富貴B人 retweeted
Japonya’nın hızlı treni, çözülmesi imkânsız gibi görünen bir sorun yaşıyordu… ta ki küçücük bir kuş çözümü gösterene kadar.
富貴B人 retweeted
训练小模型：2026 年最被低估的 AI 技能
2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。
2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。
两个月过去了。CJ 没有停。
他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 voice agent 的工具调用 fine-tune——成本 $11。
从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。
一、CJ 方法论：为什么值得认真对待
CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。
工具链
| 角色 | 工具 | 成本 |
|------|------|------|
| 规划（Orchestrator） | Codex 5.5 | 订阅内 |
| 数据生成（Generator） | DeepSeek v4 Pro | API 按量 |
| 训练框架 | Unsloth | 免费开源 |
| 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr |
| 推理部署 | llama.cpp / Ollama | 免费 |
数据流水线
CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」：
「"Low quality data = Low quality model performance"」
他的流水线是自进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。
$80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。
模型选择
CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确：
「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」
他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。
二、这不是 CJ 一个人的实验——行业数据在同时发声
CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。
市场规模
SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。
性能
阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。
另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。
企业已经在省钱——真正的省钱
| 公司 | 方案 | 效果 |
|------|------|------|
| Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% |
| 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 |
| EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% |
| AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 |
400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。
三、「数据集工厂」才是真正的护城河
CJ 在 5 月 22 日发了一条推文，八个词：
「"The moat might not be the fine-tune itself. It might be the dataset factory."」
这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。
中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察：
「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」
在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。
四、从边缘到生产线：部署已经在发生
SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。
2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。
而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。
五、成本轨迹：从「公司预算」到「午饭钱」
CJ 的公开成本记录是最好的注脚：
| 日期 | 项目 | 成本 |
|------|------|------|
| 05-13 | 1 亿+参数数据集生成 | ~$80 |
| 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 |
| 05-28 | Qwen 3.5 tool calling for voice agent | $11 |
$11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。
六、结论：学会训练你的第一个模型
CJ 给的学习路线图异常简单：
1. 从 1B-4B 小模型开始，不要一上来就搞大模型
2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU
3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO）
4. 用 Codex 做规划，DeepSeek 做数据生成
5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存
他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。
这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。
通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。
参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / Chanl.io 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026
🤖 Made with AI
富貴B人 retweeted
心理学家丹尼尔·卡尼曼，1970年代在耶路撒冷希伯来大学的办公室里，跟搭档阿莫斯·特沃斯基闲聊。
两人突发奇想，设计了一道题：
"一家医院里，有个叫琳达的女人。31岁，单身，性格直率，非常聪明。大学主修哲学，在校期间深度关注歧视和社会公正议题，还参加过反核示威游行。"
请问，下面哪个更可能？
A. 琳达是银行柜员。 B. 琳达是银行柜员，同时积极参与女权运动。
很简单的一道题。
学过概率论的人都知道，B是A的子集。
一个人同时满足两个条件的概率，永远不可能大于只满足其中一个条件的概率。
永远。
这是数学铁律，没有例外。
但卡尼曼不关心数学。
他关心的是人。
他把这道题发给了不列颠哥伦比亚大学的本科生。
结果：
85%的人，选了B。
85%的人，违背了最基本的概率法则。
卡尼曼没有停。
他换了一批人——统计学博士生。受过专业概率训练的人。
结果：
依然有超过50%的人选了B。
一群以概率为生的人，面对一道入门级的概率题，集体翻车。
卡尼曼后来把这道题带到了全世界。
斯坦福、哈佛、柏林、斯德哥尔摩。
不管在哪里，不管受试者的教育水平多高，大多数人都会掉进同一个坑。
🖊️ 这就是认知心理学中著名的"合取谬误"——conjunction fallacy。
原理并不复杂：
人类大脑在做判断时，不是在计算概率。
而是在讲故事。
"31岁、哲学系、关注社会公正、参加过反核游行"——这些细节拼在一起，自动在你脑子里合成了一个鲜活的人物形象。
一个女权活动家的形象。
当你看到选项B——"银行柜员且参与女权运动"，你的大脑会说："对，这就是她。"
它觉得B更"像"琳达。
而选项A——"银行柜员"，太平淡了。跟你脑海中的人物画像不匹配。
于是你毫不犹豫地选了那个概率更低的答案。
不是因为你笨。
而是因为你的大脑用"代表性"替换了"可能性"。
卡尼曼把这种思维捷径称为"代表性启发"——你不是在判断什么更可能发生，而是在判断什么更符合你心中的故事模板。
这个陷阱今天无处不在。
你看到一个穿格子衬衫、戴黑框眼镜的人，第一反应"程序员"，而不是"销售经理"——尽管后者人数远远更多。
新闻里连续报道了三起飞机事故，你就觉得"最近坐飞机好危险"——尽管统计上那个月的飞行安全记录和往常没有任何区别。
一家创业公司的CEO在台上讲了一个完美的故事——名校辍学、车库创业、逆袭上市——你就觉得"这公司肯定能成"。
因为它太像那个故事了。
你的大脑不在乎概率表格上写了什么。
它只在乎眼前这个故事，够不够"像"。
当一件事看起来越合理、越生动、越像"应该发生的样子"，你就越坚信它会发生。
而真正的概率，往往藏在那个最不像故事的选项里。
富貴B人 retweeted
在机器学习里，有一个概念叫过度拟合。当一个模型缺乏新的、真实的测试数据，只能在有限的旧数据里反复训练时，它就会变得极其神经质，把噪音当成了规律，产生严重的幻觉。
其实，很多人的人生也是如此。
你的大脑，就是一个极其强大的预测模型（System 2）。它的设定就是不断预测未来以避开危险。
而你的身体（System 0），则是这台机器的传感器，负责提供当下的地面真值（Ground Truth）——温度、重力、肠胃的蠕动、肌肉的松紧。
当你整天盯着屏幕，久坐不动，你其实是主动切断了传感器的输入。
大脑这个预测模型，接收不到来自物理世界的真实安全信号，它就开始恐慌。
它只能在过去的遗憾和未来的恐惧这两堆旧数据里，反复咀嚼。
于是，它产生了严重的幻觉，为你预测出无数种根本不会发生的灾难。
在算法里，这叫过度拟合产生的幻觉。在人生里，这就叫焦虑。
所以，解决焦虑从来不是靠想。
用大脑去解决大脑的问题，就像用产生Bug的代码去修复Bug。
你必须接入真实的物理数据，让传感器重新上线，模型才会停止空转。
修好了，只有大疆能看
2月24日，据国内媒体报道，一名DIY爱好者用PS5游戏手柄控制自家大疆（DJI）Romo扫地机器人时，意外触发严重安全漏洞，导致全球约6700台该型号机器人遭未授权访问，可被查看实时摄像头画面、获取家庭2D楼层平面图，甚至定位设备位置。
发现该漏洞的是萨米·阿兹杜法尔（Sammy Azdoufal）。他向媒体表示，自己初衷只是觉得用PS5手柄控制新入手的大疆Romo很有趣，便用Claude Code软件逆向工程了机器人与大疆服务器的通信协议，自制了一款远程控制应用。
令人意外的是，这款应用连接服务器后出现权限失控，他仅提取了自家设备的私有令牌，便获得了全球约7000台Romo的响应。
The Verge记者现场见证了漏洞演示。9分钟内，阿兹杜法尔的电脑就记录了24个国家的6700台大疆设备，收集到10万余条设备消息，涵盖设备序列号、清洁房间、所见场景、行驶距离、充电时间及遇到的障碍物等。
仅凭同事托马斯·里克（Thomas Ricker）提供的14位设备序列号，便能精准查看机器人正在清洁客厅、剩余80%电量的状态，还能获取同事家的精准楼层平面图。
此外，他还能绕过自身机器人的安全PIN码查看实时画面，甚至将一款只读版应用分享给法国一名IT咨询公司CTO贡扎格·丹布里库尔（Gonzague Dambricourt），对方在未配对设备的情况下，也能远程查看自家Romo的摄像头画面。
阿兹杜法尔强调，自己并未入侵大疆服务器，"我没有违反任何规则，没有破解、暴力破解任何系统"，只是他提取的自家设备私有令牌，本应用于验证自身设备访问权限的密钥，被大疆服务器误判为通用权限，进而泄露了全球数千台设备的数据。
大疆方面回应：大疆（DJI）于1月下旬通过内部审查发现了一个影响大疆 DJI Home 的漏洞，并立即启动修复工作。该问题通过两次更新得到解决，首次补丁于2月8日部署，后续更新于2月10日完成。修复程序已自动部署，无需用户进行任何操作。
32
富貴B人 retweeted
73岁三浦友和现状：不住豪宅不靠儿孙，只想陪着山口百惠安静老去。
他活成了圈里的异类！
同龄明星忙着住豪宅、享儿孙绕膝之福，他却偏守着东京近郊的老宅度日。
没有保姆伺候，不见豪车随行，只剩平淡日常。
这份不合常理的选择背后，藏着怎样的心意？
其实答案很简单，全是为了身边的山口百惠。
越大越往小房子搬
现在三浦友和心里最大的事儿，竟然是搬家，但他不是往大房子搬，反而要把住了几十年的大宅子卖掉，换个面积小、紧凑舒服的小房子，还琢磨着自己参与设计，哪怕这是这辈子最后一个住处。
这操作让不少人看不懂：都这岁数了，谁不图个宽敞气派？
但在他和山口百惠眼里，房子就是装日子的容器，日子简单了，容器太大反而空荡荡的没人气，比起面子上的排场，夫妻俩更在意住得踏实自在。
现在想知道他们一家的消息，基本只能靠儿子三浦祐太朗，2024年底，大儿子忙着见驻日大使做文化交流，还去上海开演唱会，忙得脚不沾地，颇有继承衣钵的意思。
但不管儿子舞台多高光，三浦友和夫妻俩从来不去现场蹭镜头，在他们看来，那是儿子的光环，跟自己没关系了。
三浦友和的日常优先级很明确：先当好山口百惠的司机和大厨。
谁能想到，银幕上帅了一辈子的硬汉，回家脱了外套就钻进厨房？
而且这可不是作秀，几十年来，洗碗做饭都是夫妻俩的日常，谁有空谁上，根本没有君子远庖厨的讲究。
比起高端餐厅的珍馐，他们更爱一早拎着购物袋，去充满烟火气的早市、超市淘新鲜菜，买到打折的好食材，比拿影帝奖杯还开心。
养花拼布的默契搭档
三浦友和的下午，大多耗在花花草草上，这不是退休老人的无聊消遣，而是夫妻俩共同经营的小天地。
山口百惠喜欢做拼布，这活儿特别考验耐心和审美，她从花鸟市场淘回新植株，三浦友和就打下手，把绿植挪到阳台和小院里。
两人的配合还是当年拍戏时的默契，只不过以前递的是剧本，现在递的是铲子、水壶，没有轰轰烈烈的娱乐活动，就这么安安静静地打理花草、做手工，日子过得慢悠悠的。
在很多人看来，这样的日子是不是太冷清了？家里明明有可爱的小孙女，怎么不天天守着？
其实这背后是夫妻俩对爱的清醒把握。早年山口百惠为了照顾公婆，在大房子里做了十五年全职看护，不是简单端茶倒水，而是要面对衰老、疾病和生活习惯的摩擦。
那段日子里，她受了委屈也不敢跟正在事业低谷的三浦友和说，怕影响他拍戏。
那时候房贷压力大，三浦友和的片酬还没山口百惠退圈前一部戏的零头多，再加上公婆偶尔的风凉话，日子过得格外难。
也正因为这段经历，他们看透了家庭关系的本质：不管是父母对孩子，还是子女对父母，保持一点距离，才是对彼此的慈悲。
所以现在就算有了小孙女，他们也从不提帮忙带娃、搬来一起住的话。
他们把界限划得很清：孩子的路让孩子自己走，带娃的苦乐自己尝，上一代人没必要强行插手，免得最后两头不讨好。
其实这种不干预的育儿观，从两个儿子小时候就有了。
大儿子祐太朗不想蹭父母热度，自己在音乐圈摸爬滚打，二儿子贵大演戏也从配角一步步做起。
三浦友和甚至骂过那些对子女工作指手画脚的父母是笨蛋，道理很简单：不放手，孩子永远成不了自己。
最骄傲的是守护好家
现在再看山口百惠当年的隐退，根本不是外界说的为爱牺牲，她出生在破碎贫穷的家庭，还背负着私生女的骂名，13岁出道见识了名利场的繁华，也比谁都渴望踏实的日子。
她早就明白，虚无的掌声填不饱肚子，只有在超市盘算菜价、打理日常的时候，那种掌握生活的感觉才最真实。
为了接送孩子考驾照，怕镜头的她克服了巨大的心理压力，为了家庭收支平衡，她学会了精细记账。
这些琐碎的日常，把一段曾经不被看好的女强男弱婚姻，缝补成了最坚韧的样子。
这份坚韧也体现在三浦友和身上，他随身或案头总放着一本笔记，不是记台词的工作簿，而是晚年生活备忘录，里面记着和老婆的日常：今天做了什么、吃了什么，甚至今天花开了、鱼很新鲜这种小事。
他还打算把这些片段整理成书，不写辉煌过往，只记平淡流水账。
在他眼里，这辈子最值得骄傲的不是拿了多少奖、演了多少英雄，而是把全日本都疯狂迷恋的女神，安安稳稳地护在了家这个防空洞里，两人平安地走过了岁月的风雨。
现在的他们，就像默契的手艺人，不再用胶片和麦克风，而是用心打磨剩下的共同时光。
不需要大舞台，小房子就足够，不需要多观众，能听见彼此的呼吸就好。
这大概就是他们给年轻人的启示：顶级的生活方式，不是拥有多少别人羡慕的东西，而是终于能关上门，过自己想过的日子。
哪怕在外人看来平淡如水，在他们心里，这才是千金不换的幸福。
富貴B人 retweeted
攻殻機動隊の草薙素子をモデルにした、空山基による新作彫像
攻殻機動隊展は1月30日から！
tokyoartbeat.com/events/-/Gh…
富貴B人 retweeted
A tiny change can change everything.
The Lorenz system demonstrates the “butterfly effect,” where subtle differences in initial conditions lead to very different outcomes. This simulation visualizes that divergence across 10 starting points.
Check it out ⤵️ 🦋
