本文目录
TL;DR
想从 LLM 榨出高质量成果，别急着换模型、改 prompt，先看懂它的两条本性。认知一（Rich Sutton 的《苦涩的教训》）：你的经验只是分布里极小一撮样本，模型靠海量算力看见的是全局统计分布结构，连同它的边缘。认知二：参数压缩的是规律，不是数据本身，模型内部是一张规律坐标系，不是资料库。顺着这两条，四步把它用准——让问题落在稠密数据区、把目标说明确到能锁定坐标、备一个可靠的验证信号去伪存真、判断落没落在分布内来定置信度；再把验证为真的结果回灌成越用越准的资产。用好这台机器，先从看懂它的本性开始。
核心论点
- 用好 LLM 的前提是看懂它的核心运作机制：它看的是全局分布，压的是规律
- 认知一（Sutton《苦涩的教训》）：个人经验只是分布里极小样本，模型靠海量算力看见全局统计分布结构及其边缘
- 认知二：参数压缩的是规律而非数据本身，模型内部是一张规律坐标系，不是资料库
- 四步操作序由两条认知直接推出：稠密数据包裹问题、明确目标锁定坐标、可靠验证信号去伪存真、判断分布内外定置信度
- 验证远比生成便宜，把验证为真的结果回灌成奖励与资产，有验证信号的领域才滚出复利
- 最隐蔽的塌陷是目标量错：代理指标等于给模型一个错坐标，它会精准落到错的点上
一、换个问题：先看懂这台机器，再谈怎么用好它
你大概经历过这个场景。同一个任务，换上业内最强的模型，得到的东西却半生不熟；再改改 prompt、加一句“请一步步想”，好一点，但离“能直接用”还差一截。于是你开始等下一代模型。
这条路会一直让你失望。原因不在模型不够强，而在你没看懂手里这台机器怎么运作——不懂它，你每一次用力都可能用错方向。
系列前作把一套 AI 系统拆成三层：LLM 是智力，Harness 是执行系统，Data 是资产。同一代模型接进不同领域，结果却天差地别——要稳定拿到高质量结果，得先回到最核心的那一层：LLM 本身怎么运作。它的本性一旦看清，该怎么喂数据、该在哪加验证，答案都会跟着浮出来。
有两条认知，不玄，但你懂不懂、信不信，直接决定你把力气花对还是花错。
继续阅读完整内容
用好 LLM 先看懂它：看的是全局分布，压的是规律
想从 LLM 榨出高质量成果，别急着换模型、改 prompt。先看懂它的两条本性——靠海量算力看见的是全局统计分布与它的边缘，参数压缩的是规律而不是数据本身。看清这两条，四步就能把它用准。
免费注册后，即可从这里继续阅读全文，无需购买会员。已有账号可直接登录。
分享 / SHARE微博
Discussion
留言0
请讨论观点，不攻击具体的人