搜索
人类可以在一生中持续学习新知识，而不会轻易遗忘已有技能。然而对 AI 模型而言，这恰恰是一道极具挑战性的难题：每当模型学习新任务时，参数更新往往会覆盖历史知识，产生经典的 “灾难性遗忘” 难题。持续学习（Continual Learning）正是为突破这一瓶颈而生的研究方向。
你敢信？仅仅是让Fable 5数一下，单词raspberry里到底有几个字母r，结果就被一脚踢回了Opus 4.8！更离谱的还在后面。哈佛生物统计学家Kareem Carr，只是自报了一下家门——我是做生物统计的。话音刚落，Fable 5当场翻脸，直接强制降级。
前段时间我做了一个 guizang-social-card-skill（https://github.com/op7418/guizang-social-card-skill）。
AI网关OrcaRouter最近上线了一套可编程路由策略Routing DSL，多个模型同时答题，自动仲裁出最优解。几个你现在就能调用的“常规模型”，给它来个组合编排，跑出来的综合胜率，直接掀翻了Fable 5的单体基准线。Opus 4.8打不过Fable 5，GPT-5.5也单挑不过，但这两个拼一组，结果就反超了。
过去一个多月，大模型圈依旧热闹。从 GPT-5.5、DeepSeek V4 到 Claude Opus 4.8，后训练正在成为模型能力提升的关键引擎。
长上下文模型越来越能“记”，但真正让它们跑到线上时，最先顶不住的往往不是算力，而是KV Cache。
连续创业的 York 开启了又一段新征程。过去十几年里，他几乎一直在做软硬一体系统：从计算机视觉、嵌入式，到后来的机器人。他的上一个创业项目——智能购物车 Caper AI，在 2021 年被 Instacart 以 3.5 亿美元收购。
前段时间开源了 guizang-ppt-skill，之后我自己用它做内容的时候发现一件事。
上个月我做了 M5 Paper Buddy，把一块墨水屏接到 Claude Code 上，监控 AI 在干什么、需要审批什么。当时挺兴奋的，物理按键审批操作那个仪式感很好。但用了几周之后我发现，它放在桌上的时间，远比我看它的时间长。
01 那个问题 ::: 什么是游戏？ 这个问题比听起来要难。画面逼真不算，操控流畅不算，连开放世界都不算——你还需要有目标，有规则，有「我死了」和「我赢了」的判断。 Alberto Hojel 在 X