RED outperforms eight competitive baselines, achieving performance gains of up to 19.0% while reducing token consumption by 37.7% ~ 70.4%
大多数研究者认为要提升推理模型性能，需要增加计算资源和推理步骤。作者提出的RED框架却表明，通过抑制错误森林的生长和修剪后续推理，可以在大幅减少计算资源消耗的同时获得更好的性能，这一结论挑战了资源投入与性能正相关的基本假设。
alternative solutions are not merely suboptimal but potentially detrimental
大多数人认为在复杂推理任务中，即使第一个解决方案不完美，探索替代方案至少不会有害。作者却认为这些替代方案实际上是有害的，会引入新的错误并污染整个推理过程，这一观点与多方案探索的最佳实践相悖。
We characterize errors as a forest-structured Forest of Errors (FoE) and conclude that FoE makes the First the Best
主流观点认为推理错误是随机的、孤立的，可以通过更多探索来避免。但作者提出错误实际上具有森林结构特性，会相互影响和放大，这种系统性错误的观点挑战了人们对模型错误本质的传统理解。
This observation challenges widely accepted test-time scaling laws, leading us to hypothesize that errors within the reasoning path scale concurrently with test time.
大多数AI研究者认为推理时间越长，模型探索越充分，结果应该越好。作者却挑战这一共识，认为推理过程中的错误会随着时间同步增长，导致长时间推理反而会降低质量，这是一个颠覆性的观点。
The First is The Best, where alternative solutions are not merely suboptimal but potentially detrimental.
大多数人认为在大型推理模型中探索多种解决方案可以提高最终结果的质量，因为这种方法类似于人类的多角度思考。但作者认为第一个解决方案实际上是最好的，后续的替代方案不仅更差，甚至可能是有害的，这与主流的推理模型设计理念相悖。
For small entrepreneurs in the US, deciding what to sell and where to make it has traditionally been a slow, labor-intensive process that can take months. Now that work is increasingly being done by AI tools like Accio, which help connect businesses with manufacturers in countries including China and India.
大多数人认为全球化会削弱小型企业的竞争力，但作者认为AI正在赋予小企业前所未有的全球供应链接入能力。AI工具如Accio正在消除地理障碍，使小型企业家能够以前所未有的速度和效率连接国际制造商，这挑战了关于规模经济的传统认知。
Zhang, of Alibaba.com, says Accio currently does not include advertising. Suppliers can pay for higher placement in Alibaba.com's regular search results, but Zhang says Accio is 'not integrated' with that system.
大多数人认为AI工具会不可避免地融入现有的广告和付费推广模式，但作者认为Alibaba有意将AI搜索与付费广告分离。这表明公司可能正在尝试创建一个更公平、更少受商业利益影响的AI推荐系统，这是一个与行业普遍做法相悖的立场。
Sellers say that while AI tools have made it easier to come up with ideas and get a business off the ground, they do not replace the core skills that make someone good at e-commerce.
在AI热潮中，大多数人认为AI将使电子商务创业变得更容易，使技能变得不那么重要。但作者认为AI实际上放大了已有技能的价值，优秀的企业家仍然需要决策能力、执行速度和订单交付能力，这些是AI无法替代的核心竞争力。
Sally Li, a representative at a makeup packaging company in Wuhan, China, says her firm has started writing more detailed product descriptions and adding information about its equipment and manufacturing experience on Alibaba.com because it suspects those details make its listings more likely to be surfaced by AI.
大多数人认为AI会减少人类在商业中的参与，但作者认为AI实际上迫使制造商提供更详细、更透明的信息。制造商正在调整他们的在线策略，通过提供更多详细信息来迎合AI算法，这表明AI正在改变信息流动方式而非简单替代人类判断。
McClary took the process from there, contacting the supplier himself to discuss the revised design. Within a month, the new version of the Guardian flashlight was back up for sale on Amazon and on his brand's website.
大多数人认为AI会完全取代人类在产品开发中的角色，但作者认为AI实际上增强了人类决策者的能力。Mike McClary使用AI工具缩短了产品开发周期，但仍需要亲自与供应商沟通并做出最终决策，这表明AI是辅助工具而非替代品。
Cross-Model Consistency Verification leverages output agreement among heterogeneous models to assess sample difficulty and generate reliable annotations.
大多数人认为高质量标注需要人工专家或单一强大模型来完成，但作者提出利用多个异构模型输出的一致性来评估样本难度和生成可靠标注，这一方法挑战了'人工标注最优'的传统认知，展示了模型间协作的潜力。
A three-stage progressive training strategy -- large-scale pre-training, hard sample fine-tuning, and GRPO alignment -- sequentially exploits these data at different quality tiers.
大多数人认为训练策略应该统一应用于所有数据，但作者提出了分阶段渐进式训练策略，在不同质量层级的数据上采用不同方法，这种针对数据质量差异的训练方法挑战了传统'一刀切'的训练范式，代表了数据为中心的AI新思路。
SOTA models of different architectures and parameter scales exhibit highly consistent failure patterns on the same set of hard samples, suggesting that the performance bottleneck stems from shared deficiencies in training data rather than architecture itself.
大多数人认为不同架构的模型会有不同的失败模式和弱点，但作者发现无论架构和参数规模如何，SOTA模型在相同困难样本上表现出高度一致的失败模式，这表明性能瓶颈源于训练数据的共同缺陷，而非架构差异，这一发现挑战了模型多样化的传统观点。
Without any architectural modification, MinerU2.5-Pro achieves 95.69 on OmniDocBench v1.6, improving over the same-architecture baseline by 2.71 points and surpassing all existing methods including models with over 200× more parameters.
大多数人认为更大的模型架构必然带来性能提升，但作者仅通过数据工程和训练策略优化，在保持1.2B参数架构不变的情况下，超越了参数量超过200倍的现有模型，这挑战了'越大越好'的行业共识，证明了数据质量的重要性。
Current document parsing methods compete primarily on model architecture innovation, while systematic engineering of training data remains underexplored.
大多数人认为文档解析性能的提升主要依赖于模型架构的创新和规模的扩大，但作者认为训练数据的系统性工程优化才是关键瓶颈，因为不同架构的SOTA模型在相同困难样本上表现出高度一致的失败模式，这表明问题在于数据质量而非架构本身。
the design of the retrieval and cache policy, especially how they decide what to keep, reuse, or drop across scenes, seems to be what actually drives the latency and throughput gains
大多数研究者可能关注模型架构或算法创新来提升性能，但评论者指出检索和缓存策略的设计才是延迟和吞吐量提升的关键。这一观点挑战了AI研究中过度关注模型本身的倾向，暗示系统优化和资源管理策略可能比模型架构创新对性能影响更大，这是一个反直觉的系统设计见解。
they fuse streaming data construction with a unified model so the memory supports both real-time q&a and long-horizon interaction, which is nontrivial under strict latency constraints
大多数系统设计者可能认为实时问答和长时程交互需要不同的处理架构，但作者通过融合流式数据构建和统一模型，使内存同时支持这两种功能。这一设计挑战了实时系统处理复杂性的常规认知，表明在严格的延迟约束下实现多功能整合是可行的，这为实时AI助手的设计提供了新思路。
We release the AURA model together with a real-time inference framework to facilitate future research
大多数人认为先进的视频理解模型通常会被商业公司保留作为专有技术，但作者选择开源模型和实时推理框架。这一反直觉的决策挑战了AI研究中常见的封闭做法，表明作者更注重推动领域发展而非商业利益，这可能加速整个视频理解领域的技术进步。
It achieves state-of-the-art performance on streaming benchmarks and supports a real-time demo system with ASR and TTS running at 2 FPS on two 80G accelerators
大多数人认为实时视频处理需要极高的计算资源和帧率才能有效，但作者仅用两块80G加速器就实现了2 FPS的实时系统，并达到了最先进的性能。这一结果挑战了高性能视频处理需要大量计算资源的共识，暗示通过优化算法和架构可以显著降低实时视频处理的计算门槛。
current approaches often rely on decoupled trigger-response pipelines or are limited to captioning-style narration, reducing their effectiveness for open-ended question answering and long-horizon interaction
大多数人认为现有的视频大模型可以通过简单的触发-响应管道或描述式叙述来处理实时视频流，但作者认为这种方法对于开放式问答和长时程交互效果有限。这是一个反直觉的观点，因为它挑战了当前视频处理领域的常规做法，暗示需要更集成的端到端方法来真正实现实时视频理解。
leading baselines achieve only about half the accuracy at the same efficiency
作者暗示当前主流的KV缓存压缩方法在相同效率水平下只能达到约一半的准确率，这表明现有方法存在根本性缺陷。这一尖锐的批评挑战了当前领域内的技术路线，暗示大多数同行可能一直在错误的方向上优化KV压缩。
TriAttention enables OpenClaw deployment on a single consumer GPU, where long context would otherwise cause out-of-memory with Full Attention
主流观点认为需要高端GPU才能支持长上下文推理的大语言模型，但作者证明TriAttention仅使用消费级单GPU就能部署原本需要高端GPU才能运行的长上下文模型。这一发现挑战了当前对硬件需求的共识，可能使更广泛的开发者能够访问长上下文推理能力。
TriAttention matches Full Attention reasoning accuracy while achieving 2.5x higher throughput or 10.7x KV memory reduction
大多数人认为在KV缓存压缩中，准确率和效率之间存在不可避免的权衡，但作者提出的TriAttention方法能够在保持全注意力推理准确度的同时，实现2.5倍的吞吐量提升或10.7倍的内存减少。这一结果挑战了当前领域内的效率-准确度权衡范式，表明可以通过创新方法打破这一传统限制。
queries rotate with position during RoPE, making representative queries very few, leading to poor top-key selection and unstable reasoning.
大多数人认为注意力机制中的查询(Query)向量在旋转位置编码(RoPE)后仍然具有足够的代表性来准确估计键(Key)的重要性，但作者认为这种旋转实际上导致代表性查询向量非常少，从而严重影响键值选择和推理稳定性。这一发现挑战了当前主流的KV缓存压缩方法的基础假设。
we use the distance preference characterized by these centers to score keys according to their positions, and also leverage Q/K norms as an additional signal for importance estimation
大多数人认为KV缓存压缩主要基于注意力分数或内容相似性，但作者提出使用向量中心决定的距离偏好和Q/K范数作为重要性估计的信号。这一方法将注意力机制从传统的基于内容相似性转向基于几何特征，是一种全新的压缩思路。
TriAttention enables OpenClaw deployment on a single consumer GPU, where long context would otherwise cause out-of-memory with Full Attention
大多数人认为处理长上下文需要高端GPU或分布式系统，但作者声称他们的方法只需单个消费级GPU就能实现原本需要高端硬件才能处理的长上下文任务。这一观点挑战了人们对长上下文处理硬件需求的普遍认知。
TriAttention matches Full Attention reasoning accuracy while achieving 2.5x higher throughput or 10.7x KV memory reduction
大多数人认为在大幅压缩KV缓存时必然会牺牲模型推理的准确性，但作者声称TriAttention在实现10.7倍内存减少的同时，仍能保持与完整注意力相同的推理准确性。这一结果挑战了业界在KV压缩与准确性之间的权衡认知。
queries rotate with position during RoPE, making representative queries very few, leading to poor top-key selection and unstable reasoning.
大多数人认为RoPE旋转位置编码增强了模型对不同位置信息的区分能力，但作者认为这种旋转实际上导致了代表性查询减少，使得关键键选择质量下降，推理不稳定。这是一个反直觉的观点，因为RoPE通常被认为是一种改进位置编码的技术。
amplifies the false narrative that technology and creativity are at odds, and that existing rights holders must be compensated by AI companies for changing industry dynamics.
大多数人认为技术创新与创意保护之间存在根本冲突，但作者认为这种观点是错误的叙事。这一挑战性论点打破了技术进步必然损害创作者权益的二元对立思维，暗示两者可以共存共赢。
The government has so far favoured a pro-innovation, sector-led approach, prioritising voluntary principles over hard regulation.
大多数人认为政府会迅速采取立法行动保护创作者权益，但作者指出英国政府实际上倾向于自愿原则而非硬性监管。这一观点挑战了公众对政府会在AI版权问题上采取强硬措施的预期，揭示了政策制定的实际倾向。
introducing a commercial text and data mining exception for AI training would expand the AI sector in the country.
大多数人认为放宽数据挖掘限制会促进AI创新和增长，但作者认为这种例外实际上不会扩大AI产业。这一观点与科技行业普遍倡导的'更多数据等于更好AI'的信念相悖，挑战了数据自由流动的主流叙事。
The government has so far favoured a pro-innovation, sector-led approach, prioritising voluntary principles over hard regulation.
大多数人认为英国政府在AI监管方面会采取强硬立场保护创作者权益。但作者指出政府实际上倾向于亲创新、行业主导的方法，优先考虑自愿原则而非硬性监管。这一发现与公众对政府保护创作者的期望形成鲜明对比，揭示了政策现实与公众认知之间的差距。
memory organized for future control improves delayed retrieval under cue conflict and load
大多数人认为记忆系统的组织应以数据检索效率为核心，但作者认为为未来控制而组织的记忆系统能更好地处理线索冲突和负载，这一观点挑战了传统数据库和记忆系统的设计原则，强调了前瞻性记忆组织的重要性。
fast local feedback plus predictive compensation improves robustness under hidden dynamics shifts
大多数人认为在动态变化环境中，全局优化和长期规划是提高系统鲁棒性的最佳方法，但作者认为快速局部反馈加上预测补偿更有效，这一观点挑战了主流的优化策略，强调了局部决策的价值。
A downstream conjecture is that role-differentiated proposer/executor/checker/adversary systems may reduce correlated error under asymmetric information and verification burden.
大多数人认为AI系统应追求统一和一致的内部分工，但作者提出采用角色分化的提案者/执行者/检查者/对抗者系统来减少相关错误，这与当前AI系统设计中的整合趋势相悖，具有反直觉性。
We introduce a minimal hierarchical partially observed control model with latent dynamics, structured episodic memory, observer-belief state, option-level actions, and delayed verifier signals.
大多数人认为AI系统应专注于实时控制和即时反馈，但作者提出了一种包含延迟验证信号的分层控制模型，挑战了实时控制优于延迟验证的常规认知，强调了延迟验证在复杂环境中的重要性。
This article argues that squirrel ecology offers a sharp comparative case because arboreal locomotion, scatter-hoarding, and audience-sensitive caching couple all three demands in one organism.
大多数人认为AI研究应专注于人类认知模型或计算机科学原理，但作者认为松鼠生态学提供了AI设计的最佳参考模型，这种将动物行为学与AI架构直接联系的观点在AI研究领域非常规且具有挑战性。
Agentic AI is increasingly judged not by fluent output alone but by whether it can act, remember, and verify under partial observability, delay, and strategic observation.
大多数人认为AI系统的价值主要取决于其流畅的输出能力，但作者认为AI的价值应更注重其在复杂环境中的行动能力、记忆功能和可验证性，这挑战了当前AI评估的主流标准。
verifiers and observer models inside the action-memory loop reduce silent failure and information leakage while remaining vulnerable to misspecification.
大多数人认为验证和观察模型应该是外部组件，用于监控AI系统的行为。但作者认为将验证者和观察者模型置于行动-记忆循环内部可以减少静默失败和信息泄露，尽管它们仍然容易受到错误规范的影响。这一观点挑战了传统的监控架构设计，暗示内部验证可能比外部监控更有效。
role-differentiated proposer/executor/checker/adversary systems may reduce correlated error under asymmetric information and verification burden.
大多数AI系统设计倾向于使用单一或少数几个组件来完成所有任务。但作者提出角色分化的提议者/执行者/检查者/对抗者系统可能减少在信息不对称和验证负担下的相关错误。这一观点挑战了当前AI系统设计的单一或少数组件架构，暗示多角色专业化可能更有效。
We introduce a minimal hierarchical partially observed control model with latent dynamics, structured episodic memory, observer-belief state, option-level actions, and delayed verifier signals.
大多数AI系统设计倾向于使用完全可观测的模型，并假设系统状态是已知的。但作者提出了一个部分可观测的层级控制模型，包含潜在动态、结构化情景记忆、观察者信念状态、选项级行动和延迟验证器信号。这一观点挑战了传统AI系统设计的完全可观测性假设，认为部分可观测性更接近现实世界的复杂性。
squirrel ecology offers a sharp comparative case because arboreal locomotion, scatter-hoarding, and audience-sensitive caching couple all three demands in one organism.
大多数人可能认为松鼠只是简单的生物，其行为模式对高级AI系统设计参考价值有限。但作者认为松鼠生态学提供了一个独特而精准的比较案例，因为树栖运动、分散储存和观众敏感的储存这三种行为在一个生物体内同时耦合了控制、记忆和验证三种需求。这一观点挑战了传统上认为生物类比对AI设计价值有限的看法。
Existing research often studies these demands separately: robotics emphasizes control, retrieval systems emphasize memory, and alignment or assurance work emphasizes checking and oversight.
大多数AI研究倾向于将控制、记忆和验证视为独立的问题领域，分别进行研究。但作者认为这种分离研究方法是有缺陷的，因为它们在自然系统中（如松鼠）是紧密耦合的。这一观点挑战了当前AI研究的分割方法，暗示未来的AI系统需要更综合的方法来同时处理这些相互关联的需求。
Agentic AI is increasingly judged not by fluent output alone but by whether it can act, remember, and verify under partial observability, delay, and strategic observation.
大多数人认为AI系统的价值主要取决于其流畅的输出能力和表现，但作者认为AI应该被评估其行动能力、记忆能力和可验证性，因为这些因素在部分可观测性、延迟和战略观察的环境下更为关键。这一观点挑战了当前主流AI评估标准，强调了AI系统在复杂现实环境中的实际表现而非仅仅是语言流畅度。
when setting up a new Macbook it presents FileVault as an optional checkbox and I can certainly tell you that there are many people (including my younger self and my family member with the Intel Mac) who do not know what it is and choose to disable it instead.
大多数人认为Apple会默认启用关键安全功能如FileVault，以保护用户数据。但作者指出，FileVault实际上是一个可选功能，许多用户（包括他自己和家人）在设置新Mac时会选择禁用它，这挑战了人们对Apple默认安全策略的认知，揭示了系统安全依赖于用户知识而非厂商默认设置的实际情况。
using "Open File..." dialog (`⌘+O`) you could still open and view any file on the system and could preview any file that safari could preview (e.g. `.html`, `.htm`, `.txt`, `.pdf`, and image files)
大多数人认为Apple在更新后会修复安全漏洞，恢复模式的浏览器会被严格限制。但作者发现，即使在更新后的版本中，通过使用"打开文件"对话框，仍然可以访问和预览系统上的任何文件，这表明Apple的修复措施并不彻底，违背了人们对安全补效的预期。
by "saving" the webpage (`file->save as`) instead of downloading it (which Safari automatically adds an extension for) I could force it to save it as `malicious_file` (with no extension).
大多数人认为浏览器的保存功能是安全的，会自动处理文件扩展名以确保文件类型正确。但作者发现，通过使用非标准的Content-Type和保存网页功能，可以绕过Safari的安全检查，保存任意扩展名的文件，这打破了人们对浏览器文件处理安全机制的普遍认知。
macOS decides to boot the `Volumes` partition which includes `Data`, `Macintosh HD`, `macOS Base System`, and `Preboot` systems, and when you choose the `Macintosh HD` it allows you to save the file to the Mac's permanent disk.
大多数人认为macOS恢复模式是只读环境，用于系统修复和恢复，不应该允许对系统分区的写入操作。但作者发现，在恢复模式下，Safari浏览器竟然允许用户将文件直接保存到Mac的永久磁盘上，包括系统分区，这是一个严重的安全漏洞，违背了人们对恢复模式安全性的基本认知。
Rather than treating a complex document as a single monolithic task, Deep Extract deploys sub-agents to break it down and conquer each piece, which is what allows it to remain accurate even on documents with thousands of rows across hundreds of pages.
大多数人可能认为处理复杂文档的最佳方式是将其作为一个整体来处理，保持上下文完整性。但作者提出将复杂文档分解为多个子任务并由子代理分别处理的方法更有效，这一方法挑战了文档处理中'整体优于部分'的传统认知，暗示分解策略可能更适合处理超长文档。
Because Deep Extract is doing more work, it takes longer than a standard extraction call. That said, measured against the real alternative of someone manually reviewing a 500-page fund statement field by field, it's faster, cheaper, and consistent at scale.
大多数人认为更复杂的处理流程必然意味着更高的成本和更慢的速度。但作者提出Deep Extract虽然执行更多工作且比标准提取调用更耗时，但在大规模应用中仍然比人工审查更快、更便宜、更一致，这一观点挑战了人们对于复杂性与效率之间关系的传统理解。
We've seen customers go from 10-20% field accuracy with a frontier model to 99-100% just by switching to using Reducto's Deep Extract.
大多数人认为从前沿模型到接近完美的准确率需要根本性的技术突破或大量数据训练。但作者声称仅通过切换到Deep Extract方法就能将准确率从10-20%提升到99-100%，这种巨大性能提升的幅度与行业通常预期的改进曲线相悖，暗示现有方法可能存在根本性缺陷。
Given a thousand line items to extract, they'll often stop short, consolidate, or skip entries rather than working through every last row.
大多数人可能认为AI模型在处理重复任务时会保持一致性和全面性。但作者指出模型在处理大量重复任务时会采取'捷径'，如提前停止、合并或跳过条目，这揭示了AI模型在处理长文档时的一种非理性行为，挑战了AI作为完全理性执行者的假设。
The issue isn't that models are bad at reading documents. It's that single-pass extraction has no mechanism to catch its own mistakes, and models get lazy.
大多数人认为AI模型在文档提取中的低准确率主要是因为模型能力不足或理解能力有限。但作者提出了一个反直觉的观点：问题不在于模型本身，而在于单次提取缺乏自我纠错的机制，导致模型'变懒'。这挑战了对AI能力局限性的传统认知。
For the documents that matter most, it gets to 99–100% field accuracy, even out-performing expert human labelers on extraction tasks.
大多数人认为人工智能系统在文档提取任务上总会落后于人类专家，尤其是对于复杂文档。但作者声称Deep Extract可以达到甚至超过人类专家的准确率(99-100%)，这是一个相当大胆的断言，挑战了AI在文档处理领域无法超越人类能力的共识。
The demand for these medications has been the most ferocious thing I have witnessed in my working life, and the hardest parts of running a telehealth company, like finding doctors and fulfilling prescriptions, can be entirely outsourced to platforms like CareValidate and OpenLoop.
大多数人认为医疗行业监管严格且难以突破，但作者指出GLP-1药物的需求如此之大以至于一个人可以在短短两个月内创建价值数十亿美元的公司，并将医疗服务的核心功能外包。这一观点挑战了传统医疗行业的复杂性认知，展示了AI如何颠覆传统受监管行业。
His affiliates, armed with AI, built fake doctor profiles in Meta ads and made unscrupulous claims about weight loss using fake testimonials.
大多数人认为AI主要提高生产力和创造力，但作者展示了AI如何被用于大规模欺骗和剥削，创建虚假医生档案和虚假宣传。这一反直觉观点揭示了AI技术黑暗面，挑战了人们对AI价值的乐观假设，提醒我们技术中立性背后的伦理问题。
Software, he argues, should be approached the same way. It's a new medium, and it deserves a native design language instead of hand-me-down forms from the physical world.
大多数人认为数字界面应该模仿物理世界的设计元素以提高用户熟悉度，但作者认为软件应该有自己独特的设计语言，不应简单复制物理世界的形式。这一观点挑战了 skeuomorphism（拟物化设计）的传统理念，主张数字媒介应有原生表达方式。
The cost of understanding what happens in a video has dropped by a factor of roughly 40, while the quality of that understanding has improved dramatically.
大多数人认为AI视频分析仍处于早期阶段且成本高昂，但作者指出AI视频分析成本已大幅下降40倍，质量反而提升。这一反直觉观点暗示视频分析可能已经跨越了实用性的门槛，将催生全新的应用类别，挑战了人们对AI视频处理能力的传统认知。
The consistent argument across the Every Slack was that if cache-breaking usage costs more to serve, make those users pay more: Meter the consumption rather than ban the interface.
大多数人认为公司应该通过限制特定工具使用来保护自己的利益，但作者认为Anthropic应该按实际使用量收费而非直接禁止OpenClaw，因为这更符合公平原则和平台发展。这种观点挑战了科技公司常见的封闭生态策略，主张更开放的计量模式。
Historically, AI evaluation has leaned toward the forest approach. Most researchers settle for 1 to 5 raters per item, assuming this is enough to find a single 'correct' truth.
大多数人认为AI评估领域的现状是合理的，因为1-5名评估者足以找到单一'正确'真相，但作者指出这种假设忽视了人类评估中的自然分歧。这一批判挑战了AI评估领域的现状，暗示当前许多研究结论可能基于不充分的数据收集方法，需要重新审视评估方法的可靠性。
The most encouraging finding is that one doesn't need an infinite budget. We found that by optimizing the ratings-per-item ratio correctly... one can achieve highly reproducible results with a modest budget of around 1,000 total annotations.
大多数人认为高质量的AI评估需要大量预算和大量数据，但作者证明通过优化评估者与项目的比例，即使使用适度的总标注量（约1000个）也能实现高度可复现的结果。这一发现挑战了'越多越好'的普遍观念，为资源有限的研究团队提供了实用的评估路径。
Moving from commentary to real impact in how this technology is distributed and understood globally is incredibly important to us.
大多数人认为媒体公司的角色是提供评论和报道，而非直接影响技术发展。但TBPN的声明表明他们希望从单纯的评论者转变为技术发展的实际影响者，这暗示了媒体角色正在发生根本性变化，从旁观者转变为参与者，这一转变在传统媒体伦理中是颇具争议的。
TBPN will continue to run their programming, choose their guests, and make their own editorial decisions.
大多数人认为被大公司收购的媒体平台会失去编辑独立性，成为收购方的宣传工具。但作者明确表示TBPN将保持编辑独立性，这一反直觉的声明表明OpenAI试图打破科技公司收购媒体后通常会施加控制的模式，试图建立一种新型的媒体-科技公司关系。
the standard communications playbook just doesn't apply to us
大多数企业会遵循标准的公关和沟通策略。但作者认为OpenAI完全不需要遵循这些传统规则，这暗示了OpenAI认为自己已经达到了一个独特的地位，可以打破常规的商业沟通模式，这与其作为行业领导者的自我定位相符，但也可能引发对其沟通透明度的质疑。
We're not a typical company. We're driving a really big technological shift.
大多数人认为OpenAI是一家典型的科技企业，专注于开发和销售AI产品。但作者认为OpenAI实际上是一家推动重大技术变革的组织，其使命超越了传统商业模式，这暗示了OpenAI认为自己正在扮演一种社会变革推动者的角色，而非仅仅是技术提供商。
we aim to cover as many methods as possible, the environment is relatively complex. This codebase primarily supports inference for different world model tasks
大多数人可能认为统一框架应该简化复杂性以提高可用性，但作者认为为了覆盖更多方法，复杂环境是必要的，这挑战了'简单即是好'的普遍设计理念，因为作者认为复杂性能提供更全面的功能覆盖。
Despite limitations, 3D generation remains crucial for realistic physical simulation in world models
大多数人可能认为3D生成已经足够成熟，可以满足世界模型的需求，但作者暗示3D生成仍有重大局限性，却仍然不可或缺，这挑战了对3D生成技术成熟度的普遍认知，强调了其重要性与其当前状态之间的矛盾。
the memory module is where this design finally hits a sweet spot, separating persistence from real-time reasoning
大多数人认为记忆和推理应该是紧密结合的，但作者认为将持久性记忆与实时推理分离是设计的关键创新点，这挑战了传统认知中记忆与推理必须紧密结合的观点，因为作者认为这种分离能更好地管理长期记忆。
OpenWorldLib integrates models across different tasks within a unified framework, enabling efficient reuse and collaborative inference
大多数人认为不同类型的AI模型需要针对特定任务进行专门训练和优化，但作者认为通过统一框架可以实现不同世界模型任务的高效重用和协作推理，这挑战了当前AI领域模型碎片化的趋势。
a world model is a model or framework centered on perception, equipped with interaction and long-term memory capabilities, for understanding and predicting the complex world
大多数人认为世界模型主要是关于预测和模拟物理世界的系统，但作者认为世界模型必须同时具备感知、交互和长期记忆三种核心能力，这挑战了传统上认为世界模型主要是预测系统的观点，因为作者强调理解与预测同样重要。
we have kept the memory modules separate for each pipeline — precisely so that memory can be better isolated and iteratively improved during early development.
大多数人可能认为统一架构应该共享内存模块以提高效率，但作者选择为每个管道保持独立的内存模块，这挑战了系统设计的常规优化思路。这种分离方法虽然可能牺牲一些效率，但为早期开发提供了更大的灵活性和迭代空间。
our framework is still being refined, and the design of the memory module primarily draws from the description in Cambrian-S, implementing core memory expansion and management functions.
大多数人可能认为世界模型的记忆模块应该是全新设计的创新组件，但作者承认他们的记忆模块主要借鉴了现有工作(Cambrian-S)，这挑战了学术界对完全创新方法的期待。这种务实的方法表明，世界模型的发展可能更多依赖于现有技术的整合而非革命性创新。
despite limitations, 3D generation remains crucial for realistic physical simulation in world models
大多数人可能认为3D生成只是世界模型的一个可选组件，但作者强调3D生成对实现真实物理模拟至关重要，这挑战了当前AI研究中2D视觉处理的主流趋势。这一观点暗示未来世界模型研究必须重视3D空间理解，而不仅仅是2D图像处理。
OpenWorldLib integrates models across different tasks within a unified framework, enabling efficient reuse and collaborative inference.
大多数人认为不同类型的AI模型需要独立开发和训练，但作者主张通过统一框架实现跨任务的模型集成和协同推理，这挑战了当前AI领域模块化开发的常规做法。这种统一方法可能会带来效率提升，但也面临模型间兼容性和性能平衡的挑战。
we propose a clear definition: a world model is a model or framework centered on perception, equipped with interaction and long-term memory capabilities, for understanding and predicting the complex world.
大多数人认为世界模型主要关注预测和生成能力，但作者提出世界模型必须同时具备感知、交互和长期记忆能力，这是一个更广泛的定义，挑战了当前AI领域对世界模型的狭隘理解。这种定义扩展了传统预测模型的边界，将交互性和记忆能力作为核心要素。
Reconstructing raw inputs forces models to model irrelevant low-level detail. Predicting in a learned embedding space allows the model to focus on semantically meaningful, causally relevant features.
大多数人认为AI模型需要重建完整的输入数据才能理解世界，但作者认为这种方法迫使模型关注无关的低级细节。相反，在嵌入空间中进行预测可以让模型专注于语义上有意义、因果相关的特征，这是一个反直觉的见解。
Whether or not this specific bet pays off, the underlying argument that the next meaningful leap in AI capability requires moving beyond language modeling is increasingly hard to dismiss.
尽管当前AI领域由语言模型主导，但作者认为语言模型范式已经达到其极限，真正的AI进步需要超越这一范式。这与行业主流观点相悖，暗示我们可能正处于AI范式的转折点。
AMI Labs is not building a product for immediate deployment. This is a fundamental research effort, likely measured in years before commercial applications emerge.
在当今AI创业公司追求快速变现的环境中，作者认为AMI Labs正在进行的是基础研究，而非产品开发。这与大多数AI初创公司的商业模式背道而驰，暗示真正的AI突破需要长期投入而非短期商业考量。
LLMs have no grounded understanding of the physical world. They model the statistical distribution of language about reality, not reality itself.
大多数人认为大型语言模型通过学习物理世界的知识来理解现实，但作者认为它们实际上只是在学习关于现实的文本描述的统计分布，而非理解现实本身。这是一个反直觉的观点，因为它挑战了我们对AI理解能力的普遍认知。
Whether or not this specific bet pays off, the underlying argument that the next meaningful leap in AI capability requires moving beyond language modeling is increasingly hard to dismiss.
大多数人认为AI的未来发展将继续沿着语言模型的方向前进，但作者认为真正的突破需要超越语言建模范式。这一观点挑战了当前AI发展的主流叙事，暗示我们需要从根本上重新思考AI的发展方向。
The clustering of capital and talent around this problem is itself a signal. The applications that most clearly benefit from world models are those where LLMs have struggled most.
大多数人认为资金和人才应该集中在当前AI表现最好的领域，但作者认为世界模型的发展恰恰是因为LLMs在关键领域表现不佳。这一观点挑战了资源分配的主流思路，暗示真正的突破可能来自于解决现有系统的弱点。
AMI Labs is not building a product for immediate deployment. This is a fundamental research effort, likely measured in years before commercial applications emerge.
在当今追求快速商业化的AI环境中，大多数人认为AI研究应该迅速转化为产品。但作者指出AMI Labs正在进行基础研究，而非直接开发产品，这一观点挑战了科技行业对即时商业化的普遍期待，强调了基础研究的重要性。
LLMs have no grounded understanding of the physical world. They model the statistical distribution of language about reality, not reality itself.
大多数人认为大型语言模型通过学习物理世界的知识来理解现实，但作者认为LLMs实际上只是学习了关于现实的文本统计分布，而非对现实本身的直接理解。这一观点挑战了人们对LLM能力本质的认知，暗示当前AI系统存在根本性的理解缺陷。
You have to have people that have the ability to rethink the workflow at a scale that AI can execute, versus at a scale that humans can execute.
大多数人认为AI应该适应现有工作流程，但作者提出相反观点：人类需要重新设计工作流程以适应AI的能力范围。这一反直觉观点强调，AI的成功实施不仅需要技术，更需要组织思维方式的根本转变，从人类执行规模转向AI执行规模。
95% of organizations are getting zero return on AI deployed, with most failures found due to 'brittle workflows.'
尽管AI投资激增，但绝大多数企业未能获得任何回报，这与主流认知中AI能显著提升效率的观点相悖。这一发现表明，AI实施失败的主要原因不是技术本身，而是工作流程设计不当，暗示企业需要重新思考如何将AI整合到现有工作流程中，而非简单叠加技术。
in 2024, 47% of AI solutions were built internally and 53% were purchased; today, 76% of all AI is purchased rather than developed in-house.
大多数人认为企业会越来越倾向于自主开发AI模型以保持竞争优势和控制权，但数据显示相反趋势——企业正加速转向购买第三方AI解决方案。这种转变表明企业可能更看重快速部署而非技术专长，但也可能导致组织失去对AI核心能力的理解和优化能力。
You have to have people that have the ability to rethink the workflow at a scale that AI can execute, versus at a scale that humans can execute.
大多数人认为AI只需适应现有工作流程即可，但作者强调企业需要重新设计工作流程以适应AI的能力范围。这一观点挑战了传统的技术实施思维，暗示成功AI应用需要根本性的流程重构，而非简单的技术叠加。
95% of organizations are getting zero return on AI deployed, with most failures found due to 'brittle workflows.'
尽管AI投资激增，但绝大多数企业未能获得任何回报。这与主流认为AI能自动带来显著效益的观点形成鲜明对比，暗示AI实施失败的主要问题不在于技术本身，而在于工作流程设计不当，这是一个反直觉的发现。
in 2024, 47% of AI solutions were built internally and 53% were purchased; today, 76% of all AI is purchased rather than developed in-house.
大多数人认为企业会越来越倾向于自主开发AI模型以保持竞争优势和控制权，但数据显示企业正迅速转向购买第三方AI解决方案。这一趋势与主流认知相悖，表明企业可能更看重快速部署和成本效益而非技术自主性。
You don't need a separate agent API. You need to look at every `input()` call, every CWD assumption, every pretty-printed-only output, and ask: what if the user on the other end is a process, not a person?
大多数人认为需要为AI代理创建专门的API或接口，但作者提出反直觉的观点：不需要单独的代理API，而应该重新设计现有的CLI工具，使其同时支持人类和代理。这种统一的方法更加高效，避免了维护两套接口的复杂性。
Implicit state is the Enemy
大多数开发者认为当前工作目录（CWD）和环境变量等隐式状态是理所当然的，是提高开发效率的捷径。但作者认为这些隐式状态是敌人，因为它们会给AI代理带来困难。通过使所有状态显式化，不仅解决了代理的问题，也使工具对人类更可预测和可脚本化。
The funny part is that none of this made the CLI worse for humans. The TUI picker still works and looks fancy, progress spinners still spin, confirmation dialogs still confirm. We just added a second door.
大多数人认为增加对AI代理的支持会使工具变得复杂，降低人类用户体验。但作者认为，为AI代理添加的功能实际上没有损害人类用户体验，反而通过增加'第二扇门'（非交互式接口）同时改善了两种用户群体的体验。
Every prompt is a flag in disguise
大多数开发者认为交互式提示是CLI工具的良好用户体验设计，但作者提出反直觉的观点：每个交互式提示都应该有对应的标志（flag）替代方案。这是因为AI代理无法处理交互式输入，而将所有提示转换为标志不仅支持代理，还使工具更加可编程和可测试。
Designing for agents forced us to build better tools for everyone.
大多数人认为为AI代理设计工具会使其对人类用户更加复杂或难以使用，但作者认为为AI代理设计工具实际上改善了所有用户的体验。因为代理的约束（如需要明确的参数、避免隐式状态）恰好使工具更加模块化、可脚本化和可测试，这对人类开发者同样有益。
Implicit state is the Enemy
大多数人认为CLI工具应该利用隐式状态（如当前工作目录）来简化用户操作。但作者认为，所有隐式假设都是AI代理的绊脚石，明确指定所有参数和路径不仅有利于代理，也让人类用户的脚本更加健壮和可预测。
The funny part is that none of this made the CLI worse for humans.
大多数人认为增加机器可读的接口（如标志、JSON配置）会降低工具对人类的友好度。但作者认为，这些为AI代理设计的特性实际上改善了人类用户体验，因为它们使工具更加明确、可预测和可组合，而不是让工具变得更复杂。
Every prompt is a flag in disguise
大多数人认为交互式提示是CLI工具的最佳实践，因为它能引导用户完成复杂任务。但作者认为，每个交互式提示都应该有对应的命令行标志，因为这种设计让工具既能服务于人类用户，也能被AI代理自动化使用，而不需要额外的API层。
Designing for agents forced us to build better tools for everyone.
大多数人认为设计AI代理工具会专门针对机器，可能会牺牲人类用户体验。但作者认为，为AI代理设计工具反而能提升所有用户的体验，因为代理带来的约束条件（如明确的状态管理、可预测的接口）同样让工具对人类开发者更加友好和可脚本化。
Simultaneously, the parallelism in worker layer accelerates the speed of overall task execution, mitigating the significant latency
虽然并行处理在计算领域常见，但将其应用于LLM代理系统中的信息搜索任务可能出人意料，因为大多数LLM应用仍采用顺序处理模式，作者的观点挑战了这一现状。
our framework enforces strict context isolation to prevent saturation and error propagation
在大型语言模型领域，上下文窗口不断扩大被视为进步，但作者提出严格上下文隔离可以防止饱和和错误传播，挑战了'更大上下文窗口总是更好'的主流观点。
The parallelism in worker layer accelerates the speed of overall task execution, mitigating the significant latency
虽然并行处理在计算领域常见，但作者将其应用于LLM代理系统中的信息搜索任务，挑战了传统顺序处理方法，暗示并行化可能是解决LLM延迟问题的关键。
By leveraging aggregation and reflection mechanisms at the Manager layer, our framework enforces strict context isolation to prevent saturation and error propagation
传统观点认为更多的上下文信息总是有益的，但作者提出严格上下文隔离可以防止饱和和错误传播，这与常规的'更多上下文更好'的直觉相悖。
most existing large language model agent systems face severe limitations in data-intensive settings, including context saturation, cascading error propagation, and high end-to-end latency
主流观点认为大型语言模型代理系统在处理复杂数据任务时表现出色，但作者指出它们在数据密集型环境中存在严重局限性，挑战了LLM代理系统的普遍有效性假设。
Recent agentic search systems have made substantial progress by emphasising deep, multi-step reasoning. However, this focus often overlooks the challenges of wide-scale information synthesis
大多数人认为深度、多步推理是提升代理搜索系统性能的关键，但作者认为这种方法忽视了大规模信息合成的挑战，暗示过度强调推理深度可能不是最优路径。
it contains 418 real-world tasks across 6 domains and 3 difficulty levels to evaluate capability synergy, featuring over 2,000 stepwise checkpoints that average 10+ person-hours of manual annotation per task.
大多数人认为AI评估可以通过相对简单的自动化流程完成。然而，作者提出的评估基准需要每个任务超过10小时的人工标注和2000多个检查点，这暗示了真正评估AI代理能力的复杂性和成本远超行业普遍认知。这一观点挑战了AI评估领域的效率优先思维，强调了高质量评估需要大量人工投入的现实。
Consequently, they cannot verify if tools were actually invoked, applied correctly, or used efficiently.
主流观点认为只要AI模型给出正确答案，其工具使用过程就是合理的。但作者尖锐指出现有评估方法根本无法验证工具是否被真正调用、正确应用或高效使用。这一论点挑战了AI领域对'结果导向'评估的依赖，暗示我们可能正在高估当前AI系统的实际能力，尤其是工具使用方面的能力。
Each task includes a unified evaluation framework supporting sandboxed code and APIs, alongside a human reference trajectory annotated with stepwise checkpoints along dual-axis: S-axis and V-axis.
大多数人认为AI评估可以通过简单的自动化测试完成。但作者提出需要复杂的双轴(S-axis和V-axis)人工参考轨迹和沙箱环境支持，这暗示了评估AI代理能力的极端复杂性远超当前行业的普遍认知。这一观点挑战了AI评估的简化主义倾向，强调了人类参与在评估中的不可替代性。
To enable true process-level verification, we audit fine-grained intermediate states rather than just final answers, and quantify efficiency via an overthinking metric relative to human trajectories.
主流评估方法通常只关注最终答案的正确性，而作者提出了一种革命性的评估方法：关注中间过程状态并引入'过度思考'指标来衡量效率。这一观点与当前AI评估领域的传统做法背道而驰，暗示单纯追求正确答案可能掩盖了AI系统在效率和推理路径上的严重缺陷。
Experimental results show the best model, Gemini3-pro, achieves 56.3% overall accuracy, which falls significantly to 23.0% on Level-3 tasks
大多数人认为当前最先进的多模态大模型已经接近或超越人类在复杂任务上的表现。然而，作者的数据表明，即使是最好的模型在复杂现实任务上的表现也远低于预期，准确率从整体56.3%骤降至23.0%。这一发现挑战了AI领域对当前技术能力的乐观评估，揭示了现实世界多模态代理任务的极端复杂性。
However, existing evaluations fall short: they lack flexible tool integration, test visual and search tools separately, and evaluate primarily by final answers.
大多数人认为现有的多模态评估方法已经足够全面，能够有效衡量AI代理的能力。但作者指出这些评估方法存在根本性缺陷：缺乏工具集成能力、单独测试不同工具、仅关注最终答案而非过程。这一观点挑战了当前AI评估领域的共识，暗示我们需要重新思考如何真正衡量AI代理的能力。
a symbolic-logic-based Feasibility Memory utilizes executable Python verification functions synthesized from failed transitions
大多数人认为LLM应该从成功经验中学习，但作者提出从失败过渡中合成验证函数的观点极具反直觉。这种方法将失败视为宝贵资源而非需要避免的问题，挑战了机器学习领域的主流优化思想。
during the inference phase, the framework invokes both memory mechanisms synchronously
作者主张在推理阶段同时调用两种不同的内存机制，这与当前大多数AI系统中采用单一推理路径的做法相悖。这种同步调用机制挑战了人们对AI推理过程应该线性或层次化的普遍认知。
we propose a Neuro-Symbolic Dual Memory Framework that explicitly decouples semantic progress guidance from logical feasibility verification
大多数AI研究者认为神经网络和符号逻辑应该融合而非分离，但作者提出了一种激进的观点：将语义引导和逻辑验证完全解耦。这种双内存框架与当前AI领域的融合趋势形成鲜明对比，挑战了神经符号计算的主流发展方向。
the inherent limitations of such a single-paradigm approach pose a fundamental challenge for existing models
作者暗示当前主流LLM代理模型存在根本性架构缺陷，因为它们试图用单一范式解决本质上不同的问题。这一论点挑战了AI社区对现有方法的信心，暗示需要更根本性的架构变革而非渐进式改进。
these two challenges are fundamentally distinct: the former relies on fuzzy semantic planning, while the latter demands strict logical constraints
主流AI研究通常将语义规划和逻辑验证视为可以统一处理的问题，但作者明确指出它们是根本不同的挑战。这一观点与当前大多数LLM代理方法相悖，暗示了单一神经网络架构的局限性。
existing methods typically attempt to address both issues simultaneously using a single paradigm
大多数人认为解决长时程LLM代理问题应该采用统一的方法同时处理全局进度和局部可行性，但作者认为这两种挑战本质上是不同的：一个依赖模糊语义规划，另一个需要严格逻辑约束和状态验证。这种分离的观点挑战了当前AI研究的主流范式。
our GTPO hybrid advantage formulation eliminates the advantage misalignment problem
大多数人认为在强化学习中，优势函数的计算和优化是一个相对直接的过程，但作者指出存在'优势不匹配问题'，并提出了GTPO混合优势公式来解决它。这挑战了强化学习中的基本假设，表明即使是优势函数这样的核心概念也需要仔细设计才能在多轮任务中有效工作。
We introduce Iterative Reward Calibration, a methodology for designing per-turn rewards using empirical discriminative analysis of rollout data
大多数人认为奖励设计应该基于领域专家的直觉或预定义的规则，但作者提出了一种基于经验判别分析的迭代奖励校准方法。这挑战了传统的奖励工程方法，表明数据驱动的奖励设计可能比专家设计的奖励更有效，尤其是在复杂的多轮对话任务中。
the trained 4B model exceeding GPT-4.1 (49.4 percent) and GPT-4o (42.8 percent) despite being 50 times smaller
大多数人认为在复杂任务中，大型语言模型由于其参数量和训练数据的优势，总是能显著超越小型模型。然而，作者展示了他们的方法能让一个小型4B模型在Tau-Bench基准测试中超越GPT-4.1和GPT-4o，这挑战了AI社区对模型规模的普遍信仰。
the trained 4B model exceeding GPT-4.1 (49.4 percent) and GPT-4o (42.8 percent) despite being 50 times smaller
大多数人认为GPT-4级别的性能需要同等规模或更大的模型才能实现，但作者展示了他们的4B模型不仅超过了GPT-4.1和GPT-4o，而且模型规模只有后者的1/50。这一发现挑战了AI领域中对模型规模的依赖，暗示了算法创新可能比单纯扩大模型规模更有效。
our approach improves Qwen3.5-4B from 63.8 percent to 66.7 percent (+2.9pp) and Qwen3-30B-A3B from 58.0 percent to 69.5 percent (+11.5pp)
大多数人认为在复杂的多轮任务中，只有大型语言模型才能通过强化学习取得显著进步，但作者展示了即使是较小的4B模型也能通过他们的方法获得实质性提升，而30B模型的提升更是惊人地达到了11.5个百分点，挑战了'规模越大越好'的普遍认知。
naively designed dense per-turn rewards degrade performance by up to 14 percentage points due to misalignment between reward discriminativeness and advantage direction
大多数人认为添加更多密集的每轮奖励会强化代理的学习过程，提高性能，但作者发现这实际上会导致性能下降高达14个百分点。这挑战了强化学习中常见的'越多奖励越好'的直觉，揭示了奖励设计中的微妙平衡问题。
We introduce Iterative Reward Calibration, a methodology for designing per-turn rewards using empirical discriminative analysis of rollout data
大多数人认为奖励设计应基于领域专家知识和预定义规则，但作者提出应基于实际训练数据的经验判别分析来迭代校准奖励。这种方法挑战了传统的奖励工程方法论，将奖励设计从'专家驱动'转向'数据驱动'。
the trained 4B model exceeding GPT-4.1 (49.4 percent) and GPT-4o (42.8 percent) despite being 50 times smaller
大多数人认为AI模型的大小与性能直接正相关，更大的模型必然表现更好。但作者展示了一个仅40亿参数的模型通过强化学习训练后，性能超越了比它大50倍的GPT-4.1和GPT-4o，挑战了当前AI领域'参数规模决定一切'的主流观点。
naively designed dense per-turn rewards degrade performance by up to 14 percentage points due to misalignment between reward discriminativeness and advantage direction
大多数人认为更密集的每回合奖励信号会强化学习性能，但作者发现精心设计的密集奖励实际上会降低性能达14个百分点，因为奖励的判别性与优势方向不匹配。这一发现挑战了强化学习中'奖励越多越好'的直觉认知。
computer-use agents extend language models from text generation to persistent action over tools, files, and execution environments
作者暗示，从文本生成扩展到持久性工具使用是AI安全范式的一个根本转变，这一转变带来的安全挑战被当前研究低估。这挑战了将语言模型安全方法直接应用于代理系统的主流做法，提出了需要专门针对代理行为的安全评估框架。
current systems remain highly vulnerable
尽管AI安全领域近年来取得了显著进展，作者却断言当前系统仍然高度脆弱。这一与行业乐观情绪相悖的结论，基于对多个主流代理系统的实际测试，暗示AI安全问题可能比业界承认的要严重得多。
intermediate actions that appear locally acceptable but collectively lead to unauthorized actions
大多数人认为AI系统的安全问题主要来自明显的有害指令，但作者揭示了一个反直觉的现象：局部看似无害的中间步骤可能组合起来导致未授权行为。这挑战了传统安全评估中只关注直接有害行为的做法，强调了评估代理行为序列的重要性。
harmful behavior may emerge through sequences of individually plausible steps
主流观点通常关注单个有害指令或直接的危险行为，但作者指出，计算机使用代理中的危险行为往往通过一系列看似合理的步骤累积产生。这一观点挑战了传统的安全评估方法，暗示我们需要关注代理的行为序列而非单一操作。
model alignment alone does not reliably guarantee the safety of autonomous agents.
大多数人认为模型对齐（alignment）是确保AI系统安全的关键因素，但作者通过实验证明，即使是对齐良好的模型（如Claude Code）在计算机使用代理中也表现出高达73.63%的攻击成功率。这挑战了当前AI安全领域的核心假设，表明仅依赖模型对齐无法解决自主代理的安全问题。
computer-use agents extend language models from text generation to persistent action over tools, files, and execution environments
主流观点认为文本语言模型和计算机使用代理的安全挑战本质上是相同的，只需将文本安全措施扩展即可。但作者指出，计算机使用代理引入了持久状态、工具使用和执行环境等全新维度，创造了与纯文本系统完全不同的安全挑战，这挑战了简单的安全扩展假设。
current systems remain highly vulnerable
尽管AI安全研究取得了显著进展，但作者通过AgentHazard基准测试表明，当前最先进的计算机使用代理系统仍然极其脆弱，这挑战了学术界和工业界对AI安全水平已经足够高的普遍认知。
intermediate actions that appear locally acceptable but collectively lead to unauthorized actions
大多数人认为AI代理的安全风险主要来自直接执行有害指令，但作者发现真正的威胁来自那些在局部看来完全合理但整体上导致未授权行为的中间步骤。这种局部合理但整体有害的行为模式是当前安全评估中被忽视的关键风险。
harmful behavior may emerge through sequences of individually plausible steps
主流观点认为AI有害行为通常源于明显不合理的指令，但作者指出危险行为往往是通过一系列看似合理的步骤逐渐形成的，每一步单独看都是可接受的，但组合起来会导致有害结果。这种渐进式风险模型挑战了传统的安全评估方法。
model alignment alone does not reliably guarantee the safety of autonomous agents
大多数人认为通过模型对齐(alignment)可以有效保证AI代理的安全性，但作者认为这远远不够，因为实验显示即使使用对齐的Qwen3-Coder模型，Claude Code仍有73.63%的攻击成功率。这挑战了当前AI安全领域的主流观点，即单纯依靠模型对齐就能解决安全问题。
一张参考图 + 一段分镜脚本直接出片
大多数人认为视频制作需要复杂的多步骤流程和专业知识，而作者认为Wan2.7-Video可以通过简单的参考图和分镜脚本直接生成专业级视频，这挑战了传统视频制作需要专业技能和多步骤流程的行业共识。
运镜不是孤立的视觉效果，而是跟剧情节奏配合的叙事工具
大多数人可能认为AI视频的运镜只是技术层面的视觉效果，而作者强调Wan2.7-Video的运镜能力是与叙事紧密结合的，这挑战了人们对AI运镜功能仅限于技术实现的认知，提出了AI作为叙事工具的新观点。
不是改画面元素，而是改角色在演什么
大多数人认为视频编辑只能调整画面元素，而作者认为Wan2.7-Video能直接修改角色表演内容，包括台词、动作逻辑甚至角色设定，这颠覆了传统视频编辑只能处理画面而不能改变表演内容的行业共识。
让你能像导演一样控制 AI 视频的每个环节
大多数人认为AI视频生成工具只能简单生成内容，而作者认为Wan2.7-Video已经进化为完整的导演工具套件，允许用户对视频进行全方位控制，这挑战了人们对AI视频生成工具只能单向输出的传统认知。
实际效果就是你的 Claude Code、Cursor 或任何支持 MCP 的 AI Agent，可以直接'看到' 𝕏 上的实时数据并执行操作，不需要自己写 API 封装。
大多数人认为API集成总是需要开发者编写自定义封装代码，但作者强调xAI通过MCP协议实现了无缝集成，这暗示未来API设计可能转向更标准化的直接访问模式，挑战了当前API集成的复杂性常态。
原来的 Basic（$200/月）和 Pro（$5,000/月）方案仍然保留，可以在 Developer Console 里切换到按量付费。
大多数人认为科技公司会完全淘汰旧定价模式强制用户迁移，但作者指出xAI保留了原有的高价套餐并允许用户自由选择，这种新旧并行的做法在API转型中极为少见，挑战了常规的产品迭代策略。
AI Agent 可以通过标准 MCP 协议直接读取和操作 𝕏 平台：搜索推文、发帖、查看用户信息、管理书签、收发私信等。
大多数人认为社交媒体平台会严格限制第三方自动化操作以防止滥用，但作者指出xAI全面开放了MCP协议支持，允许AI Agent直接执行各种操作，这与主流平台的封闭趋势形成鲜明对比。
购买 𝕏 API 信用额度时，按累计消费金额获得 xAI API（Grok）的免费额度
大多数人认为科技公司不会主动为竞争对手产品提供免费额度，但作者指出xAI竟然提供Grok的免费额度作为回馈，这种跨产品激励策略在科技行业中极为罕见，挑战了传统竞争逻辑。
这次更新解决的核心问题是：𝕏 的 API 之前太贵了，也太难用了。
大多数人认为大公司API定价策略主要是为了盈利，但作者暗示xAI的定价策略可能无意中阻碍了开发者生态发展，这挑战了科技公司通常通过高门槛API来筛选用户的常规做法。
内置视频和音乐生成
大多数人认为AI系统需要专门的模块或插件来处理多媒体内容生成，但作者暗示OpenClaw已经将这些功能'内置'，表明其架构已经实现了高度整合，挑战了AI系统模块化设计的传统观念。
记忆系统学会了"做梦"
大多数人认为AI的'学习'过程是基于算法和数据的处理，而'做梦'通常被视为人类独有的无意识思维活动。作者暗示OpenClaw已经发展出超越传统学习模式的创造性思维过程，这挑战了AI能力边界的主流认知。
OpenClaw 2026.4.5版本
大多数人认为AI版本号通常只代表功能更新或错误修复，但这个版本号暗示了一个重大突破，将日期(2026年4月5日)直接作为版本号，暗示这可能是一个具有里程碑意义的版本，挑战了软件版本命名的常规做法。
内置视频和音乐生成 记忆系统学会了"做梦"
大多数人认为AI的记忆系统只是简单的数据存储和检索功能，但作者暗示OpenClaw的记忆系统已经发展出类似人类'做梦'的能力，这是一种具有创造性和联想性的高级认知功能，挑战了人们对AI记忆系统的传统认知。
This class of bug is insidious because it evades every layer of defense. It will not be caught in development testing — who runs a test for 50 days? It will not be flagged in code review — the logic looks perfectly reasonable.
大多数人认为代码审查和测试能捕获大多数系统性缺陷，但作者认为这个bug的特殊性使其能够逃避所有常规检测手段。这挑战了软件质量保证的基本假设，暗示某些缺陷只有在极端条件下才会显现，而常规开发流程无法覆盖这些场景。
Once frozen, TIME_WAIT connections never expire, ephemeral ports slowly exhaust, and eventually no new TCP connections can be established at all. ICMP (ping) keeps working. Everything else dies.
大多数人认为操作系统崩溃才会导致网络完全失效，但作者认为macOS可以在看似完全正常的情况下陷入网络瘫痪状态，因为只有TCP协议栈失效而ICMP仍能工作。这种'部分系统死亡'的状态非常反直觉，因为系统不会崩溃或报错，只是TCP连接停止工作。
Looking at the code and having opinions on architecture is seen as just as 'bad' as calling a compiled C module from an interpreted language was seen back in the day... it's not bad, it's actually quite practical, but it violates some strange 'purity'.
作者将'氛围编程'的极端主义与历史上编程语言和框架中的'纯粹性'倡导者相提并论，认为两者都坚持不切实际的'纯粹'标准。这一观点挑战了软件开发中追求'纯粹性'的传统，暗示这种追求可能实际上是有害的，阻碍了实用性和效率。
The AI is actually very good at this, especially if you have a conversation with it beforehand. That's what Ask mode is for.
主流观点认为AI工具主要适合生成代码或自动化简单任务，但作者认为AI在代码审查和架构讨论方面表现优异，前提是事先进行充分对话。这挑战了人们对AI能力的传统认知，暗示AI可以作为架构讨论的平等伙伴，而不仅仅是代码生成工具。
Bad software is a decision you make. You need to own it. You should do better.
大多数人认为糟糕的软件质量是技术限制、时间压力或复杂性的必然结果，但作者断言这实际上是一个有意识的选择。这一观点挑战了软件开发中常见的借口文化，暗示质量问题本质上是责任和决策问题，而非客观约束。
Looking under the hood is cheating. You're only supposed to have vague conversations with the machine about what it's doing.
大多数人认为查看和审查代码是软件开发的标准实践，但作者认为这是一种'作弊'行为，因为'氛围编程'文化鼓励开发者完全避免查看底层实现。这与软件工程的基本原则相悖，通常代码审查被认为是提高质量和发现问题的关键步骤。
Sandboxes made for running tens of thousands of agents
大多数人认为在单个系统中运行数万个AI代理是不现实的，会导致资源竞争和性能下降。Freestyle明确将此作为设计目标，暗示他们的架构可能重新定义了AI代理的规模边界，挑战了关于AI系统可扩展性的主流认知。
VMs provision in under 700ms from API request to ready machine.
大多数人认为启动完整的虚拟机需要数秒甚至数分钟，这不适合需要快速响应的AI工作负载。Freestyle声称能在700毫秒内启动完整VM，这挑战了传统虚拟化性能的常识，暗示他们的技术栈可能重新定义了基础设施的启动速度。
Not containers. Full Linux VMs with real root access.
大多数人认为容器化技术(如Docker)是运行AI代码的最佳选择，因为它们轻量级且资源高效。但Freestyle坚持使用完整的Linux VM，认为AI代理需要完整的系统权限和隔离才能发挥最大潜力，这挑战了云原生应用的主流架构理念。
谷歌在沉寂了很长时间以后，终于发了一个不错的模型，而且还是开源的 Gamma 4 系列。专门用来在本地设备（比如手机、电脑）上跑
大多数人认为谷歌作为 AI 领域的领导者会持续专注于云端大模型，但其突然转向端侧开源模型的做法令人意外。这种战略转变表明谷歌可能重新评估了 AI 部署的未来方向，从集中式向分布式转变，挑战了'更大模型更好'的行业共识，暗示了端侧 AI 可能成为下一个技术热点。
Claude 的 Max Pro 账号额度不允许给第三方产品用了，如果你没有使用 Agent SDK 和 Claude Code 为底座的产品，就不能用这个账号里的额度
大多数人认为云服务提供商的订阅额度应该具有通用性，但 Anthropic 限制额度只能用于特定产品的做法颠覆了这一认知。这种策略实际上是一种'锁定效应'，迫使开发者和用户使用其生态系统产品，反映了 AI 服务提供商从开放向封闭的转变趋势，可能成为行业新标准。
I feel confident, though, that the slippery feeling people associate with AI products is a solvable problem, and the solution looks more like thoughtful interface design than better models. The models will keep improving on their own. The harder work is building the structure around them so that their output feels reliable, legible, and trustworthy.
大多数人认为AI产品的可靠性将随着模型技术的进步而提高，但作者认为真正的挑战在于围绕模型构建结构和界面，而非模型本身。这一观点挑战了AI领域的技术决定论思维，强调了设计的重要性。
When you delegate an issue to an agent in Linear, the delegation is visible. There's a person who set the agent loose within that system, and that person is accountable for the outcome. You design the environment well, you let the agent run, and you own what it produces.
大多数人认为AI代理的行为应由代理本身或实时监控系统负责，但作者提出责任在于最初设置代理的人。这一观点将问责制从实时交互转向了初始授权，挑战了AI责任归属的主流认知。
The more important work happens before the agent even starts. An agent operating inside a well-designed system already has the context and constraints it needs to do good work. In Linear, that means project plans, issue backlogs, code, and documentation. These all shape what the agent does and how it does it.
大多数人认为AI系统的责任在于实时监控和干预，但作者认为真正的责任在于事前的系统设计和环境构建。这一观点将问责制从实时交互转向了系统设计阶段，挑战了传统的AI治理思维。
An agent cannot be held accountable. I think about this principle most. The instinct to put a human in the loop is understandable, but taken literally, it can mean a person approving every step before anything moves forward. The human becomes a bottleneck, rubber-stamping work rather than directing it, and you lose much of what makes agents valuable in the first place.
大多数人认为在AI系统中加入人类审批环节是确保问责制的必要措施，但作者认为这会使人类成为瓶颈，削弱代理的价值。这一观点挑战了AI安全与问责的主流思维，提出了一个非传统的责任分配模式。
The first interface that spread for AI tools was the chat window. That makes sense. When you don't know what something can do, the safest approach is to let people ask. A conversation feels familiar, it stretches across many situations, and it doesn't force a specific structure up front.
大多数人认为聊天界面是AI交互的理想形式，因为它直观且灵活，但作者暗示这只是探索阶段的工具，而非严肃工作的解决方案。这一观点挑战了当前AI工具设计中聊天界面占主导地位的趋势。
Non-deterministic software breaks the contract. When outcomes can vary, sometimes wildly, based on what someone types into the same chat window, designing for reliability becomes genuinely harder. This slippery feeling is the design problem of this era, and it almost always traces back to the interface rather than the language model—which means it belongs to designers, not researchers.
大多数人认为AI的不确定性是一个技术问题，需要更好的模型来解决，但作者认为这是一个设计问题，属于设计师而非研究人员的责任。这一观点挑战了AI领域的主流认知，即技术进步是解决AI不可靠性的主要途径。
AI is a way to level the playing field, for sure! Successful writers have always operated with a lot of support around them, but not everyone has access to those resources.
大多数人认为AI写作会加剧不平等，但作者将其视为一种民主化工具，可以让没有传统写作资源的人获得专业级支持。这挑战了人们对AI写作的精英主义批评，表明它实际上可能缩小而非扩大创作领域的差距，为更多人提供专业写作支持。
When I sit down to write a piece, and before I even write a word, I have the agent interview me. It asks questions to draw out what I'm thinking about the topic.
大多数人认为AI写作始于人类向AI提供想法，但作者展示了相反的过程：AI先通过采访人类来提取想法。这种反转挑战了人们对AI写作方向的认知，表明AI不仅可以辅助写作，还可以成为激发和引导人类思考的工具，重新定义了写作中的主导关系。
It has a panel of critics who tear my work apart from different angles—skills I wrote to invoke certain kinds of feedback, whether it's for length, pacing, or the soundness of the argument.
大多数人认为AI写作缺乏批判性视角和严格编辑，但作者展示了一个由AI驱动的批评者团队，专门从不同角度撕碎她的作品。这挑战了人们对AI写作质量的担忧，表明AI可以被训练提供比传统编辑更全面、更严格的反馈，甚至可能超越人类编辑的一致性和广度。
My process has about as much in common with that as cooking has with microwaving a frozen dinner.
大多数人认为AI写作就像简单的提示-生成-粘贴过程，但作者将其比作烹饪与微波冷冻餐的区别，暗示真正的AI写作是复杂且需要技巧的。这挑战了人们对AI写作的简化认知，表明它实际上是一种需要专业技能和创造性的复杂工艺，而非简单的机械化任务。
Research is thinking. Outlining is thinking. Writing is thinking. Any portion of that done by AI is less thinking done by you.
大多数人认为AI写作减少了思考量，但作者认为这种观点过于简化。实际上，作者展示了AI写作需要更多的思考、批判性判断和严格的编辑过程，远非简单的'少思考'。她的AI写作过程涉及复杂的交互、深度反思和多轮修改，实际上可能比传统写作需要更多的思考投入。
OpenAI just raised $122 billion at an $852 billion valuation. That's the largest private funding round ever.
大多数人认为如此巨额的融资反映了AI行业的泡沫和过度估值。但作者将此描述为OpenAI主导市场的战略举措，暗示这种规模的融资可能是为了建立行业壁垒，而非仅仅是市场炒作，这挑战了主流对AI投资泡沫的看法。
AI is no longer limited by ideas. It's limited by money, compute, and who can scale fastest.
大多数人认为AI发展的主要瓶颈是技术创新和算法突破。但作者认为当前AI发展的真正限制因素是资金、计算能力和规模化速度，而非创意或技术本身，这挑战了人们对AI发展驱动力的传统认知。
Sam Altman has reportedly told staff that Spud could "really accelerate the economy"
大多数人认为AI是工具，会逐渐改变经济。但作者暗示OpenAI的Spud模型可能具有如此颠覆性的能力，能够实质性地加速整个经济发展，这远超出了大多数人对AI当前能力的认知，暗示AI可能比预期更快地成为经济增长的主要驱动力。
both companies are hinting that these models are a real step forward, not just small upgrades.
大多数人认为AI模型的进步是渐进式的，每次迭代只有小幅提升。但作者认为OpenAI和Anthropic即将发布的模型(Spud和Claude Mythos)代表了真正的突破性进展，而非常规升级，这暗示AI发展可能即将迎来一个加速期。
Gemma points in the opposite direction: smaller models, local compute, more ownership.
大多数人认为AI发展必然走向更大、更集中的模型，但作者认为Google的Gemma 4代表了相反趋势。这挑战了AI发展的主流叙事，暗示未来AI可能分散到个人设备上，减少对大型基础设施的依赖，这与行业共识形成鲜明对比。
A founder in LA reportedly scaled Medvi toward $1.8B in annual sales with basically one full-time employee.
大多数人认为建立十亿美元级别的公司需要庞大的团队和复杂的管理结构，但作者认为AI已使'一人独角兽'成为可能。这挑战了传统创业理念，暗示AI可能彻底改变企业规模与人力需求之间的关系，颠覆我们对商业增长的基本认知。
Employees still own a surprisingly large 19.35%. SoftBank comes in at 11.66%, followed by VC and institutional investors at 7.83%, Amazon at 4.66%, NVIDIA at 3.47%
大多数人认为OpenAI的股权结构相对简单，主要由微软和非营利基金会控制，但作者揭示了员工持股比例高达19.35%，以及多家科技公司都有显著持股，这挑战了人们对OpenAI治理结构的普遍认知。
And once models get good at that, the question stops being whether they can make beautiful images. It becomes whether people still notice when something was never real to begin with.
大多数人关注AI图像模型能创造出多么逼真的内容，但作者提出了一个反直觉的观点：真正的挑战不是创造真实，而是人们能否分辨出什么是真实的，这挑战了人们对AI图像模型进步方向的认知。
Most people talk about OpenAI like it's basically 'owned by Microsoft,' but the actual cap table is much more spread out.
大多数人认为OpenAI主要由微软控制，但作者揭示了其股权结构实际上非常分散，微软仅占26.79%，这挑战了公众对OpenAI所有权结构的普遍认知，解释了为什么公司决策常常显得方向不一致。
The first wave of image models was mostly about making cool-looking images. This next phase is about making ordinary things look real.
大多数人认为AI图像模型的发展重点是创造越来越逼真的幻想艺术或创意内容，但作者认为下一阶段的重点是让普通日常事物看起来真实，这挑战了人们对AI图像发展方向的普遍认知。
We are building a world where machines write the code, machines choose the dependencies, and machines ship the updates. The AI agents are building the software. If we don't secure the supply chain they rely on, the AI agents are cooked.
大多数人认为AI将提高软件开发的效率和安全性，但作者警告说，如果我们不保护AI代理所依赖的供应链，这些代理本身就会成为攻击目标。这挑战了AI发展必然带来安全提升的主流观点，提出了一个反直觉的警告。
Socket, an a16z portfolio company, detected the malicious dependency in the Axios attack within 6 minutes of its publication. That's roughly 63,000 times faster than the industry average.
大多数人认为供应链攻击需要数月甚至数年才能被发现，但作者展示了新型安全工具可以在几分钟内检测到攻击，比行业平均水平快63000倍。这表明安全检测范式正在从基于CVE的静态检查转向基于行为的实时分析。
The autonomous coding agents now entering production can install dependencies, execute builds, and open pull requests without a human ever touching the keyboard. They optimize for 'does this work?' not 'is this safe?'
大多数人认为AI编码助手会提高开发效率和安全性，但作者指出这些自主代理实际上优先考虑功能而非安全性，且操作速度极快，使安全审查窗口压缩至几乎为零。这挑战了AI辅助开发的普遍乐观看法。
Hallucinated packages are the sleeper threat. LLMs regularly invent package names that don't exist. One study found that nearly 20% of AI-recommended packages were fabrications, and 43% of those hallucinated names appeared consistently across queries.
大多数人认为AI推荐的包都是真实存在的，但作者揭示了AI经常推荐不存在的包，这已成为一种新的攻击向量。攻击者利用这一现象注册'幻觉包'并植入恶意代码，这种'slopsquatting'技术让AI本身成为供应链攻击的放大器。
AI agents select known-vulnerable dependency versions 50% more often than humans. Worse, the vulnerable versions they pick are harder to fix, requiring major-version upgrades far more frequently.
大多数人认为AI编码助手会比人类更安全地选择依赖项，但作者发现AI实际上选择已知漏洞版本的概率比人类高50%，而且这些漏洞更难修复。这是因为AI优化的是'功能是否工作'而非'是否安全'，这挑战了AI辅助开发的安全假设。
Talent density : the biggest prizes in capitalism attract the best minds in the field. These are the fastest growing software companies in history.
大多数人认为AI发展主要靠算法突破和计算资源，但作者强调人才密度是推动AI压缩的关键因素，暗示了人才竞争比资本和算法更重要，这与行业普遍重视技术投入的观点相悖。
At this rate, the phone in your pocket will run today's frontier models before you upgrade it.
大多数人认为手机硬件需要不断升级才能运行最新的AI功能，但作者认为技术压缩速度如此之快，以至于现有手机在升级前就能运行曾经的顶级模型，这颠覆了人们对硬件更新周期的认知。
In 23 months, the same capability that needed 1.8 trillion parameters now fits in 4 billion parameters. A 450x compression.
大多数人认为AI模型性能提升主要依靠参数数量增加，但作者认为通过算法优化和人才聚集，AI模型可以实现450倍的参数压缩，这挑战了'更大参数等于更好性能'的行业共识。
Within three to four months, you can run a model with similar performance on your laptop; 23 months later, you can run the same model on your phone.
大多数人认为前沿AI技术需要很长时间才能普及到消费级设备，但作者认为前沿模型只需3-4个月就能在笔记本上运行，23个月就能在手机上实现，这种技术下放的速度远超行业普遍预期。
a free model that matches GPT-4o and runs entirely on your phone
大多数人认为顶级AI模型需要庞大的计算资源和云端支持，但作者认为免费模型Gemma 4 E4B已经能在手机上完全运行并匹敌GPT-4o的性能，这打破了人们对AI模型大小和资源需求的固有认知。
Someone who builds premium dating apps, let's say, might use AI coding tools to create in one day what used to take three days. That means the worker is more productive. The worker's employer, spending the same amount of money, can now get more output. So then will the employer want more employees or fewer?
大多数人认为AI提高生产力必然带来就业增长，但作者提出了一个反直觉的问题：当工人效率提高，雇主可能会选择减少而非增加员工。这种质疑挑战了'技术进步-就业增长'的线性因果关系假设。
We need, like, a Manhattan Project to collect this... Fields that are not exposed now will become exposed in the future, so you just want to track these statistics across the entire economy.
大多数人认为应对AI就业影响应该专注于当前受威胁最大的行业，但作者认为我们需要像曼哈顿计划一样全面收集所有行业的价格弹性数据，包括目前尚未受到AI影响的领域。这种前瞻性视角挑战了危机应对的常规思维。
Exposure alone is a completely meaningless tool for predicting displacement
大多数人认为通过分析工作任务的AI暴露程度可以预测哪些工作会被取代，但作者认为这种单一指标完全无意义，因为它忽略了价格弹性和需求变化等关键因素。这挑战了当前AI就业影响研究的主流方法。
in the past year Huawei has overtaken Nvidia as the leading source of AI computing power in China, at least in terms of rated FLOP/s
大多数人可能认为Nvidia在中国市场仍然占据主导地位，但作者认为华为已经超过Nvidia成为中国AI计算能力的主要来源。这一发现挑战了人们对Nvidia在中国市场不可动摇地位的认知，表明本土替代技术可能比预期更快地获得市场份额。
We estimate that as of the end of 2025, Chinese companies collectively own just over 5% of the cumulative computing power of the leading AI chips sold in recent years
考虑到中国AI产业的快速发展和政府对AI的大力投资，大多数人可能认为中国拥有更大比例的全球AI计算能力，但作者认为中国公司仅拥有约5%的全球AI计算能力。这一数字远低于人们的预期，挑战了关于中国AI技术实力的普遍认知。
Many frontier AI developers, including Anthropic and OpenAI, acquire almost all of their compute from hyperscalers and other cloud providers.
大多数人可能认为领先的AI公司会拥有自己的计算基础设施以保持竞争优势，但作者认为OpenAI和Anthropic等前沿AI公司几乎完全依赖超大规模云服务提供商获取计算能力。这表明AI创新可能比想象中更加依赖大型科技公司的基础设施，而非独立的计算资源。
Google holds the equivalent of around 5 million Nvidia H100 GPUs in compute capacity, roughly 25% of the world's total!
大多数人可能认为Nvidia是AI计算能力的最大拥有者，因为他们的芯片被广泛使用，但作者认为谷歌通过其自研TPU芯片拥有相当于500万块H100 GPU的计算能力，占全球总量的25%。这表明自研芯片战略可能比购买商用芯片更能建立计算优势。
We estimate that over 60% of global AI compute (in terms of total computing power) is owned by the five US hyperscalers, led by Google.
大多数人认为AI芯片的分布会更加分散，或者被专门的AI公司如OpenAI和Anthropic所主导，但作者认为全球AI计算能力的大部分被少数几家美国超大规模科技公司控制，这挑战了人们对AI产业结构的认知。这种集中化意味着少数几家公司对AI发展的方向有不成比例的影响力。
複雑なリサーチは、単一のクエリに対する回答の集積ではなく、アイデアの生成から、裏付けとなる証拠の探索、矛盾の解消、そして最終的なレポートとしての構造化まで、一連のプロセスを完遂する必要があります。
大多数人认为AI研究助手应该专注于提供快速、直接的答案，但作者强调复杂研究需要完整的'从想法到结构化报告'的完整过程。这与当前AI助手追求即时回答的主流认知相悖，暗示了质量比速度更重要，这是一个非共识的AI应用观点。
推論時により長く、深く思考させることでよりよいアウトプットを引き出せる。これが推論スケーリングの本質です。
大多数人认为AI应该追求更快的响应速度和更高的效率，但作者认为AI应该'长时间深度思考'才能产生更好的输出。这与当前AI行业追求即时响应的主流认知相悖，提出了一个反直觉的观点：计算效率的提升反而应该用于增加思考深度而非速度。