只用一个大模型审代码已经过时。现在，开三个Cursor窗口，分别用Gemini 3.0 Pro、Claude Opus 4.5和Codex 5.1 High Pro，分别审查代码库并生成详尽的Markdown报告。然后让每个模型阅读另外两个的报告，最后用Opus 4.5进行步骤化的统一重构。流程结束，代码质量显著提升。| 帖子

为什么不用单一最强的Codex 5.1？即使是“王者”也需要智囊团。不同模型视角互补，避免盲点，提升审查深度。过往“凭感觉写代码”的时代一去不复返，AI协作正成为软件进化的核心动力。

虽然有人担心多模型审查会带来冲突和额外复杂度，实际操作中可以根据目标选用最适合的模型：
- Opus 4.5：通用且擅长理解新代码库
- Gemini 3.0：前端和UI表现卓越
- Codex 5.1：后端逻辑推理无敌

批判性的多模型交叉验证，相当于三位资深工程师各抒己见，最终汇聚成最佳方案。人类设计流程和决策策略，才是发挥这些AI最大效能的关键。

Anthropic试图打造一个能在六个月内取代程序员的代码模型，虽然他们尚未成功，但从他们对编码领域的投入和努力中可以看出野心十足。Opus 4.5无疑在处理多种编程任务上表现惊艳，成为了强大的辅助工具。| 帖子

然而，真正的编程远不止写代码本身。判断力、理解产品需求、处理遗留系统和复杂人际沟通才是核心。代码只占程序员工作的20%左右。AI目前还无法自动做出这些关键判断，仍需人类“牧羊”般引导和决策。

AI的崛起，虽未完全替代程序员，但已经迫使开发者提升标准，不再依赖模板和重复劳动。低水平或入门级编码岗位更易受到冲击，而资深工程师则拥有不可替代的经验优势，继续主导设计、优化和调试。

未来，编程将更多转向对AI生成代码的监督和责任承担。AI是工具，不是替代品。它加速了开发效率，也带来新的挑战：谁为代码背后的错误负责？

这场AI与开发者的博弈，是技术进步的必然，也是我们职业成长的新契机。拥抱AI，提升判断与设计能力，才是程序员未来的核心竞争力。

谷歌为什么给强大的AI产品起"Nano Banana Pro"这么搞怪的名字？| 帖子

这个问题引发了一场有趣的讨论。真相其实很简单：这原本只是内部代号，但在正式发布前就获得了巨大关注，谷歌索性保留了这个名字。

有个开发者透露了更有趣的细节：这个名字源于一首叫《Chicken Banana》的儿歌。开发者的孩子总是循环播放这首歌，而他当时正在开发代号为"Nano"的项目，两个词在脑海中自然融合，"Nano Banana"就这样诞生了。

从营销角度看，这个决定堪称天才：

名字本身就是话题。你现在讨论它，就证明了它的成功。怪异的名字创造记忆点，让人过目不忘。

对比历史上的成功案例：YouTube、Google、Shopify——这些名字最初听起来也很奇怪，但产品够好，名字就不是问题。甚至"Microsoft"当年也被认为是个怪名字。

更深层的策略考量：

可爱化策略能软化科技巨头的"邪恶"形象。在AI引发焦虑的时代，亲和力的名字能降低抵触情绪，让先进技术显得友好可及。

对比创造认知。越是反差，越容易被记住。

这是面向大众的产品，不是企业级解决方案。有趣的名字能推动AI普及，让谷歌在竞争中保持相关性。

讽刺本身也是一种策略。在这个Gen Z主导的时代，严肃反而显得过时。

最终，这个"意外"的名字成了最好的营销案例：随机、难忘、病毒式传播。它提醒我们，在产品足够强大的前提下，打破常规往往比循规蹈矩更有效。

五种主流且高效的微调技术，助你用有限资源实现定制化：帖子

1. 传统微调对LLM不现实，因模型参数量庞大，算力成本极高。参数高效微调（PEFT）因此诞生，核心是对权重矩阵做低秩近似，显著降低训练开销。

2. LoRA：在大模型权重矩阵旁添加两个低秩矩阵A和B，只训练这两个小矩阵，节省存储和计算，适合超大模型。

3. LoRA-FA：冻结矩阵A，仅更新B，进一步降低显存需求，保障训练稳定。

4. VeRA：将A、B设为随机且共享，改为学习层特有的缩放向量，实现更轻量的层间适配。

5. Delta-LoRA：在LoRA基础上，动态将A×B的增量“叠加”到原权重W，提升微调灵活性。

6. LoRA+：发现矩阵B比A更需高学习率，调整学习率策略，改善收敛效率。

这些方法不仅降低算力门槛，更是微调方法论的变革——不再盲目调整全部参数，而是精准塑造“关键方向”。未来趋势是结合模型结构智能选点，支持多任务与持续学习，打造可组合、可扩展的“微调语言”。

PEFT不是简单的工程优化，而是智能塑造大模型知识的设计语言，开启了人人可控大模型定制的新时代。

看病怎么选医生 ​​​| #经验

如何评价NeurIPS 2025论文Credal Transformer 对幻觉问题的解决思路？| 知乎帖子

Google 最新发布了针对 Gemini 3 Pro 的系统指令（System Instructions），在多项代理型任务基准测试中性能提升约5%。这些改进重点在于增强智能体的持久性、风险评估和主动规划能力，从而提升多步骤工作流的可靠性和稳定性。

核心思路是：复杂智能体需要系统化的行为规范，才能在实际应用中表现出更高的连贯性和执行力。通过规范智能体的推理和计划流程，避免盲目行动，确保每一步都有清晰的逻辑依据和风险控制。

开发者社区也分享了如何快速集成这套指令：
1. 在项目根目录新建 .gemini 文件夹
2. 在该文件夹创建 .env 文件，写入 GEMINI_SYSTEM_MD=1
3. 新建系统指令文件，复制官方模板内容
4. 完成后，Gemini CLI 和 Code Assist 就会根据这些指令执行任务

此外，也可将该配置放入用户主目录，统一管理所有项目的行为规范。

这套系统指令的价值不仅是提升5%的性能，更重要的是展示了“提示工程”中细节调整对智能体行为的深远影响。小小的框架变化，能彻底改变模型的推理深度和执行策略。这个进步提醒我们，AI 不仅是算力和模型，系统设计和指令层面的优化同样关键。

值得深思的是，智能体的“思考过程”应当被清晰地规划和评估，而非直接给出结果。让模型在内部严格推理、权衡风险，再输出最终答案，是打造可靠AI的必由之路。

《Accurate predictions on small data with a tabular foundation model》| paper

这篇论文堪称突破性成果，解决了机器学习领域长期的尴尬——尽管深度学习在图像、文本和游戏领域横扫千军，传统基于树的方法（如XGBoost、CatBoost、随机森林）却在表格数据上稳坐霸主地位近二十年。表格数据是现实应用中最常见的数据格式，深度学习一直难以攻克。

这篇发表在《Nature》上的论文带来了一个基础模型TabPFN，首次在小到中等规模数据集上，显著超越了树模型的表现，而且速度快得惊人。TabPFN仅用2.8秒就跑赢了需要调参4小时的CatBoost，速度提升了5000倍，这不仅是量变，而是质变。

它的训练方式也极为创新：GPT靠海量网络文本训练，CLIP靠图文对训练，而TabPFN完全依赖合成数据——通过生成超过1亿个人工因果图数据集，模拟各种复杂结构。每个图通过不同的随机变换生成特征和目标，加上真实世界中常见的缺失值和异常值，模型在完全不见真实数据的情况下，学习到普适的预测策略。

推理时，TabPFN也不走寻常路：它不微调、不提示，而是在一次前向传播中同时完成“训练”和预测。将带标签的训练集和无标签测试集一起输入，立即输出结果，无需梯度下降，因为模型预训练时已学会如何从示例中学习。

其架构设计尊重表格结构，采用双向注意力机制——先在行内特征间，再在列内样本间进行交互，区别于将所有数据平铺为序列的传统Transformer。换句话说，这个Transformer已学会监督学习本身。

这个突破的意义，不仅是深度学习终于在表格数据领域找到了“制胜之道”，更体现了“元学习”的力量——模型学习的是“如何学习”，而非单一模式。这是从单纯拟合数据到掌握学习算法的根本飞跃。

当然，这项技术也有局限：目前TabPFN适用数据规模约为一万条以内，因其上下文窗口限制，计算复杂度为平方级别，难以直接替代百万级大数据场景的XGBoost。且其推理时比树模型更耗资源，不适合超高频实时预测。

总结来看，TabPFN不是要取代树模型，而是为小样本、复杂结构数据提供了全新的、更快的解决方案，扩展了机器学习工具箱的边界。它是“先验胜过数据”的典范，开启了表格数据深度学习的新纪元。