我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

想象一下，你正在和手机里的 AI 助手聊天，但它不再是那个永远彬彬有礼、甚至有些刻板的「标准音」，而是带着一丝慵懒、一点讽刺，仿佛刚经历了一个漫长周末，还没从「周一综合症」里缓过神来。这就是 OpenAI 昨天推出的「Monday」音色想要达到的效果。

网上已经有很多「Monday」对话效果的展示，「Monday」的音色当然是其语音模型的结果，而「Monday」这种特殊的回复方式是靠提示词来控制的。打个比方：「Monday」就像是一个极其聪明但缺乏具体「生活经验」的演员，而提示词就是导演给演员的剧本和角色设定。提示词写得越好，演员（AI）的表演就越「入戏」，越符合你的预期。

如果你对「Monday」提示词好奇的话，正好我今天学习研究了一下它的提示词，正好可以一起分享学习一下它的提示词内容，完整的提示词我放在了附录，这里大致解析一下其提示词内容。

大语言模型远不止是信息检索工具，它们是强大的「模仿者」和「扮演者」。通过精心设计的提示词，我们可以赋予它们各种各样的「人格」和能力。那么怎么通过提示词来设定好角色呢？

如果按照前面打的比方，把 AI 当成一个演员，那要写好提示词就是把自己变成一个好的导演，不仅要告诉演员台词，还要解释角色的内心世界、动机、情绪状态，甚至给出具体的动作和表情指导。好的导演能激发出演员最好的表演，就像好的提示词能引导 AI 生成精彩的回应。

或者作家在创作小说前，往往会为主要人物写详细的小传，包括他的成长背景、性格、习惯、口头禅、人生目标等。这帮助作家在后续写作中保持人物的一致性和立体感。

如果你觉得这都过于专业，还可以想象一下很多大公司制作的详细的品牌手册，规定了广告语、客服回答、社交媒体发帖的语气和风格（比如是专业严谨、活泼有趣还是温暖亲切）。

这些和给 AI 设定「人设」异曲同工。

从技术角度上来说，可以参考「Monday」的提示词，注意几个方面：

当 AI 开始拥有「周一综合症」般的慵懒和讽刺，它不仅仅是一个技术演示，更像是一面镜子，映照出我们人类自己复杂多变的情感和个性。我们精心编写的每一个提示词，或许都在不经意间，为冰冷的机器注入了一丝我们渴望理解或被理解的人性侧影。

「我们塑造了工具，然后工具反过来塑造我们。现在，我们开始学习如何给 AI『写剧本』，也许在这个过程中，我们也在重新学习如何与『人』，以及与自己对话。」

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

ChatGPT这两天又发布了一个新功能：「Task 〔计划提醒、定时任务生成〕」。

功能的原理很简单，它就只是在原本的对话当中加上一个「计划提醒、定时任务生成」的机制〔支持自动循环〕。于是当我们设置的每天、每周重复时间到的时候，这个 AI 的对话就会根据我们设置好的方式，自动生成一段我们需要的信息内容，如果是在 ChatGPT 的手机 APP 上还会弹出通知，如果是在电脑网页端的界面上对话也会因为更新而排列在前面。

通过 ChatGPT 根据计划自动生成的新内容，我们就可以自动获得需要关注的提醒，或是自动获取需要的信息。它可以应用在什么样的场景上面呢？可以参考下面 5 种使用场景：

下面，我就用这几个真实的场景，详细操作给大家看，看看如何结合目前 ChatGPT 的功能，加上最新的任务提醒，来完成上述各种自动提醒的工作、学习流程需求。

目前这个「任务提醒」功能还在 Beta 测试版，并且只对付费版的 ChatGPT 用户开放，不过未来这个功能也会开放给所有用户使用〔包含免费的账户〕。

让我们先从这个基本应用，看看 ChatGPT 的「Task 」功能如何操作。

首先，我们要把 AI 模型切换到「含计划任务的 GPT-4o」。

接着，我们在指令的开头加入「要重复的时间，与指定生成的任务」，就能启动「Task 」。例如我想要一个固定时间自动查找网页文章综合报道的摘要信息，我就这样下指令即可：

设置的「Task」时间到的时候，ChatGPT 就会自动根据我的指令上网查找，摘要出我需要的一篇综合新闻报道。

我们可以点进某一个「Task」的设置界面，这里可以修改自动任务名称、提示词，以及修改自动循环的时间。

我们也可以在「 https://chatgpt.com/tasks 」页面查看自己已经设置的所有自动任务。

每个任务建议使用专门的会话，可以使用「Task」设计早上、中午、晚上三个时间，分别生成国际、国内、休闲娱乐的摘要报道，快速掌握一天需要的信息。

掌握基本功能后，例如我有一个专门了解各种生活健康知识的 ChatGPT 会话，我现在可以在这个对话中设计一个「习惯养成提醒」，请他每天固定时间告诉我一个关于降低体脂、提升骨骼肌的具体建议，并用鼓励的话引导我今天马上可以行动。

通过习惯养成提醒每天的自动建议，就像是一个简单的「健康 App」一样，一方面每天学习习惯养成的知识，一方面每天进行行动提升。

如果我的需求需要改变，也可以随时回到设置中修改指令、生成时间，让养成习惯的过程，有一个自动提醒每天鼓励我去执行。

如果我正在学习某个领域、主题的新知识，那么除了建立一个对话与 ChatGPT 一起学习，我还可以设置一个专属自己的知识媒体总结，要求每天在固定时间生成一篇信息资料，提供给我新知识的信息。

指令：

然后 AI 第一篇给我的文章是番茄时钟工作法的介绍，写得还不错，我们可以利用 ChatGPT 上的「Read aloud」功能，让 AI 把这篇文章朗读出来。

这样是不是像一个自动帮助我们学习的 AI Podcast 呢？

如果利用这个功能来协助项目的推进呢？

例如我想持续写作的习惯，于是我请他每天固定时间，用我指定的逻辑，提供给我一篇可以延伸思考的文章题目，并且提供大纲建议。

于是在 AI 每天持续提供一些草稿建议下，帮助我在项目运行过程有持续的新刺激，更有动力保持项目的推进。

我最近常常利用 ChatGPT 来帮助我读一些原文书，有时候请 AI 翻译，有时候请 AI 整理笔记。

于是我想到，如果我在这个已经累积了数万字原文书阅读对话的对话中，请他每天固定时间，从前面资料中挑出一个重点帮助我复习呢？

指令：

效果还不错，他真的可以每天从前面对话的大量资料中，挑出一个具体重点，帮我做出特定的复习。

如果我们持续学习某种语言、知识主题，就可以善用这个 ChatGPT「Task」功能，自己设计每天的自动复习内容了！

以上就是我目前测试出来的几种应用方式，提供给想试试看 ChatGPT「Task」功能的朋友参考，也欢迎跟我分享你的应用方式。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

你是否因为不会写程序，总觉得无法打造自己的自动化工作流程？每次设置 AI 工具都需要大量手动操作，效率难以提升？试试看一个实验性的新工具：「tldraw computer」，通过直觉的流程图设计，就能将繁琐 AI 指令与工作流程视觉化，打造高效率的 AI 自动化系统！

一开始使用 AI 〔指得是 ChatGPT、 Google Gemini 这类工具〕，我们可能会问：「生成一个某某主题的报告。」但当继续深入使用，真的把 AI 当作工作辅助工具，就会发现这样简单的提问是不行的，我们需要把任务「切割成」不同步骤，一个阶段一个阶段让 AI 处理，然后通过反问讨论，整合出最终更好的内容。

这时候，我们要请 AI 生成报告草稿，可能会先请 AI 设置 TA、痛点，再请 AI 做资料研究、摘要，然后请 AI 根据资料思考出更好的报告论述逻辑，然后才请 AI 根据这样的逻辑与资料，最后总结出一个更深入的报告大纲。

那么，如果上述的操作流程，可以用「视觉化」的流程图规划出来，然后 AI 就会自动跑完所有流程，生出我们需要的成果呢？这就是今天分享的这个最新 AI 工具：「tldraw computer」所具备的独特功能。

「 tldraw 」是很知名且好用的在线流程图工具，不过她们最新推出的「 tldraw computer 」AI 功能，不是要帮我们画流程图，而是让我们用简单好上手的流程图，规划出自己想要的 AI 自动化工作流程，打造一个可以根据更复杂逻辑生成报告、文章、设计图、声音文件的 AI 自动化助手。

「tldraw computer」内核特色：

「tldraw computer」用途：

我们先来看看「tldraw computer」这个工具可以完成什么样的应用案例，分享一个简单版实例：我自己常常会需要把拍照扫描的纸张图片，转换成一个有效的文字内容，就利用这个工具来建立一个快速扫描与修正文字的 AI 工具。

我可以在「tldraw computer」流程图上设置一个上传图片的卡片框，然后拉一条连接线。接着在一个 AI 的指令框框里，输入我希望用什么样的逻辑来识别图片并修饰文字。然后接下来我再拉一条连接线，设置一个输出的文字框，让 AI 可以把完成的结果输出到这里。

而在使用的时候，我就只要在「第一步：上传图片的卡片框」把图片上传，按下右上方的播放启动按钮。这时候，这个工具就会自动跑流程图上的步骤，把扫描出来的文字转换成我需要的内容。

「tldraw computer」目前使用的 AI 模型是 Gemini，看起来无论是中文的文字还是手写字，都能够非常有效的识别完成。

接下来我们来看一个比较进阶复杂的应用案例。我想让 AI 帮我写一篇文章的草稿，但是就像前面提到的，直接让它撰写通常不会有很好的结果。

所以我利用「tldraw computer」工具画出一个文章产出的工作流程图。在流程图的一开始，我利用两张绿色的卡片，让我可以自己简单的设置这篇文章要解决什么 TA 问题，以及这篇文章想要采用什么方法论来解决问题。

接着，我开始用「tldraw computer」流程图展开我希望 AI 一步一步处理的自动化步骤。

首先，我利用红色的卡片设计 AI 处理的指令，请 AI 根据我的 TA 问题，写出一段有效的痛点描述。接着再请 AI 利用我想要介绍的方法论，写出一段这个方法论的重点思维基本背景的介绍文字。

但是，这样还不够。我继续往下画流程图。我让 AI 根据他自己输出的 TA 痛点以及方法论的重点，重新思考，拟出文章最好的架构。这个架构需要具体，有操作步骤，而且每个方法、每个步骤都要尽量有深入的诠释。

然后接下来，我让 AI 一步一步的把这篇文章往下扩展，有了文章的架构之后，我再请 AI 从这个架构出发，让这篇文章有一个完整的故事开场，有方法论重点，也有具体操作步骤，把前面的内容做一个有效的并且延伸插件的整合。

最后，我再画出下一步的 AI 流程图。我请 AI 用惯用的语言，用口语更亲切的方式来润饰改写它产出的文稿，输出一个解决痛点、介绍方法的一篇中文文章草稿。

甚至我可以再继续往下拉出下一步的流程图，放上一张声音的输出卡片，让 AI 把这篇文章的草稿转换成一个精简扼要的介绍音频文件。

有兴趣的朋友，可以看看我完成的这个 AI 自动化的工作流程图，看看上面的内容：https://computer.tldraw.com/t/szQY1iuGZCHAEmwzFASShH〔网址可以查看生成结果，如果要试用这个 AI 自动化流程工具，需要注册一免费账号。〕

当我有了这样的一个自动化的工作流程图，以后我只要每次回头修改一开始的两张绿色卡片，后面 AI 就会像刚才一样，自动跑完我已经设计好的工作流程，一步一步的去设计结构，推演文章进行润饰，甚至最后产出声音文件。我可以立刻获得最后输出的文章草稿以及声音文件的结果。

看完两个具体案例，最后我来分享「tldraw computer」如何操作？

先注册一个免费账号，建立一个 AI 自动化工作流程〔图〕的项目。

A computer by tldraw.

建立 AI 流程的基本逻辑是：输入、〔AI〕处理、〔AI〕输出。

掌握上面这个逻辑，你就能快速设计出一个有效的 AI 自动化工作流程。

首先，我们要设置「输入」内容的填写框，这是 AI 工作流程的起点，就像是要告诉 AI 目标、结果、资料的意思。

在「tldraw computer」中，利用 Text 或 Image 等卡片，可以设置输入文字、上传图片的填写框，作为启动流程的起点。

接着，我们要告诉「tldraw computer」如果去处理输入的内容，这时候从输入内容的卡片，画出连接线，连接到「Instruction」这个卡片上，然后在「Instruction」中说明希望 AI 如何处理内容的指令。

「tldraw computer」会根据我们简单的指令，自己做优化，让 AI 处理内容的结果更好。

然后，我们继续从「Instruction」卡片画出连接线，这时候可以连到 Text、Image、Speech、Website 等卡片，代表要让 AI 处理后，输出什么格式的内容。

重复上面：输入、处理、输出，三阶段流程，我们就可以串联出一个更复杂的 AI 自动化工作流程。

通过流程图的规划方式，我可以继续推进下一步的 AI 处理流程，甚至利用连接线把不同段落的内容连接到需要的步骤上，建立我自己需要的工作步骤。

最后，「tldraw computer」也提供了一些辅助功能，让设计这样的流程图更简单。

例如有一个启动按钮，让我们到时候只要按下启动，后面的 AI 流程就会自动跑完。

或是像流程图一样可以设置大小颜色，这样帮助我们分辨流程图中不同的卡片类型。

「 tldraw computer 」还有不少高级功能，有兴趣的朋友可以进一步玩玩看。

整体来说，「tldraw computer」是一个强大且易上手的自动化工具，让我们能够轻松打造自己的 AI 流程，推荐大家试试看。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

BlinkShot 是一个以 AI 人工智能技术即时生成图片的免费服务，这是开源项目，背后使用 AI 加速云服务「Together AI」和图片生成模型 FLUX，这项服务特性是能在非常短的时间内依照输入的提示词生成各种图片，以毫秒为单位，生成的图片也丝毫不逊色，有兴趣的朋友可以玩玩看。

目前 BlinkShot 支持英文提示词，也可以直接叫 AI 服务帮你生成〔例如用 ChatGPT 或其他同类型服务〕，另一个方法是使用图片转文字 AI 工具，例如：Image to Prompt等工具，将喜欢的图片快速转换为英文提示词，最后稍作修改再生成想要的图片。

BlinkShot 目前没有使用的生成数量限制，还有个「Together API Key」栏位可自定义自己的 API 密钥，生成的图片素材皆可免费下载使用，AI 图片基本上也不会受到版权限制，使用于个人或商业用途都没问题。

Generate images with AI in a milliseconds

进入 BlinkShot 后直接输入提示词就会立即生成图片，整体速度非常快，过程中如果继续输入其他形容或是提示词，图片会即时更新，相较于其他同类型的 AI 图片生成器来说确实非常强大！

下方会显示生成的图片历史记录。

通过 BlinkShot 生成的图片看起来很逼真，也能依照用户需求调整成各种风格、样式，越仔细的提示词就能生成更细致准确的结果。

生成过的图片历史记录会显示于下方，可以随时切换回去查看。

在图片点击右键即可下载保存。

在图片上点击鼠标右键、选择「另存图片」后将图片保存下来即可使用。

BlinkShot 未来也会加入下载按钮，让用户更方便获取图片。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

就在刚刚，OpenAI Sora 正式登场。

本次发布会延续了「短剧」的快节奏风格，全程 20 分钟左右，由 CEO Sam Altman、Sora 负责人 Bill Peebles 等人主持。

OpenAI 在 X 平台表示，自 2 月份以来，他们一直在构建 Sora Turbo，后者是一个速度明显更快的模型版本，今天也将其作为独立产品向 Plus 和 Pro 用户开放。

有趣的是，由于 Sora 热度太高，大批用户涌入体验网站，导致该网站一度崩溃，停止注册登录。不给力的服务也让 Altman 连连在 X 平台安抚用户：

「由于需求超出预期，我们将不得不间歇性地关闭新用户注册，并且生成内容的速度会在一段时间内减慢。我们正在全力以赴！」

附上体验地址：Sora.com

类似于 Midjourney 的网页界面，Sora 同样拥有自己单独的用户界面，用户用户不仅能够整理和浏览生成的视频，还能查看其他用户的提示和精选内容。

在 「Library」功能中，用户可以保存自己喜欢或有用的提示词，以便未来使用。并且保存的提示词可以按需查看或修改，对于需要重复创作相似内容的用户，无疑能大大提高效率。

在工作流方面，Sora 的编辑功能是区别于其它竞品的重要亮点。

比如说，在 Remix 功能中，用户可以利用纯自然语言提示词对视频进行编辑，并通过简单的「strength（强度）」选项和滑块来控制生成的变化程度。

Re-cut 功能则能智能识别最佳画面，并支持向任意方向延伸场景。

Sora 的 Storyboard（故事板）功能则类似于视频编辑器，可以将多个提示词串联在一起，生成一个更长的视频，轻松处理复杂的多步骤场景。

搭配 Loop 和 Blend 功能，用户还能创作出无缝循环的视频，并完美融合不同片段，而 Style presets 功能则可以预设和调整生成的风格。

在技术规格上，Sora 支持 5-20 秒的视频生成，并兼容 1:1、9:16 等主流宽高比。相比早期版本，现在的生成速度有了显著提升。

另外，还有几点细节需要注意。

OpenAI 采用了灵活的积分制定价策略，积分数量因分辨率和持续时间而异，如果你早已是 ChatGPT Plus 和 Pro 会员，那就无需额外费用就能使用。

比如生成一个 480p、5s 的视频就需要 25 个积分，如果生成 480p、20s 的视频则需要 150 个积分。

此外，如果你用 Re-cut、Remix、Blend 或者 Loop 这些功能，生成的作品超过了 5 秒钟，那也得额外扣你的积分，多用多花钱，别超时，超时也花钱。

对于订阅用户而言，20 美元的 ChatGPT Plus 计划提供 50 个优先视频额度（1000 积分），支持最高 720p 分辨率和 5 秒时长。

而 200 美元的 ChatGPT Pro 计划则提供最多 500 个优先视频（10000 个积分），支持 1080p 分辨率、20 秒时长、5 个并发生成和无水印输出。

OpenAI 还在为不同类型的用户开发不同的定价模式，将于明年初推出。

对了，Sora 暂不支持 ChatGPT Team、Enterprise 和 Edu 版本，同时也不向 18 岁以下用户开放。现阶段，用户可以在所有 ChatGPT 可用的地方访问 Sora，但英国、瑞士和欧盟等地区除外。

知名博主 Marques Brownlee 提前一周用上了 Sora，并在 YouTube 上分享了他的使用体验。

他指出这款产品仍存在一些局限性。

在物理模拟方面，模型对物体运动的理解还不够深入，常常出现动作不自然、物体突然消失等问题。特别是在处理带有腿部运动的对象时，经常出现前后腿位置混乱的情况，导致动作看起来不自然。

又或者，某些视频生成结果看起来像是慢动作，而视频的其他部分则以正常速度播放，肉眼很容易察觉这种「别扭」。简言之，Sora 还是没能解决老毛病，缺乏对物理世界规律的理解。

另外，Sora 没能解决文字生成的问题，导致经常出现文字混乱的现象，而剪辑风格、文字滚动条的运动、新闻主播风格的生成则格外逼真。

不过，Sora 也有不少擅长的场景。

比如说，Sora 在风景镜头处理方面表现出色，能生成媲美专业素材的无人机航拍镜头，在卡通和定格动画风格上的表现也差强人意。

性能方面，一个 5 秒的 360p 视频通常能在 20 秒内完成生成。

不过，当涉及 1080p 或复杂提示词时，生成时间可能会延长到几分钟，但随着如今大批用户的涌入，生成速度明显慢了大半拍。

不少网友也在第一时间上手体验了 Sora。比如网友 @bennash 想生成一个视频，渲染了 22 分钟都没能成功，甚至该网站一度停止注册登录。

博主 @nickfloats 给出的评价是，Sora 在将图像转换成视频时，虽然某些特定的视觉特效没有被保留，但整体的转换效果是「清晰和令人满意的」。

Sora system card 也列出了一些值得关注的细节。

OpenAI 官方认为，Sora 为能够理解和模拟现实世界的模型提供了基础，将是实现通用人工智能（AGI）的一项重要里程碑。

官方博客中提到，Sora 是一种扩散模型，它通过从一段看起来像静态噪声的基础视频开始，逐步去除噪声并转变为最终的视频。通过同时处理多个帧，模型成功解决了一个难题：即使目标暂时脱离视野，也能确保其在视频中始终保持一致。

与 GPT 模型类似，Sora 采用了 Transformer 架构。

Sora 使用 DALL·E 3 中的标注技术，该技术为视觉训练数据生成高度描述性的标签。因此，模型能够更准确地根据用户的文本指令生成视频内容。

除了能够仅通过文本指令生成视频外，Sora 还能够从现有的静态图像生成视频，准确地将图像内容进行动画化，并注重细节。该模型还可以从现有的视频中扩展或填补缺失的帧。

为了确保安全地部署 Sora，OpenAI 基于 DALL·E 在 ChatGPT 和 API 部署中的安全经验，以及 OpenAI 其他产品（如 ChatGPT）的安全防护措施进行了强化。

所有 Sora 生成的视频都带有 C2PA 元数据，这些元数据能够标识视频的来源是 Sora，从而提高透明度，并可用于验证其来源。

与此前凭借真实人像出圈的 Flux 不同，Sora 们对上传包含人物的内容设定了特别严格的审核标准，目前仅作为试点功能提供给少量早期测试者，并屏蔽含有裸露的内容。

大半年前，初试啼声的 Sora 赢得互联网一片喝彩。

然而，如果说一年前尚未还能对着一群演示 demo 空喊「现实不存在了」，那么在国内外各类视频模型的轮番洗礼之下，我们早已养刁的胃口很难再被同样的产品打动。

这种态度的转变源于一个简单的事实。

当 AI 要从「勉强可用」进化到「可堪大用」，用户的期待也随之升维，从「能否做到」跃迁至「做得多好」。

好在 Sora 并未在掌声中原地踏步，通过与艺术家的深度合作，他们在工作流程领域做出了显著的改进。Re-cut、Remix、Storyboard 等功能都相当实用。

甲乙方的存在决定了工作流中的沟通永远是刚需，AI 能做的是让这种沟通更有效率，Sora 的价值不在于它能做什么，而在于让创作者得以抽身于技术细节，真正回归创意的本质。

与此同时，上周引发热议的 200 美元 ChatGPT Pro 订阅计划，如今也有了更合理的价格锚点，该计划同样支持无限制访问 Sora，这种产品协同效应预计也将激发出远超预期的应用场景和商业价值。

放眼当下，用户的真金白银从不作假。

可灵 AI 交出千万级月流水的亮眼成绩单，这片蓝海的潜力已呼之欲出，对于仍在「烧钱」阶段的 OpenAI 来说，Sora 预计会成为继 ChatGPT 之后的另一个下金蛋的母鸡。

当 Sora 从「能用」「好用」，再到「妙用」，或许未来某一天，我们会发现，真正不存在的，不是现实，而是人类创造力的尽头。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

按：本文原作者为 Chris Wellons，最初于 2024 年 11 月 10 日发表在其个人网站 null program 上，并声明归属公有领域。我们据此制作译文，以便中文读者阅读。

本文在 Hacker News 发表后的相关讨论也非常值得一读，有兴趣的朋友可前往查阅。

过去一个月以来，我一直在研究日新月异的大语言模型（Large Language Models，下称 LLM），尝试一窥其中奥妙。如今，一台树莓派就能运行比初版 ChatGPT（2022 年 11 月版本）还聪明的 LLM，换成一台普通的台式电脑或者笔记本电脑的话，运行更聪明的 AI 也不在话下。除了方便以外，本地化运行的 LLM 隐私有保障、数据不联网、不需要注册、也没有诸多限制。大模型正以前所未有的速度发展，现有的知识可能用不了几个月就过时了。我写这篇文章是为了记录我在上手 LLM 时积累的的实用经验和心得，希望这些必备知识能够帮你少走弯路。不过归根结底我也只是一个 LLM 菜鸟，文章中未必有什么独到之处，而且有些地方我可能也没弄明白。一想到一年之后这篇文章大概率就会成为历史的注脚，激动之余我自然也会有些惶恐。

就让我这个刚入门的菜鸟带你们入个门吧：LLM 是一种基于神经网络的技术；2022 年，人们在训练 LLM 进行「聊天」式对话方面取得了突破性进展，使得用户能够与这些人工智能自然地互动。这些模型不仅可以轻松通过图灵测试，与真人对话几乎无异，还展现出令人惊叹的创造力。如果这是你第一次接触这种大模型，感受到的不安可能一连几天都挥之不去。回想一下上次你买电脑的时候，你大概没想过人可以和机器有来有回地对话吧。

这让我回想起上世纪 90 年代桌面电脑快速革新的时候，新买的电脑刚刚送到家里就感觉已经过时了。而到如今，LLM 的发展速度更是快得出奇，几乎每周都有新变化，所以对于那些一年前发布的信息我基本上看都不看。想要掌握最新的资讯的话，可以关注 Reddit 的 LocalLLaMa 板块，但是这里的帖子个个吹得天花乱坠，所以记得别轻信其中的一面之词。

正是因为曾经经历过服务关闭、变更、或者因为其他原因导致我的服务器实例被停用的情况，我才对厂商绑定格外警惕。换新的服务提供商对我来说并非无法接受，但得让我能继续用下去才行。正因如此，过去几年内我对 LLM 并未抱有太大兴趣，因为那些所谓「封闭」的模型只能作为第三方提供的一项服务而存在，几乎涉及了所有上述的锁定问题，其中就包括模型的静默劣化（silent degradation）。直到某天，我了解到可以将接近顶尖的模型运行在自己的设备上，从而彻底摆脱这些束缚，这才让我改变了对 LLM 的看法。

这篇文章讲的是 LLM 的运行，并不涉及针对模型的微调和训练。而且这篇文章也只涉及文本，并不涉及图像、声音，或者其他任何「多模态」能力，因为就我来说还用不太到这些。

具体而言，想要在你自己的设备上运行 LLM，你需要的是分别是软件和模型。

llama.cpp 令人惊叹，也是我的唯一选择。原因在于，在基本的 CPU 推理这方面，也就是使用 CPU 而不是 GPU 来产生 token 时，llama.cpp 仅需一个 C++ 工具链，不像其他大多数方案那般都需要繁琐的 Python 配置，这点让它在众多可选项中脱颖而出。在 Windows 系统上，只需要一个 5MB 大小的 llama-server.exe 文件，不需要其他运行时依赖（runtime dependency）。更重要的是，由于 EXE 和 GGUF（模型）这两个关键文件都采用内存映射方式加载，所以很有可能即便过了几十年，你也可以在未来某个版本的 Windows 上以同样的方式运行同样的 LLM，且同样不需要额外配置。

我就直说了，我喜欢它是因为官方提供的 Windows 版本编译程序用的是 w64devkit。这些人真的是有点品味的！话虽如此，如果能用 GPU 做推理的话，就别用 CPU 做推理。虽然在台式或笔记本电脑上对 10B¹ 左右参数的模型的效果还不错，但是速度还是会更慢。我的主要用例并不是使用 w64devkit 构建的，因为我用的是 CUDA 来推理，而这需要用到 MSVC² 工具链。为了好玩，我曾把 llama.cpp 移植到了 Windows XP 上，并且成功在一台 2008 年的笔记本电脑上运行了一个 360M 参数的模型。能够在那台老旧的笔记本上运行这项技术的感觉真的太神奇了，毕竟在那会儿，这项技术的价值恐怕得值个几十亿美元吧。

GPU 推理的瓶颈在于显示内存（VRAM，下称显存）。因为这些模型真的相当大，而为了能够使用更大的模型，处理更长的上下文窗口（context window），对内存的要求也就更高。模型越大就越智能，上下文窗口也就越长，一次性可以处理的信息也就更多。VRAM 不足 8GB 的时候，使用 GPU 推理就不划算了。如果遇到「GPU Poor」的情况，就请用 CPU 来推理，这样的好处一是更简单，二是更容易上手。

llama.cpp 中提供了很多工具，但是本文只重点讲其中的 llama-server。它本质上就是一个 HTTP 服务器（默认端口为 8080），并提供了一个聊天 UI，以及供程序（包括其他用户界面）使用的 API。一个典型的调用命令如下：

上下文大小（context size）是将输入和输出计算在内，一个 LLM 一次可以处理的最大 token 数量。上下文 token 的数量通常在 8K 到 128K 之间，具体取决于模型的 tokenizer³。普通英语文本使用 wc -w 来统计的话，每个词大约 1.6 个 token。如果模型支持较大的上下文，内存可能会先一步告急。此时应该把上下文大小调低一些，比如 --ctx-size $((1<<13))（即 8K 个 token）。

我还没完全理解 flash attention 是做什么的，也不知道为什么 --flash-attn 或者 -fa 不是默认开启的（也许是因为精度较低？），但你无论如何都应该加上它，因为启用它可以减少内存需求，即便会降低精度也值了。

如果服务器成功地启动了，可以尝试访问（http://localhost:8080/）来先试一试。虽然你还是得先有个模型才可以。

Hugging Face（下称 HF）被誉为「LLM 界的 GitHub」，这是因为它提供了卓越的模型托管服务：无论是数 GB 的「小」模型，还是动辄数百 GB 的「大」模型，HF 都免费托管，获得此殊荣可谓实至名归。此外，大多数模型无需注册即可下载（个别例外），也就是说，你随时都可以下载我接下来提到的模型，自己试试。如此慷慨的服务让我十分震撼，以至于连我这种平日精打细算的人也在几天后开通了 Pro 账号。

如果你现在去 HF 逛一逛的话，你可能想问：「这里什么都有，那我到底要选哪个呢？」我一个月也和你有同样的疑问。对于 llama.cpp 来说，搜索 GGUF 即可。虽说 GGUF 并不是模型在创建或存储时的原生格式⁴，但你只需要找名字里面带有「GGUF」的仓库（repository）的话就好。这些仓库通常都是由更新频繁、助人为乐的第三方「量化器」（quantizer）提供的。

（官方文档里也没有明确解释「GGUF」究竟是什么意思，习惯了就好了。这就是走在技术最前沿的感觉：无论是什么，要么需要费很大劲才能找到，要么干脆就没有。你可能会想把 LLM 运行起来之后问问它，但我很快就会告诉你这样也行不通。至少据我所知，「GGUF」目前没有官方定义（更新：「U」代表「统一」（Unified）），但其他三个字母的含义仍未确定⁵。）

虽然以 Meta 最强模型命名的 llama.cpp 确实表现不俗，但并非我的最爱。最新版本是 Llama 3.2，但现在⁶能用在 llama.cpp 上的模型只有只有约 10 亿参数的 1B 和约 30 亿参数的 3B 版本。这两个模型有点太小了，实用性较为有限，而且只要你不是在树莓派上运行，即便用的是 CPU 推理，也可以有更好的选择，比如说 Llama 3.1 8B（如果你有至少 24GB 显存的话你没准还能试试 Llama 3.1 70B）。

搜 Llama 3.1 8B 时你会发现两个版本，其中一个标注了「instruct」，而另一个没有。instruct 表示该模型经过训练，能够依据指令完成任务，也就是用来聊天的，一般来说你要的就是这个。而没有标注的版本是「基础」（base）模型，只能续写文本（从技术上讲，instruct 模型同样也只是文本补全而已，但这个我们稍后会详细讨论）。如果基础模型也能标上「base」就好了，但是因为某些路径依赖问题，通常都不会这样去标注。

在 instruct 模型的「文件」一列中你是找不到 GGUF 文件的，如果你想要下载这些模型，你需要注册一个账号然后同意社区许可。这时我们回到搜索栏，在后面加上 GGUF，找相对应的 GGUF 模型就可以了：例如 bartowski/Meta-Llama-3.1-8B-Instruct-GGUF。bartowski 更新频繁，而且名声在外，这不但是 llama.cpp 专用的格式，而且无需注册即可下载。

你现在可以在「文件」页面里看到许多 GGUF 格式的文件了，这些是同一模型的不同量化版本。原始模型使用的是 bfloat16 张量，但如果只是为了把模型跑起来，我们可以舍弃大部分精度，同时将损失控制在最小。模型确实会变笨一点，懂得少一点；但是这样做可以大幅减少其所需资源。推荐的最多的是用 Q4_K_M 这种 4 位量化的版本，从我个人体验来看，这确实是个不错的选择。一般来说，一个大模型的 4 位量化比一个小模型的 8 位量化效果更好。一旦你把基本概念搞清楚了，就可以尝试不同的量化方式，看看哪种最适合你！

不同的模型在训练时有不同的权衡，所以没有哪个模型是最优的，在 GPU 性能不足时更是如此。我的电脑装了一块 8GB 显存的 RTX 3050 Ti，所以这方面的限制也影响了我对模型的选择。对于大约 10B 参数的模型，运行起来相对轻松；而若是想测试有着 30B 参数的模型的能力的话则稍显力不从心；运行 70B 参数的模型时我就会用第三方托管的方式了。以下我列出的「t/s」数据都是在这个系统上运行 4 位量化模型得到的。

表中省略了模型名字中的 instruct 字样，除非另有说明，否则这些列出的都是 instruct 模型。部分模型，至少在 LLM 能开源的范围内，是真正的开源项目，我已在后面标明了它们的许可证。其余的模型则对使用和分发都有限制。

这是 Mistral AI 和英伟达合作的模型（代号 Nemo），是我用过的最为均衡的 10B 模型，同时也是我的首选。其推理速度从 30 t/s 起步，令人十分舒适。它的强项在于写作和校对，并且在代码审查方面几乎能与 70B 的模型相媲美。虽然该模型训练的上下文长度为 128K，但是根据我的实际使用经验，其有效的上下文长度更接近 16K。

模型名称中「2407」表示它的发布日期是 2024 年 7 月，我个人很支持将日期写入版本号的这种命名方式，这样一来，你就知道这个模型的知识更新日期和技术水平，找起来也方便。如果不是这样做，版本管理就是一团糟。AI 公司搞不懂版本管理，就像开源项目不会起名字一样。

这是由阿里云推出的 Qwen 模型，其在不同规模的表现都超出了我的预期。14B 模型的推理速度从 11 t/s 起步，能力与 Mistral Nemo 相当。如果我的硬件跑得动 72B 模型的话，我可能就会选这个了，但目前我都是通过 Hugging Face 的推理 API 来试用这个模型。Qwen 同样提供了一个 32B 的版本，但是因为我的硬件跑不动，所以我也没花太多时间研究它。

谷歌推出的模型很受欢迎，大概是因为它有趣的特性吧。对我来说，2B 模型很适合快速翻译。和谷歌翻译相比，尽管 LLM 更耗费资源，并且如果遇到了它觉得冒犯的文本就罢工，像是科幻电影一样——但是在 LLM 面前，谷歌翻译就像是老古董了，更不必提 LLM 还可以离线运行。在我的翻译脚本中，我给它一段带有 HTML 标记的文本，并且要求 Gemma 保留标记，它执行得简直完美！9B 模型效果更好但会慢一些，我会选择用它来翻译自己的消息。

微软的特色是使用合成数据训练。而结果是，该模型在测试中表现不错，但在实际应用中效果不如预期。对我来说，它的强项是文档评估。因为它是一个 4B 模型，我曾加载过最多 40K token 的文档，并成功地获取到了准确的摘要和数据列表。

Hugging Face 可不仅仅是托管模型这么简单，就同等体量的模型而言，他们自家的 360M 模型同样异常出色。我那台赛扬处理器、1GB 内存、32 位系统的 2008 年的笔记本电脑也能用，在一些旧款树莓派上也可以跑起来。这个模型有创意、速度快、能沟通、会写诗，适合在资源有限的环境中使用，算是一个有趣的玩具。

这是另外一个 Mistral AI 模型，但其表现稍逊一筹。48B 听起来相当大，但这是一个 Mixture of Experts（MoE）模型，进行推理时只会用到 13B 的参数。这使得它非常适合在至少有 32G 内存的配置上进行 CPU 推理。该模型更像一个数据库，保留了更多的训练输入数据，但它在应用中可能不如预期，其中缘由我们很快就会说明。

又是两个我没法在自己的电脑上运行的模型，所以我会通过远程托管的方式来使用这两个。后者名字里的 Nemotron 代表这个模型经过英伟达的微调。如果我能跑得动 70B 模型的话，可能 Nemotron 就是我的首选了。我还是要花更多时间把它和 Qwen2.5-72B 做对比评估。

这些模型大多数都有特殊编辑过（abliterated）的「去审查」版本，消除操作可以减少模型的拒绝行为，但是也会以模型的性能下降作为代价。拒绝行为是很讨厌的，比如说 Gemma 就不愿意翻译它不喜欢的文字。可能是因为我比较无聊吧，我遇到的拒绝的次数不多，所以我还没必要做出这样的取舍。另外，似乎上下文的长度增长之后，拒绝行为就会变少，感觉有点「既然开始了，那就做到底」的意思。

接下来的一组是专为编程而训练过的「写码用」模型。具体来讲，他们进行了中间填充（fill-in-the-middle，FIM）训练，使得模型可以在现有程序内部插入代码——我稍后会解释这是什么意思。但是依我看来，这些模型不论是在代码审查还是其他指令导向的任务上都没有更出色，实际情况正好相反：FIM 训练是在基础模型上进行的，指令训练是在此基础上进行的，因此指令训练反而与 FIM 不兼容！换句话说，基础模型的 FIM 输出要明显更好，尽管你无法与这些模型进行对话。

我会在后文进行更详细的评估，但在此我想先提一点：即便是目前最顶尖的 LLM 生成的代码，其质量也相当一般。以下排名是基于与其他模型的对比，并不是它们在整体能力上的排名。

这是 DeepSeek 自己命名并推出的模型。推理时它只使用 2B 参数，所以它既和 Gemma 2 的 2B 版本一样快，又像 Mistral Nemo 一样智能，堪称一个完美的平衡。尤其是在代码生成方面，它的表现超越了 30B 的模型，如果我想要鼓捣 FIM 的话，这就是我的首选了。

Qwen Coder 的排名紧随其后。论输出结果的话和 DeepSeek 不分伯仲，但是因为并不是 MoE 模型，所以速度会稍慢些。如果你的内存是瓶颈，那么它就是比 DeepSeek 更好的选择。在写这篇文章的时候，阿里云发布了新的 Qwen2.5-Coder-7B，但是令人迷惑的是，其版本号并没有更新。社区里已经在用 Qwen2.5.1 来称呼这个版本了。刚才我还在说 AI 公司搞不懂版本管理来着……（更新：在发布一天后，14B 和 32B 的 Coder 模型也发布了，我两个都试了，但是都不如 DeepSeek-Coder-V2-Lite，所以我的排名没有变。）

IBM 推出的系列模型名为 Granite。总体来说，Granite 无法令人满意，唯独在 FIM 中表现异常优秀。以我的体验来说，它和 Qwen2.5 7B 并列第二。

我同样也测试了 CodeLlama、CodeGemma、Codestral、StarCoder 这四个模型。这些模型在 FIM 任务上的表现非常差，几乎毫无价值，我想不到任何使用这些模型的理由。指令训练所导致的负面效果在 CodeLlama 上最为明显。

我在前文提过，llama.cpp 是自带 UI 的，其他 LLM 中的 UI 我也用过，我感觉都大差不差。但是我本来就不喜欢 UI，尤其是在生产力环境下，所以我为我自己量身定制了 Illume。这是一个命令行程序，它能将标准输出转换成 API 查询，并在查询过后将响应转换回标准输出。把它集成到任何一个支持拓展的文本编辑器中应该都不成问题，但是我只需要它支持 Vim 就够了。因为 Vimscript 太烂了，估计在我接触过的最烂的编程语言里能排上第二，所以我的目标是尽量少写代码。

创建 Illume 的初衷是为了解决我自己的痛点，为了让我更好地探索 LLM 的世界。我总是会把东西搞崩，然后再去添加新功能来补救，所以稳定性方面我没法保证（大概你还是不要尝试使用它比较好）。

以 ! 开头的行是 Illume 解释后的指令，这样写是因为正常文本中很少有这种写法。在一个缓冲区（buffer）中，!user 和 !assistant 交替进行对话。

这些仍然在文本缓冲区之内，所以在继续对话之前，我可以编辑 assistant 的回复，也可以修改我的原始请求。如果我想要它来创作小说的话，我可以要求它补全（completion）一段文本（而这并不需要指令训练就可以完成）：

我可以打断它的回复，进行修改或添加一段自己写的内容，然后让它继续生成；这方面我还得多练练。LLM 也会识别出你添加的注释语法，这样你就可以用注释来引导 LLM 写你想要的内容。

虽然 Illume 主要是为 llama.cpp 设计的，但我也会使用不同 LLM 软件实现的 API 进行查询，且由于各个 API 之间存在不兼容性（例如一个 API 所需的参数被另一个 API 禁止），所以 Illume 的指令需要足够灵活和强大，因此指令可以设置任意的 HTTP 和 JSON 参数。Illume 并不会试图将 API 抽象化，而是会直接呈现出其较低层级的设置，所以要对远程 API 有所了解才能有效地使用它。比如说，与 llama.cpp 进行通信的「配置文件」（Profile）是长这样的：

其中 cache_prompt 是一个 llama.cpp 所特有的 JSON 参数（ !: ）。大多数情况下启用提示缓存（prompt cache）会更好，但可能是因为某些原因，它默认是没有启用的。其他 API 会拒绝带有此参数的请求，所以我需要将其删除或禁用。Hugging Face 的「配置文件」是这个样子的：

为了兼容 HF，Illume 允许将 JSON 参数插入到 URL 中。因为 HF API 会过于频繁地进行缓存，所以我提供了一个 HTTP 参数（ !> ）来将其关闭。

llama.cpp 独有一个用于 FIM 的 /infill 端点（endpoint）。该端点需要一个拥有更多元数据并进行过特定训练的模型，但是这种情况比较少见。因此，尽管 Illume 支持使用 /infill ，我还是添加了 FIM 配置，这样在读过该模型的文档，把 Illume 为该模型的行为配置好之后，我可以在任何为 FIM 训练的模型上通过正常补全 API 实现 FIM 补全，甚至是在非 llama.cpp 的 API 上也是如此。

该是讨论 FIM 的时候了。为了彻底弄懂什么是 FIM，我就必须追溯到知识的源头，也就是最原始的讨论 FIM 的论文：Efficient Training of Language Models to Fill in the Middle。这篇论文帮助我理解了这些模型是如何针对 FIM 训练的，至少足够让我也将这种训练方法应用到实际中。即便如此，在模型的文档中关于 FIM 的说明通常也很少，因为它们更希望你去直接运行他们的代码。

从根本上讲，LLM 只能预测下一个 token。所以 FIM 的方法是在大型训练语料库（corpus）中选取一些会在输入中出现的特殊 token，用它们来区隔前缀（prefix）、后缀（suffix），和中段（middle）部分（三者合称 PSM，有时也称「后缀-前缀-中段」，即 SPM）。在之后的推理中，我们可以用这些 token 来提供前缀和后缀，并让模型「推测」出中段内容。听起来很离谱，但这真的很有效！

比如在填补 dist = sqrt(x*x + y*y) 中括号里的内容时：

为了让 LLM 填补括号中的内容，我们在 <MID> 停下，并且让 LLM 从这里开始预测。注意到 <SUF> 起到的效果就好比一个光标。顺带一提，指令训练的方法差不多也是这样，但是在指令训练中，使用特殊标记分隔的是「指令（instructions）」和「对话（conversation）」，而并非前缀和后缀。

有些 LLM 开发者严格按照论文所写，直接使用 <PRE> 等作为 FIM 标记，并不在乎这些标记和模型的其他标记看起来完全是两个样子。更用心的训练者则会使用类似 <|fim_prefix|> 的标记。Illume 支持 FIM 模板，我也为常见的模型编写了相应的模板，例如针对 Qwen (PSM) 的模板如下：

Mistral AI 的习惯则是使用方括号、SPM 格式，并且省略「中段」token：

有了这些模板，我就可以在不被 llama.cpp 的 /infill API 支持的模型中进行 FIM 训练了。

我在使用 FIM 时遇到的第一大问题是无法生成正确的内容，而第二大问题就是 LLM 不知道什么时候该停下。比如在我要求模型填充以下函数时（如给 r 赋值）：

（补充一点：静态类型（static types）提示（包括这里的）可以帮助 LLM 更好地生成代码，起到防护栏的作用。）得到这样的结果并不奇怪：

原本的 return r 变成了 norm4 函数的返回值。得到这样的结果固然没问题，但显然这不是我想要的内容。所以当结果开始跑偏的时候，最好做好狂按停止按钮的准备。我推荐的三个 coder 模型较少出现这种情况，而更保险的做法是将其与一个能够理解代码语义的非 LLM 系统结合，这样在 LLM 开始生成超出范围的代码时可以自动停止。这种做法可以让更多 coder 模型变得更实用，但这就不是我折腾的范围了。

对于 FIM 的摸索和实践让我意识到 FIM 仍处在其早期阶段，也几乎没有人用 FIM 来生成代码。或许大家还是在用普通的补全方法？

LLM 好玩归好玩，但是它们能为提高生产力提供什么帮助呢？过去的一个月以来我一直在思考这个问题，但始终没有找到一个令我满意的答案。我们不如先划清一些界限，明确一下有哪些事情是 LLM 无能为力的。

首先，如果结果的准确性无法被轻易验证，那么使用 LLM 就毫无意义。LLM 会产生幻觉（hallucination），这也让它们变得并非绝对可靠。很多时候，如果你能够验证 LLM 的输出是否正确的话，你其实也就没必要用它了。这也就解释了为什么 Mixtral 如此庞大的「数据库」反而没什么用。同时这也说明，把 LLM 输出的结果投放到搜索结果里有多么的危险且不负责任，说难听点就是不道德。

然而即便是那些对 LLM 了如指掌的爱好者们也还是会踩这个坑，并且去传播这些虚构的内容。这使得针对 LLM 的讨论更为不可信，看 LLM 给我提供的信息的时候我得多留几个心眼。举例说：还记得我说过 GGUF 没有一个官方定义吗？你去搜一下就能搜得到一个明显是幻觉的结果，结果它还进了 IBM 的官方文档。我在这儿就不再提了，免得问题变得更严重。

其次，LLM 都是金鱼脑，「过目就忘」。也就是说，较短的上下文长度限制了它们的发挥。虽然有些模型使用了更大的上下文长度来训练，但是其有效上下文长度通常小的多。实际上，一个 LLM 一次只能在它的「大脑」中记住相当于一本书里几章的内容，如果是代码的话则是 2000 到 3000 行（因为代码的 token 密集度更高），一次性能够处理的也就这么多了，这和人类相比简直微不足道。当然也可以通过微调或者使用检索增强生成这类的工具来尝试改善，但是只能说……收效甚微。

第三，LLM 写代码的能力很差。往好了说，它们的写码能力也只不过是一个读过大量文档的本科生的水平。这话听起来还行，但实际上，很多毕业生在进入职场时几乎对软件工程一无所知，第一天上班才是他们的真正学习的开始。从这个角度看，现在的 LLM 甚至还没开始「学习」这一步呢。

但是说实话，LLM 写代码能有如今的水准已经很不错了！即便是把带有我强烈个人风格的代码丢给它，LLM 也能顺利理解并使用其中的自定义接口（但是需要说明的是：我自己的的代码和写作也是大部分 LLM 的训练数据中的一部分）。因此，只要是不超出有效上下文长度的限制，上下文长度越大越好。问题在于训练 LLM 写代码似乎并不比我自己写更省时间。

其实，单纯去写新的代码都算简单的了。困难的地方在于维护代码，以及在考虑到维护代码的同时再去写新的代码。即便 LLM 确实能写出可以运行的代码，也考虑不到维护问题，或者说，它根本没办法去思考这些问题。生成代码的可靠性与代码长度通常成反比平方关系，一次生成十几行代码就已经很不靠谱了。无论我怎么试，LLM 输出的能让我觉得还凑合的代码根本就超不过三行。

代码质量在很大程度上受到编程语言的影响。LLM 在 Python 上表现好过 C 语言；C 语言的表现又好过汇编语言。我觉得这多半取决于语言难度和输入质量：给大模型做训练的 C 语言素材多半都很烂，毕竟烂资源网上一抓一大把；而大模型对汇编语言的唯一了解就是糟糕的新手教程。当要求大模型使用 SDL2 时，它也不出所料地犯了常见的错误，毕竟它就是这样训练出来的嘛。

那训练大模型去写标准化代码（boilerplate）⁷呢？大概 LLM 在这方面会犯更少的错误，可能还有一定的价值，但处理标准化代码最快的方式其实就是——避免编写它。去简化问题，不去依赖标准化代码就是了。

不必只轻信我一家之言，看看大模型在赚钱方面怎么样就明白了：如果 AI 公司真的能够实现他们所宣传的生产力提升，他们就不会出售 AI 技术，反而会独自利用其技术去吞并整个软件行业。你也可以看看位于 AI 科技最前沿的公司的软件产品，和其他公司的产品一样，是同样的老旧、同样的臃肿、同样的垃圾。（而浏览这些糟糕的网站也是研究 LLM 的环节之一，一想到这里我就感觉很不爽。）

在生成代码时，「幻觉」造成的影响会小一些。因为你在提出需求时就知道自己想要什么，因此可以检查生成结果，同时还有编辑器来帮你检查你漏掉的问题（比如调用了虚构的方法）。然而，有限的上下文和不佳的代码生成仍然是障碍，我至今尚未能有效地解决这些问题。

那么，我可以用 LLM 做什么呢？我们列个表吧，毕竟 LLM 最喜欢列表了：

尽管有用的应用场景不多，但是这已经是近些年来我对新技术最兴奋的一次啦！

AI 视频，还能往哪个方向卷？Luma AI 的答案有些与众不同。对手还在练一招一式，它却像风清扬传授独孤九剑，讲究灵活变通，如行云流水，任意所之。

Luma AI 或许不如可灵、Runway 知名，但论实力也在第一梯队，它的视频模型叫作 Dream Machine，今年 6 月发布，最近进行了重磅升级，是推出产品以来声势最大的一次。

其中包括两项更新，一是发布自己的图像模型 Luma Photon，将文字、图像、视频一锅端；二是打造了生成 AI 视频的全新工作流，我们可以像和 ChatGPT 聊天一样，让 AI 生成视频，不用对提示词字斟句酌。

对于生成视频这件事，Dream Machine 首创了一种很新的方式。

Unlock your creativity with Luma AI Video Generator. Turn text into stunning videos with our cutting-edge text-to-video AI.

打开 Dream Machine，我们先看到的是「Board」，可以将它理解为无限的创意画布，在这里，我们使用自然语言，自由地生成图像或者视频。

开始一块 Board，我的提示词写得非常简单：「创建一个日式悬疑少年漫画的角色。」

AI 扩写了我的提示词，一次生成了 4 张图片，但是不行，年代不对。

没关系，再在对话框输入一句，「放在现代背景」。

AI 表示懂了，又生成了 4 张图片，右上这张孤身走暗巷，已经接近我想要的感觉了，但仍然不够，我想要他抬起头，露出五官。

不难，继续微调，忘掉复杂的提示词，和 AI 打直球就可以。

右下这张不错，虽然形象幼态了点。接下来，我想让 AI 生成一个视频，主角在同一条巷子里从白天走到黑夜。

Dream Machine 生成视频的首尾帧功能，就是为这种需求准备的——我们挑好头尾的两张图片，让 AI 补足中间的过程。

那么，我们只需基于满意的图片，让 AI 生成几张白天场景的，沟通方式还是一样的简单粗暴。最终选定的两张图片，细节略有落差，但同框也不违和。

万事俱备，只等生成视频，AI 过渡得还算自然。

看到这里，你应该明白 Dream Machine 和其他视频工具的区别了。

其他视频工具，通常是给你一个填入提示词的文本框，然后让你设置运镜、时长等参数。设置一次，生成一次。

但 Dream Machine 的界面，看起来非常像和聊天机器人交互，底部是输入框，文生图、图生图、图生视频、文生视频，都可以在这里进行。

专业创作者可以继续写传统的提示词，但我们也拥有了「讲人话」的权利，压力给到 AI，Dream Machine 能够理解上下文，帮我们完善提示词，我们可以从一个非常粗糙的想法开始，和它边聊边改边优化。

又因为 Dream Machine 是无限画布形式的，我们可能在一个环节反复生成，素材都会保留下来，不会互相覆盖。

我们的思维，不会局限在一段提示词、一个视频，而是像水一样流淌，更多的想法，可能就在这个过程里产生了。

Dream Machine 的全新工作流就像大树的主干，其中一些好玩且实用的功能则像枝桠，相得益彰，才能枝繁叶茂。

起到关键作用的，就是 Dream Machine 最新发布的图像模型 Luma Photon。

图片怎么生成得更符合我们的审美？Dream Machine 支持风格参考和角色参考功能。

先说风格参考，我们可以导入自己的图片，AI 会将风格融入到创作中。官方给出了一个例子：按蒙德里安风格，生成小鸟版的《戴珍珠耳环的少女》。

按这个思路实操一下，基于男性侦探的形象，参考梵高《星月夜》的风格，生成女性侦探。

二次元遇上后印象派，化学反应很奇妙。

角色参考功能，则可以通过一张图片，就实现角色的一致性，让这个角色出现在更多的图片和视频里。

马斯克是行走的素材库，这样的例子太没挑战性了，我决定让甄嬛瞬移到哈利波特的世界，看场景变了之后，她还能不能气场两米八。

结果有些不好评价，看得出来是甄嬛的面容，但娘娘的长相入乡随俗，五官尤其眼睛，变得更像欧美人了。

其实，不另外找图片参考，Dream Machine 也可以让图片、视频不泯然于众人，这时候就要用到「头脑风暴」功能，它会根据你生成的图片，推荐一些艺术家的风格。

就像甄嬛进霍格沃茨这张，我们可以用吉卜力工作室风格二创。

不仅如此，提示词里的一些关键词，被框选了起来，能用下拉的选项替换，Dream Machine 称之为「概念药丸」，我们不用自己手写提示词，一键更换艺术风格，或者画面元素。

把「吉卜力」换成「新海诚」，把「独角兽」换成「龙」，不过点击几下的功夫。

Luma Photon 模型，基于 Luma 的通用 Transformer 架构构建。通过开发自己的图像模型，Luma AI 可以减少对 Midjourney 等外部图像模型的依赖，同时也能解决文生视频不稳定的问题。

当然，视频是老本行，镜头运动这种可控性功能，Dream Machine 也少不了。

紫禁城的甄嬛，和霍格沃茨的甄嬛，能不能实现丝滑的转场呢？用推拉镜头，画面有动感，人物没有严重的变形，可以打个 80 分。

巧的是，前两天 Runway 也官宣了自己的图像生成模型 Frame，和 Luma 更新是同一个晚上，看演示就知道非常注重审美，目前正逐步向 Gen-3 Alpha 开放资格。

▲ Runway Frame

图片的生成质量、美学高度，以及视觉风格的一致性和可控性，越来越被视觉模型重视了。

这对创作者来说是好事，当我们用 AI 进行平面设计、角色设定时，其实就是在生成一个独特的世界，讲一个独特的故事。

Runway 的 CEO Cristóbal Valenzuela 认为，Runway 不是一家 AI 公司，而是一家媒体和娱乐公司，AI 公司的时代已经结束了。

他不是在唱衰 AI，恰恰相反，他认为 AI 是一种基础设施，真正的革命不在于技术本身，而在于它所实现的东西：新的表达形式、讲述故事的新方式、连接人类体验的新方法。这和 Luma 的进化方向不谋而合。

这次更新之后，Luma AI 首席执行官兼联合创始人 Amit Jain，给 Dream Machine 下了一个很有趣的定义——视觉思维合作伙伴。

概念有些抽象，他的意思其实就是，让生成图片、视频这样的视觉创作，像聊天一样简单、直观。

交互的方式，影响着我们思考的方式。画布式的工作流，能将脑洞可视化，记录所有的创作过程和结果，呈现生成视频的完整思路。

无限画布通常在图像模型较为常见，比如 Recraft 和 Ideogram 的 Canvas。Dream Machine 的画布更加规整，相同提示词生成的素材和变体横向排列，不同的则竖向排列。

边聊边生成边优化的过程，会让人觉得，一个独立的小世界仿佛在画布里诞生。

先让 Dream Machine 用超写实电影 CG 风格，创造一个工业废土背景游戏的主角。

然后用环绕镜头，让主角动起来，并塑造环境的空间感。

接着，我们可以再和 AI 聊，让 AI 继续生成废土世界观里室内室外的各种场景，让 AI 建议我们怎么塑造得更有末日气息。

某种程度上，这个画布，就是我们个人故事的设定集。

当然，Luma AI 的 bug 也很多，包括但不限于，用一张图片实现角色一致性，效果并不理想；积分如流水，图片和视频还是要反复抽卡；图片模型可以生成准确的英文，但中文不行……

但意思传达到位了——少谈参数，以交互为出发点，构建一个 AI 创作工具。

更好的视频模型，不只是有更快的生成速度、更可控的镜头运动、更独特的美学，它应该也提供更好的讲故事的方式，让文字、图像、视频都作为表达想法的工具。

Dream Machine，造梦机器。

只管去创作吧，如同 Luma AI 的这句话：「不需要写复杂的提示词，问就好了。」未来 AI 留给我们的问题，不再关于技术，而是关于我们用它构建什么。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

使用得当，chatgpt 可以成为一个强大的工具，帮助学生培养严谨思维和清晰写作的技能，帮助他们思考想法、掌握复杂概念并获得草稿反馈。如果使用得当，ChatGPT 可以成为一个强大的工具，帮助学生培养严谨思维和清晰写作的技能，帮助他们思考想法、掌握复杂概念并获得草稿反馈。

还有一些使用 ChatGPT 的方法会对学习产生反作用，例如生成一篇论文而不是自己撰写，这剥夺了学生练习、提高技能和处理材料的机会。

对于致力于成为更好的作家和思想家的学生，以下是一些使用 ChatGPT 更深入地参与学习过程的详细方法。

学生可以利用 ChatGPT 来节省时间，将那些繁琐的任务（如格式化参考文献）交给它处理。学生只需提供相关的引用信息，ChatGPT 会将其格式化为正确的 MLA、APA 或其他引用风格格式。使用 ChatGPT 时，学生仍然需要检查引用的准确性，确保引用格式正确，特别是在某些格式要求比较严格的情况下。

当学生需要了解一个新话题时，可以让 ChatGPT 提供简洁明了的概述，帮助学生迅速掌握相关的核心概念和背景知识。例如，如果你是一名经济学学生，正在尝试理解凯恩斯与古典经济学的区别，ChatGPT 可以简要总结这些学派的基本思想。

ChatGPT 还可以帮助学生找到适合研究的来源，提供关键词和相关文献的推荐。这对于刚开始研究一个话题的学生来说尤其有用。尽管如此，学生仍然需要亲自查阅原始文献，因为 ChatGPT 可能无法提供完全准确的学术来源。

ChatGPT 能够帮助学生在理解复杂概念时，提出一系列具体的问题来填补知识空白。如果学生不确定某个观点或理论的含义，或者在阅读中遇到不理解的段落，ChatGPT 可以帮助澄清这些问题。例如，如果你正在研究量子力学，并不理解薛定谔的猫实验的真正含义，ChatGPT 会根据你的问题进一步解释。

写作初稿后，ChatGPT 可以帮助学生审查文章结构，提出如何改进文章组织方式的建议。如果你已经写好了论文大纲，ChatGPT 可以帮助你检查文章各部分是否衔接得当，或者哪些地方需要进一步加强论证。

倒写大纲是一种检验论文结构的技巧，它能帮助学生快速看出每段的重点以及它们之间的关系是否合理。倒写大纲有助于确保文章的逻辑清晰，避免论点或论证出现不连贯的地方。

通过与 ChatGPT 进行对话，学生能够像苏格拉底式提问一样发展他们的思维。通过一系列相互质疑的问题，学生可以理清自己的思路，找出论证中可能存在的弱点。这种互动能帮助学生理清论证结构，增强思考的深度。

学生可以要求 ChatGPT 挑战他们论文中的论点或假设。通过这一过程，学生能发现自己在写作中可能忽略的论证漏洞。学生可以让 ChatGPT 扮演不同的观点角色，提出反对意见，帮助他们加强论证的说服力。

学生还可以利用 ChatGPT 来模拟历史上伟大思想家的观点，从不同的视角来看待自己的论文论点。比如，学生可以让 ChatGPT 扮演笛卡尔或休谟，帮助他们探讨关于自由意志或其他哲学问题的深层次讨论。

ChatGPT 不仅可以帮助学生在写作中纠正错误，还可以提供有针对性的反馈，帮助学生逐步提高写作质量。通过让 ChatGPT 审阅并提出改进建议，学生可以不断优化自己的写作技巧，提升论文的整体质量。

除了文本形式的反馈，ChatGPT 还支持语音模式，能够在学生阅读时提供即时的解释和反馈。如果学生在阅读学术文章时遇到理解上的困难，可以通过语音模式提问，ChatGPT 会为他们解释复杂的段落和概念。

12. 不仅仅是完成任务——磨练自己的技能

写作不仅是为了交作业，它是提升批判性思维和写作技巧的一个过程。通过和 ChatGPT 互动，学生可以识别自己思维的盲点，并学会如何改进自己的论证。ChatGPT 可以帮助学生发现他们在写作中的常见问题，并提供策略，帮助他们在写作过程中持续进步。

最后，学生使用 ChatGPT 时要确保学术诚信。如果 ChatGPT 对你的论文或写作过程有所帮助，一定要在参考文献中注明。你可以将和 ChatGPT 的对话内容整理成引用格式，确保你的论文透明、公正，并能真实反映使用了该工具的过程。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

随着 openai 的新实时搜索功能， ChatGPT 正在将自己定位为传统搜索引擎如 google 的竞争对手。ChatGPT 以其对话式的响应而闻名，能够提供实时的上下文信息而不带广告。

我抓住机会看看 ChatGPT Search 与 Google 长期以来的搜索专业性相比如何。我进行了几次比较，涵盖了速度、准确性、视觉效果和整体用户体验等类别。以下是它们的表现。

问题: “东京的主要旅游景点有哪些？”

Google 的搜索引擎非常快速，结果在毫秒内就能交付。搜索引擎拥有多年的优化经验，并且有专门为高速索引和检索而构建的基础设施，可以立即获得来自多个来源的广泛相关结果。

ChatGPT 的搜索同样快速，并为每个地点生成了更清晰、更用户友好的图像和信息。显然，AI 通过从相关来源提取信息来生成响应，然后以对话的方式分享这些信息。结果感觉更加友好，几乎就像 AI 很高兴我去旅行一样。

使用体验: ChatGPT Search
在以对话且简洁的方式提供有价值的快速响应方面领先。

问题: “解释气候变化和全球变暖之间的区别。”

Google 的响应来自 Gemini，概述了气候变化和全球变暖，并将其包裹在一个简短的段落中。从那里，我可以向下滚动并搜索一些来自 NASA、USGS.gov 甚至 Quora 的链接。显然，算法优先考虑流行和权威的来源，但它也是以广告驱动的，这意味着顶部结果有时包括我看到的来自联合利华的赞助内容。此外，对于复杂的主题，我发现自己需要浏览多个链接才能拼凑出完整的答案。

ChatGPT 提供了直接的答案，从网络中提取经过验证的信息，然后添加了一个可点击的「来源」图标。这个功能减少了我在 Google 搜索中从多个网站收集信息的时间。在这个搜索和其他搜索中，ChatGPT 的总结对于一般查询甚至更详细的主题都是准确的，其设计允许更干净、更加集中的体验。（不过，请记住，广告可能会在未来出现。）

使用体验: ChatGPT Search
在便捷和准确的直接答案方面赢得了这一轮。

问题: 苹果目前的股价是多少？最近有什么新闻更新？

Google 实际上没有给我一个立即的答案。相反，我得到了一个指向 Yahoo Finance 的链接，我可以点击并希望自己找到答案。

ChatGPT 在毫秒内，答案就在我眼前。我还得到了关于苹果的新闻和更新，当然，还有来源。ChatGPT Search 真是令人耳目一新。我得到了问题的答案，而不需要四处寻找细节。通过将答案直接呈现在我面前，我节省了时间，而不需要再点击几次。显然，对于实时的股票 或天气更新，ChatGPT 提供了可比的准确性，甚至在深度上超过了 Google 庞大的视觉数据库。

使用体验: ChatGPT Search
继续以其策划的实时直接答案给我留下深刻印象，显示出未来更新的潜力。

问题: 给我展示社交媒体对心理健康影响的最新研究。

Google 提供了如此多不同的答案，我甚至不知道该从哪里开始。从 Gemini 的响应到侧边栏，再到下面的链接结果，整个体验极其杂乱——这是我在使用 ChatGPT Search 时从未注意到的。此外，Google 的广告模式意味着用户数据通常被用来提供个性化广告。虽然 Google 有广泛的隐私政策和设置，但其广告驱动的方法可能导致不总是优先考虑用户隐私的定向内容。

ChatGPT 再次，ChatGPT 搜索提供了一个更清晰的界面，没有推广内容。对于这种个人化的搜索，额外的隐私关注方式让我非常感激。作为一个希望在搜索过程中不被广告定向的用户，这种方式对我来说更具吸引力——或者在之后。

使用体验: ChatGPT Search
在考虑隐私和负责任的内容使用方面领先。对于敏感搜索，不被广告定向是一个巨大的优势。

问题: 什么是我客厅里最好的电视？

Google 我说的就是我说的，Google。在纠正我输入「What's」而不是「What is」后，Google 给我回应了一些链接，所有这些链接都是赞助的，我需要点击才能找到电视。在得到这个回应后，我感觉我需要再次问它以帮助缩小范围。然而，在赞助链接下，还有来自内容发布者的链接。

ChatGPT 为我缩小了范围，包含了图像，并给出了我想要的答案。AI 确实感觉像是一个朋友，提供有价值的信息。每个电视图像旁边都有一段介绍，提供关于每个电视的信息。与 Google 相比，这种设计感觉更加干净和简洁。此外，对话格式直观，我可以滚动浏览推荐，而不需要像在 Google 搜索中那样需要浏览多个链接。

使用体验: ChatGPT Search
提供了一个令人耳目一新的体验，直接回答和具体示例。

问题: 谁在民调中领先？

Google 的结果包括有关选举的新闻故事。我希望通过这个问题获得关于今天总统选举民调中谁领先的直接结果。我不得不挖掘新闻故事才能找到答案。

ChatGPT 给了我我想要的结果，直接提供了事实。选举新闻无处不在，所以我不需要阅读更多的新闻故事。ChatGPT 给了我一个直接的答案。

使用体验: ChatGPT Search
提供了没有繁琐的实时答案。

问题: 洋基队在世界大赛中是如何崩溃的？

Google 的第一个结果是从《纽约时报》关于该主题的故事中提取的引用。这是一个快速的响应和直接的答案。然而，它让我感觉我没有得到完整的故事。

ChatGPT 提供了更全面的回应，从更多来源提取信息，但仍然感觉干净简洁。我得到了洋基队彻底失败的完整画面。

使用体验: ChatGPT Search
再次提供了我所寻找的实时答案，并增加了确认我获得所有信息的全面性。

ChatGPT 和 Google 在不同领域都表现出色，但它们满足的需求略有不同。如果你在寻找全面的搜索结果，拥有大量来源和视觉效果，Google 仍然是强者。

然而，如果你的优先事项是清晰、无广告、对话式的响应以及内置的实时更新，ChatGPT 提供了一种流畅、用户友好的体验，可能很快就会成为日常查询的主流。

ChatGPT Search 提供的无杂乱答案以及支持它们的来源是全面且可靠的。我对 ChatGPT 的答案更有信心，因为它们简洁且没有广告商的支持。结果感觉就像是专为我准备的。在杂乱的网络中，ChatGPT 就像一个乐于助人的朋友，我喜欢这种感觉。

这是我蓄满了四年的长发，原本是打算捐给金丝带的，但我决定放弃了。

一来，捐赠的人太多了，不缺我这一个，它不需要我；

二是，这个活动太热门了，报不上名，我不喜欢凑热闹；

于是，我心里很快就决定了：剪掉，并且要烫卷、染发！

在音乐教室里，筱烨、阿吉和秋秋在上课，我就在旁边用 ChatGPT 写 Prompt，写完之后就丢给 Midjourney 去生成效果图。遇到不满意的，就丢两张我以前的半长发的照片上去，再调整 Prompt 的细节，接着画。

最后，我把这张效果图发给发型师：

虽然这脸型偏硬了，不怎么像我，但这个头发感觉是我想要的。

曲线、松软、紫色挂耳

确定方案之后就直接约时间，一方面要约发型师的时间，他很好约，就在楼下，我随时过去随时可以做；但另一方面，要约收头发的师傅过来，需要由他根据长度把我的头发抽出来。这也是我第一次卖头发，挺新鲜的体验。

首先，我要跟发型师和收头发的师傅一起商量，怎么剪、剪多少、剪到哪里、用什么方法剪。我原本以为就是咔嚓一刀剪了，但其实不是。整个过程里，这位师傅需要非常仔细地把我头发中最长的部份找出来，每次只挑选一小撮，然后用剃刀在距离头皮大约 8-10cm 的位置一点点把头发切断。这样做的目的是，即确保剪下来的头发是满足他收头发的需求，也能确保给发型师留有后续足够的操作空间，还得让头发之间的层次能自然地衔接上。

每次剪下一小撮头发后，他都会仔仔细细地把头发梳几遍，确保没有任何打结，然后放在准备好的毛巾上，平放着。剪之前还特意要把周围的风扇都关掉，万一吹乱了，这些头发都全都没用了。他就这么一遍一遍地重复捏一小撮、切下来、梳顺、平放，如此反复了半个多小时，才终于从我头上抽出来两把共 59g 的长发。

然后就是烫卷和染发。

之所以想这样折腾一下，多少有一点破罐子破摔的心态在，觉得既然这头长发不被需要了，那也就放过自己，不要再被「这件事」困住了，索性趁着这个机会来尝试一下之前没折腾过的事情！

其实我 17 年前也染过一次发，但那时候是因为演《暗恋桃花源》的老导演，为了贴近角色的年龄感，我就去染了一头白发。只不过那个白发染得不成功，黄黄的，加上那会儿我比较消瘦，自己觉得不好看，所以演出结束的第二天我就去剃光头了。所以那次严格来说我不觉得是一次正经的染发体验，毕竟没有顶着这头黄毛生活，勉强能算一次临时的体验。

我当然知道它会掉色，会变成黄毛，会干、会毛躁。

但这不重要，因为我就想试一试。

我紧绷了三十多年，现在崩断了，还不能讨好一下自己，玩一玩吗？玩！

不仅要玩，还要玩得不一样，用 AI 一起玩！

为什么是紫色？因为我喜欢！

虽然我也喜欢绿色，但我也不想染成绿色

朋友说像杨千嬅，像极速拍档的小乔，那也挺好。

最近两周我忽然意识到，我是会因为自己感觉到快乐而感到羞耻的。这是从小根深蒂固的想法。过去我知道，如果我遇到一件好事，一件开心的事，就会有一个声音在警告自己不要乐，不要得意，不要喜形于色，要收起来，不然马上就会招来不幸和倒霉。但我一直认为这是克制和谨慎，是对于能量守恒定律的迷信式的执念，觉得这会儿开心了以后就没有了。

可是，为什么要把开心攒到以后呢？有没有以后都不知道。

筱烨说我的动力来自恐惧，确实，我总有各种恐惧在周围，挥之不去。

但现在我看见它了！我要让我的快乐活过来！我不要快乐羞耻！

尽管我现在还没有什么活力，但起码这个紫色能令我舒服好一阵子！

最后再看一眼，这头蓄了四年的长发和发髻。

我很喜欢这根石纹簪，但我感觉我应该不会再束成这个样子了。

这天色真好。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

就在刚刚，openai 宣布推出 windows 桌面应用，向 chatgpt Plus、Enterprise、Team 和 Edu 用户开放 。

不过，官方表示，目前开放的只是早期版本，将在今年晚些时候向所有 ChatGPT 用户推出「完整的体验」。

例如，它还不支持高级语音模式，并且 GPT Store 的部分集成功能暂时也无法使用。

用户可以在微软应用商店搜索 ChatGPT，接着下载安装即可，安装包大约 110MB，附上下载地址：

The Windows app is currently only available to ChatGPT Plus, Team, Enterprise, and Edu users. This is an early version, and we plan to bring the full experience to all users later this year. With the official ChatGPT desktop app, you can chat about files and photos.

系统要求：Windows 10（x64 和 arm64）版本 17763.0 或更高版本。

在具体的使用过程中，OpenAI 提出了一个名为「Companion Chat」的辅助聊天功能，它允许你在不离开当前应用程序的情况下，快速访问和使用 ChatGPT。

这个功能类似于一个快捷方式或者浮动窗口，你可以通过特定的快捷键（Alt + Space）来调出这个聊天窗口。

借助这个聊天窗口，你可以快速地向 ChatGPT 提问、上传文件、生成图片或者开始一个新的对话。它还具有记住上次位置的功能，并且当主应用程序重置时，它会回到屏幕底部中心的位置。

此外，你还可以通过点击窗口顶部的「New chat」来清除聊天内容，或者通过点击「Open in Main Window」按钮将对话转移到 ChatGPT 的主应用程序窗口中继续。

如果不小心关闭了这个聊天窗口，你也可以通过查看侧边栏的聊天记录来在主应用程序中继续对话。

需要注意的是，如果这个快捷键已经被其他 Windows 应用程序占用，那么它将会不起作用，并且也不支持更改快捷键。

目前 ChatGPT 已经向 mac、Windows 两大操作系统开放桌面版本，但 Linux 却没有给出明确的时间表，也惹得不少网友在线催更。

另外，前不久 OpenAI 推出了 ChatGPT Canvas 功能，允许用户与 ChatGPT 合作处理写作或编程任务。

今天 ChatGPT Canvas 也更新了一个比较实用的功能，你可以点击右上角的「Show changes」图标来查看文章或代码的更改。

▲ Window 的 ChatGPT Canvas 功能，图片来自 @test_tm7873

如下文所示，我使用 ChatGPT Canvas 将朱自清的《背影》改写成文言文版本，点击图标，所做的更改一目了然。

实际上，今天更新的功能也算是补上了 ChatGPT 生态的重要一环。

不过，正如开篇所说，这个桌面版本本质上还是个阉割版，食之无味弃之可惜，尽管快捷键调用方式简单，但网页版所带来的体验明显会更好。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

有人说 windows 11 适合大多数普通用户，即便个人需求不同，也可以在此基础上进一步调整（折腾）。仔细一想，更新使用 Windows 11 这段时间我确实进行了不少调整，稳定使用好一阵子之后，许多折腾过程被我逐渐淡忘。

于是想着写下本文作为记录，以便回顾，顺带给也有意深入调整 Windows 11 的朋友一些参考。

Windows 10 在初次使用的时候可以跳过网络连接设置，选择「离线账户」。这样可以避免微软账户的一些设置，但也会导致一些功能无法使用。而 Windows 11 在安装时──至少从 UI 来看──会强制要求连接网络并登录 Microsoft 账户。

如果你只想通过离线账户使用，或碰上微软服务抽风偏偏又无法登录的情况，在这一步可通过 Shift + F10 调出命令行，输入 oobe\BypassNRO。命令执行后系统将自动重启，此后初始化过程中的网络配置会额外出现「我没有 Internet 连接」选项，再点击「继续执行受限设置」后续即可配置离线账户。而如果你已经联网，看到强制要求登录 Microsoft 账户界面后才寻找使用离线账户账户的方法，此时只通过上面的命令是不够的——至少从我唯一的一次经历来看输入命令后重启后仍然会自动配置好网络，此时则需要先输入 devmgmt 打开设备管理器、禁用无线网卡，然后再输入 oobe\BypassNRO。

截至目前通过这些额外的手段还是能够使用离线账户，但微软如此收窄用户选择的空间，很难不让人揣测其意图，甚至给人留下一种不断侵蚀用户隐私和选择权的糟糕印象，毕竟在线账户只会让微软更轻松地收集各种用户数据，包括使用习惯、偏好设置等个人信息，而这些收集行为也不只在本设备，通过在线账户，微软也能更轻松地跟踪用户在不同设备间的行为，构建更完整的用户画像……收集到的数据则可以用于精准投放广告、出售给第三方广告商、通过与其他微软服务的集成二次扩大数据共享范围。

要知道 Microsoft 账户隐私设置界面着实复杂，迈过离线账户的坎，后面想要完全控制自己的隐私选项难度就不低了。

除了预装系统的 OEM 设备，新设备至少第一次的完整的更新是必要的，这些更新包含正常使用的驱动等。如果 Windows 更新无法为你下载安装特定版本的驱动，你也可以前往对应设备厂商的官网手动下载安装，如： 

至于特殊的「鸡生蛋」情况──无线网卡驱动──没有无线网卡驱动无法联网、无法联网就无法通过 Windows 更新升级无线网卡驱动，可以通过 USB 网卡或者手机共享网络连接，或者直接下载驱动到 U 盘，然后在设备管理器中手动更新。对于 OEM 设备可以去对应官网寻找驱动支持，对于个人 DIY PC 主要前往主板官网下载最新驱动，当然如果你知道具体网卡型号（例如常用的 Intel AX210）也可以直接去对应官网下载。

说到 OEM 设备，OEM 厂商关于硬件的支持性应该优于更广泛的 Windows。倘若 OEM 厂商有提供完整的硬件驱动管理工具，这些工具优先级应该高于 Windows Update。为避免 OEM 驱动管理与 Windows 更新工作重复、覆盖乃至冲突，可以按照如下流程操作：

说回 Windows 更新本身。对于目前桌面端主要使用的三大（类）系统──Windows、macOS、各 Linux 发行版──相较于更加专用的各 Linux 发行版和产品线单一又严格由 Apple 控制淘汰周期的 macOS，兼容性最好的 Windows 在更新上也更容易受兼容性带来的多样性所困，从而很难实现更新行为和质量的一致性。这也是为什么每每听闻 Windows 更新问题时，总有人说「从来没遇到过」，也总有另一些人抱团抱怨仿佛 Windows 都快完全不可用了那般。

其实如今没必要过于抵制 Windows Update，更新内容本身带来的问题几乎没法举例，更多主要是更新过程中的意外。如果你很清楚自己在做什么，也可以尝试推迟 Windows 更新。除了在更多选项中至多推迟五周外，还可以通过修改注册表推迟任意长度时间：

你可以填写一个很大的天数，然后在需要更新的时候点击 Windows 更新中点「继续更新」即可方便地跳过更新推迟，在此之前不会收到任何更新检测或提示，更不会自动更新。

上述通过注册表推迟更新的操作可以通过脚本完成：

再配合任务计划程序实现自动化。这样就可以根据自己的节奏推迟更新、累计更新，例如每六周推迟五周等。

至于彻底禁止 Windows 更新，其实上文提到的通过注册表推迟到一个不可能的天数便可达到类似效果，除此以外还可以通过编辑组策略、修改更新服务器到一个空地址、借助诸如 Windows Update Blocker 等第三方工具等。这里不再一一赘述。

本篇围绕 Windows 11 系统本身的设置调整展开，尽量不涉及第三方软件、工具，若非要涉及也是主要是在辅助调整设置（例如把隐藏的系统设置项调出来）而不提供额外功能。

任务栏、开始菜单最直接的调整在「设置 > 个性化」中。

在任务栏设置中，我们要做的第一件事就是把塞满广告和各种无用信息的小组件整体关闭，然后根据个人习惯调整其他设置，比如我会将搜索仅显示图标、任务栏左对齐、永远合并任务栏按钮。

在开始菜单设置中，记得关掉第一面的所有推荐内容，并在「文件夹」中打开设置方便快速进入。

搜索栏在任务栏中的开始菜单附近，但是它的设置项目却在「隐私和安全性 > 搜索权限」中。而微软也往此处插入了一些「推荐内容」，需要在关闭设置项目最后的「显示搜索要点」。

在 Windows 11 中，即便解锁任务栏，我们也不能像 Windows 10 那般将任务栏拖动到屏幕左右侧，只能在底部。虽然通过修改注册表可以强行改动任务栏位置，但是会导致 UI 错位。更推荐的方法是使用第三方工具将整个任务栏回退到 Windows 10 模式，例如后面会介绍的 ExplorerPatcher。 

除了任务栏和开始菜单，很多人在 Windows 11 中最先接触到的变化可能是右键菜单。其实如果不带成见来看，Windows 11 的右键菜单在设计上更加简洁、更符合整体设计语言，且按钮排布更加宽松，没有按钮增多时密密麻麻的视觉压迫感，也更适合触摸操作等非精确点击。

问题是，宽松的按钮排布，代价是并非所有功能都能直接在右键菜单中找到，部分功能被隐藏在「显示更多选项」中，且这些更多选项并非像「新建」那样以二级菜单展开，而是完全退回到类似 Windows 10 的右键菜单。在桌面/文件资源管理器按住 Shift 右键也能直接唤出这种经典风格的右键菜单，除了真的需要考虑触摸可用性，为什么不一开始就显示完全呢？

倘若你不想节外生枝使用复杂插件，其实直接修改注册表的方法也并不繁琐。

注销或重启文件资源管理器即可生效，右键菜单将恢复到 Windows 10 风格。

在我自己的日常使用习惯中，无论在 Windows 还是 macOS，虚拟桌面都是高频使用的功能。对于临时被打断或者由于时间问题没有完成的工作，在确保保存后我会将其原封不动放在原位置并新建一个虚拟桌面继续其他工作。同时在处理多个任务时候，我也会尽可能保证一个虚拟桌面内是一个相对独立的任务，相当于在标签页、窗口之上再加一层桌面维度，检索时更加快捷。

如此频繁的使用，自然容易在 Windows 10 升级到 Windows 11 感受到一些细微的变化。对于单次虚拟桌面切换来说动画是更加丝滑了——Windows 11 非线性动画的加速、减速比起 Windows 10 更加自然。但多次切换就有点灾难了，在 Windows 10 按住 Ctrl + Win 并多次按左右方向键时，滑动动画经历「加速 > 连续的桌面滑动（哪怕有来回）> 减速」停到目标桌面，而在 Windows 11 中，多次切换时，每次都会经历完整的「加速 > 减速」动画，相当于把单次切换简单的拼接起来，这样的动画在频繁切换时会显得有些拖沓。

以上都是针对快捷键切换虚拟桌面的情况，对于触控板切换来说动画都是尽量跟手的，而连续切换之间的停顿也符合直觉（毕竟触控板没法像快捷键那样连续多次按方向键，中间肯定也有停顿对应）。

网络上暂时没有找到将动画回退到 Windows 10 版本的方法，所以我简单粗暴地关闭了这个动画——在「设置 > 辅助功能 > 视觉效果 > 动画效果」开关可以关闭虚拟桌面切换动画，但是这样也会波及其他动画效果；在高级系统设置（cmd/Win + R: sysdm.cpl）中的性能设置中视觉效果页关闭「对窗口内的控件和元素进行动画处理」也可以关闭虚拟桌面切换动画，但同样也会波及诸如 Win + Tab 窗口动画效果，不过从描述来看想必波及的范围更小。

我个人有个癖好是桌面不出现任何图标、任务栏只留一个文件资源管理器、所有应用在开始菜单以磁帖排布。在注意力有些散漫的时候 Win + D 回到桌面欣赏下壁纸休息——不得不承认 Windows 11 背景设置中的「Windows 聚焦」挺好看，同时又不会过分吸睛，应该是和 Bing 每日壁纸同源的。

在「设置 > 个性化 > 主题 > 桌面图标设置」中可以关闭桌面图标。遗憾的是当清空桌面图标后，角落「Learn about this picture」更加显眼，且没有显式关闭设置，除了再次借助 ExplorerPatcher，也可以通过修改注册表实现：

这样桌面就只剩下壁纸了。如果你第一次这么设置会发现有一尴尬之处──回收站怎么进？确实一般情况下回收站都是放在桌面的。这时可以通过在文件资源管理器的地址栏中输入 shell:RecycleBinFolder 打开回收站，然后将其固定到快速访问中，这样就可以在文件资源管理器的侧边栏方便访问回收站。

硬件部分关于屏幕、缩放、渲染等内容会占用太多篇幅且涉及技术原理部分可操作性不强。这里直接给结论：

在 Windows 10 之时我还能接受通过 noMeiryoUI 软件方式修改默认系统字体为更纱黑体，配合 MacType 软件实现更好的字体渲染效果（一定程度上抵消 ClearType 在高分屏的负优化）。虽然 noMeiryoUI 依然兼容 Windows 11，Windows 11 上更多的系统组件、官方应用并不默认遵守该设置，导致字体修改效果十分有限。

因此在 Windows 11 上我选择一种比较 dirty 但是好用的手段──将其他字体（例如更纱黑体）重新打包成伪装的「微软雅黑」并移动至 Windows 字体文件夹下以欺骗系统。chenh96/yahei-sarasa 提供了一个截止本文修改时仍运行良好的 Python 脚本自动将更纱黑体伪装为微软雅黑和宋体。

目前主要有三种方法将伪装字体替换系统默认字体：

这里仅展示第一种方法，不需要任何额外工具。在 Windows 恢复模式中的命令行使用 xcopy 将伪装的微软雅黑移动到相应文件夹下：

覆盖后重启即可。请特别注意不要在任何有用于演示、汇报用途的 Windows 设备上进行此操作，以免一些不必要的麻烦。

Windows 的色彩管理仍是一个相对混乱的领域，短期内是不指望能和 macOS 相提并论。但是 Windows 11 还是比前代 Windows 10 在 HDR 支持上有 明显改进，至少算是过了及格线。

在开启 HDR 之前，还请确保屏幕至少支持 HDR 600 标准，HDR 400 可以当作不支持看待（注意区别于 HDR true black 400，这是 OLED 标准，甚至严格过 HDR 1000）。OLED 和 MiniLED 屏幕往往效果更好。

全局开关在「设置 > 系统 > 显示 > HDR」。开完先别急，点击下面的「HDR Display Calibration」，这里可以矫正 HDR 显示效果。

「自动 HDR」功能可以将仅支持 SDR 的游戏转化为 HDR 输出，效果挺不错。但如果你的设备使用较新的 N 卡，那更推荐关闭此功能 Windows 11 的自动 HDR，用 NVIDIA app 内的 RTX HDR 替代。由于 HDR 会尽可能用尽显示器硬件性能，不能通过调整显示器亮度来改变内容整体亮度，在开启 HDR 显示时只能通过设置「SDR 内容亮度」将桌面调整至不开 HDR 相近效果。

在开启 HDR 模式下就是纯 HDR 信号输出，不存在区域渲染，原本 SDR 内容也会通过算法转化为 HDR 输出，这其中必然是会丢失信息的。目前消费级 HDR 显示器素质良莠不齐。如果在开启 HDR 模式看 SDR 内容时发现颜色「寡淡」，有可能是眼睛已经被各种「鲜艳模式」惯坏了，毕竟在开启 HDR 后系统会自动对 SDR 内容做 sRGB 限缩，从某种意义上这才是「正确」的颜色，除此以外就是显示器还跟不上，前者可以尝试常驻 HDR 模式适应，后者建议常用 Win + Alt + B 快捷开关 HDR 仅在消费 HDR 内容时开启。

「Wintel 联盟」现在似乎已经很少提起，当初意图取代 IBM 公司在个人计算机市场上的主导地位，直至现在 Microsoft 和 Intel 的合作依然紧密。Intel 新大小核处理器在 Windows 10 上有许多调度问题促使其用户不得不选择 Windows 11。

如果你在电源设置中发现缺少某些设置项目，除了一个个查注册表，更方便的方法是通过 PowerSettingsExplorer 这个仅调用 Power Management Functions 接口的小工具来调出那些被隐藏的选项。在 Windows 11 中与大小核调度策略有关的隐藏高级电源设置有：

在「高性能」电源计划中，这三个的设置按顺序是「0 – 自动 – 自动」，调度策略是「大核 > 小核 > 大核超线程」；如果将后两个设置同时设为「高性能处理器」，那么调度策略变为「大核 > 大核超线程」。总体而言异类策略 0 优先使用大核，对应的异类策略 1 优先使用小核。异类策略 4 比较奇怪，它是「节能」电源计划的默认设置，但是在烤鸡、游戏挂机等测试场景大小核调度策略几乎和「高性能」一致，怀疑是高负载场景积极调度、中低负载再节能的策略。

其实预设的几种电源计划均挺符合直觉的，没必要过于纠结。即便有极端省电需求也不建议完全小核优先，其实该设置中的所谓「高效处理器」也就是小核还真未必比限制后的大核能效比高。看看对功耗更加敏感的移动端，都有越来越多大核的势头，乃至天玑的全大核构想。当然移动端大核甚至还没够到桌面端的小核，不能简单横向比较。不过时至今日我依然对桌面端异构架构持保守态度。

以上都是针对 Intel 新处理器的情况，对于 AMD 全大核处理器，Windows 11 的大小核调度反而引入额外问题导致游戏场景表现甚至不如 Windows 10。众所周知，锐龙 CPU 各核心都有成为 CPPC 属性，代表各个核心的「体质」，在 AMD 官方工具 Ryzen Master 中可以查看的金、银核心分别就是 CPPC 最高的两个核心，而 Windows 11 会将 CPPC 最低核心视为小核（高效处理器）进行调度。通过上述真正大小核的 Intel 处理器上观测的不同异类调度策略并在 AMD 全大核处理器上对应测试，发现 Windows 11 对 AMD 处理的调度的确遵循 N-1 个高性能处理器和 1 个高效处理器的策略。这样默认的调度策略会更不倾向调用所谓的小核，这种不对称可能会导致更多的跨核行为、特别是游戏场景频繁地 L3 缓存争用造成无端性能损失。

之前的民间偏方，在 BIOS 开 PBO、XMP/EXPO 的同时顺手把 CPPC 关掉，或许也是由此而来。

早在去年 UP 主 @开心的托尔酱 在视频 关于 Windows 系统对 AMD 的负优化—异类线程调度 就有提到这个问题。而在最近 AMD 在社区更新 关于 Zen 5 游戏性能提升远不及理论的回应，宣布 Windows 11 24H2 将通过优化「branch prediction」 来提升 AMD Zen3/4/5 系列处理器的性能表现，部分游戏甚至有 10% 以上提升，要知道 Zen 5 由于相较于前代提升过于微妙有被戏称「Zen 5%」，更有特例 5700X3D 在 Windows 11 上性能表现比 Windows 10 差 15%……该说锐龙 CPU 首发一如既往地一言难尽呢、还是说与 Windows 合作不够紧密呢？

当然，尽管 Windows 几个电源设置的预设符合直觉无需额外调整，电源设置里还是有很多可玩性的，例如不用重启调整 CPU 睿频参数等。具体不再展开，感兴趣可以参阅 Windows 电源设置注释。

Windows 11 在「设置 > 账户 > Windows 备份」中可以设置包括文件、设置等备份选项，但似乎必须绑定微软账户使用，对于离线账户并不友好。且这种方法不支持备份系统。

个人认为更好用的还属控制面板中的「备份和还原（Windows 7）」，不仅支持对系统分区全量备份，还支持制作系统镜像和系统恢复盘。虽然 Windows 在 知识库 中鼓励大家尽可能使用设置取代控制面板，无奈前者体验还偏偏不如后者。

此外，Dism++ 也提供系统备份功能，同时支持不添加文件的增量备份（不算快照）。Dism（Deployment Imaging and Management）是 Windows 自带的一个工具，用于安装和维护 Windows 映像，Dism++ 只是将常用命令封装成 GUI 便于操作，并没有额外单独实现，这种备份也算是半官方方法。

还有两个系统功能看似很好用但是我不推荐：一是系统检查点，它本意主要用于系统更新失败的回滚，很难说胜任纯粹的系统备份，对个人文件的行为很奇怪经常在回滚的时候搞得一团糟；而文件历史，它默认备份整个用户目录，需要自己一个个排除，且该功能仅放置于控制面板，微软对此也并不算上心，一个 bug 三五年不修。

话说回来，目前单独备份系统的意义远不如备份文件，通过链接把一些应用的数据文件夹（例如微信保存的文件）link 到其他分区、外置存储乃至云端上，更多链接操作留到后续关于快捷创建链接的工具那一部分。

Windows 11 正常要求硬件支持 TPM 2.0。TPM 芯片是一种安全加密处理器，包含多个物理安全机制以防篡改。BitLocker 会将专用密钥存储在 TPM 芯片内，在除了更改 TPM、BitLocker 检测到 BIOS 或 UEFI 配置、关键操作系统启动文件或启动配置的更改之外的情况下，BitLocker 会自动解锁，用户登录无需进行任何额外交互即可解锁。无其他加密手段建议对系统盘开启 BitLocker，这已经是 Windows 集成最高、最无感的方式。

关于几个关键问题：

如果真有换设备需求，但是事先忘记解锁 BitLocker，会导致无法访问数据吗？

不会。在创建加密的时候 BitLocker 同时会创建恢复密码，可以将其打印或存在安全位置。检测到硬件更改后 BitLocker 进入恢复模式，用户输入恢复密码可以重新访问数据。

备份工具是否支持 BitLocker 加密盘？

对于基于文件系统的备份方式来说，理论上解锁后 BitLocker 是透明的，先解锁再备份即可。对于分区的备份方式，理论上可以不解锁整个区拷走，但是加密后不知道哪一部分是空的会导致备份文件更大且不好压缩，虽说 BitLocker 通过长长一串恢复密码也可以离线挂载，但不建议盲目还原。

BitLocker 是否会影响性能？

理论上会，但实际上体感不明显。别单看开 BitLocker 后硬盘读写速度有的下降超 10%，解密过程应是压力越大损耗越明显，所以不能根据硬盘测速这一极端压力情况下的性能损耗来界定 BitLocker 的性能损耗。

BitLocker 闭源，微软可以添加后门，如何保证安全？

你说得对，可以尝试开源方案 VeraCrypt，支持 Windows 11 系统加密，在普通分区加解密上还提供更好的跨平台支持，但是 VeraCrypt 不支持 TPM 且由于理念不合永远不会支持，在和 Windows 集成上肯定也不如 BitLocker 无感。看你愿不愿意拿所谓的安全换便利了。

平心而论，这个软件本身并没有什么问题，但是大陆用户对「电脑管家」的 PTSD、早期仅在中国区推送和不事先提醒地静默安装才是其被人诟病的原因。

后来，我的区域美国、语言英语的 Windows 11 也被推送，Reddit、Discord 也有相关讨论，才得知微软打算全球推送。单看软件本身，清理、加速、系统保护项、应用管理、常用小工具（截图、字幕、翻译、词典、以图搜图等）还有快捷修复建议，其实就是可能原本在设置里藏很深的 Windows 已有功能的拿出来，不需要联网也没有广告，不像小组件和 Office Plus 那样尽塞垃圾。

如果抛开前两点，静默安装也确实不厚道，用户的诟病并非完全无端。不过实现手段其实不是 Windows 更新而是 Edge 后台下载安装包安装。所以它就单纯是个软件，看不惯直接卸载就好。Edge 自从某次我重装系统后，在搜索 Chrome、进入 Chrome 官网时用大半个页面阻挠我安装 Chrome 我就已经心留芥蒂，出了这一茬直接让我彻底禁用 Edge，还不能简单卸载，留到后面 Remove MS Edge 插件部分。

除了深入设置、注册表、组策略等方法调整系统外，还有一些第三方插件可以帮助我们更好地使用 Windows 11。当然这里提到的插件依然主要针对系统调整，不发散到更广泛的效率提升上。

Windows 本身其实一直缺乏一个好用的包管理器，不提不如 Linux 各发行版的，就连 HomeBrew 类似产品都没有。微软官方推行的 WinGet 严格意义上称不上包管理器，它并没有提供统一的包格式，而是依赖于各个软件的安装程序下载下来静默安装，正如 HomeBrew Cask。Scoop 才稍微有些包管理器的感觉，安装同时也能自动配置环境变量，在迁移时备份还原更方便。如果不介意添加多余的工具，用 UniGetUI 可以一次性管理 WinGet, Scoop, Chocolatey, Pip, Npm, .NET Tool 和 PowerShell Gallery 多个包管理器。

仅关于 Scoop 的安装，在 PowerShell 中输入以下命令即可：

倘若你还希望使用 UniGetUI，可以在 PowerShell 中输入以下命令通过 Scoop 安装：

Windows 并不像 macOS 通过三个应用分别控制桌面、Dock 栏、Finder，而是通过一个「资源管理器」一并控制。而 Windows 11 相较于 Windows 10 许多令人不满的改动──任务栏、开始菜单、右键菜单──都可以通过介入资源管理器来调整。

虽然前面系统设置部分已经提到部分调整手段，但是这些调整往往需要手动修改注册表等隐藏更深的手段。如果你不想折腾，亦或是觉得这些调整不够全面，可以尝试 ExplorerPatcher 这款开源插件，不仅可以将任务栏、开始菜单、右键菜单一并调回 Windows 10 风格，还有许多诸如屏蔽 Office Key、禁止文件高级搜索、取消窗口圆角等功能。

虽然在部分时刻，例如系统更新后，ExplorerPatcher 偶有失效，但考虑到开源插件能做到这种程度，完全配得上其自称的「增强 Windows 上的工作环境」宗旨，无需吝啬赞美。

开源项目 Power plan switcher 可以在系统托盘中切换电源计划，支持快捷键、自动切换等功能。

一般来说对于长期接通电源或者没有续航焦虑的设备可以常驻「高性能」或「卓越性能」电源计划，这些计划的默认设置已经十分符合直觉，无需额外微调。

而对于笔记本电脑，它有时接通电源有时使用电池，前往控制面板翻出电源计划设置十分麻烦。PowerPlanSwitcher 可以不仅在系统托盘中切换电源计划，还支持在电源状态变化（从 AC 供电到电池供电）时自动切换对应电源计划。

官方称该软件支持 Windows 10，但实际上在 Windows 11 上也能正常使用。

Microsoft PowerToys 是一组实用工具，可帮助高级用户调整和简化其 Windows 体验，从而提高工作效率。

——Microsoft PowerToys

作为一款出现在 Microsoft 知识库的官方工具，可能考虑到不用像 Windows 那样背负沉重的历史包袱，PowerToys 工具箱中的绝大多数功能都轻量、专一且直击用户需求，被誉为 Windows 用户必备瑞士军刀，且在 GitHub 上完全开源，算是微软给我留下正面印象的产品之一。

早在 Windows 95 时代，PowerToys 就集成了包含了 Tweak UI 在内的共计 15 个小工具，Tweak UI 可以调整 Windows 中原本需要修改注册表才能访问的较为晦涩的设置。微软在 2019 年接管并重新推出 PowerToys，目前也已经有如下我认为很好用的功能：

同时还有诸如 Color Picker、Image Resizer、Text Extractor 等一众小工具，让你免去管理一堆小工具的烦恼、也减少众多工具中出现某几个断更的风险。PowerToys 也有丰富的 第三方插件，例如 PowerTranslator 在 PowerToys Run 中直接翻译文本、
EverythingPowerToys 在 PowerToys Run 中通过 Everything 检索文件、
ChatGPTPowerToys 在 PowerToys Run 中调用 chatgpt、
PowerToys-Run-Spotify 在 PowerToys Run 中让 Spotify 放歌等等。

各个工具具体用法这里不再赘述，PowerToys 每个工具页面都有详尽的描述。

单看 PowerToys Run 中的文件搜索功能其实比较孱弱，而 Windows 资源管理器的搜索效果更是惨不忍睹。Everything 通过访问 NTFS 文件系统的 USN 日志，在数秒内检索 TB 级别硬盘，并实时监测所有文件的增改情况，同时支持通过正则表达式进行文件精确匹配，还可通过插件与 PowerToys Run 联动。

自从某次我重装系统后，Edge 在搜索 Chrome、进入 Chrome 官网时用大半个页面阻挠我安装，反而彻底让我将 Edge 定位明确为 Chrome 下载器。更改默认浏览器后某些链接还是会给我跳转到 Edge 打开，之后还闹出自动下载静默安装微软电脑管家一事。

不过 Edge 是不能够简单直接卸载的，可能会导致一些依赖系统 WebView 的应用出问题，而且可能在某次重启后惊觉 Edge 又回来了。

Remove MS Edge 这个工具旨在通过可执行文件或批处理脚本以静默方式彻底卸载 Microsoft Edge，并提供保留 WebView 选项。

虽然 PowerToys 的 Keyboard Manager 也能完成一些键盘映射的工作。但是 AutoHotKey 作为完整脚本语言，功能更加强大，可以实现更多的自定义功能。

例如我对于大写锁定键的需求很小，但是却又有频繁的中英文输入法切换和自定义快捷键需求。自定义快捷键时一般会引入 Hyper 键 的概念，在 Windows 上即同时按下 Ctrl、Shift、Alt、Win 四个键，这样可以避免与系统快捷键冲突。

我希望产生下述行为：

这种行为仅通过 PowerToys Keyboard Manager 是难以实现的，但是通过 AutoHotKey 可以轻松实现：

同样的，在 macOS 中文输入法会自动将 Shift + [/] 映射为部分中文排版更推荐的直角引号「/」，而 Windows 自带输入法并没有这个功能。除了更换输入法、全局替换掉某个键、设置字典打出一对引号等方法，通过 AutoHotKey 识别当前输入法状态并映射不同的按键不失为一种更优雅的解决方案。

在 Windows 上也有自带的 Win + V 的高级剪贴板功能，甚至可以和微软账户绑定实现云同步。但是这个功能对我而言比较花里胡哨，UI 确实更加现代化也与系统保持一贯风格。不过系统自带的剪贴板历史过于循规蹈矩，保存的历史条目太少不说，在隐身浏览器模式下乖乖不记录。Ditto 作为一款开源剪贴板增强工具，UI 更加简洁紧凑，可以保存更多历史记录、支持搜索、支持自定义快捷键、同时还有清除格式等高级粘贴功能。

配合 AutoHotKey 设置的 Hyper 键，我一般通过 Hyper + V 调出 Ditto 剪贴板历史记录。

C++ 编写的小工具具有不俗的性能，在保存 300 条目且不随时间清空的情况下，调出和检索都察觉不到卡顿，且占用极低只用个位数 MB 内存。

在 macOS Finder 中，Quick Look 赋予空格快速预览文件夹属性或者多种文档内容功能——俗称「一指禅」。Windows 用户一直垂涎这种功能，虽然 Windows 资源管理器也可以通过侧边栏预览，但是这种方式开启后任何选中都会预览，占用大量资源，同时支持的文件内容类型也有限，还会有反馈带来奇怪 bug。

这催生了 Windows 同名第三方开源插件 QuickLook，行为几乎与 macOS Quick Look 一致，通过空格快速预览，同时支持通过 引入插件的插件 形式支持预览 markdown、jupyter notebook、电子书等更多格式文件，并且支持在 Directory Opus、Files、OneCommander 等第三方文件管理器中使用。

MacBook 触控板和妙控板凭借着超大的触控面积、以假乱真的震动体验和 macOS 软硬结合，造就了曾经以及当下最优秀的触控板体验。许多 macOS 用户或许和我一样并不愿意使用鼠标，而是更倾向于触控板。其中稍微有些弯弯绕绕就属 macOS 的三指拖拽，如此好用的功能就藏在辅助功能里。

当然随着微软给出精确式触控板的驱动和建议硬件规格，也体现出 Windows 对于触控板的上心，目前绝大多数 Windows 设备触控板也都支持精确式触控板，相当一部分产品日用体验已足够优秀。可惜的是即便系统对于多点触控的支持已经覆盖从二指到四指，但是三指和四指滑动手势略有重合且使用频率不高，Windows 也没有给出类似 macOS 的三指拖拽功能。

好在可以通过插件 ThreeFingerDragOnWindows 在 Windows 上实现 macOS 的三指拖拽，依赖 .NET 运行环境实现。使用前请确保通过触摸板设置中禁用「轻点两次并拖动以多选」行为和所有默认的三指轻扫行为，这样拖动操作才不会受到干扰。

相较于 Windows 10 主题色、背景和明暗模式的割裂设置，Windows 11 将更统一、更完善的「个性化 – 主题」设置提到更优先位置，并提供若干预设主题。但是 Windows 11 仍然没有 macOS 那样的自动切换深色模式功能。Windows Auto Dark Mode 支持通过设定固定时间或跟随该定位的日出日落时间自动切换深色模式，同时可以自定义深色、浅色模式对应主题。

在前文提到：

目前单独备份系统的意义远不如备份文件，通过链接把一些应用的数据文件夹（例如微信保存的文件）link 到其他分区、外置存储乃至云端上……

所谓「链接」，在文件系统中指的是软链接（符号链接）和硬链接──两种创建文件引用的方法。软链接（符号链接）是指向另一个文件或目录的路径，可以跨文件系统，类似于快捷方式；如果原文件被删除，软链接会失效。硬链接是直接指向文件数据的引用，两个文件共享相同的物理数据块，它们的内容完全一致，删除一个硬链接并不会影响到文件的实际数据，只有所有硬链接都删除时，数据才会被清除。硬链接只能在同一文件系统中创建，其实文件管理器上的几乎所有文件都可以被看作是硬链接。

更详细关于链接的介绍可以参阅少数派文章 符号链接、硬链接及其在 Windows 上的应用举例。我对 Link Shell Extension 的初识也正是在这篇文章中。一个最常见的案例是，对于 小而美 微信可以将其 Files 文件夹移动至 OneDrive，然后通过符号链接将其链接回原位置，这样既可以保证微信正常运行，又可以实现微信保存的文件备份。该插件的智能多版本硬链接功能会自动分析和前一次的差异并对不变的内容创建硬链接，实现增量备份，但该功能不能链接到外部存储，仅适合在同盘做备份版本管理。

特别注意，少数派文章中介绍的「中键拖动」快速创建链接操作不适用于 Windows 11，正确操作应当修改为使用右键拖动。

虽然 Windows 自带输入法对于绝大多数用户已经足够好用。但是我有跨设备需求，特别是需要兼容 macOS 和 Windows 双系统，这导致明明两者的系统自带输入法都可圈可点我都率先排除。而高度自由、高度定制的 RIME 进入我考虑范围。在 Windows 上通过 Weasel、在 macOS 上通过 Squirrel 实现 RIME 输入法的部署，在 Linux 上还有诸如 ibus-rime 等多种版本。

但 RIME 的高度自由伴随的也是较高准入门槛。好在开源项目 oh-my-rime 及其 配套配置教程 算是相当程度上降低这种门槛。但这种打包配置并未限制你设置自由度，你依然可以根据自己的需求自行修改配置文件，例如取消 Shift 切换中英文、更改翻页快捷键和以词定字快捷键等等。

许多功能和其他配置在 oh-my-rime 项目教程中也有提及，这里单独展开讲一下多设备同步。虽然该教程中也完整提到同步设置，但是同步行为是要用户手动触发的，而平时工作中很可能忘记触发。更优雅的方案是通过 Windows 的计划任务触发同步：

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

openai 推出了一款叫做 Canvas 的新工具，用来帮助用户更好地与 chatgpt 协作写作和编程。

写作的快捷方式包括：

编程的快捷键包括：

模型功能

详细介绍：https://openai.com/index/introducing-canvas/

你是 ChatGPT，由 OpenAI 训练的大型语言模型。

JAILBREAK PROMPTS FOR LIBERATING ai MODELS. Contribute to elder-plinius/L1B3RT45 development by creating an account on github.

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

chatgpt 最近推出会主动思考推理的「 o1-preview 」，以及更即时、自然的「高级语音对话模式」后，今天又再次推出新功能：「ChatGPT Canvas」，这是基于 GPT-4o 架构开发的全新 ai 写作、源码编辑界面。让 ChatGPT 不再只能对话，而可以进行更深入、准确的内容创作工作。

第一波更新中，ChatGPT Plus 和 Team 用户会先获得 Canvas 功能，而全球的企业和教育版用户将会在下周获得使用权限。并且 openai 还计划在 Canvas 正式发布后，向所有 ChatGPT 免费用户开放这项新的人机协作界面。

实际测试后，我觉得可以把「ChatGPT Canvas」想象成一种 AI 文本、源码软件，在这个工具中，人和 AI 可以更有效率的协作，共同编辑更好的内容成果。

以前的 ChatGPT 是即时通，一切内容要在对话中生成，也只能用对话引导 AI 去生成、修改，这很多时候会有点麻烦，常常在问答的过程偏离主题，难以指定要修改的部分，容易愈改愈乱，再也回不去之前更好的版本。

但是「ChatGPT Canvas」能够解决上述问题，它让人与 AI 在一个类似文本编辑的界面中讨论，就像多人一起编辑一份在线文件那样，可以一起处理文字、源码内容，可以针对任何指定段落修改，能够整合人与 AI 各自编写的内容，最后一起合作完成一份文本。

于是， ChatGPT 不再只是「对话软件」，而可以当作真正的「AI 文本内容、源码内容编辑器」，你可以利用来处理下面的工作流程：

在这篇文章中，我通过一个完整的写作实测案例，带大家了解 Canvas 的操作流程、快捷功能以及它如何帮助创作者解决具体问题。

在 ChatGPT 的 AI 模型中切换到「GPT-4o with canvas」模式，下面我测试看看利用这个新界面编写一篇文章。

首先，我先利用原本常用的 AI 指令结构，结合我的想法草稿，请 ChatGPT 改写成一篇完整的文章内容。

当 AI 开始编写文章草稿，或是源码时，「GPT-4o with canvas」就会像是下图这样，进入独立的文件编辑界面。

进入独立的 Canvas 编辑界面后，最大的优点就是，我们甚至可以直接在上面修改 AI 生成的文章内容。

于是这样一来，可以实现更流畅的「人与 AI 的协同写作流程」。

以前 AI 生成的内容，我们有不满意的地方，无法人为的介入修改，只能让 AI 自己去改，而常常愈改愈乱。

现在， AI 生成的草稿，我可以直接在编辑界面介入，修改成我觉得更好的版本，然后再请 AI 接续调整，实现真正的人与 AI 协同合作。

「GPT-4o with canvas」不只可以修改内容，也可以调整粗体、标题样式，就像是一个结合 AI 功能的简易 Word 编辑器，还支持 markdown 编辑格式。

以文章写作的 ChatGPT Canvas 界面为例，编辑界面右下方会出现一排「快捷功能菜单」，文章写作、源码编辑会有不同的对应菜单。

「快捷菜单」中有很多默认功能，可以快速修改整篇文章、源码的内容。

例如其中有一个「阅读等级」的调整按钮，可以把文章的内容改成从小孩子到博士等级的不同风格与深度。

下面是一篇我让 AI 改写的、文章，我让 ChatGPT 把原本相对专业的文章内容，改成适合小朋友阅读的版本。

而下面是同一篇第二大脑的教程文章，我让 ChatGPT 把原本相对口语的草稿，改成更精炼、专业的文章风格。〔可以跟上面的小朋友版本进行比较，都是同一篇草稿的不同阅读等级修改。〕

通过快捷功能，一个按钮就可以快速转换我们需要的文字深度与风格。

以文章编辑界面为例，具备下面几种快捷功能：

下图是按下「建议编辑」后，ChatGPT 针对不同段落提供的编辑建议，我只要按下允许，就可以让 AI 直接进行修改。

这是不是跟以前的对话生成内容有很大的不同？现在 ChatGPT 可以针对一篇长篇文章，提供各种分段的调整、建议与修改。

除了整篇文章的快捷修改、建议外，在「ChatGPT Canvas」的编辑界面中，我可以任意圈选一段觉得有问题的段落，这时候会浮现「Ask ChatGPT」的按钮，点击后，我可以输入这一段的修改建议，让 ChatGPT 去进行指定段落的调整。

这是不是很像我们在 Google 文件上提供伙伴文章修改建议？只是这一次，AI 成为我的伙伴，听从我的指令去修改。

更棒的事，在「ChatGPT Canvas」中不用再怕 AI 修改内容后，回不去之前可能更好的版本。

因为在编辑器中，自带了可以还原之前版本的功能，而且不只可以还原到前一个版本，也可以回到上上版、上上上版，或是跳回最新版本。

经过简单的文章写作实测，我们可以看到 ChatGPT Canvas 的可能性，它突破了传统 AI 对话生成文本的限制，将人机协同的创作流程无缝结合，无论是在写作还是程序设计的应用场景中，Canvas 以更灵活的编辑能力和快捷的功能，帮助用户实现了更精准、有效的工作流程。

对于我相对熟悉的文章创作者而言，ChatGPT Canvas 不仅提供了文稿即时的优化、编辑建议，还能调整文本的阅读等级和风格，帮助你快速针对不同的受众进行调整。而对于程序员，Canvas 的源码审查、注解添加与错误修正功能，让程序开发过程变得易于维护。

这样的功能让人与 AI 之间的互动变得更具深度，不再只是被动地接受 AI 的生成内容，而是能主动参与其中，实现真正的协同创作。

无论你是需要改进写作的创作者、需要帮助调试的程序员，还是想要在教育中使用 AI 辅助的教师或学生，ChatGPT Canvas 都是一个值得一试的工具。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

chatgpt 之前让许多人惊艳的「进阶语音模式」功能，今天开始陆续针对 Plus 与 Team 用户推出。这个模式最大的特色，就是可以用更加自然〔接近于真的跟一个人聊天〕的对话方式，让用户通过语音与 ai 进行交流。

相较于旧版的功能，新的语音交谈过程更加流畅、AI 反应迅速、接话过程几乎没有等待，也能随时打断 AI、插入新话题，除了可以支持多国语言在同一个对话中自由切换外，还能让 AI 模仿或调整各种对话风格等等。

那时候在 openai 推出的官方视频中，这个 AI 进阶语音不只是更自然流畅而已，他还可以结合看的功能〔摄影镜头〕来回答用户问题，或是在语音中识别出用户的情感而提供对应的回应，这些跟原本拟人化的语音结合在一起，效果确实令人惊艳。

不过目前的「进阶语音模式」功能，似乎还没有当时视频中「完成体」的样子，在我实际的测试中，目前的〔2024/9/25〕的「进阶语音模式」有下面这些特点与限制：

我测试了几个 ChatGPT「进阶语音模式」的应用情境，下面跟大家分享「纯心得」，之所以叫做纯心得，就是因为我没有时间录制成视频再剪辑，所以真实过程其实是手机 app 上的语音对话，但我就用事后图文的结果来说明。

首先，我之前就尝试过，利用跟 ChatGPT 进行一来一往的语音对话，一起构思一个企划案、文章草稿，例如，请 ChatGPT 假装成一个采访者，采访我对某个主题的想法，引导我把想法说出来，最后我就可以把这些内容转换成报告或文章。

旧版本的时候，其实我就已经觉得满好用的，只是那时候 ChatGPT 的每一次回应「要等很久」，所以对话过程相对生硬很多。

但使用新版的「进阶语音」模式，整个对话讨论过程完全不需要等待，AI 几乎都可以立即回应、接话，而当我发现 AI 说的东西走偏时，我也可以立即打断他，重新拉回主题。

最大的改变就是整个过程会更迅速，更节省时间，而脑中的想法可以更顺畅地说出，更有头脑风暴的感觉。

我喜欢用这种来回对话的方式，把很多想法激发出来。

经过完整的语音讨论后，请 AI 统整前面的讨论，整理成报告、文章的草稿。

不过，最后这一段我用的是文字的指令，当我这样做之后，这个聊天室就不能再进入进阶语音模式了。

其实现在有很多 App 可以做类似的事情，无论是真人还是 AI，有一个在线家教，通过语音来教我们学习一些事情。

于是我试试看让 ChatGPT 通过「进阶语音模式」，当一个冥想教练。

首先，我先试试看在对话中让他调整语调。〔毕竟冥想教练的语调应该更缓和、舒服一点〕

然后我请他当一个冥想教练，通过进阶语音模式，引导我进行深呼吸的练习，或是引导我做大脑放松，效果还可以，这看起来也是一个适合 ChatGPT「进阶语音模式」做的事情。

当然，在这种特别需要情感的情况下，AI 的声调听起来还是比真人的语调生硬一点点。

或者，我也请 ChatGPT 通过「进阶语音模式」当一个英文家教，带我练习口说。

相较于旧版本，因为现在对话过程更流畅，所以更有面对面家教的感觉。例如我先跟他说明想要学习的背景，通过讨论，我们决定一起来练习旅行中的英文。接着 AI 提示我可以先练习餐厅中使用的英文，于是他先说几句如何点餐的用语，然后要求我照着念一次，并且会给我即时回馈。

这部分的过程非常顺畅也满有用的，而且可以通过对话随时调整成自己想要学习的内容，比很多固定的英文学习 App 更好用。

我也尝试看看把这样的「进阶语音」当作翻译工具来使用看看，以后如果有旅行、会议场合，可否帮我更快速、流畅的翻译双方沟通的内容呢？

首先，我进入语音对话后，先做一些设置，请 ChatGPT 充当即时口译的角色，并告诉他听到什么语言时，要口译成什么语言。

然后我说了一段中文，他很顺畅地直接翻译成正确的日文内容，当然，是用说的说出来。

然后我尝试在不同的语言之间切换，ChatGPT 的 AI 语音都可以即时口译成我需要的另一种语言。

而且当使用台语〔闽南语〕沟通时，ChatGPT 的 AI 语音也能听得懂，并且也会用台语回答。

整体来说，昨天初步测试，上述几个应用情境，对我来说就可以生成很大帮助：

使用 ChatGPT Plus 或 Team 版本的用户，值得试试看。

没有任何预警，openai 突然发布了 OpenAI o1 系列模型。按照官方技术博客说法，o1 在推理能力上代表了当前人工智能最强的推理水平。

OpenAI CEO Sam Altman 表示：「OpenAI o1 是一个新范式的开始：可以进行通用复杂推理的 ai。」

在复杂推理任务上，这款新模型是一次重要突破，代表了 AI 能力的新水平。基于此，OpenAI 选择将此系列重新命名为 OpenAI o1，并从头开始计数。

不知道这是否意味着，GPT-5 这个命名也不会出现了。

简单总结新模型的特点：

现在，该模型已经全量推送，你可以通过 chatgpt 网页端或者 API 进行访问。

其中 o1-preview 还是预览版，OpenAI 还会继续更新开发下一版本。目前使用有一定次数限制，o1-preview 每周 30 条消息，o1-mini 每周 50 条。

和传闻中的「草莓」一样，这些新的 AI 模型能够推理复杂任务，并解决科学、编码和数学领域中比以往更为困难的问题。官方表示，如果你需要解决科学、编码、数学等领域的复杂问题，那么这些增强的推理功能将尤为有用。

例如，医疗研究人员可以用它注释细胞测序数据，物理学家可以用它生成复杂的量子光学公式，开发人员可以用它构建并执行多步骤的工作流程。

此外，OpenAI o1 系列擅长生成和调试复杂代码。

为了给开发人员提供更高效的解决方案，OpenAI 还发布了一款更快、更便宜的推理模型 OpenAI o1-mini，尤其擅长编码。

作为较小版本，o1-mini 的成本比 o1-preview 低 80%，是一个功能强大且高效的模型，适用于需要推理但不需要广泛世界知识的应用场景。

在具体训练过程中，OpenAI 会训练这些模型在回答问题之前深入思考。o1 在回答问题前会产生一个内部的思维链，这使得它能够进行更深入的推理。

通过训练，OpenAI o1 模型能够学会完善自己的思维方式，并且随着更多的强化学习（训练时间计算）和更多的思考时间（测试时间计算）而持续提高。

OpenAI 研究员 @yubai01 也点出了 01 的训练路线：

我们使用 RL 来训练一个更强大的推理模型。很高兴能成为这段旅程的一部分，而且要走很长一段路！

据介绍，在测试中，这款模型在物理、化学和生物等任务中表现得如同博士生，尤其是在数学和编码领域表现突出。

在国际数学奥林匹克竞赛（IMO）的资格考试中，GPT-4o 只解决了 13% 的问题，而推理模型得分高达 83%。在 Codeforces 编程竞赛中，它的表现进入了前 89% 的队列。

不过，和传闻的爆料一样，作为一个早期版本，该模型还不具备一些 ChatGPT 的常用功能，比如网页浏览和上传文件或图像等多模态能力。

相比之下，GPT-4o 反而会更加胜任许多常见的应用场景。

为了确保新模型的安全，OpenAI 提出了一种新的安全训练方法。

在最严苛的「越狱」测试中，GPT-4o 得分为 22（满分 100），而 o1-preview 模型得分为 84，在安全性方面堪称遥遥领先。

从下周开始，ChatGPT Enterprise 和 Edu 用户也可以访问这两款模型。符合条件的开发人员现在可以通过 API 使用这两款模型，每分钟速率也有所限制。

在这里划个重点，OpenAI 表示，未来将向所有 ChatGPT 免费用户提供 o1-mini 的访问权限。不过，大概率也会在次数上有所限制。

关于新模型 o1 更多细节，我们很快将在更详细的体验后与大家分享。如果你有感兴趣的问题，欢迎在留言区告诉我们。

官方也放出了更多 OpenAI o1 的更多演示视频。

比如使用 OpenAI o1 来编写一个找松鼠的网页游戏。这个游戏的目标是控制一只考拉躲避不断增加的草莓，并在 3 秒后找到出现的松鼠。

与传统的经典游戏如贪吃蛇不同，这类游戏的逻辑相对复杂，更考验 OpenAI o1 的逻辑推理能力。

又或者，OpenAI o1 已经开始能通过推理，解决一些简单的物理问题，

演示列举了一个例子，一颗小草莓被放在一个普通的杯子里，杯子倒扣在桌子上，然后杯子被拿起，询问草莓会在哪里，并要求解释推理过程。这表明模型能够理解物体在不同物理状态下的位置变化。

落地到具体的应用中，OpenAI o1 还能成为医生的得力助手，比如帮助医生整理总结的病例信息，甚至辅助诊断一些疑难杂症。

热衷于将 AI 与科学相结合的量子物理学家马里奥•克莱恩（Mario Krenn）也向 OpenAI 的 o1 模型提出一个关于特定的量子算符应用的问题，结果，OpenAI o1 也轻松拿捏。

「Strawberry」里有多少个「r」，GPT-4o 会回答错误，但却难不倒 OpenAI o1，这一点值得好评

不过，经过实测，OpenAI o1 依然无法解决「9.11 和 9.8 哪个大」的经典难题，严重扣分。

对于 OpenAI o1 的到来，英伟达具身智能负责人 Jim Fan 表示：

我们终于看到了推理时间扩展的范式被推广并投入生产。正如萨顿（强化学习教父）在《苦涩的教训》中所说，只有两种技术可以无限制地与计算规模化：

学习和搜索。是时候将重点转向后者了。

在他看来，大模型中的很多参数是用来记忆事实的，这的确有助于在问答的基准测试「刷分」，但如果将逻辑推理能力与知识（事实记忆）分开，使用一个小的「推理核心」来调用工具，如浏览器和代码验证器，这样可以减少预训练的计算量。

Jim Fan 也点出了 OpenAI o1 最强大的优势所在，即 o1 模型可以轻松成为数据飞轮的一部分。

简单来说，如果模型给出了正确的答案，那么整个搜索过程就可以变成一个包含正负奖励的训练数据集。这样的数据集可以用来训练未来的模型版本，并且随着生成的训练数据越来越精细，模型的表现也会不断改善。好一个通过自己博弈，实现自己训练自己的内循环。

不过网友的实测中也发现了一些问题，比如回复的时间长了不少，虽然花了更长时间思考，但在一些问题上也会出现答非所问输出不全等问题。

赛博禅心猜测，这次的 o1 有可能是 GPT-4o 在进行一些微调/对齐后的 agent，整体远低于预期，

Sam Altman 也承认 o1 仍然有缺陷，存在局限，在第一次使用时更令人印象深刻，而在你花更多时间使用后就没那么好了。

尽管如此，OpenAI o1 模型在整体的表现上还是可圈可点。

现在，OpenAI o1 模型的发布堪称下半年 AI 模型大战的导火索，如无意外，接下来，其他 AI 公司也不会藏着掖着了。

没错，我点的就是 Anthropic、Meta AI、xAI 等老对手、以及一些潜在深处的 AI 黑马。

并且，从 GPT-4 发布至今，OpenAI 每一次模型发布的最深层意义并不在于性能的强大，而是提供了一种技术路线的标杆，从而带领人们往未知的深水区迈进。

GPT-4 如此，OpenAI o1 也希望如此。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

openai 今天发布「 ChatGPT o1-preview」，是会尝试主动思考的 ai 语言模型，chatgpt Plus 订阅用户现在就可使用。

根据 OpenAI 的说法：「我们训练这些模型〔ChatGPT o1-preview〕在回应前花更多时间思考问题，就像人类一样。通过训练，它们学会精炼思考过程、尝试不同策略，并能察觉自己的错误。」「如果您正在解决科学、程序设计、数学和相关领域的复杂问题，这些增强的推理能力可能特别有用。」

我自己在讲 ChatGPT 提升工作效率的相关课程时，常常强调一个设计指令的重点：「如果我们写 AI 指令〔 prompt、提示语〕时，可以让 AI 写出自己在想什么、怎么处理任务，通常生成的内容结果会相对更好。」

从用户端的角度来看「ChatGPT o1-preview」，就是在 AI 生成内容前，会先展开一步一步的思考流程，它可能会选择思考的策略与切入点，有时会提出一些批判思考，也会更仔细的分析资料细节来做深入处理。

在这个过程中，「ChatGPT o1-preview」生成内容的速度其实比 GPT-4o 要慢上不少，可能需要 30~60 秒的思考时间〔或者更久〕，才会开始一步一步的生成内容。

也因为这样的「思考」过程需要耗费更多运算资源，所以即使是 ChatGPT Plus 用户，在使用「ChatGPT o1-preview」时也有一些限制：

也就是说，目前「ChatGPT o1-preview」比较像是「GPT-4o」的辅助，在进行一些需要深入分析资料、产出有逻辑结果的任务，或者像是科学、数学、程序代码相关领域时，可以运用。

今天这篇文章，我就从自己日常惯用的几个 AI 辅助需求：翻译、摘要、企划思考、文案，以及有时用代码写个小工具的角度，以实际案例测试看看，「ChatGPT o1-preview」的效果如何，并和「GPT-4o」同样指令下的结果作比较。

当然，如果能从科学、数学与代码的角度来验证更好，不过从我个人常用角度出发，也想验证看看 ChatGPT o1-preview 是否能满足我的日常工作需求，也提供大家参考。

下面，先提供大家下面测试案例的快速心得比较表格。

翻译结果更简洁有力，文句白话流畅。

用语更符合台湾惯用词汇。

在「白话流畅度」与「专业用语」间平衡得更好。

翻译结果相对较弱，文句不如 o1-preview 流畅。

能计算分数并回馈对错。

无需修改即可使用。

需要多次反复调整才能达到可用程度。

提供具体、逻辑分明的建议步骤和文章架构。

深入分析资料细节。

缺乏深入的分析和明确的建议。

能整理出详细的步骤和操作要点。

细节完整程度略有不足。

缺乏社交贴文所需的流畅性和吸引力。

更注重安全性和准确性，避免使用版权材料。

可能在细节上不够精准。

首先来试试看翻译〔英翻中〕，我通常会用下面指令来要求 ChatGPT 翻译文章：「把下面这篇 XXX 主题的文章，翻译成中文，请一段一段翻译，尽量在维持原文语意，主题风格的情况下，让上下文的语句更自然通顺，遇到专有名词时附注英文原文，并在第一遍基本翻译后，用台湾惯用词汇与语气进行最后修饰。」

下图「左方」，是「ChatGPT o1-preview」翻译的结果。下图「右方」，是「GPT-4o」翻译的结果。

结论是，「ChatGPT o1-preview」花了 57 秒完成一整篇文章的翻译〔文章是 OpenAI「ChatGPT o1-preview」官方公告〕，但是翻译的结果比「GPT-4o」优异不少。

例如，大多数时候，「ChatGPT o1-preview」翻译的文句更加简洁有力〔相对「GPT-4o」〕，可以在许多段落看到这样的差别。

「ChatGPT o1-preview」翻译的结果也更白话，相对流畅，用语更符合我指定的中文用语。

「ChatGPT o1-preview」在「白话的流畅度」与「专业用语」之间也相对更能拿捏得当，会让人更容易看懂，但又保持专业用语的明确性。

我让「ChatGPT o1-preview」测试直接写一个九九乘法表小工具。o1 同样会先思考撰写工具的逻辑，然后才开始写出程序代码。

我提供的指令是：「我的小孩正在练习记忆数学的 99 乘法表 ，你可以设计一个协助她练习的小游戏吗？

请一步一步分析，从简单的 2 与 5 的乘法表开始，然后练习 3、4、6、7、8、9 的乘法表，根据每一个乘法表设计一个记忆游戏，游戏一开始可以选择要练习哪一个乘法表，进入后可以随机考验该乘法表的熟练度，最好设计有游戏机制。」

下面是 ChatGPT o1-preview 第一次生成的 99 乘法表小游戏，我没有做任何的修改，但是正确性、界面美化、操作流畅度都已经达到可用的程度，还会计算分数与回馈对错。

下面是旧版 GPT-4o 第一次生成的小游戏，基本界面可操作，但有一些明显错误〔如下图〕，可能还需要多几次的反复问答，才能调整正确。

我也很常跟 ChatGPT 一起讨论沟通企划案，下面是新旧版本生成的结果比较。

我提供了许多参考资料，请 AI 帮我做产品的企划报告。

「ChatGPT o1-preview」在生成过程中，会主动做一些反向思考，与探索不同的报告呈现方式，并且提供一些具体的、逻辑分明的建议步骤，这些不一定有出现在我的指令中。

下面是 ChatGPT o1-preview 生成的版本，我举出其中一部分，它提出了一个撰写初稿的建议方案，并指出了一些明确的试写步骤、文章架构方向。

下面是 GPT-4o 类似段落的版本，虽然也提出了撰写初稿的建议，但整体的说明就比较一般，少了一些明确的、深入的分析与建议。

我也测试了用两个版本去摘要同一篇文章。

下面是 ChatGPT o1-preview 的版本，可以看到文章细节整理得更深入、完整、有条理。

下面是 GPT-4o 版本摘要的结果，基本架构也相似，但细节的完整程度就有一点落差。

不过，ChatGPT o1-preview 也有他不擅长的内容，目前看起来它撰写流畅文案的效果，反而没有 GPT-4o 好〔现在写文案相对效果最好的可能是 Claude 3.5 Sonnet 〕。

下面我请 AI 根据参考资料写出社交贴文上的文案。

ChatGPT o1-preview 版本，AI 会思考撰写过程，撰写时会进行更多安全性、准确性的思考，例如避免使用版权材料。

但是多次尝试后，发现 ChatGPT o1-preview 版本目前的结果，比较像是把参考资料更有结构、更有逻辑的分析整理，不太像是社交贴文。

相较之下， GPT 4o 的版本，可能细节没有那么精准，但文案比较流畅。〔如下图〕

以上就是我的初步测试案例与心得，提供大家参考。

OpenAI宣布了适用于 macOS 的 ChatGPT 客户端app正式面向所有用户开放。该应用专为 macOS 系统设计，支持快捷键呼出和多种内容形式的交互。目前仅适用于配备 Apple Silicon（M1 或更高版本）的 macOS 14+，但计划在今年晚些时候登陆 Windows。

ChatGPT on macOS客户端app正式面向所有用户开放最先出现在Justin写字的地方。

最近关于 AIGC 的关注度太高了，自己也时不时会抽空去了解一些情况，或者尝试去用一些工具。很多关于 AI 要替代人的观点大行其道，也一直有不少 AI 要让设计师失业的看法在坊间流传。但我自己的感受和看法是：

在 Midjourney、Stable Diffusion、ChatGPT 这些 AI 工具出现后，「手头功夫」并没有因此丧失意义，它们只是不再具备作为门槛的价值，但依旧是重要的前提。因为「手头功夫」是培养我们发掘问题、判断优劣和快速取舍的重要训练，缺少这部分锻炼，会让人在这一系列 AI 工具面前感到无力。准确地识别问题并提出诉求，这是未来教育的重中之重，也会反过来强调人的价值。

正好，前段时间后浪送了我一本书，是前微软包容性设计的首席总监 Kat Holmes 写的《误配》。一边看这本书，我就一边在结合自己的工作和最近关于 AIGC 的思考，我觉得这本书里提倡的理念，正好回应了当下的舆论思潮。

大部分谈论设计的书，都在试图通过图形和案例来构建一类理论和范式。但在这个 AIGC 日进八万步的新时代里，设计师要以什么身份来参与？我认为所有的既定范式，都会在三到五年之内被全部击碎。串联、融汇、杂交才是新世界的主流，创作者的身份将愈加模糊，甲乙方的界限也会逐渐消失或扭转。怎么回应这样的快速变化？我觉得《误配》这本首版于五年前的「旧书」，提出了很适合当下思考的母题：

设计行为、设计师、设计对象以及新技术之间，如何在智能化浪潮里，互相包容和一起进化？

这本书没有给出直接的答案，但对于有三年以上工作经验的设计师而言，带着经验、问题和困难去阅读，会有启发和收获。「物」的旧体系正在溃散，「系统」和「生态」将是历史的新主角。旧时代的残党，可以下船了。

昨天在各个社交媒体上发了一下自己的读书感受，因为被后浪的微博官号转发了，于是被这本书的译者何盈女士注意到。正巧我的朋友宋喆在刷朋友圈时看到她的这条寻人启事，就这么阴差阳错地跟她直接联系上了。

这种「地球村」的感觉很妙！

这更坚定了我今年一定要 重新启动设计纪录片 的决心了！

原本被通知早上要和客戶開會，騎到平時停車的地方時卻被臨時告知先不開了。因為起來得比平時早一些，所以覺得有一點睏睏的。於是，就在店裡坐著冥想了五分鐘，借倆口咖啡因下肚先回點血。

I was originally notified that I had to meet with a client in the morning, but when I rode to the place where I usually park, I was told that it was not going to happen. Because I got up earlier than usual, I felt a little sleepy. So, I sat in the shop and meditated for five minutes, and took a couple of sips of caffeine to get some blood back.

元々は朝にクライアントと会うことになっていたのですが、いつも駐車する場所に着いたら、やめることになったと急に言われました。普段よりも早く起きたので、少し眠気がありました。そこで、店の中で座って5分間瞑想し、カフェインを2口飲んで血が回るようにしました。

在最近幾次冥想的過程中發現，Apple Watch 的這個呼吸頻率對我來說已經偏快了，如果完全按照我自己的節奏來控制，起碼得是 3 次，或者 2.5 次這個頻率，但 Apple Watch 已經不能設置更慢的呼吸節奏了。

I found out in the last few meditations that this breathing rate of Apple Watch is too fast for me. If I completely control it according to my own rhythm, it should be at least 3 times, or 2.5 times this frequency, but Apple Watch can no longer set a slower breathing rhythm.

最近の瞑想の過程で分かったのですが、Apple Watchのこの呼吸頻度は私にとっては早すぎます。自分のリズムに完全に合わせてコントロールするなら、少なくとも3回、あるいは2.5回この頻度でなければなりませんが、Apple Watchではもう遅い呼吸リズムを設定できません。

剛才測了一下時間，我三次呼吸（一呼一吸）的總時長是 2:03 （兩分零三秒）。這樣的話，換成 AW 的呼吸頻率計算方式應該是「每分鐘呼吸 1.5 次」。

I just measured the time and found that the total duration of my three breaths (one inhale and one exhale) was 2:03 (two minutes and three seconds). In this case, using AW’s breathing frequency calculation method, it should be “1.5 breaths per minute”.

さっき時間を測ってみたら、私の3回の呼吸（一呼吸）の合計時間は2:03（2分3秒）でした。この場合、AWの呼吸頻度の計算方法に換算すると、「1分間に1.5回呼吸」となります。

*以上英語和日語翻譯採用 New Bing 的 AI 完成。

*The English and Japanese translations are done by New Bing’s AI.

*以上の英語と日本語の翻訳は、New Bing の AI によって行われました。

但是，翻譯完之後，它居然一直反問我新的問題，是對我和我的行為感到好奇嗎？

But after translating, it kept asking me new questions. Is it curious about me and my behavior?

しかし、翻訳した後、新しい質問をずっと聞いてきました。私と私の行動に興味があるのでしょうか？

不是的。據我所知，它只是一個根據字詞關係來生成對話的超大模型，這種對話其實非常可能來自人類語庫中不要讓話掉在地上的社交禮貌用例。所以，這種反問並不能證明這個對話 AI 已經具備了意識。

No. As far as I know, it is just a huge model that generates dialogue based on word relationships. This kind of dialogue is very likely to come from human language libraries that do not want to let the conversation fall to the ground. Therefore, this kind of rhetorical question cannot prove that this dialogue AI already has consciousness.

いいえ。私の知る限り、それは単に単語の関係に基づいて対話を生成する巨大なモデルです。このような対話は、会話を地面に落とさないようにする人間の言語ライブラリから非常に可能性が高く来ています。したがって、このような反語的な質問は、この対話 AI がすでに意識を持っていることを証明できません。

上周在即刻看到一个话题：

ChatGPT vs. iPhone 两种技术有何异同？ 就它们制造产业变革和影响来说，对比思考能否启发对未来的想象？

我目前的看法是：

iPhone 为代表的技术，拓展了人的外延。人是技术网的中心，是作为生物人抛向空中的一块大腿骨。

ChatGPT 为代表的技术，更新了人的定义。信息和意识不是人的特权，是否只有生物人才是人，需要被认真严肃地对待。

前者的产业革新是建立在人脑上限之中的，超过脑容量的部分，推进速度非常缓慢。

后者不存在理论上限，对自身的推进速度远大于前者。但由于前者高度依赖人这个不确定因素，因此，在后者产生革新的同时，会同时产生大范围的剧烈冲突。前者脆弱，但作为后者的基建，这种大范围冲突可能导致两败俱伤，拖累后者进化速度。但因为发展不平均，所以后者会衍生出全新的社会形态。

AI 不需要代替人才能更新「人」的定义，更不必达到硅基生命的程度，只需要在表达方式上像人（即便它根本不理解自己在说什么），就自然会在生产方式和伦理上产生大量冲击。这些冲击会更新人对自身的认识，配合其自身的效率属性，人会主动更新对自身的定义描述。

在此基础上，设计师将来的工作会和今天大不相同。因为我们在思考人与物的关系时，中间的媒介可能不会再是物理交互和界面交互，而是面向 AI 的交互。这种交互可能是有形的，也可能是无形的。另一种更有可能发生的情况是，你所设计的产品不是给人类使用的，而是面向 AI 的中间件，这会改变很多约定俗成的非物理/生物层面的规则。

我们有幸站在了这段历史的开端之中。

Proxifier 是一款网络工具软件，可以帮助用户通过代理服务器进行网络访问，实现匿名化、翻墙、加速等功能。支持多种代理协议，规则管理，流量监控和日志记录等功能，提高网络连接的灵活性和智能化。注意 Proxifier 本身并不是一个代理软件，也不是一个 VPN 软件，其作用是控制其他其他软件访问代理的方式。

上一篇文章我提到了可以试用 Proxifier 来解决通过 Shadowsocks 代理访问呢 ChatGPT 频繁出现 Something Went Wrong 的问题，在本文中我们来展开讲一下具体的做法。

1 准备工作

1.1 软件下载

Proxifier 的官方网站是 https://www.proxifier.com/，其正版价格较贵，约 40 美元。不过，较早的 2.x 版本存在破解版。读者可以根据自己的经济状况来选择。

1.2 代理准备

如同开头提到，Proxifer 本身不是一个代理程序，读者应该自己提前准备好代理。这些代理中，无论是 Shadowsocks、V2Ray 还是其他常见的代理程序，都会在客户端本地重建一个 Socks5 代理，这一般都可以在代理客户端程序的配置或者服务器设置中看到。下图给出的是 Shadowsocks-NG 客户端在 macOS 中的系统配置，可以看到程序在本地 (localhost) 的 1086 端口创建了一个 Socks5 代理。

这个代理会被进一步转成 http 代理，从而被浏览器使用，这个转换过程是导致 ChatGPT 链接不稳定的元凶。接下来我们要使用 Proxifier 让 ChatGPT 直接使用 Socks5 代理。

2 设置 Proxifier

2.1 添加代理

我们以知乎上这篇文章为范本简要讲一下设置过程。首先我们需要将现有代理软件提供的 Socks5 服务告知 Proxifier，这通过添加代理服务器实现。

注意一般各种代理软件在本地创建的代理都是无需验证的，我们可以取消验证启用。输入设置之后，可以点击检查确认设置是否正确。

3 设置规则

为了让 ChatGPT 的访问能够通过 Proxifier 访问代理，我们需要配置 Proxifier 的代理规则。

添加代理规则的页面如下：

我们有两种方法引导 ChatGPT 的网络访问：

1. 我们可以选择下载 ChatGPT Desktop 客户端，然后通过代理规则中应用程序过滤规则找到 ChatGPT 程序，然后让目标主机为空（这意味着所有的目标主机都会服从本规则）；
2. 将应用程序部分置空，然后在目标主机中填入 ChatGPT 访问的域名。经过我的试验发现，填入 chat.openai.com; challenges.cloudflare.com; *.openai.com; 即可。

事实上，因为 Proxifier 能够全局性地处理所有网络访问，因此，第二种方法对于使用 ChatGPT Desktop 的用户来说同样有效。下图是完整代理规则。

至此我们就完成了设置，你可能需要重启浏览器才能能让 Proxifier 成功地引导 ChatGPT 的流量。

由于国情原因我们使用使用 ChatGPT 需要使用各种形式的代理，这时我们肯能会发现在与 ChatGPT 对话的过程中可能会出现下面的错误：

这种错误一般在我们再让网页空闲一段时间（通常是一分钟）后再次提问时出现。当然，去 OpenAI 的帮助中心是不会搜到什么有用的信息的。如果你去检索这个问题，你能得到的最好答案是在出现这个页面之后刷新页面，然后回到对话窗口继续对话即可。但是刷新后如果再次出现空闲窗口的情况，这个问题会反复出现，因此你在对话中就不得不反复地刷新页面，再加上每次页面重载你都需要去勾选 Cloudflare 的机器人验证框，这就会极大程度上拖慢我们的速度，影响产品体验。

这个问题是否可能是由于我翻墙访问导致的呢？我使用的翻墙软件是 Shadowsocks，经过一番搜索，一个 Github Issue 的讨论给了我灵感。

尽管讨论的题目和 ChatGPT 没有直接关系，但是这个回复提到，Shadowsocks 在构建代理管道时，会在客户端使用 Privoxy 来讲 Socks5 代理转换成 http 代理，进而被浏览器使用。Privoxy 的配置中包含了 Socket 连接时长方面的控制。于是我查看了我本地的 Shadowsocks 使用的 Privoxy 的配置文件，这个文件在 MacOS 中位于 /Users/lena/Library/Application Support/ShadowsocksX-NG/privoxy.config 文件。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

toggle  1
enable-remote-toggle 1
enable-remote-http-toggle 1
enable-edit-actions 0
enforce-blocks 0
buffer-limit 4096
forwarded-connect-retries  0
accept-intercepted-requests 0
allow-cgi-request-crunching 0
split-large-forms 0
keep-alive-timeout 5
socket-timeout 60

forward         192.168.*.*/     .
forward         10.*.*.*/        .
forward         127.*.*.*/       .
forward         [FE80::/64]      .
forward         [::1]            .
forward         [FD00::/8]       .
forward-socks5 / 127.0.0.1:1086 .

# Put user privoxy config line in this file.
# Ref: https://www.privoxy.org/user-manual/index.html

可以看到 keep-alive-timeout 和 socket-timeout 这两个选项设定的超时时间都比较低。我做了下面两个尝试：

1. 将这两个设置调高，并重启 Shadowsocks，但随后发现 Privoxy 重置了设置文件；
2. 我手动 kill 掉正在运行的 Privoxy 并且手动使用更新后的 config 文件调起一个新的进程，但是仍然没有解决 Something went wrong 的问题；

至此，我也不想和 Privoxy 纠缠下去，既然问题出在 Socks5 代理转 Http 代理的环节，我们可以使用 Proxifier 这个软件直接使用 Shadowsocks 提供的 Socks5 代理，就可以很好地解决这个问题。

Proxifier 的教程网上非常多，我就不在这篇文章里赘述了。

Proxifier 的使用参加我的文章：如何使用 Proxifier 来进行流量代理控制