与「自由研究」相关的搜索结果

人类没有“长寿基因”，也没有“永生”的生物学设计；错的是——"命定不长寿"这个判断，已被寿命表的数字直接推翻。 ------ 人根本就不会长寿！ 一、先给判断 【表格】 常见说法判断依据 人有“长寿基因”，注定能活很久不成立迄今为止，没有任何一项研究找到能决定人类寿命长短的单一基因或“长寿密码” 人的寿命是命中注定的不成立全球平均预期寿命1950年为46.5岁，2023年已达73.4岁，翻倍只用了不到一百年 人类本来活不到这么老不成立史前人类的平均死亡年龄之所以只有二三十岁，主因是极高的婴幼儿死亡率，不是“古人只能活三十岁” 人的寿命有天花板部分成立主流研究估算人类寿命上限约 115岁，也有研究认为可达130–150岁；当前纪录保持者是让娜·卡尔芒的 122岁164天 基因决定你能活多久不成立双胞胎等研究反复显示，基因对寿命差异的解释力只有约20%–30% 百岁老人靠的是“长寿基因”不准确一是基因变异的组合很关键，而非单一基因；二是环境、医疗、饮食、社会支持的解释力更大 长寿的核心是某个单一因素不成立真正起作用的是一套组合：饮食结构、运动、睡眠、医疗可及性、社会联结 长寿就是“越活越久”这么简单不准确真正稀缺的不是寿命长度，而是健康寿命（能独立、无病、有质量地活着）的那段 一句话：人类确实“不会长寿”——因为我们从来不是靠基因长寿的；但我们确实“越活越长寿”——因为寿命从来是环境和医疗的结果，不是DNA的设定值。 ------ 二、先破“基因决定论”：身体从没被设计成“老而不死” 这是“人根本不会长寿”这句话唯一站得住的那一半。 2.1 进化不负责让你活久 【表格】 事实含义 自然界中的“长寿”指的是性成熟后、生育期内的存活优势进化的压力主要作用在繁殖成功上，不在“活到八九十岁”上 一旦过了生育高峰，自然选择的“关注度”急剧下降老年期的高死亡率，对进化来说基本不可见，也就谈不上被优化掉 没有单一基因、没有“长寿密码”长寿不是一条指令，而是成百上千个基因变异的组合，且组合方式因人而异 这里有个反直觉的事实：百岁老人并不是“人人都带着同一种长寿基因”。研究反复发现，是特定的基因变异组合在起作用——同样携带某个“长寿相关”位点的人，有人活到105岁，有人七十岁就走了，差别在组合和后半句。 2.2 “程序性衰老” vs “损伤累积”：两种死法 【表格】 假说说法支持证据主流态度 程序性衰老存在一个“生物钟”或基因开关，到点就自毁端粒缩短、表观遗传时钟、某些基因调控通路有部分证据，但未证实存在单一“自毁开关” 损伤累积自由基损伤、DNA突变、蛋白错误折叠、线粒体功能下降，坏了修不好，就慢慢垮氧化损伤、体细胞突变累积、蛋白质稳态失衡更被广泛接受 关键在于：这两种说法都不支持“人注定长寿”。前者说“到点就垮”，后者说“慢慢修不好就垮”。两者合起来，恰恰说明人的身体从生物学设计上就不是为长寿准备的。 所以“人根本不会长寿”这句话，在生物学层面是对的——但对的不是“人活不长”，而是"人不是被造出来活长的"。 ------ 三、但“命定不长寿”这个判断，被数据直接推翻 上面那部分讲的是“设计意图”，下面讲的是“实际结果”。这两件事完全不是一回事。 3.1 全球预期寿命：翻倍只用了不到一百年 【表格】 年份全球平均预期寿命 1950年46.5岁 2000年66.8岁 2019年72.8岁 2023年73.4岁（男性70.8，女性76.1） • 1950–2023年，全球人均寿命增加了25.4岁。什么概念？一个1950年出生的人，平均只能活到46岁；2023年出生的人，能活到73岁。 • 从1990年到2019年，全球平均寿命增加了8.4岁，相当于每十年多出两岁多。 • 疫情期间是唯一的一次倒退：2019–2020年，全球预期寿命下降了1.8岁，降到71岁——然后迅速反弹回来。 如果人类真的“命定不长寿”，这张表根本不该存在。一个物种的寿命均值在三代人内翻倍，这不是基因变了吗，是环境变了。 3.2 数据从哪里来：不是“更会算”，是“更少人早死” 这是最容易被忽略的一层，也是“古人只能活三十岁”这个误解的根源。 【表格】 指标含义为什么容易被误读 出生时预期寿命一个新生儿在当前死亡水平下平均能活的年数被极高的婴幼儿死亡率严重拉低 条件预期寿命已经活到某个年龄的人，还能再活多少年这个数字远高于出生时预期寿命 举个例子： • 史前/古代人群，出生时预期寿命可能只有二三十岁——但这主要因为大量婴儿夭折，而不是“成年人一过三十就死”； • 一个人如果能活过童年、成年、生育期，活到五六十岁在古代并不罕见； • 所以“古人普遍活三十岁”这个说法，是把统计均值当成了所有人的命运。 换句话说：人类不是“突然变得长寿”了，是“把大量早死的人救了回来”。平均数的提升，绝大部分来自婴幼儿和孕产妇死亡率的下降、传染病的控制、营养和医疗的改善——不是来自“延长了老年的长度”。 3.3 但人类确实有寿命天花板 【表格】 证据内容 当前纪录让娜·卡尔芒（Jeanne Calment），122岁164天（1875–1997），至今无人打破 本文为生命科学科普与概念辨析，不构成医疗建议。

百感交集。 我对显卡本身挺感兴趣，也详细研究过Nvidia和AMD的企业历史。Jensen Huang 无疑是 Nividia 能数次前瞻性取得巨大成功的必要原因，从游戏业，到 crypto，再到AI，并行运算芯片总能被 Jensen 压对下一个时代的风口，并提前做好技术准备。 抓住生活作风问题，利用媒体造势，渲染未经证实的国家安全与职业道德问题，最终将 Jensen 赶出了 Nvidia。 中美对抗、世界分裂的一个缩影，将这样被记录在历史之中。 在大学时，我也曾是一名理想的自由主义者，相信普世价值，认为天下大同，认为自己是世界公民。后来学习了国际政治和历史的数个课程，了解了美国在拉丁美洲的作为，学习了二战之前的西方历史与民族主义思潮的起源，渐渐转变了我的想法——我从一名自由主义者，逐渐接受了现实主义的立场。 而后我来到欧洲学习与生活，不得不感受到隐形的结构性的歧视与隔离，尽管我已经被包裹在最为理想主义的校园里，我也能体会到人用种族、民族、肤色与文化建立的现实的区隔，这一区隔在课本里丝毫没有提及，承认这一区隔是教育所禁止与避免的，但这一区隔却被迫存在于傲慢与偏见之中。 一个皈依者永远不能成为“我们”的一员，世界大同只是一场经济上行时迷离的幻梦。人与人之间的竞争、嫉妒与敌视，不得不存在于民族之间，也不得不存在于民族之内。 我们人类总是乐意为自己贴上诸多标签，而后排除异己，并将这一点视为正义的行为。 这很愚蠢，也很荒诞，但很真实。

果然，赚钱最快的方法之一，就是当二道贩子。 1、有人专门盯 TikTok Shop、Amazon 的热门商品。 国外什么东西突然火了，就去1688、拼多多找同款货源，再拿到闲鱼、小红书上卖。 2、有人天天研究 Etsy、Gumroad。 看什么数字产品卖得好，比如 Notion 模板、Canva 模板、简历模板、旅行计划表。 研究完国内需求，重新做个中文版，挂到闲鱼、小红书卖。 3、有人每天蹲 Product Hunt、GitHub、Reddit。 发现好用的AI工具、工作流，就立刻整理成中文教程、提示词包、工作流模板，再去国内平台变现。 4、有人在 Fiverr、Upwork 上接单。 Logo设计、PPT、短视频剪辑、翻译。 接到单以后，再找国内自由职业者完成，或者用AI处理大部分工作。 自己只负责对接客户，赚中间差价。 5、有人专门研究 YouTube、Reddit 上的冷门教程。 AI、宠物、摄影、旅行、健身。 把国外已经验证过的内容重新整理成中文，发到抖音、小红书，再通过广告、带货、课程赚钱。 6、有人在拼多多、1688上找冷门高利润商品。 自己根本不囤货，直接挂到闲鱼。 有人下单，再去上家采购。 有时候连商品实物都没见过，差价已经赚到了。 7、有人用AI制作壁纸、海报、贴纸、婚礼邀请函、PPT素材。 整理成数字产品，挂到 Etsy、Gumroad。 一套东西做好以后，可以重复卖几百次、几千次。 8、有人专门研究国外已经跑通的小生意。 国外有人做AI代运营，就在国内给餐饮店、美容店、民宿做。 国外有人卖旅行攻略，就去小红书接定制攻略。 国外有人卖各种模板，就重新做成本土化版本。 你会发现，很多生意根本没有那么神秘。 无非就是： 这里的信息，那里的人不知道。 这里卖得便宜，那里有人愿意高价买。 这里已经验证过，换个平台再做一遍。 普通人想赚钱，很多时候根本不需要发明一个新东西。 只需要发现别人没注意到的信息差。

我靠！一台开发板，13 秒就跑完了 3547 只 A 股的 11 年策略回测！ 有人把 C++ 的计算性能和 Python 的开发效率结合起来，连多策略组合、资金管理和真实交易规则都做进了框架！ 开源项目 Hikyuu，3.7K Stars，Apache-2.0 开源，一套专门面向系统化交易研究的高性能量化框架。 以前自己搭 A 股量化系统，指标计算、策略回测、仓位管理和交易成本都得分别处理，数据一多还容易跑得很慢。 Hikyuu 直接把这些环节拆成可自由组合的模块，底层 C++ 负责计算，Python 负责策略开发。 核心能力： 1️⃣ C++ 高性能引擎：作者测试 1913 万根 K 线的均线汇总计算，预热后仅需 166 毫秒 2️⃣ 模块化策略开发：买卖信号、止盈止损、仓位管理、滑点等模块自由组合 3️⃣ A 股交易规则：模拟手续费、印花税、停牌、除权除息和延迟成交 4️⃣ 多策略组合：支持多因子选股、资金分配、组合调仓和多层策略嵌套 5️⃣ 策略回测验证：支持 Walk-forward 滚动优化、交易记录和绩效分析 6️⃣ 数据与可视化：支持 HDF5、MySQL、ClickHouse、SQLite，配合 Python 绘制 K 线和交易信号 比较厉害的是，比如你有均线突破、趋势跟踪和多因子选股三套策略。 可以分别回测，再组合成一个投资组合，由框架统一管理资金、仓位和风险。 而且作者特别强调回测真实性，手续费、成交延迟、除权除息都要算清楚，避免漂亮的收益曲线掩盖实际问题。 项目支持 pip 安装，Python 3.10+ 即可使用。 它主要面向 A 股研究，不自带券商实盘下单功能，美股等海外市场需要自己接入数据。 做 A 股量化、Python 策略回测、多因子选股或者高性能交易系统开发的，这套值得认真研究！ GitHub：

公链之间的竞争，最终是用户心智的竞争。而心智，是用时间和体验换来的 从宏观角度来看，TRONDAO正在参与一场改变全球资本流动规则的历史性变革： 传统金融体系中，资本的跨境流动受到重重限制，交易成本高昂，效率低下； 而在TRON构建的去中心化网络中，资本可以像信息一样自由流动，成本趋近于零，效率极高 这不只是一个技术问题，更是一个深刻的社会经济问题。TRONDAO，正站在这场变革的前沿 去中心化应用用户转化率提升 链上用户激活效率不断改善 新用户首次交互成功率持续提高 这些建设成果的汇聚，正在为生态的下一次跨越式发展奠定最坚实的基础 TRONDAO在推动链上应用普及方面，采取了「先B后C、以B带C」的务实策略： 优先与具有成熟用户基础的B端机构合作，通过机构渠道触达大规模终端用户； 通过向B端提供可靠的基础设施服务，间接帮助C端用户获得更好的产品体验； 随着B端生态的成熟，再逐步构建直接面向C端的品牌认知与用户运营能力 多点并进的建设格局，让生态的整体价值创造能力实现了超越线性的增长 与此同时，TRONDAO的机构采用率也在进入一个显著加速的新阶段 全球前百大加密机构中选择与TRON合作的比例持续上升 传统资产管理机构通过TRON链进行链上结算的规模不断扩大 主权财富基金和养老金等保守机构投资者开始研究TRON生态的合规投资路径 机构采用率的提升，是生态迈向主流金融市场的重要里程碑 在去中心化职业技能认证赛道，TRON生态正在探索让职业资质认证脱离传统机构垄断的可能路径 有人说，投资区块链项目最重要的是看团队。但也许更重要的，是看这个团队在最困难的时候做了什么。TRONDAO的熊市建设记录，是对这个问题最有说服力的回答 @justinsuntron @TRONDAO #TRONEcoStar#

真没想到！很多今天看起来很新的量化玩法，阿布量化十年前就已经在做了 缠论 / 波浪 / 谐波 / K 线形态 / 均线指标，全给你量化成买卖信号 abu，18.2K Stars，GPL-3.0 开源，一套老牌 Python 量化交易系统。 以前做量化，选股、择时、仓位、回测、参数优化、机器学习，往往得自己东拼西凑一堆脚本。 abu 不一样，它直接把这些东西塞进同一套框架，从找股票到跑策略、控风险、做参数优化，一路都给你搭好了。 核心能力： 1️⃣ 选股 + 择时：选什么股票、什么时候买卖，都能拆成独立因子自由组合 2️⃣ 完整回测：手续费、滑点、多股票、仓位管理、收益度量这些基础设施直接用 3️⃣ 参数优化：自带 Grid Search 和评分体系，可以批量找更合理的策略参数 4️⃣ 技术分析：MACD、KDJ、BOLL、RSI、ATR、ADX、缺口、背离等信号都有现成模块 5️⃣ AI / 机器学习：内置多套量化评分模型，还把形态、心理、趋势等特征做进机器学习流程 6️⃣ 多市场支持：A 股、港股、美股、期货、期权、Bitcoin 等都能拿来研究和回测 我觉得 abu 最有意思的地方，是它不是只给你一个“回测器”。 而是把量化交易真正拆成了一整套流程： 先选股，再择时； 再做仓位和风控； 最后拿历史数据验证、调参数。 现在看它的代码风格可能不算最新潮，但如果你想系统搞懂一套量化框架到底应该有哪些模块，这个项目依然很值得拆。 仓库：

恩格斯，就是你我在政治课本上读过的恩格斯。 他不仅仅赞助了马克思的哲学研究和日常生活，也有自己的政治经济研究理论。 因为他是一名企业家，对真实的资本主义和社会现实有着极其敏锐的洞察力。 说句题外话，谈到恩格斯对马克思的奉养关系，我有个好朋友谈到他认识的一个人，一个非常有才华的哲学家，就被索罗斯以每年一百万美元的代价养着。 这是他原话，我并不知道具体细节和人名，忘了。 又比如巴菲特与查理芒格的关系，查理的财富只有巴菲特的零头，两人相处的模式，也是在哲学思考上的战友。 回到正题，我在很久以前就写了一个大逆不道的观点，很多人难以接受。 就是在一战与二战前，技术的发展带来生产率的提升，导致大量劳工被淘汰。贫富差距扩大，与劳工薪酬下降，带来的消费紧缩，会导致社会失衡，经济大萧条。 因此西方社会被动或主动的选择战争，一是为了输出过剩产能，二是为了杀戮过剩劳工。 我遭遇了激烈的批评，因为所有的人都认定科技发展，一定带来新增就业，自由市场会自动匹配所有要素。 所以在AI发展到现在的局面时，我再次提及AI淘汰的劳力与大规模的失业，这一次批评我的人少了，因为人们直面了正在发生的事情。 比如仅仅一年时间，短剧产业的导演演员摄像剧务场务等等就被AI漫剧淘汰了，今年前八个月时间诞生了三十多万部漫剧。 大量的失业正在发生，如果不是美国驱逐了大量非法劳工，同时AI新增了部分资深岗位，就业问题没有那么严重。 但这也仅仅是暂时的。 如果像马斯克所说的十亿人型机器人可以做人类目前所有的生产活动，90%以上的人类劳力就不需要了。 而十几个个资产数万亿的大厂，与几十个资产上万亿的兆亿富豪，累计财富可能超过上百万亿美元，对照着几十亿赤贫的劳力。 这是指产业间劳力的变化，从地理上来说，由于美国拥有最强的AI产业链，在拥有了十亿机器人之后，就不需要地球另外一部分人类的生产了，他们可以自给自足，从亚非拉进口初级产品，输出过剩产能和美元。 中国或有AI竞争力，可以抗衡一下，除此外的世界基本上就完全沦丧了。 你可想而知，劳力与知识资本之间的暴力冲突是必然发生的，其他国家或许只有闭关锁国，完全禁止来自AI的两个大国的产品。 进而爆发贸易热战，就像我们在近代看到的那样。 最极端的情况是死亡了98%的人类，剩下一亿多人口，哪些在各国拥有财富和武装的人。 最乐观的想象是人类政府不得不征收AI税，分配财富给普罗大众，奉养他们。 这是马恩两位老兄憧憬的共产主义，完全分配。 马斯克这位本家也曾经说过类似的言论。 但是在那个著名的老鼠世界实验里，可以证明当人类丧失成就感，没有工作，没有创作，很快就会厌食，并相互残杀，老鼠天堂直接崩溃为老鼠地狱。 我相信人类终究会找到方法论，来解决人工智能爆发的恩格斯停顿。 只是不知道这一次的停顿要多久。 之前的理论框架是50-60年，这恰好是一代人死亡的过程，就像日本平成大衰退时期的一代人抗完家庭资产负债表塌陷，老人死去，新的一代人开始在劳力市场吃香。 但是AI似乎是终极生产效率杀手，一代人衰老后，新一代人能解决与机器人的竞争力差异吗？ 或许人机结合是一条路，碳-硅基新人类。

翻墙协议这些年到底进化了多少代？ 如果只算真正围绕突破网络审查发展起来的协议，我觉得应该从 Shadowsocks 开始。 十几年下来，其实一直在解决这几个问题： 怎么加密，怎么隐藏协议特征，怎么对抗主动探测，怎么把烂线路跑快，最后再让代理流量越来越像正常上网。 1. Shadowsocks / SSR：加密和混淆的起点 2012 年左右，Shadowsocks 靠轻量、简单、速度快迅速普及，后来又出现 SSR，在 SS 上继续加入混淆、认证等机制。 这一代先解决加密，再考虑降低流量特征。 随着 DPI 和主动探测越来越强，裸 SS、SSR 逐渐开始吃力。SSR 后来基本退出历史舞台，SS 则继续发展出了 AEAD、Shadowsocks 2022。 2. VMess / V2Ray：进入“套娃时代” 2015 年前后，V2Ray 和 VMess 开始流行。 TCP、WebSocket、HTTP/2、TLS，各种传输方式都可以组合，再配合复杂路由和分流。 自由度极高，代价就是配置越来越复杂，协议层也越来越重。 后来 VLESS 和 XTLS 出现，开始给这一套做减法。 3. Trojan / NaiveProxy：开始研究怎么更像 HTTPS Trojan 直接利用 TLS，把代理流量藏进 HTTPS 连接，当年非常火。 但今天单纯 Trojan 已经不算优先选择。TLS 指纹、连接行为、TLS 套 TLS、包长和时序，都可能留下识别线索。 NaiveProxy 走得更彻底，直接利用 Chromium 网络栈，让 TLS、HTTP/2 等行为尽量接近真实 Chrome 浏览器。 如果特别在意浏览器流量伪装，NaiveProxy 到现在依然很有价值。 4. VLESS + XTLS + REALITY：目前最成熟的一条主线 2020 年以后，VLESS 开始逐渐取代 VMess。 VLESS 自身很轻，主要负责认证和转发，加密、传输、伪装交给其他组件。 XTLS Vision 继续优化性能，后来的 REALITY 又把 TLS 伪装和主动探测防御往前推了一步。 现在最常见的组合之一就是： VLESS + Vision + REALITY。 性能、伪装、部署便利性都比较均衡，目前依然属于第一梯队。 5. ShadowTLS：给其他协议再套一层伪装 ShadowTLS 主要负责 TLS 伪装，常见组合就是： SS + ShadowTLS。 技术思路没问题，对主动探测也有针对性。 但多套一层以后，部署、维护、排障都更麻烦，也会增加额外处理。 现在有 REALITY、AnyTLS 以后，普通用户已经没那么有必要优先折腾这套。 6. Hysteria / TUIC：开始专门解决烂线路 这一代重点解决高延迟、丢包、晚高峰抖动。 于是直接转向 QUIC 和 UDP。 Hysteria 后来进化成 Hysteria 2，TUIC 也继续发展。 TUIC 现在依然能用，但如果二选一，我更倾向 Hysteria 2。 生态更大，客户端支持广，项目也一直保持活跃更新。 Hysteria 2 最大的优势就一句话：专治烂线路。 但缺点也很明显：吃 UDP。 如果 UDP、QUIC 被限制，它的优势就很难发挥。 7. AnyTLS：值得关注的 TCP 新协议 AnyTLS 重点处理 TLS 套 TLS 的流量特征，通过 Padding、分包、连接复用等方式优化。 它走 TCP，对 UDP 环境依赖更小。 现在 sing-box、Mihomo、Shadowrocket、Loon 等生态已经逐渐支持。 线路不错，又想尝试更新一点的 TCP 协议，可以重点关注 AnyTLS。 8. TrustTunnel：更晚出现的新方向 TrustTunnel 尝试把 TCP、UDP、ICMP 等流量放进 HTTP/2 或 HTTP/3，让整个隧道尽量接近正常 Web 流量。 目前生态和长期实战经验还不如 VLESS、Hysteria 2 成熟，先关注就行。 另外还有 Snell、mieru、Juicity 、sudoku 等小众协议。 所以把十几年的翻墙协议压缩一下，其实主要就三条路线： （1）SS → VMess → VLESS → REALITY 解决轻量化、协议特征、主动探测。 （2）Trojan → NaiveProxy → ShadowTLS → AnyTLS → TrustTunnel 研究怎么让代理越来越像正常 HTTPS。 （3）Hysteria → Hysteria 2 专门解决高延迟、高丢包和烂线路性能。 简单总结一下，现在真正值得普通用户重点关注的，其实就几个： VLESS + REALITY：综合首选。 Hysteria 2：线路差、高延迟、丢包时优先。 AnyTLS：TCP 新选择。 NaiveProxy：重视浏览器流量伪装可以选。 线路本身很好，VLESS、AnyTLS、NaiveProxy、Hysteria 2 基本都能跑得舒服。 如果线路差，先试 Hysteria 2。 如果 UDP 被限制，就回到 VLESS + REALITY、AnyTLS、NaiveProxy 这类 TCP 路线。 Trojan 还能用，但新建节点没必要优先考虑。 TUIC 也能用，QUIC 路线目前我更倾向 Hysteria 2。 SS + ShadowTLS 有技术价值，只是现在对普通用户来说有点折腾。 最后一句请记住： 先看线路，再选协议。 好线路，很多协议都能跑。 烂线路，优先试 Hysteria 2。

如何解决 AI 写文章的 AI 味儿？ 现在的 AI 写数学题或写代码很厉害，但在写学术论文、小说或百科文章时，经常产出空话连篇、表面流畅但缺乏真正深度的文字，这种低质文本常被称为“AI 废话”（AI slop）。 出现这个问题的原因在于，常用的 AI 评分系统很难辨别真正优秀的文字。研究人员发现，如果让目前的先进模型给文章打分，或者让它们自由制定打分标准，模型给出的分数往往偏向 AI 生成的内容，甚至给 AI 文本的分数远高于人类专家的原著。打分裁判本身偏好废话，训练出来的写作模型自然就会写出更多废话。 为了解决这个弊端，META 提出了一套名为 RL-XAR 的新训练方案，核心思路分为三步： 1）准备参照标杆：收集高水平的人类写作范例，比如真实的科研论文、名家小说和维基百科精选词条，截取前半部分作为上下文，分别让人类专家和 AI 模型顺着往下写。 2）训练评分规则：让 AI 裁判反复调整打分标准，直到这些标准能准确把人类高手的文本评为高分，把 AI 生成的文本评为低分，真正拉开两者的差距。 3）针对性强化训练：用这套校准后的高难度评分规则去重新训练写作模型，不断循环这个过程，逼迫模型改掉毛病。 META 在三个领域测试了这种方法： · 学术论文写作：模型需要补写论文中被拿掉的摘要、引言或结论。经过新方法训练的模型，不再像以前那样把整篇论文翻来覆去复述一遍，而是学会了精简和突出重点。原作者进行盲测评估时，新模型的胜率达到了 89%。 · 文学小说续写：续写普利策奖和诺贝尔奖得主的作品。模型改掉了乱用陈词滥调的比喻这一常见毛病，盲测胜率达到了 95%。 · 维基百科编写：根据标题直接写出正文内容。这项任务难度最高，模型虽然也有进步，但因为现有的 AI 裁判能力有限，提升幅度不如前两项明显。 所以，想让 AI 写出更像人类高手的深刻文字，关键在于先训练出眼光挑剔的评分标准，避免让模型用平庸的标准自我满足。 原文：

果然赚钱最快的方法就是当二道贩子 1、有人专门盯TikTok Shop、Amazon上的热门商品，看到国外突然火起来的东西，就去1688、拼多多找同款货源，再拿到闲鱼、小红书上卖。 2、有人天天逛Etsy、Gumroad，看最近什么数字产品卖得好。Notion模板、Canva模板、简历模板、旅行计划表，研究完国内需求以后重新做个中文版，挂到闲鱼、小红书卖。 3、有人每天蹲Product Hunt、GitHub、Reddit，上面一旦出现好用的AI工具、AI工作流，就马上做成中文教程、提示词包、工作流模板，再去小红书、闲鱼变现。 4、有人在Fiverr、Upwork上接Logo、PPT、短视频剪辑、翻译的单子，接到以后再找国内的自由职业者做，或者直接用AI完成大部分工作，自己负责对接客户赚差价。 5、有人专门刷YouTube和Reddit上的冷门教程，比如AI、宠物、摄影、旅行、健身，国外已经验证过的内容，整理成中文以后发到抖音、小红书，再通过广告、带货、课程赚钱。 6、有人在拼多多、1688上找一些很冷门但利润高的产品，自己根本不囤货，直接挂到闲鱼。有人下单以后再去上家下单，一件商品甚至都没见过，差价已经赚到了。 7、还有人用AI做壁纸、海报、贴纸、婚礼邀请函、PPT素材，整理成一套数字产品，再放到Etsy、Gumroad这些平台卖。甚至一份东西做好以后，可以重复卖几百几千次。 8、有人专门研究国外已经跑通的小生意。 国外有人卖AI代运营，他就在国内给餐饮店、美容店、民宿做；国外有人卖旅行攻略，他就在小红书接定制攻略；国外有人卖各种模板，他就把模板重新本土化。 你会发现，很多生意根本没有那么神秘。 无非就是：这里的信息，那里的人不知道。 这里卖得便宜，那里有人愿意高价买。 这里已经验证过，换个平台再做一遍。 普通人想赚钱，很多时候甚至不需要发明一个新东西。 先学会做一个聪明的二道贩子。