给新笔记起一个名字。需要注意的是，命名不能随意命名，随意命名容易造成后期检索上的困难。
当然，只有那些复杂的、需要详细说明的关系才需要这么处理。并非什么关系都需要通过单独的笔记来说明、表示，有的关系还是很简单的。比如，“狮子是一种动物”，这个关系就非常简单，无需过多说明。对于这种情况，我们在Obsidian中直接链接两篇笔记即可：即在“狮子”这篇笔记中链接“动物”这篇笔记即可。
判断是否要创建关系笔记的标准还是需要标准化一下
但转念一想，你便会觉得这根本无从下手：知识图谱中的点和边都只有寥寥数字，但一篇笔记动则成百上千字，而且一篇笔记中往往包含数不清的实体与联系，这种情况下该如何在软件中构造知识图谱？比如，下图中“刘德华”这篇笔记就包含了<刘德华,同学,吴家丽>、<刘德华,同学, 梁家辉>、<刘德华,同学, 徐锦江>等一系列知识，这些知识在知识图谱中应该表示为多组点与边，但其在笔记软件中只表示为一个点。这该如何是好？
知识图谱应用到笔记中的问题
这背后的原因，很大程度上，就是因为缺少输出 —— 我们不断地用「输入」的新鲜感来刺激大脑，却一直害怕思考和付出。
精辟，我再学习技术的时候也是这样的问题
思维导图都会要求比较严格的层级分类。当你将一个内容写下时，你经常会卡壳：我该将这一点放在哪个层级比较好呢？它属于谁呢？
确实会存在
下面分为四个部分展开介绍： 1、利用Obsidian构建属于自己的滑箱系统 2、在Obsidian中建立一套Workflow 3、用好全局视野的知识图谱 4、动手实际做一个实战的Case
流程
Evergreen note 的方法，一共有 4 個步驟： 紀錄資訊，寫成筆記後放到 Inbox (收集箱) 在筆記中填寫 Metadata，並移動到適當的資料夾下 使用漸進式總結，用一句話總結筆記內容 將筆記內容加到主題 MOC 筆記，和其他筆記連結
笔记落地方法
Evergreen Note 对笔记爱好者的启发 这样的想法启发了非常多 "笔记爱好者" ，并陆续提出了一些有趣的笔记系统概念。 例如： Maggie Appletons与Salman的 Digital Garden （数字花园） nickmilo在 Obsidian 论坛提出的 inbox 、incubation folder、Evergreen notes Bryan Jenks提出的 Seedling、Incubation、Evergreen 标签系统
方法论