有观点认为agent只有通用的，都是编程agent（coding agent），分出一个办公agent概念，莫名其妙。

从我的视角看，它们确有区别，而且我认为办公agent才更通用。它们的分别就是：是否要求使用者具备开发背景。通用agent，使用者需要具备的前置技能应该尽量少。

编程agent有一些功能残缺，比如普遍不具备协作功能。这在实际开发中不是问题，因为开发工程师的协作是用git完成的，本来就不需要做到agent产品里面。

但非开发者要想学习git，就很难了。大部分办公人员，使用编程agent，协作这一关就过不了。

除了git以外，另一个重要区别是：编程agent直接跟本地文件系统交互，代码暴露给用户。

这是当然的，因为用户需求就是写代码。而且在本地文件夹写代码，就像在本地操作办公文件写文档表格一样，是自然、高效的选择，也符合传统，开发工程师用集成开发环境（IDE）的时候就是这么做的。

对于开发者而言，代码就是他要交付的成品，在和agent协作的过程中，开发者可能会频繁查看文件，甚至直接上手去改代码，或者至少要改配置文件。

开发者早已习惯将自己的工作机器配置为开发环境，程序可能也依赖工作机器提供的各种服务和配置，隔离反而不便。在编程agent运行的场景下，agent是协作者，开发者是维护者，他们共同维护开发环境上的一个文件夹项目。

但是当非开发背景的大多数人要利用agent的编程能力做事的时候，agent撰写的代码对他来说不是需要编辑、交付、维护的产物，而是完成整个办公任务的一个不需要管理的中间过程，他无力也不会干预这些代码产出，而只是会在需求层面提出指挥要求。他们要的产物是文档、表格、网页等，他们希望能编辑这些内容，而非代码。

这时，程序项目全权交给agent维护，用户不碰代码。用户不像开发者那样有能力干预agent写的风险代码，所以程序隔离的保护更迫切；他们也不像开发者那样需要频繁操作文件、维护环境，所以程序隔离的代价也很小。

尤其考虑到企业场景，如果每个员工都在自己的电脑上跑编程agent，而他们又不具备开发能力，这对企业的数字管理是多么大的挑战。

针对协作（不用git）、程序封装（不碰代码）这两个需求，顺理成章地，agent应该交互、运行在云端，而沙盒作为工具调用对象也在云端。可以支持把本地文件夹作为工作区，但是云端优先、云端为主，这也就是Manus的实现方式。

使用Manus的时候，可以轻松把工作产物和聊天内容分享给同事，也可以邀请同事加入聊天接管任务。可以编辑产物，但是不需要懂代码。

在云端，那工作自然也可以跨设备流转，在手机上也可以继续指挥电脑上未完成的任务，而不是电脑合盖关机就停摆。

这样的办公agent，也许才是通用agent，因为它不要求用户懂代码、懂git，不需要用户有开发背景，适应更多场景。而编程agent，是专业的开发工具。

我在豆包界面上第一次见到“办公任务”这个按钮的时候，觉得好准确，比“智能体”三个字犀利得多。

用户看到“智能体”或者“agent”，其实不知道能干嘛。但是看到“办公任务”，判断会非常清晰，摩擦很小——我点下去，就能严肃执行一个任务，而且我自然能接受它会执行比较长一段时间，我可以异步去做点别的。

虽然不知道“办公”这两个字是从哪里冒出来的，但“办公任务”可能是“agent task”贴切的中文译法。

不过，今年在中国掀起热潮的，是OpenClaw和WorkBuddy这类单机优先的agent产品。虽然WorkBuddy现在已经加了很多云端功能，但还是单机优先的设计。

之前听一个大模型团队技术领导人的播客访谈，听到他对OpenClaw非常兴奋，全程没有提到Manus。我不知道他有没有用过Manus。如果用过的话，也许不会觉得OpenClaw特别新奇。

可能一些技术人员觉得Manus就是个“壳（shell）”，所以起初低估了它。

2012年的时候，我在一家研究机构实习。当时Meta重金收购了Instagram，办公室的科学家就说：“这个东西我们随便一个实习生两周就能做出来。”

又是Meta的巨额收购，又是对产品的低估心态，让我觉得似曾相识。

技术人员也愿意用好的产品，并且理解产品的价值。比如Claude Code和Codex，不仅受欢迎，而且不受低估。但是换成其他产品，不知道氛围与态度如何。

有朋友说，现阶段agent产品开发不是产品主导的，而是技术主导，因为理解agent技术的产品经理太少。如果agent开发者处于低估Manus、重视OpenClaw的氛围，那推出的产品可能就更多从OpenClaw延伸，或许最终殊途同归，但是要走更长的路。

但实际上，市场上也有不少产品思维的办公agent产品，而且比Manus更进一步。自从今年年初以来，以Raft为代表的agent工作空间产品在融资方面很有热度。这类产品有群聊形态的，也有issue管理形态的，都比Manus有更强的办公协作能力，让agent更好纳入公司管理之中。

但需求侧，目前市场上采纳何种agent产品跟知名度、焦虑情绪可能关系更大。

要在办公环境下决定企业采用什么agent产品，决策人的想法很关键。有人说，在如此混沌未开的新热门品类市场，很多决策者的决策可能很依赖名气大不大、谁说谁用了什么、谁引发了焦虑，而不是看产品本身的质量。比如年初的OpenClaw热。

所以在供给和需求两端，可能现阶段产品质量的因素都不凸显。但是愿意使用高质量产品的团队，会获得收益；而使用OpenClaw的团队，会遭遇损失。市场占有率和产品质量也许暂时脱钩，但收益与损失会真实跟随产品质量走。

我觉得这也是给创业公司非常好的机会。像肖弘这样的产品主导，就能做出来Manus。Manus不仅做了，团队还公开表达了不少理念。即便如此，模仿的人也少，哪怕有大公司做出了类似产品，集团层面也不投入资源去推，所以创业公司还是能获取到空间。

同样。愿意选择高质量agent工具的公司，也能比随大流的公司获得更多收益。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

最近余承东重提盘古，让我想起机器之心当时的报道，摘录几段：

如果你是一位 NLP 从业者，你可能发现，最近的中文 NLP 社区有点热闹：「中文版 T5」、「中文版 GPT-3」以及各种大规模中文版预训练模型陆续问世，似乎要带领中文 NLP 社区跑步进入「练大模型」时代。

在此背景下，中文语言理解测评基准「CLUE」也经历了它的前辈「GLUE」所经历过的盛况：一个模型的冠军宝座还没坐热，就被一个更新的模型挤了下去。

这次刷榜的，是一个叫「盘古」的 NLP 模型。

换言之，在盘古之前，模型竞赛已经开始了，从当时的榜单图片中可以看到，参与者至少有美团、阿里、搜狗。盘古不是第一个。其实，当时GLM、CPM等也已发布，发布在悟道旗下。

可以看到，盘古的研究机构是“华为云-循环智能”，这个“循环智能”是什么公司呢？就是杨植麟的上一家公司，也就是引发投资人提起仲裁的那家公司。

机器之心这篇文章，主体就是对杨植麟的采访。而且那个时候，Moonshot的名字就已经出现了：

在最近的一次访谈中，循环智能 NLP Moonshot 团队向机器之心介绍了这个项目的初衷、挑战和具体的解决方案。

所以，如果想尝试原盘古团队的新作，也许可以试试Kimi Moonshot的产品。

这篇文章结尾，还记录了一段预言：

清华大学计算机科学与技术系教授唐杰在前段时间接受机器之心采访时曾表示，「超大规模预训练模型的出现，很可能改变信息产业格局。继基于数据的互联网时代、基于算力的云计算时代之后，接下来可能将进入基于模型的 AI 时代。」杨植麟也同意这一观点。在他看来，这个新时代将有两大特征。

一是 AI 生产效率的变革。随着标注数据需求大幅降低，AI 生产效率将迎来两到三个数量级的提升，摆脱原来依靠大量样本的落后生产方式，进入规模化量产时代。

二是 AI 场景的指数级增加。技术的突破往往带来新市场，而目前 AI 商业化的现状就是需求很多但技术不一定满足。AI 预训练技术突破之后，马上可以解锁很多新场景，从数字化程度比较高的行业走向传统行业，从大型企业走向中小企业。

前述提到的比盘古更早发布的GLM模型，论文署名最后两位就是杨植麟和唐杰。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

“为什么要把自己时间浪费在伺候老登身上”，姚顺宇播客里的这句话在社交网络被不少账号高亮传播。

他在播客中说，本科学凝聚态，博士想挑战自己，申了高能物理。结果发现高能物理没法做实验，没法通过实验验证结论，好坏全凭大佬们的主观判断。于是便有了那句“为什么要把自己时间浪费在伺候老登身上”。

但这只是整段讲述里一句戏剧性的话。他后面提到这是一个教训——“做对这个世界能够产生影响的事”。

至于为什么本科学凝聚态，播客前面也正好问了，答案是没有刻意规划，不愿编一套理由来解释，当时就是阴差阳错。

我想追问，为什么会有这样的阴差阳错？这不是巧合。这里要提到一位“老登”的名字——杨振宁。杨振宁有一句名言，叫做“盛宴已过，The party is over”。大致是在1980年前后，他说高能物理不会再有大的进展。他本人是高能物理的大师，但说自己这个领域别做了，做什么呢？做凝聚态。凝聚态在中国这么主流，有杨振宁的贡献。

我中学的时候暑期在中科大学习，到处都能看到“凝聚态”三个字，留下深刻印象。这不是阴差阳错机缘巧合。

巧合的是，姚顺宇在播客后半部分还说过“The party is over”这句话，不知道他是否了解这段故事。

凝聚态物理学是探讨物质凝聚态（固态和液态）的物理本质、结构和性质的一门学科。是固体物理学的延拓。

凝聚态是比固体和液体更广的概念。比如液晶，顾名思义它不能被归类为固体或者液体。本世纪的大量应用物理进展，都在凝聚态上，芯片、屏幕、光伏、电池……

杨振宁是不是“老登”？显然是一位“超级老登”。但这位“老登”愿意说自己的旧领域别那么关心了，去看下一个有影响力的领域，这就正应和了姚顺宇说的教训——做对这个世界能够产生影响的事。

回到标题：要不要听老登的话？人身上有什么标签恐怕不重要，重要的还是话好不好。

附录

争议网红文章“杨振宁的最后一战”-知识分子的财新博客-财新网
微信版本： https://mp.weixin.qq.com/s/aS0lt81eb3YfI6YQDRNtTg

直到2010年代，杨振宁围绕高能物理还有一些公共讨论，这篇文章是《知识分子》对于相关事情的辑要，他们撰写了很多报道，也刊登了很多各方的亲口陈述。有兴趣的读者可以阅读。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

这段时间试用Doubao 2.0 Lite medium 和DeepSeek 4 Pro high的API，感觉Doubao 2.0 Lite更好。更何况还有Doubao 2.0 Pro。但是豆包app完全没有体现出豆包的模型优势。

2026年春节之后，我觉得国内很多免费AI聊天工具都退步了，虽然大家都发布了更强的新模型。但是在产能约束和需求暴增之下，继续免费提供服务那也只能降智。豆包非常明显，千问也不如三月份好了。时至今日，在豆包app里开专家模式，效果还没有调用Doubao 2.0 Lite API好，我自己体会是这样。

如果是用豆包app的默认模式，那简直是胡说八道基本无法投入实用，错误百出。

继续免费提供服务，豆包会面临两个结果：

1. 收不到钱
2. 用户觉得豆包笨

可谓名利双失。但是如果改为付费，则名利双收。

2026年春节以后，我觉得豆包和Kimi已经分化，豆包走向免费娱乐，而Kimi走向付费生产力。大概3月以后Kimi基本已经没法免费用，基本上要付费才能使用Kimi的基本功能。而付费之后，可以解锁Kimi的专业数据库、Office三件套、沙盒这些实用功能。都是上班利器。而且Kimi的预设还会让它很积极地写Python分析数据画图等等，对工作很友好。

付费生产力这个生态位，在中国市场已经被Kimi占住。

豆包有很多功能是不契合生产力付费这个场景的，比如视频通话、P图、语音问答。而豆包模型中生产力特别强的图像与视频功能，已经有了即梦这个付费生产力平台去承接。

所以，现在豆包的产品形态和付费商业模式并不匹配。但是，我又觉得付费再怎么也比免费强，在现在token的供需关系下，免费实在没意义，一定严重供不应求，没法服务那么多用户。现阶段，免费提供低质服务，很可能是一种无效交付。很多人骂豆包不好用凭什么收费，但逻辑或许是这样：因为免费所以才不好用的。

也有可能，在2028年算力供需紧张有所缓解之后，豆包再逐步放开免费权限，仍然回到免费娱乐的轨道上？

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

听一些关于新闻业问题的讨论，感觉逻辑混乱，名词与概念使用不准确，导致都不知道在讨论什么。

我想有两个词是非常需要说清楚的：传统媒体、主流媒体。

以马斯克为代表的一群人经常批判新闻机构，有的时候用“传统媒体”，有的时候用“主流媒体”。当他们想树立新闻机构过时的形象，表明自己是时代先锋的时候，就用“传统媒体”，甚至“过时媒体（legacy media）”；但他们想树立新闻机构占据权力要冲地位，表达自己是“反权威”生力军的时候，就会用“主流媒体”，暗示他们自己是反抗主流叙事的边缘群体。

而且，他们虽然用了“媒体”这个词，但实际上主要是指新闻机构。媒体概念包罗万象，影视剧、综艺、体育、生活服务等等传统主流媒体大部分时候不在他们主要指向范围内。好莱坞有时候会被提到，但大部分时候还是指向新闻机构。

很多讨论会在批评新闻机构的时候把美国的电视台也纳入讨论。但电视台里新闻节目一般只占很小部分（CNN这一专门的新闻电视台除外），电视的主业是综艺、剧集、体育等视觉娱乐。而电视在视觉娱乐层面要和TikTok这类短视频平台竞争，这才是他们面临的新挑战。

2024年底，马斯克在华尔街日报这个既主流又传统的新闻机构刊文陈述自己的DOGE政见，而那时候正值他和包括华尔街日报在内的新闻机构骂战激烈、表面上认为新闻机构毫无价值之时。

就此我问了问财新AI的意见：

马斯克对新闻媒体的态度，是极致实用主义的体现：媒体既可以是他推进政治商业目标的“扩音器”，也可以是他巩固民粹人设的“背景板”，甚至是他争夺舆论权力的“对手”。他没有固定的媒体观，所有的合作与对抗，最终都指向一个核心——维护自身的权力、财富和政治影响力。

那么，什么是传统媒体？

传统媒体是区别于新兴媒体的概念，在当前，指所有社交媒体诞生之前旧的媒体形式，包括通讯社、报纸、广播公司、电视台等。

什么是主流媒体？

主流媒体是区别于另类媒体的概念，体现建制与民粹的关系。

主流与否不体现在量上，如果以发行量、浏览量计，长期以来都是另类的太阳报压倒主流的泰晤士报——他们都在新闻集团旗下。主流体现在影响力，而非直接接触的用户数目。影响力是间接释放的，比如说大多数人都没用过路透社的产品，但是很多都听说过路透社，因为大家听说过的种种信源总会引用到路透社。

这种影响力建立在信息的准确性信用上，不意味着100%准确，因为工作总有出错，但准确率会远高于社交网络上的另类媒体账号。准确率的构建则来自于专业的操作规范。不过，考虑到新闻机构每天产量很大，即便是很小的错误率，也会累积下不少错误样本，这些样本就可以被当做攻击素材，用来说服缺乏统计学直觉的观众。

社交网络上的大部分账号，也不具备事实核查、采访、编辑的能力。尤其是单人运营的“自媒体”，很多时候都体现为评论媒体，而非新闻媒体。这也是没办法的事情，因为单人产能有限。评论媒体需要在新闻媒体输出的报道基础之上表达自己的观点，是上下游的关系。但在公共讨论中，二者经常混为一谈。

民粹支持者也会从用户量的角度去攻击主流新闻机构。观众很容易被直给的数字对比所说服，而比较难以理解影响力和用户量是两个不同的指标，且影响力和用户量相悖是一种常态，甚至这种相悖有内在的逻辑原因。

去年有两家表现不佳的新闻机构——华盛顿邮报和CNN，他们都经历了管理层动荡。

管理稳健的纽约时报和华尔街日报现在业绩则非常好，订户数量达到历史新高。小报之王默多克的新闻集团现在反而需要主流大报来撑业绩亮点。个人认为，这是因为小报的需求已经逐渐被21世纪小报之王字节跳动所捕获。

伯克希尔哈撒韦2025年第四季度唯一新进的个股就是纽约时报，而这也是巴菲特担任伯克希尔哈撒韦CEO的收官披露，颇有象征意义。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

传统上，端午节和春节都有大扫除的习俗。我认为，端午节打扫是需求驱动的，而春节打扫是供给驱动的。现代社会的供给已经发生了变化，春节不再适合大扫除，推荐大家把每年大扫除的额度用在端午节。

端午节起源时，就以卫生防疫发端，在即将到来的夏天，人类面临虫害、传染病的威胁，所以要打扫卫生，还有很多除虫的习俗， 比如悬艾插蒲、洒扫庭除、喝雄黄酒、佩戴香囊。很多都流传至今。所以我说，夏季打扫卫生，是需求驱动的，即便在现代，做好卫生，也能让接下来的夏天减少蚊虫滋扰，很有帮助。

而冬天，我个人猜测，很有可能是因为农闲，供给溢出，所以才诞生了很多习俗，而其中包括大扫除。没有什么需求上的必要性在冬天做一场大扫除。大扫除可能是为祭祀或者礼仪准备，而这种礼仪出现在冬天本身可能也是因为冬天的农闲。

现代社会冬天的供给已经完全不同了，年前很忙，具体到打扫的话，想约个打扫服务也不容易。所以呢，不如错峰，在真正非常需要打扫的夏季来临之前，赶在梅雨之前，好好做个打扫，我想这是更现代的做法。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

大型语言模型（LLM）在不同任务上展现的能力存在差异。我觉得在写代码和写文章这两个任务中，LLM还是更擅长写代码。

语言模型物理学目前将语言模型的能力划分为三个主要方面：知识、推理和形式。

编程语言包含许多具有明确格式和规则的元素。例如，变量如何声明、函数如何定义、代码块的起始/结束标记、循环和条件语句的语法等，都有相对固定的写法。常用的设计模式也都有经过验证的代码结构供LLM学习参考。LLM擅长生成这些符合规范的代码组件，自动化完成许多需要遵循格式的编码工作，从而提高开发效率。

写作通常避免套话和冗余表述，LLM生成的文本有时显得模式化，包含空洞的填充语句。要得到精炼的文章，用户需要投入精力修改，这使得LLM直接产出所需内容时效率并不像写代码那么高。

写代码的时候有很多格式文本不得不写，使用LLM辅助可以省掉这些填充格式的工作——此前往往由IDE自动补全、模板等功能来实现，但现在LLM能做得更好；而写作则需要超越固定表达，追求内容精炼与创新，这与LLM的输出方式不同，常需要人工干预。

我最初认为，可能存在一种认知偏差：即某个领域的专家更容易发现AI在自己专业领域的不足，因为他们熟悉领域中的细微差别和高标准。因此，他们可能会推断AI在自己不熟悉的领域表现得更好。写作者可能觉得LLM不擅长写作擅长写代码；反之，计算机专家也可能觉得LLM不擅长写代码擅长写作。

这个观点的核心是，专家容易低估AI在自身领域的表现，而高估其在其他领域的表现，因为他们对其他领域的评判标准可能不那么严苛。

现在，我仍然坚持这个观点，其实这个观点就是在说LLM处在专家以下新手以上的水平。但除此之外，我认为LLM在代码方面的确展现出更强的能力，这种更强不仅仅是上述跨领域观察偏差的结果。代码本身的性质——对严格的格式、明确的规则（如变量声明、函数定义、语法结构）和既定模式的依赖——恰好与LLM处理形式、规则的能力非常契合。相比之下，高质量的写作往往要求更高的原创性、语境理解和避免模式化表达的微妙技巧，这对当前的LLM来说挑战更大。

类似，如果是写作中格式要求比较多的文书工作——比如结构明确、要写很多固定内容的文件、材料，我想LLM也格外胜任。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

在前社交网络时代，无论是线下正式场合还是传统大众媒体（报纸、广播、电视），公开发言的机会相对稀缺且门槛较高。有限的版面、节目或会议时间意味着焦点位置需要竞争和筛选。发言者通常需要披露身份，并为其言论承担后果，同时获得影响力，权责相对匹配。同时，公众反馈渠道——如读者来信——数量有限且通常经过筛选，难以形成大规模、即时的原始讨论场。

社交网络则结构不同。虽然获得广泛关注的“焦点”（如热搜、大V帖子）仍是稀缺资源，但围绕这些焦点进行“发言”（评论、转发、在相关标签下讨论）的门槛和成本却极低。这就造成了核心发言者与外围参与者的权责断裂：引发关注的账号（尤其大V）通常需要为其言论承担较高责任，其权责相对统一；但在评论区、相关标签下，存在着海量的、通常匿名的、发言成本（时间、责任）极低的参与者。现实生活中承担较多责任、时间宝贵的人，往往难以投入大量精力参与网络讨论；相反，时间成本相对较低、所负责任较小的人，则更容易拥有充足的时间在网上积极发帖和参与互动。这部分占据了讨论流量主体的声音，其“发言权”与其所需承担的“责任”严重脱节。这种“核心可能负责，外围普遍免责”的现象，是许多社交平台的基础结构。大量低责任成本的言论可以即时、公开地附着在高关注度的信息节点上。

正是这种权责的严重失衡，使得社交网络极易成为网络喷子（Troll）肆虐的温床和滋生地。他们可以利用低成本、低风险的发言机会，散布攻击性、情绪化、非理性的言论，严重污染讨论环境。即使核心内容尚可，但充斥着劣质信息的评论和相关讨论，也会淹没严肃、深入的观点。负责任的核心发言者，反而容易成为大量低成本、不负责任言论的攻击目标，可能导致有价值的声音因不堪其扰而沉默。

低成本发言机会的极端体现，是机器评论和“水军”（受雇发帖者）评论。机器人程序能够以低边际成本大规模自动发布内容，而“水军”则通过有偿方式，以分散且往往匿名的形式，批量制造和传播特定观点或情绪。在线下会议等传统对话场合，不可能有机器人、水军这种低成本少担责的发言机会。而机器人和水军又能以量取胜，获得在互联网上的不小力量，是权责错位被恶意利用的突出表现。

微信公众号默认的“精选评论”模式，等于是重新引入了“编辑筛选”，试图平衡开放性与讨论质量。把号主的流量影响力和对流量的责任都还给号主，拒绝外在力量利用网络结构做出的低成本干扰，我觉得这是一种更好的设计。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

创业公司的优势是技术，包括开源在内的技术扩散会把自己的优势消灭，让那些渠道有优势的公司免费获得最先进的技术获利。

上一轮视觉AI公司，就遇到了技术扩散问题，有渠道优势的海康大华获利；而大语言模型技术扩散，有渠道优势的腾讯元宝获利。

闭源是更合理、可持续发展的选择。不过有的机构不是为了盈亏平衡来的，而是为了给人类文明做奉献，那么开源是合理的。

相比上一代视觉AI，构建大语言模型对资源门槛要求更高，技术扩散更难，所以对技术创业公司来说应该是一个更好的选择。即便现在，主流的“开源”模型也普遍是仅仅开放模型权重。这样就无法像普通开源软件那样撬动社区力量让社区一起共同开发、改进，还是要靠模型公司自己研究下一代模型，做完了之后再把权重开出来。不过还是会积累一些社区生态，这个生态主要来自于下游开发，而非社区对模型本身的贡献。

所以，开放权重作为弱势模型的竞争策略更加合理，比如Qwen Llama，能力不够，靠社区生态来补，获取可以继续与顶尖闭源模型竞争的市场地位。即便如此，Qwen的旗舰模型也是不开放权重的，将来是否有变化，不得而知。

DeepSeek-R1权重公开以后，除了元宝这一渠道优势产品之外，我还想推荐两款有特定优势的产品：秘塔和跃问。

秘塔的信源治理一直特别好，现在加上DeepSeek-R1，如虎添翼。元宝能访问微信公众号已经很好，但秘塔这种精心治理的信源表现更为突出。

跃问擅长视觉模态，他们把自己的视觉模态嫁接到DeepSeek-R1上，使DeepSeek-R1获得了视觉能力。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

“费曼学习法（feynman technique）”为什么是个骗局，有几篇中文文章已经讲得很好了，不再赘述。

斯科特·杨（Scott H Young）学习能力那么厉害，是否确有其事？ - 知乎
如何评价 Scott H.Young 一年内自学完 MIT 计算机专业的全部 33 门课程？ - 知乎
全世界都知道费曼学习法，除了费曼自己 - 知乎

很遗憾的是，这些链接我都是自己用搜索引擎搜索的，用知乎直答的R1，并不能找到。

Scott H. Young后来还开了微信公众号，骗中国人。

对“费曼学习法”的几种理解

以教代学

但“教”得好不好，并不能保证有环境的反馈。

在2025年，我们已经知道了当前最佳的学习方法，是“压缩”和“强化学习”。而自己给自己判分，就失去了强化学习需要的环境反馈。比如Scott H. Young在做MIT挑战的时候，并没有采用强化学习的方法——让老师或者系统判分，而是自己给自己判分，那效果当然很难算数。他自己说及格了就及格了。

另外，有的人教不明白、讲不明白，但并不影响自己能学好。

用简单的语言讲述复杂的事情

信息无法被低于其柯尔莫哥洛夫复杂性的字符串表达。所以，如果一个东西很复杂，那么它是没有办法被简洁表述的。

有的论文原作，写得已经非常精确简短，直接看就已经是最好的学习方法。如果能用凝练的语言、用符号清晰地表达想法，可能更体现自己对事物的理解深度。这也体现了“压缩”的智慧。

推荐学习方法

分享一下我用的办法，都是大学老师教的，我觉得很实用：

1. 不懂的地方迅速跳过，往后看，看完了再重新看一遍，再一遍、再一遍……看多了可能就懂了，书读百遍其义自见。
2. 不懂的地方迅速跳过，以后再看同类型的别的内容，看多了就懂了。

这就跟大语言模型预训练差不多，看材料，看优质材料，优质材料多看几遍。

资料

Scott H. Young发明费曼学习法的YouTube视频发表于2011年8月23日，披露MIT挑战的视频发表于2016年9月29日，所以这是一个很新的骗局，火起来可能也不到十年。

费曼有很多真的好东西，一位博主整理了大量精译的费曼本人资料视频，推荐给大家：费曼Bongo的个人空间-费曼Bongo个人主页-哔哩哔哩视频

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。