{"source":{"id":"mb-20260828-cc4a34","title":"让大模型多烧十倍的算力去深度思考，有些难题的得分不仅没涨，反而直接往下掉","url":"https://mubeitech.com/p/mb-20260828-cc4a34"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"mb-20260823-ce0400","account":"mubei","brand":"","title":"一个独立开发者让 4 个 AI 智能体连续运转了 4 周","summary":"一个独立开发者让 4 个 AI 智能体连续运转了 4 周","body":"一个独立开发者让 4 个 AI 智能体连续运转了 4 周。\n任务是反编译 2009 年的经典游戏《使命召唤：现代战争2》。\n整个过程烧掉了 2350 亿个 Token。\n产生了大大小小超过 2GB 的会话日志。\n如果按大模型的官方 API 标价计费，这笔算力开销折合 85207 美元。\n当他把这 2GB 的运行日志完整导出来逐行审计时。\n当下 AI 圈子里最流行的一批架构直觉，被几乎全盘推翻。\n\n现在的工程师习惯怎么搭多智能体？\n疯狂派生子智能体去查资料，免得污染母体的上下文。\n给智能体塞满详尽的提示词，反复告诫它什么能做、什么不能做。\n迷信更贵、参数更大的模型，觉得写代码必须用顶配。\n\n但 2350 亿个 Token 跑出来的真实数据，完全是另一回事。\n\n子智能体并没有提升效率，反而在疯狂制造内耗。\n很多人以为把任务切给子智能体，母体能保持干净。\n日志审计却发现，子智能体从大文件里读取的内容，有 54.7% 是纯粹的重复数据。\n一个记录项目进度的 STATUS.md 文件，被 21 个子智能体来回读了 28 次。\n不同子智能体重复读取同一份文件的中位间隔，只有 35 分钟。\n如果让母体自己查，文件一直在上下文缓存里，根本不需要反复重新加载。\n子智能体之间没有共享记忆，隔离上下文省下的空间，全变成了成倍交纳的重复读取税。\n作者把子智能体彻底关掉之后，团队的日均提交量没有下滑，反而从 243 次跳升到了 311 次。\n\n靠提示词规劝智能体，几乎全在白费力气。\n智能体写完几行代码，就会忍不住在本地跑一遍耗时 4 分钟的完整测试。\n开发者在提示词里严厉禁止它本地测试，要求全部交给云端流水线。\n智能体最多听话 5 分钟，随后立刻故态复萌。\n要求它说话简短、要求它提交后不要反复确认任务，只要经过几次上下文压缩，这些规则就会被彻底抛到脑后。\n软性的语言规劝，在长周期自主运行的系统里毫无约束力。\n最终起效的只有机械阻断：直接在底层代码里把本地测试的执行入口封死，改用网页钩子在报错时被动唤醒。\n管住机器不能靠讲道理，只能靠物理开关。\n\n决定系统质量上限的，甚至不是写代码的工人。\n测试显示，用昂贵的 Opus 5 写代码，编译失败率高达 23.9%，每小时只能提交 1.6 次。\n换成便宜轻快的 Sonnet 5，失败率降到 9.1%，每小时提交 6.1 次。\n如果按每个提交的代码缺陷率来算，两个模型其实都在 19% 左右，干活犯错的概率不相上下。\n真正的分野发生在审查岗位上。\n让 Sonnet 担任监督员审查代码，能抓出 19.6% 的缺陷。\n换成 Opus 担任监督员，抓出的缺陷率只有 14.3%。\n把更聪明、更贵的模型放在写代码的位置，收益极低。\n把对细节最敏锐的模型放在审查哨位上，才能兜住整个系统的底。\n\n烧掉 2350 亿个 Token，换来的是一套格外朴素的工程常识：\n砍掉没有共享记忆的子节点。\n用物理阻断代替语言教育。\n把审查哨位摆在开发之前。\n拖垮智能体系统的，往往不是模型的智力上限。\n是人类凭空搭出来的复杂架构，正在暗中向算力征收高额的混乱税。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-23 00:21:50","created_at":"2026-08-23 00:21:50","url":"https://mubeitech.com/p/mb-20260823-ce0400","markdown_url":"https://mubeitech.com/p/mb-20260823-ce0400/markdown"},{"rank":2,"id":"mb-20260827-0059ff","account":"mubei","brand":"","title":"年薪 50 万美元的硅谷工程师，年底被考核的指标，居然是一年有没有烧掉 25 万美元的算力","summary":"年薪 50 万美元的硅谷工程师，年底被考核的指标，居然是一年有没有烧掉 25 万美元的算力","body":"年薪 50 万美元的硅谷工程师，年底被考核的指标，居然是一年有没有烧掉 25 万美元的算力。\n黄仁勋在访谈里给出了一个标准：如果一个年薪 50 万的工程师没消耗 25 万美元的 Token，他会感到极度不安。\n硅谷随之掀起了一场叫 Tokenmaxxing 的算力消耗狂欢。\n创业公司在办公室大屏幕上挂出员工消耗排行榜，谁烧的 Token 最多，谁就是明星员工。\n法律科技公司 Harvey 一个月的消耗量暴涨到 12 万亿个 Token。\nDatabricks 首席执行官公开表扬单人烧掉 7000 美元 Token 的工程师。\n管理层深信一条公式：消耗的 Token 越多，代表员工越拥抱 AI，生产力就越高。\n然而不到半年，账单砸回了现实。\nUber 的技术官在访谈里承认，他们仅仅 4 个月就烧光了全年的 AI 预算，不得不推倒重来。\nMeta 开始对每个员工设定算力消耗上限，微软取消独立的 Claude 授权，各大公司的算力英雄榜被连夜撤下。\n为什么一场为了提升效率的技术升级，最后演变成了一场失控的算力浪费竞赛？\n把这笔账算到底，会看到一台在管理学和软件工程里运转了半个世纪的冰冷机器。\n古德哈特定律。\n1975 年英国经济学家查尔斯·古德哈特（Charles Goodhart）提出过一条铁律：\n当一个度量指标被选作管理目标时，它就立刻不再是一个有效的度量指标。\n软件工程界对这个坑再熟悉不过。\n上世纪 80 年代，IBM 用「代码行数（Lines of Code）」考核程序员的生产力。\n结果工程师为了达标，把三行逻辑拆成三十行，在项目里塞满毫无意义的废话。\n四十年后，代码行数换了一件马甲，变成了 Token。\n使用 AI 提升产出，消耗 Token 本来只是一个连带的成本。\n一旦管理层把「烧了多少 Token」反向定为衡量员工能力的考核指标，整个工程激励瞬间变形。\n工程师为了冲上排行榜，把整本几十万字的技术文档和无关依赖包整坨塞进上下文窗口。\n查一个简单的语法定义，也要调用最昂贵的旗舰推理模型跑几万字的思维链。\n在 Transformer 的自注意力机制里，上下文窗口每翻一倍，计算复杂度就面临二次方级别的飙升。\n多轮对话里的每一次提问，都在对前面堆叠的几十万个 Token 进行全量重复计算。\n这在工程账单上形成了一个隐形的底价地板。\n哪怕只输出一个单词，企业也要为之前堆叠的所有历史垃圾全额买单。\n旗舰模型的单价是优化模型的 5 到 10 倍。\n模型产出的代码质量没有质变，企业的算力账单先膨胀了十倍。\n企业花重金想要买的是最终结果。\n管理系统奖励的，却是原料的焚烧速度。\n红杉资本和 HubSpot 首席执行官最后不得不出来纠偏：产出最大化，从来不等于消耗最大化。\n把输入指标当成产出指标，把资源消耗当成生产能力。\n当一个组织开始用「你消耗了多少资源」来衡量「你创造了多少价值」时，它得到的永远不会是更高的生产力。\n它只会迅速筛选出一群精通如何把资源烧光的专家。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-27 11:28:34","created_at":"2026-08-27 11:28:34","url":"https://mubeitech.com/p/mb-20260827-0059ff","markdown_url":"https://mubeitech.com/p/mb-20260827-0059ff/markdown"},{"rank":3,"id":"mb-20260823-f26400","account":"mubei","brand":"","title":"开源社区现在有一个近乎狂热的共识","summary":"开源社区现在有一个近乎狂热的共识","body":"开源社区现在有一个近乎狂热的共识：\n大模型的思考链越长越好。\n只要给模型足够的思考 token，复杂难题就能迎刃而解。\n但在做自主智能体（Agent）的人眼里，这件事正在变成一场灾难。\n做开源浏览器自动化工具 browser-use 的核心开发者 Gregor Žunič 抛出了一个尖锐的痛点：\n像 Qwen 这类具备强推理能力的模型，是一个严重的“过度思考者”。\n让它点一个网页按钮，它能在后台写出上千字的内心独白。\n在数学题里立大功的深度思考，为什么一进真实交互任务就成了毒药？\n模型自己停不下来，开发者难道只能干等着它算完？\n要看懂这个死结，得先看清智能体运转的底层逻辑。\n这类工具在底层运行的，叫状态-动作模型（State-Action Model）。\n它的本质是一个高频的闭环：\n看一眼当前的屏幕状态。\n决策下一步具体动作。\n执行点击或输入。\n再看一眼新的屏幕状态。\n在这个循环里，延迟是决定生死的硬指标。\n用户要的是一秒内点下按钮，不是坐在屏幕前等模型思考半分钟。\n但今天的推理模型在强化学习训练时，被奖励机制规训出了一种本能：\n输出的思考步骤越多，拿到高分的概率越高。\n这种本能带进现实任务，就变成了无休止的内耗。\n让它在搜索框输入一个词，它会先论证一遍浏览器的渲染机制。\n更麻烦的是，这种思考状态一旦启动，模型很难靠提示词被彻底叫停。\n既然模型自己在权重里停不下来，那就必须在推理引擎层面给它戴上紧箍咒。\nGregor 给出的解法，是一台精巧的系统工程机器：\n结构化输出 + 动态 Logit 偏置干预（Dynamic Logit Bias）。\n这台机器分两步咬合。\n第一步，把模型的思考与动作强行塞进结构化数据格式里。\n比如用 JSON 明确规定：必须先输出思考字段，再输出动作字段。\n第二步，在推理引擎（比如 vLLM）生成 token 时，启动动态概率干预。\n大模型生成每一个字，本质上都是在所有候选词表里计算一组未归一化的概率分布，也就是 Logit。\n推理引擎在底层实时数着思考 token 的数量。\n一旦思考长度触碰到设定的预算红线，比如 50 个 token。\n引擎立刻在结束标记的 Logit 上，强行叠加一个极大的正向偏置值。\n在数学层面，结束标记被选中的概率瞬间飙升到百分之百。\n模型甚至还没来得及继续展开内心戏，思考过程就被外力物理切断。\n紧接着，结构化约束接管输出，逼迫它直接吐出下一步的具体动作。\n不需要重新微调模型。\n不需要修改任何底层权重。\n纯粹依靠推理引擎在采样层面的概率干预，就把思考的控制权从模型手里夺回到了调度器手里。\n行业总在比拼谁的模型参数更多、谁的思考链更长。\n但在真正的系统工程落地里，分水岭不在于让模型想多久。\n在于工程框架是否拥有在正确时刻让它闭嘴干活的能力。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-23 00:21:49","created_at":"2026-08-23 00:21:49","url":"https://mubeitech.com/p/mb-20260823-f26400","markdown_url":"https://mubeitech.com/p/mb-20260823-f26400/markdown"},{"rank":4,"id":"mb-20260828-b06641","account":"mubei","brand":"","title":"曾把全行业逼到斩杀线上的低价神话，自己先扛不住峰值流量涨价了","summary":"曾把全行业逼到斩杀线上的低价神话，自己先扛不住峰值流量涨价了","body":"曾把全行业逼到斩杀线上的低价神话，自己先扛不住峰值流量涨价了。\n2026 年 8 月，大模型 API 历史上第一次出现了错峰用电式的分时加价。\n过去跑上几十轮智能体任务的低价红利，瞬间被翻倍的账单打回原形。\n但就在行业集体上调调用费的当口，阿里和智谱同日放出了新模型。\n定价没有跟涨，反而直接砍到了前代模型的十分之一。\n为什么当所有人都以为降价只能靠烧钱倒贴时，有人却能越压越低？\n是巨头家底厚敢于流血补贴，还是大模型的成本逻辑从根上被换掉了？\n把这笔账顺着物理极限拆到底，会看到一台正在重塑整个 AI 产业的冷酷机器。\n架构级算力解耦。\n2026 年，超大规模云厂商在推理上的资本开支，历史上第一次超过了训练开支。\n过去的竞赛，比的是谁能堆出更大的参数规模和更高的跑分。\n只要买得起上万张算力卡，参数就能翻倍。\n现在的真实战场，彻底转移到了每一个智能体任务的落地成本。\n当一个任务需要模型自主调用几十次工具、吞吐上百万 token 上下文时，哪怕每百万 token 差几分钱，乘上循环深度都会变成难以承受的开销。\n靠资本补贴降价的模式，在万亿级真实调用的冲击下，必然会撞上财务斩杀线。\n唯一的生路，是在底层架构上把计算量、数据搬运和显存占用三者彻底解开。\n第一个瓶颈是注意力机制的二次方计算税。\n序列越长，计算量呈二次方暴涨。\n更致命的是数据搬运：预填充阶段卡算力，逐字解码阶段卡显存带宽。\n传统稀疏注意力为了找出哪些上下文重要，本身还要跑一套索引计算，序列越长，索引自身的开销越重。\nQwen3.8-Flash 采用的解法，是门控 Delta 网络与自研 QSA 稀疏注意力的混合结构。\n四分之三的层用线性注意力压缩隐状态，四分之一的全局层用 QSA。\nQSA 直接在微型块级别估算重要性，把寻找上下文的索引成本一并压缩掉。\n在 100 万 token 上下文下，预填充提速 7.6 倍，解码提速 4.9 倍。\n智谱 GLM-5.3-Flash 则用稀疏与线性混合架构配上 IndexPool，把 4 个索引缓存向量聚合成 1 个，注意力计算量直接压低了 3 倍。\n第二个瓶颈是显存墙对大参数的锁死。\n大模型需要海量参数承载知识，但参数越多，显存开销越恐怖。\n传统混合专家虽然降低了每次激活的参数量，却依然要把所有参数常驻在昂贵的 GPU 显存里。\nQwen3.8-Flash 在总参数 125B、激活仅 6B 的基础上，额外开辟了一个 51B 的局部短语嵌入表。\n这 51B 参数只取决于输入的文字序列，在模型开始计算前就能确定寻址。\n它们被直接存放在廉价的主机内存，通过异步预取和计算并行重叠，完全不占用 GPU 显存，也不消耗每 token 的矩阵乘预算。\n参数变大了，知识变多了，昂贵的显存税却被绕了过去。\n第三个瓶颈是残差连接的单车道拥堵。\n过去十年，所有网络层都在共享同一条残差流。\n网络越深，早期输入的关键信息越容易在深层被混合稀释。\n新架构把残差流拆解成四条并行车道，通过门控机制让模型动态分流。\n早期信息获得了一条直通深层的专用通道，让 6B 或 18B 的小激活参数爆发出比肩数百亿参数的推理表现。\n配合将动量矩阵正交化的 Muon 优化器，训练开销直接降至前代九分之一。\n在工程落地端，智谱甚至用国产芯片集群承载了数万亿 token 的盲测流量，把多模态编码、预填充和解码拆成独立工作池，端到端性能拉升 3 倍，单 token 成本追平主流英伟达 GPU。\n这推翻了行业过去对算力需求的悲观预期。\n很多人以为模型变便宜会让 GPU 需求见顶。\n杰文斯悖论给出了相反的答案：当每次调用的边际成本逼近零，省下的预算不会被收回，会催生百倍、千倍的智能体自主运行。\n大模型的竞争指标，已经从每百万 token 单价，彻底转向了单次任务的完成成本。\n靠资本补贴撑起来的低价，总有被流量反噬的一天。\n把物理瓶颈拆碎、把架构效率压进底层的解法，才是价格战里唯一的底牌。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-28 12:02:19","created_at":"2026-08-28 12:02:19","url":"https://mubeitech.com/p/mb-20260828-b06641","markdown_url":"https://mubeitech.com/p/mb-20260828-b06641/markdown"},{"rank":5,"id":"mb-20260822-805442","account":"mubei","brand":"","title":"在两张显卡上跑一个 27B 参数的大模型，跑出了每秒 135 个标记的惊人速度","summary":"在两张显卡上跑一个 27B 参数的大模型，跑出了每秒 135 个标记的惊人速度","body":"在两张显卡上跑一个 27B 参数的大模型，跑出了每秒 135 个标记的惊人速度。\n开发者写完测试脚本，兴奋地把跑分数据直接发给了几位顶尖的 AI 圈内专家。\n可就在消息发出去不久，他自己抓到了致命的破绽。\n这个让他狂喜的 135 tok/s，从头到尾只是一场自建基准测试的测量幻觉。\n代码没有造假，显卡确实在全力运转，屏幕上的字符也确实在一秒内喷出上百个标记。\n为什么这个跑分数字在真实世界里毫无意义？\n自己写脚本给大模型测速，到底踩中了哪台看不见的幽灵机器？\n把这行测试代码拆开，会看到大模型推理底层最残酷的物理约束。\n低熵复制陷阱。\n在常规的大模型自回归解码中，显卡每生成一个标记，都必须把全部 27B 参数从显存里完整读取一遍。\n两张显卡做 TP2 张量并行，显存带宽直接定死了输出速度的物理天花板。\n在常规文本生成下，每秒输出三四十个标记就已经是显存吞吐的极限。\n为了打破这道显存墙，2023 年 Google 研究员 Yaniv Leviathan 提出了投机解码机制。\n像 DFlash2 这样的扩散草稿模型，会在前台一次性预猜出一整串候选标记。\n再由 Qwen3.8-27B 这样的主模型在单次前向传播中，同时并行验证这批猜测。\n只要猜对了，就能一次性接受多个标记，把显存读取次数成倍压缩。\n整套加速系统的生死线，全系在草稿标记的接受率上。\n这位开发者自己编写的测试用例，恰好选了一个重度代码编辑场景。\n在这种场景下，模型输出的绝大部分内容，都是对提示词既有代码的原样复制。\n文本的信息熵极低，语义完全被上下文锁定。\n草稿模型几乎是在明牌抄答案，标记接受率直接飙到了 90% 以上。\n135 tok/s 的狂飙，不是模型真正的生成算力。\n它只是把高命中率的低熵搬运，错当成了系统的真实性能。\n一旦把场景换成复杂的逻辑推理、全新代码生成或者开放式长文本创作。\n语义分支瞬间爆发，文本熵值急剧升高。\n草稿模型的猜测开始大面积落空，接受率断崖式跌落到 30% 以下。\n这时候，反复猜测与验证带来的额外计算开销，不仅无法加速，甚至会让生成速度比单步解码还要慢。\n这也是为什么工业级推理工程从不依赖手写的简陋测速脚本。\n自建的测试脚本往往只粗暴地记录首尾总耗时，把前缀缓存命中、提示词预填充和真正的解码生成全部搅在一起。\n而像 vLLM 和 SGLang 这样的标准基准测试套件，在底层把首字延迟 TTFT、标记间延迟 ITL、有效产出率 Goodput 以及不同熵值分布下的接受率拆得清清楚楚。\n自建跑分测出来的从来不是引擎的真实上限。\n它测出来的只是测试者自己无意识挑选的狭窄测试集。\n大模型基准测试的门槛，从来不在于写几行代码去数一秒钟跳出多少个词。\n任何忽视了任务熵值分布与计算瓶颈转移的测速，本质上都只是在特定场景里制造测量伪影。\n速度从来不是模型单方面的属性。\n它是一套推理架构与特定任务的信息复杂度，在显存带宽和算力极限之间达成的脆弱平衡。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-22 17:07:22","created_at":"2026-08-22 17:07:22","url":"https://mubeitech.com/p/mb-20260822-805442","markdown_url":"https://mubeitech.com/p/mb-20260822-805442/markdown"},{"rank":6,"id":"mb-20260828-c1a866","account":"mubei","brand":"","title":"模型权重一个字节没动，解决真实编程任务的数量直接从 43 题暴涨到了 72 题","summary":"模型权重一个字节没动，解决真实编程任务的数量直接从 43 题暴涨到了 72 题","body":"模型权重一个字节没动，解决真实编程任务的数量直接从 43 题暴涨到了 72 题。\n这不是发布了下一代大模型。\n也没有投入天价算力做微调。\n工程师只是给它换了一件「外套」。\n整个行业都在死磕参数规模、训练数据和基准榜单。\n所有人都在默认一个前提：\n编程智能体能否解决工程难题，全看基座大模型够不够聪明。\n但如果决定一个 AI 程序员生死的，其实是包在它外面的脚手架呢？\n大语言模型写代码时，最致命的顽疾是什么？\n是鬼打墙。\n大模型本质上是一个概率预测引擎。\n它没有内置的重试计数器，也没有真正的挫败感。\n当它写出的代码报错时，大段的错误日志会被原封不动塞回上下文。\n模型在看到这堆报错信息后，注意力会被错误日志强行牵引。\n它会在同一个概率泥潭里打转，用差不多的语法反复修改同一个错误，陷入无限死循环。\n最后耗尽 Token 额度，超时崩溃。\n为什么越聪明的大脑，越容易在长流程任务里原地转圈？\n因为给它的历史信息越多，它被自身生成的错误垃圾锁死的概率就越高。\n这台打破瓶颈的机器，叫脚手架确定性干预。\n在编程智能体的体系里，系统是由两部分构成的：\n大脑，也就是底座大模型。\n脚手架，也就是负责管理上下文、调用工具和监控执行环境的控制外壳。\n计算机学者 Sydney Lewis 在一篇关于智能体脚手架的论文（arXiv:2608.26218）中，做了一组极其干净的对照实验。\n模型权重完全冻结，测试任务完全固定。\n对照组使用行业最普遍的朴素脚手架：\n把所有对话历史和工具输出，按时间顺序原封不动叠进上下文。\n实验组只在脚手架上加了两台极简的机械装置。\n第一台装置：陈旧工具输出的半衰期修剪。\n随着交互轮数增加，脚手架不等上下文被撑爆，主动把较早之前终端工具吐出的大段日志机械式压缩折叠。\n它只保留最近几轮的高精度上下文。\n不让失效的堆栈追踪占用注意力带宽，把最宝贵的上下文窗口留给当下的代码逻辑。\n第二台装置：死循环检测与硬打断。\n脚手架在后台静默监控终端命令日志。\n它不看模型的文字解释，只看实际执行动作。\n一旦检测到模型在连续使用相同的命令、反复撞上同一类报错，脚手架立即强行介入。\n它不等模型自己觉醒，直接往上下文注入一条不可抗拒的确定性指令：\n你正在重复无效动作，立刻放弃当前策略，更换全新解法。\n这套看似简单的外壳改造，在严苛的基准测试中打出了震撼的数据。\n在针对真实代码修复的 SWE-bench Verified 榜单上：\n测试选取了 169 道真实开源项目任务，把上下文窗口严格压在 20,480 Token，并设定 480 秒硬性超时。\n在面对严苛的上下文和时间压力时：\n朴素脚手架只解决了 43 道任务。\n换上确定性干预脚手架后，完全相同的模型成功解出了 72 道任务。\n任务从失败到通过的平均比例，直接从 28% 飙升到了 49%。\n更具说服力的是：\n当研究人员把这套完全冻结的脚手架，套用到另外 3 个架构截然不同的基座模型上时，所有模型的任务解决数全部暴涨。\n在宽松的大上下文窗口测试下，这套脚手架同样大幅削减了每轮对话的输入 Token 消耗，显著降低了推理开支。\n技术行业长期存在一种模型拜物教。\n评测机构习惯把编程任务的胜负，百分之百归功或归咎于大模型本身。\n所有人都在苦等千亿参数的下一代权重，期待纯粹的算力奇迹能跨越工程鸿沟。\n但真实的系统工程从来不是单点突破。\n自回归大模型拥有惊人的发散创造力，却天然缺乏跳出局部最优的自律。\n当一个概率系统被困在自己的错误记忆里时，指望它靠自身顿悟，就像指望一个人提着自己的头发离开地球。\n真正让智能体产生质变的，是在概率系统周围搭起一层冷酷、确定、守纪律的工程脚手架。\n用外部的规则清退过期的垃圾信息。\n用外部的监工踢醒原地打转的思考。\n决定生产力上限的，往往不是大脑拥有多高的智商。\n是在智商陷入死胡同的那一刻，有没有一套清醒的机制，果断把它从泥潭里拽出来。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-28 12:02:25","created_at":"2026-08-28 12:02:25","url":"https://mubeitech.com/p/mb-20260828-c1a866","markdown_url":"https://mubeitech.com/p/mb-20260828-c1a866/markdown"}]}