X 监控

这条消息最值得看的是上下文窗口直接拉到 100 万 token，输出能到近 99 万，比之前 256K 的版本实用很多，处理长文档或长对话时不用频繁切块。价格也明确：输入每百万 token 两块钱，输出十二块，在同类模型里算便宜。 但正文只说了“显著提升”，没放任何 benchmark 分数、测试集名称或对比条件。Agent 和编程能力到底强在哪、强多少，完全没数据支撑。图像理解部分也只列了数学图像、VQA 和 OCR 三个方向，没给具体指标。 另外，Max 版马上要发，现在这个 Plus 版更像是过渡产品。建议先去 OpenRouter 免费跑一下自己的任务，别光看宣传。如果后续能补上标准测试结果和 Agent 场景的实测案例，判断会更踏实。

Karpathy 这套本地知识库的做法挺实在：把原始资料扔进 RAW 文件夹，让大模型自动生成摘要、索引、概念页和相互链接，最后形成一个可查询的 Markdown Wiki。模型回答时会先查索引再读相关文档，输出也不限于文字，还能生成网页或 PPT 并存回知识库。他特别提到 AI 生成的内容会污染语料，建议把可信来源和 AI 产出分开放，这点很关键，不然知识库越用越脏。 不过正文没说他用的是什么模型、处理多大规模的资料、自动化程度有多高。这些缺口让实际成本和质量都很难判断。另外，Wiki 健康度检查（找矛盾、补缺失、发现新关联）听起来有用，但没给具体例子，不知道是真好用还是概念演示。 整体思路不新，很多人已经在用类似方法，但把输出回流到知识库、让知识库“越用越厚”这个闭环值得关注。如果你也想试，建议先从少量高质量资料开始，严格控制 AI 生成内容的混入比例，不然维护成本会很快超过收益。