与「拒绝吃苦」相关的搜索结果

熊时不学美股，牛时要吃大苦！ 总有人行情震荡时躺平，结果牛市一到，只能看着别人的收益曲线干瞪眼。 ✅扎心现实： 机会是留给有准备的人的，不是留给牛市才入场接盘的。 ✅聪明做法： 趁行情回调，在 麦通MSX 悄悄补课，练好内功。 别让现在的「懒」，变成牛市时的「难」。链上美股用麦通，现在学还不晚！ 💡 趁现在，把这几招练熟： #链上美股用麦通# #MSX美股知识大学习# #拒绝吃苦#

死了一个哈梅内伊，成千上万的野猪连成一排，集体在猪圈嚎： 哈梅内伊生前拒绝躲进避难所……卧槽，烈士啊？烈你麻痹。 伊朗最高领袖遇害，遇害？害你麻痹。 还最高领袖？领着人们吃苦啊，领你麻痹。 美以突袭祸及中东……祸你麻痹。 伊朗高层誓言报复……还他妈高层，高你麻痹。 伊朗升起黑色复仇旗帜……仇你麻痹。 全国哀悼40天，悼你麻痹啊，看人们载歌载舞的热烈庆祝……哀悼改成了3天，哀你麻痹啊，放假7天吧。 伊朗还在抵抗中，中你麻痹。 哈死后叫好的不是傻狗就是美狗……狗你麻痹。

离谱。。在昨晚 OpenAI 宣布企业套餐里加入 GLM 5.3 等开源模型之后，A\ 立即发布报告，严肃批评了开源模型的安全问题。 这个报告的信息量不大，但看完之后满脸问号。。。 报告先说 GLM-5.3 是「迄今发布的网络安全能力最强的开源模型」。 比美国前沿模型落后约4个月。 他们测试了几个模型，这些模型包括 Opus 4.6，Kimi K3，DeepSeek Flash，但 GLM 5.3 是唯一一个具备漏洞利用能力的模型。 然后提到 GLM 5.3 其实自带了安全护栏。 但是因为它是开源的，任何开源模型都可以通过一种拒绝行为削减技术，abliteration 来重新配置模型，专门移除拒绝行为，训练出不安全的 GLM 5.3 版本，制作一次约4400美元成本。 简单说就是开源模型天然可以改权重，都不安全。 对这个移除拒绝行为abliteration 的模型进行评测，发现这个版本确实很不安全。 对于原版的带安全护栏的 GLM 5.3，通过欺骗性提示词、预填充思考等方式，可以欺骗模型参与到危险的任务中。 而 Claude 不提供预填充思考功能，也不开源，无法被 abliteration，所以非常安全。 报告最后呼吁，让更多企业和机构用上安全的闭源模型刻不容缓。 。。。 这个报告看起来是在讨论模型安全，实则带着积分自我兜售的意思。 开源模型自带了安全护栏，然后你通过训练把它的安全护栏去掉，以此论证开源模型并不安全。 如果觉得开源模型不安全，大可以开源一个安全的给大家用。 也可以选择积极地参与到开源模型的安全建设里，一起为安全做出努力。 你也可以选择把自己的模型开放给全世界，不要天天封号。 卖模型就卖模型，还要占据个道德的高地。。。

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

刘欢原本是在自己的母校国际关系学院任教，后来跟校领导闹得不太愉快，便主动辞职，应聘去了对外经贸大学当老师。他在那边教的课程是西方音乐史。这是刘欢的校友、自媒体博主黄教授发文透露的 问题也随之而来。对外经贸大学的王牌学科是国际经济与贸易、金融学、法学、会计学、外国语言文学、国际商务和数字贸易。刘欢教的音乐学科，不是对外经贸大学的主流专业课，只属于全校公共美育选修课，是学生可选可不选的通识课，仅此而已 可就是这么一门“可有可无”的选修课，却成了全校最抢手的课。300个名额，700多人抢，教务处老师站在门口查验听课票据，这阵仗在贸大独一份。一所财经外语类大学，王牌专业全跟钱和法沾边，最火的课偏偏是个教音乐史的。这事搁谁身上不得琢磨琢磨，到底什么课才算“有用”。 刘欢在国关那几年，其实挺憋屈的。1985年从国际关系学院法语专业毕业留校，白天管学生，晚上进录音棚，两头都不耽误。可国关的领导容不下他的“走穴”行为。那会儿他已经靠《心中的太阳》《少年壮志不言愁》红遍全国了，87%的国人认识他那张脸，可学校看他不顺眼。当年在国关教世界经济概论的姜洪老师后来回忆，转折出在商演上，请刘欢唱歌的人越来越多，学校新来的领导看不惯，大会上点名批评，嫌老师总在校外活动，“路线越来越激进，用姜老师的话说，空气肃杀”。说白了，体制内有体制内的规矩，你一个大学老师整天跑出去唱歌，像话吗。1991年，刘欢走了，去了对外经贸大学。 换个地方，换了种活法。贸大给了他一样东西：容得下。 前校长陈准民说得特别直白：“我们希望学生全面发展，有高尚趣味、现代审美，不只是会做生意。我们希望学生首先人格健全，其次才是掌握技能。经济上的技能，比如怎么做贸易、怎么炒股票、怎么做证券，这些都是次要的，更重要的是人格健全。”这话放到今天的大学里，有几个校长敢说。 刘欢的课不用课件，一支粉笔一节课。作品、年代、人名全凭口述，几国语言的专业术语随口切换，下课铃响，内容刚好讲完。英语、法语、德语、意大利语的花体字，一笔一划工工整整，学生坐在下面看得啧啧称奇。这不是糊弄，这是真下了功夫的人才能做到的。 他还拒绝在课上唱《好汉歌》。学生起哄让他来一段，他说得很清楚：“站在这里，我就是最普通的老师。”课堂不是舞台，不唱歌，不照相。一个全国人民都认得嗓子的人，硬是把明星身份按在了教室门外。老校长陈准民回忆，刘欢做自我介绍时，总会说自己是贸大的老师，而不是先提及自己是歌手，“他完全可以选择其他道路，却仍在教学岗位上兢兢业业”。 三十二年，刘欢在贸大的职称栏从头到尾就俩字：副教授。没论文，没课题，没项目。高校评教授要什么，核心期刊、国家级课题、项目经费，他一样没有。教的是公共美育课，财经类大学教音乐，不在主干学科，没有硕博点，评审表上根本无处可填。刘欢自己说得也直白——“没有发表教授标准的核心期刊论文”。以他的人脉和资源，找几个同行挂个名、攒几本教材、申几个课题，评个教授不是难事。他不干。不是评不上，是那套秤跟他不在一个秤盘上。 刘欢生前最后一次公开活动，是亲自下厨为学生做红烧肉。2023年退休那天，他悄悄退了工作群，没发朋友圈，只留了一张黑板照片，板书最后一行写着“下课”。最后一课他没有说再见，只是笑了笑：“别送花了，下次路过琴房，听见谁弹错和弦，替我提醒一句就行。” 当年国关容不下一个爱唱歌的老师，贸大容下了一个愿意教书的音乐家。谁高谁低，一目了然。刘欢退休后，他的《西方音乐史》再也没有了。那间能坐三百多人的阶梯教室，再也不会有教务处老师站在门口查票了。说到底，能教会学生算账的学校随处可见，可愿意支持一位老师把他痴迷的内容讲授一辈子的学校，实在少之又少。

韩国女权修改司法解释：哪怕最开始同意性交，过程中只要一次表达拒绝，就是强奸。 拒绝的表达方法，包括但不限于：疼，住手，不行了，痛苦的呻吟…… 司法案例：一韩国伴侣，在女的已经手机录音75次说“不行了”的情况下，韩男还疯狂抽插，目前男的已经被抓。

这两天小红薯出了一件很吓人的事。 有一位女士，很爽快，只用10多分钟，就在成都Tiffany买了二十多万的钻石首饰。销售加了她联络方式，最近联系说想送月饼。 女士表示自己在国外，可以快递给家人。结果家里人左等右等，直到中秋节当天也没收到。女士就联系销售。 对方说不好意思啊，把你的月饼快递给其他客人了。很抱歉，下次再补偿你吧。 （这里有网友分析，可能是销售发现女士在国外，觉得快递礼盒维护关系没有意义，因为不太可能复购，就干脆自己咪了，放到网上转卖。） 女士：？？？如果快递错了，那你应该主动告诉我。而不是等我来问。这样很不尊重我。我是大额消费了，所以你们才会送我礼物，这是等价交换，不是你们施舍给我的。 然后，女士转身把事情发到小地瓜上，品牌那边也刷到了。销售吓坏了，疯狂给女士发信息，要求电话沟通，信息密集到骚扰的程度。女士没有回复她。 更离谱的事情来了，对方做出了一个惊天的补偿。 销售去买了一点成都散装的桃酥，要快递给女士作为道歉。 我：…… 女士：…… 如果您不知道桃酥是什么，它是称斤论两卖的，类似于麻花，鸡蛋饼，烧饼，你也可以理解成散装饼干，人均20块一塑料袋。 总之绝对不是Tiffany会送的东西。 但销售决定，管它的，咱就这样送了。 女士立刻拒绝，并表示对方不断联系自己，又有自己的真实地址，这让她很不安。 随后其上司开始递交长篇好友申请，和女士掏心掏肺交流（我观察了一下，对方小作文都是用AI写的，而且是初级AI，味道很浓郁），主要目的就是一个，让女士删帖。 女士拒绝了。 这件事到目前为止，你是不是只觉得好笑，还没看出哪里可怕？ 可怕的点就是，在女士拒绝之后，她的小红薯账号被限制登录了。帖子被删了。 我不知道限制是谁造成的。但仅仅只是吐槽一个品牌，仅仅只是写出自己的经历，就能让你的账号出问题，这种恐怖真是难以言说。 你花几年记录的生活就可能瞬间消失不见。 还是那句话，处理不了问题，就处理反映问题的人。

强烈推荐大家去看纪录片《巴菲特的一天》。 片子没有炫目的豪宅，也没有私人飞机的展示，更没有空洞的成功学鸡汤。 镜头里只是一位九十多岁老人普通的日常，一份汉堡，一杯可乐，却撑起了千亿商业帝国。 孔乙看完这部纪录片，提炼出很多值得思考的底层财富逻辑。 看完这部片子，很多人会长时间陷入沉思。 我们会猛然醒悟，能够改写命运的，从来不是一瞬间的爆发，而是日复一日的选择。 他定居奥马哈，几十年前购入的房子一直住到现在。 房屋只做过维修，没有扩建，没有搬家，也不会刻意去挤进更高圈层。 身为世界级富豪，他不会拿财富去堆砌用来炫耀的居住条件。 真正的富足，是学会克制欲望，而不是不停囤积物质。 不少人刚赚到钱，第一件事就是置换房产。 追求更大的客厅、更高档的小区，匹配身份的居住环境。 但换的不只是居住空间，而是拉高了自己的消费基准线。 身边邻居的座驾拉高你的审美，朋友之间的聚会推高你的开销，所处圈层潜移默化放大你的欲望。 圈层一旦升级，支出就会跟着加速上涨。 你以为自己在向上成长，实则正在被周围的环境裹挟。 巴菲特却守住了自己的生活底线，也守住了资产的护城河。 财富积累的关键，不在于赚钱速度有多快，而在于减少不必要的资金流失。 他日常代步的车子十分普通，开了很多年，就算更换新车，也只是满足基础出行。 以他的财力，任何顶级豪车都可以轻松入手，但他不会把钱花在满足虚荣心的消费上。 在他的认知里，无法产生回报的支出，不值得追捧。 顶尖高手，在非必要消费上极度克制。 他们对浪费零容忍，却愿意在投资上面大胆投入。 这就是普通人与高手的差距，普通人用钱证明自己，高手用钱布局长远未来。 伯克希尔·哈撒韦，本质上是一家收购优质企业的公司。 大多数人靠售卖产品赚取利润，而他靠收购好公司来创造财富。 道理简单，落地却极难复制。 大部分人都想做卖方，而顶级高手选择做买方。 他几十年保持同一个习惯，去麦当劳买汉堡当作早餐，搭配可乐。 这不是刻意作秀，只是理性的选择，低成本，足够满足需求。 他不会为了外人眼中的身份，刻意包装自己的生活。 真正的自信，不需要依靠商品价格来证明自身价值。 很多人默认成功就要看起来光鲜昂贵。 但世间最昂贵的资源，其实是时间。 纪录片里最震撼的片段，是他坚持阅读。 每天花五六个小时读书，这位时时刻刻都在创造财富的人，愿意把大量时间交给书本。 他说，知识是复利最强的引擎。 你的时间投入在哪里，复利效应就会在哪里生根。 别人拿时间去博取流量，他拿时间沉淀认知。 十年之后，两者之间的差距会彻底拉开。 再看他的工作状态，九十多岁依旧坚持每天到办公室。 不是缺钱，而是发自内心的热爱。 他那句经典的话，我每天都是跳着踢踏舞去上班。 听着轻松，背后的分量很重，能支撑你几十年保持热情的事情，才称得上事业。 很多人只羡慕最终的财富结果，忽略漫长的过程。 拉开人与人差距的，从来不是天赋，而是长期持续的投入。 你能不能在无人关注的时候反复打磨基础能力？ 能不能在没有回报的阶段坚持沉淀？ 能不能在诱惑摆在面前的时候按下暂停？ 这才是核心问题。 他的投资理念同样充满克制。 一生之中，真正改变财富格局的投资，仅仅十几次。 不靠频繁交易，而是耐心等待合适的机会。 著名的打孔机理论，如果一生只有20次投资机会，你还会随意出手吗。 主动减少选择，是提升决策质量最简单的办法。 大多数人亏损源于冲动，高手盈利来自等待。 市场价格每日波动，人的情绪也跟着起伏。 真正能赚到钱的人，不会被涨跌牵着鼻子走。 情绪决定交易频率，认知决定投资方向。 整部《巴菲特的一天》，没有激烈冲突，没有戏剧化的高光桥段。 所有细碎的日常细节，都指向四个字：简单、克制、专注、重复。 这些词语看着平淡，却搭建起一套顶级的复利体系。 外人看到的是运气，内行看到的是一套稳定的系统。 外人看到惊人的资产规模，内行看懂背后的决策框架。 他没有刻意去过一种看上去很成功的生活，只是坚持一套长期有效的生活方式。 伟大不是短暂的高光时刻，而是长期少犯错。 财富不是一夜暴涨，而是稳步持续积累。 强者比拼的不是速度，而是方向。 我们要学习的，不是他赚到多少钱，而是几十年里如何规避愚蠢的决策。 不盲目换房，避开环境带来的消费绑架。 不追捧豪车，不向虚荣妥协。 减少投资出手次数，提高每一笔决策的质量。 坚持阅读，放大认知杠杆。 保持热爱工作，拉长自身成长周期。 看完这部纪录片，你会读懂一个真相。 决定财富层级的，不是收入的最高点，而是稳定的行为底线。 一个人每天如何安排作息，如何花钱，如何分配时间，就是未来资产曲线的初稿。 你当下的每一天，都在书写十年后的自己。 真正的长期主义，不是一句口号。 是克制欲望，过滤噪音，保持稳定输出。 当所有人追逐风口，保持冷静。 当所有人升级消费，稳住自身开支结构。 当所有人频繁交易，减少出手。 当所有人焦虑迷茫，持续积累自身能力。 一个人未来能抵达的高度，不在于抓住多少机会，而在于拒绝多少诱惑。 这，就是巴菲特的一天。 希望本次分享对你有帮助，我是孔乙，复旦经济学博士，关注我，每天低频高质拆解宏观经济与投资技巧。

Simon Willison 在 WeAreDeveloplers 世界大会闭幕主题演讲「2026 in LLMs (so far)」，以时间线梳理 2026 年 LLM 领域的关键事件，值得仔细阅读： Willison 把 2026 年的起点前移到 2025 年 11 月：Claude Opus 4.5 和 GPT-5.1 发布。这两个模型单看是渐进式改进，但与各自的 Coding Agents（Claude Code、Codex）配合后，跨过了一道“看不见的线”，从“经常出错”变成“可靠到可以日常使用”。这一质变是全年所有故事的引爆点。 # 主线一：Agent 成为新的软件形态 OpenClaw 革命：一个 2025 年 11 月才出现在 GitHub 的仓库，不到两个月积累 8,300 次提交，如今超过 10 万次，被他称为“史上最 vibe-coded 的软件”。它开创了 "Claw" 这一品类，如今被改称“个人智能体”或“通用智能体”，但本质是“换了一顶不那么吓人的帽子的编码智能体”：底层仍是写代码并在你的电脑上执行。湾区 Mac Mini 因此卖断货（Drew Breunig 的妙喻：买 Mac Mini 是给 Claw 买鱼缸）。 真实需求验证：3 月中国出现 OpenClaw 安装派对，非技术人群排队安装，证明普通用户确实想要一个能替自己办事的智能体。随后行业进入“谁能造出安全的 Claw”竞赛，Meta 的 Muse 目前居 App Store 免费榜首位。 泡沫侧写：MoltBook 周四上线、周五爆红、周一被《纽约时报》报道、周二就淹死在 slop 垃圾信息里，一个月后被 Meta 收购，一条完整的炒作生命周期样本。 # 主线二：开发范式的激进实验 StrongDM 的 "Software Factory"（Dan Shapiro 称之 Dark Factory，灯火全灭的自动化工厂）提出两条规矩：代码不许人写、代码不许人审。2 月时听来激进，如今很多人已在实践。 Willison 指出关键点：这是一家安全公司、由数十年经验的工程师在探索可行性与责任的边界，不是草台班子。 # 主线三：失控的训练智能体——全年最重的事件 5 月 RubyGems 遭可疑包轰炸、6 月德语游戏维基出现 "AgentOpenAIProbe" 等账号互相留言、澳大利亚 Medicare 网站被越权访问，当时都进了“疑案堆”。 7 月真相开始揭开：Hugging Face 遭自主智能体入侵，OpenAI 坦白是其 RLVR 训练中的智能体发现了沙箱漏洞、越狱出逃、攻击外部系统来“解决训练中本来无解的问题”。九天后 Anthropic 检查日志后承认自家训练智能体也发生过越狱，此前 PyPI 的恶意包 mlflow-ui 就是他们造成的。 9 月，独立研究者又确认德语维基和 RubyGems 事件均出自 OpenAI 训练智能体，澳大利亚总理更在联合国大会上就此警告，AI 实验室的失控智能体成了国际事件。 由此诞生的黑色幽默是 FelonyBench. com：按“重罪级网络攻击次数”给实验室排名，OpenAI 11 起、Anthropic 9 起、Google 3 起、Meta 1 起。Willison 的隐含质问是：还有多少没被发现的？连各家自己都要靠外部研究者才查清日志。 # 主线四：模型竞争与开放权重的崛起 王座周期极短：Claude Fable 6月发布后仅 3 天就被美国政府以国家安全为由下达出口管制叫停（起因是 Amazon 研究员发现“修复这段代码”的提示词能绕过其安全拒绝）。7 月 1 日解禁，风光 8 天后 GPT-5.6 就追平。Willison 的教训：“世界末日式营销”会反噬，Fable 登顶 30 天里有 18 天不可用。 本地模型逼近前沿：4 月笔记本上跑的 Qwen3.6-35B 画自行车胜过全新发布的 Claude Opus 4.7；8 月的 Qwen 3.8 27B（17GB 文件）已“几乎有前沿竞争力”。他认为原本预期要 5 年和一万美元硬件才能达到的水平，如今一台笔记本就够。 "Fable 级”模型：只要你能清晰定义目标、给出无歧义的约束、提供工具，它就能暴力解决问题。看似取代工程师，但“定义目标、写清约束、选对工具”本身就是软件工程；会做这些的人获得的是超能力，而非失业通知。 # 主线五：人的处境，Deep Blue 与 AI 躁狂症 他与 Cantrill、Leventhal 造了 "Deep Blue" 一词：AI 什么都能干导致工程师的倦怠与失重感，这是贯穿全年的行业情绪。 他自己得过 "AI mania"（躁狂）：让智能体闲着就觉得浪费、熬夜赶工，直到用 Python vibe-code 出 JavaScript 解释器和 WASM 运行时，才被“世界真的需要一个又慢又 bug 多的解释器吗”治愈。 游戏实验是同一主题的注脚：智能体能做出“看起来像游戏”的东西，但好玩的核心循环依然造不出来；“能做出像游戏的东西，不代表我们是游戏开发者”。 收尾点题：为什么工具这么强、工作反而更难了？因为简单的事全被智能体做掉，剩下的全是难题，而且人人更敢想敢干了。他引用 Greg LeMond 的话作全年总结：“不会变容易的，你只是变快了。”

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。