全部 · 2026-07-18

Dave Eggers 被 Sam Altman 请去 OpenAI 做内部演讲，结果他当面把 ChatGPT 批了一顿。他的核心观点很直接：写作最值钱的部分不是最后的漂亮句子，而是写初稿时那种混乱、犯错、边写边想的过程。ChatGPT 让年轻人跳过这一步，直接把“写作”降级成“编辑”，等于剥夺了他们通过文字整理思绪的能力，所以他才说这是在“让整整一代人闭嘴”。 这个批评本身不新鲜，但发生在 OpenAI 办公室里，而且是被老板请来的客人当面讲，场面应该挺尴尬。文章没提 Sam Altman 或在场员工怎么回应，也没说 Eggers 有没有给出具体例子或数据支撑他的观察。这点比较可惜——如果只是基于个人感受的批评，说服力会打折。 还缺两个关键信息：一是 OpenAI 内部对这类批评有没有认真讨论过产品设计上的调整，比如引导用户先写草稿再求助 AI；二是 Eggers 有没有区分“用 AI 辅助写作”和“完全让 AI 代写”，这两者对思考能力的伤害程度完全不同。

Max Woolf 这篇吐槽点出了一个挺真实的体验：频繁的配额重置不是福利，而是变相锁客。OpenAI 在两周内重置了六次，Anthropic 那边次数没提，但作者暗示两家都在这么干。他自己从每月 20 美元升级到 100 美元，结果配额经常剩 50% 以上就被重置，算下来每次相当于浪费 12 美元。这逼着他赶紧想新项目把额度用掉，反而打乱了正常节奏。 文章没给 Anthropic 的具体重置次数，也没拿到官方对重置策略的回应，所以判断只能基于作者个人体验。但逻辑是成立的：趁你额度还没用完就重置，你就没空去试别家产品。作者甚至考虑降回 20 美元档，说明这种策略对高付费用户反而有反效果。 还缺两个关键信息：一是这些重置到底是技术故障补偿还是刻意运营手段，正文没披露；二是普通用户的使用率数据，如果大部分人本来就用不完额度，那频繁重置对留存的实际影响可能没那么大。

Kimi K3 这次开源，最值得看的是月之暗面自己的态度：他们直接承认模型还打不过 Claude Fable 5 和 GPT-5.6 Sol。但 Arena.ai 和 Vals AI 的第三方评测又显示 K3 已经能跟这些旗舰模型掰手腕，这种“官方谦虚、第三方叫好”的落差挺有意思。文章把这次发布跟 2025 年初 DeepSeek R1 那次震动相提并论，叠加了特朗普政府对华关税战、Anthropic 被国家安全审查、以及几家大 AI 公司准备上市的背景，市场反应是纳斯达克周五跌了约 1%，英伟达等芯片股被抛售。 不过这篇文章信息缺口很大。K3 到底多少参数、训练花了多少钱、用了什么开源许可证，正文一概没提。没有这些数字，就很难判断它是不是真的“省钱又强”，还是又一个跑分好看但落地困难的模型。另外，文章把技术发布和地缘政治、股市波动绑在一起讲，但没给出任何直接因果证据，更像是在渲染情绪。想认真评估 K3，得等月之暗面把技术细节和许可证补上。

这篇博文最值钱的地方是作者拿自己的日常编码工作做了真实对比，而不是跑几个标准测试集。结论很直接：Kimi K3 和 Claude 在输出质量、token 消耗上分不出区别，但价格差了三倍以上——K3 API 每百万输入/输出 token 收 3 美元和 15 美元，Claude 是 10 美元和 50 美元。订阅端更夸张，Claude 20 美元套餐因为成本撑不住，悄悄把 Fable 访问权限砍了，降级到 Opus，而 Kimi 39 美元的编程套餐给得大方得多，没有这种暗降操作。 作者把这事和美国 AI 政策绑在一起看：政府限制美国模型，结果只限制了自己用户，中国的前沿模型完全不受影响。他引了 Semgrep 的测试，GLM 5.2 在安全基准上赢 Claude，原因就是受限模型拒绝干活，开源模型直接干。正文没披露 K3 和 Claude 对比的具体任务类型和样本量，也没说 K3 在长上下文或复杂工程任务上有没有翻车，这点先别太激动。 作者最后预测美国会走汽车工业老路——补贴加关税撑着国内模型，但出不了国门。这个判断有情绪成分，不过价格数据和政策现状摆在那里，值得盯着看。

这篇博客最值得看的是 Fable 5 的稳定性，而不是 /goal 模式。作者拿一个未公开的光纤网络优化问题做测试，搜索空间下限高达 10^1223，属于典型的 NP-hard 问题。Fable 5 在普通模式下三次 30 分钟跑分只差了 319 分，平均得分 32,386，比 GPT-5.6 Sol 的 34,261 低了近两千分（分数越低越好）。这种一致性在模型评测里很少见，说明 Fable 5 在这个任务上不是靠运气蒙对的。 /goal 模式的表现反而让人犹豫。它在六次对比中赢了四次，但两个模型的平均分都被拉低了——Fable 5 差了 759 分，Sol 差了 868 分。作者解释了两家 /goal 的底层差异：Claude Code 用 Haiku 做纯文本评估器，Codex 则有持久化状态和生命周期工具。这意味着 /goal 不是简单的"再想想"，它改变了搜索路径，有时找到更好的解，有时只是给一个烂方向更多时间发酵。 文章的限制也很明确：只测了一个问题、一种预算（30 分钟）、未公开数据集，所以结论不能直接推广。正文没披露这个问题的具体约束条件和最优解参考值，也没说明人类基准线到底是多少分。如果你关心的是模型在复杂优化任务上的原始推理能力，Fable 5 的表现值得关注；如果你在考虑把 /goal 当日常开关，这篇数据建议你先别急。

Samuel Sutch 这篇抱怨文没有给出解决方案，但把现状讲得很直白：在很多公司，100% 的工程产出都是 AI 生成的“垃圾”，从 PR 描述到设计文档无一幸免。他说自己干了 20 年开发，以前总能找到有意思的问题去解决，现在每天就是等 AI 吐代码，然后处理一堆 AI 写的评审意见。 最值得留意的是他提到的职业困境——想不用 AI 已经不是一个可选项。面试第一轮就会被问对 AI 的态度，回答不够积极就会被视为“难搞”。他举了 Zig 这类明确拒绝 AI 的项目作为例外，但判断这类项目最多只能维持一个小众圈子，不会有什么商业影响。 这篇文章的局限也很明显：全是个人观察和同行闲聊，没有数据支撑“100% 是垃圾”这个判断。他没区分 AI 辅助和 AI 全自动生成，也没讨论哪些场景下 AI 产出确实能用。如果你想知道有没有团队在认真管理 AI 产出质量，这篇文章给不了答案。

这篇文章把 DSL 重新定位成“给 LLM 建一个更小的可执行世界”，而不是发明新语法。核心逻辑是：AI 降低了设计语言、写解析器和准备示例的成本，团队可以先为眼前几个相似任务建立领域边界，跑起来再决定它的寿命。这个判断是成立的，但文章引用的 Tickloom 项目只是一个工程案例，没有比较同一批任务在自然语言、JSON、普通 Java 和 DSL 下的生成成功率，也没有跨模型 benchmark。它能说明机制怎么工作，不能证明 DSL 已经普遍提高 LLM 的任务正确率。 文章提出的三层架构值得关注：FastAPI 负责原子操作，DSL 描述完整计划，Context Infrastructure 保存过去的判断和纠正。这比单纯堆 prompt 更接近工程系统。但作者也诚实指出缩小世界的代价——边界太窄可能把正确答案一起删掉。判断重点不在 DSL 是否图灵完备，而在模型能触发哪些外部效果，以及系统允许这些动作怎样组合。 还缺什么？文章没给出 DSL 设计的具体方法论，比如怎么判断领域动作是否足够稳定、怎么避免过度约束。也没有讨论 DSL 的维护成本在团队规模变大后如何分摊。如果后续能补充跨模型的对比实验和实际项目的长期维护数据，这套思路会更有说服力。