最近的工作是给大模型合成后训练的数据，核心一点在于要控制难度，不能太简单也不能太难了，最好是做个 N 次能有 1 次成功，其中免不了要对各个模型进行测试，刷新了我对国产模型的认知，具体来说是二进制漏洞利用方面的。
glm-5.3 的表现非常好，虽然有时候确实会犯点小错误栽个跟头，但是最后是真的能把事情做成的，deepseek-v4.1-flash 次之，能力稍弱，token 用的是最多的，价格却是最便宜的，而且联网抄答案的倾向是最强的。kimi-k3 qwen3.8-max 就是完全拉完了，kimi-k3 巨贵，但是活完全搞不定。
显示更多
白天的时候都是装成一个正常人，偶尔有不好的念头闪回也是想着生活得继续，但到了晚上我真想像海边的曼彻斯特里的男主一样带着痛苦等死，平时加班对我来说多少算福报了，到家了直接就能晕死过去hhh
显示更多
换了份新工作，不能远程了，现在才下班，每天都很充实，一个同事还是个认识很久的朋友，小猫也大了很多，喜欢跑酷拆家，精力充沛，出门不用再担心他出意外了，好像一切都回到了正轨，真的吗？
显示更多
人根本没必要再手写代码了，反正你设计再精妙的架构代码也会随着时间腐烂，这几乎是必然的，软件的意义就是给人用，能用就是好软件，AI 拉屎又如何，等下个版本让新模型再铲一遍就是，人类只需要做验收就行
显示更多
睡梦中迷迷糊糊想起我们好像很久没说过话了 还以为我们之间出了什么问题 冷淡了 想着给你打个电话好好聊一聊 清醒了才想起来发生了什么
在看关于 FIRE 的视频，突然想起来你说你想在 30 岁之前退休，可是你现在才 23 呐，天，一想到这些就好窒息…
其实已经差不多恢复过来了，都已经开始回去上班了，手贱点开查找，看到你的定位，不知怎么地又悲从中来 hhh
终于知道为什么你那么喜欢喝酒了，喝完确实没有那么难受了，感觉自己又可以呼吸了，之前我还总是拦着不让你喝。
就是想知道我现在的痛苦是你当时的百分之几呢？
显示更多
@yetone 看完了这个，我更不明白啥是 ai slop 了，ai 喜欢用的就是 slop 吗？可 ai 学习的本来就是最常见的“最佳实践”，到底是用 xxx 是 slop，还是没用统一风格基调整体不协调是 slop 呢
显示更多
第一次在国外公司上看到了国内大厂的影子，哈哈哈，遥想当年某讯的软件还会匹配浏览器历史来投放广告
LLM 这块真的有什么硬性的护城河吗，开源社区已经把各种大模型，基础设施都端上来了，openai 和 anthropic 的领先地位到底还能持续多久？又或者以后是否还有必要为那一点智能支付高昂的溢价？目前的感觉是，谁有卡谁就是大爷，这么看马斯克布局数据中心确实是一手好棋
显示更多
抽空做了个 Eval,评估下最近比较火的 GLM-5.2 能力
先说结论: GLM-5.2 的模型能力(理解 + 写代码)不输 Opus 4.6,真正的差距在"如何在真实环境里高效干活"——而这恰恰是最吃 harness / RL 训练的部分，也是 Cursor Composer 重度使用的方式。harness 调好了,这模型的威力还能再放出不少。
方法:同一道 Rust bug(serde_json #979#),给 evot / claude-code / pi 三个 agent ,分别换 GLM-5.2 和 Opus 4.6 两个模型跑,对比它们的执行轨迹。
结果:
两个模型、6 个 session 全部 PASS,GLM-5.2 在"做对"这件事上没问题,bug 理解和最终代码质量都过关。
但代价差了一个量级:
• Opus 4.6:三个 agent 齐刷刷 18 轮收工,~80s
• GLM-5.2:38 / 43 / 61 轮,慢约 7 倍
拆 trace 看清楚了,差距不在懂不懂 bug,而在 agentic 执行这层:
1. 环境处理是软肋——GLM 有十几轮卡在 cargo 上反复试错(CARGO_HOME、cargo metadata、翻 serde 源码),Opus 一轮就绕过去了
2. 不收敛、爱反复验证——写完还手搓临时测试文件建了又删,thinking 字符数是 Opus 的几十倍
3. 但代码品味在线——GLM 最终的 fix 反而更克制地道,一个 match 合并三个 case,注释把设计意图讲清楚了,比 Opus 那版还干净
显示更多
