原创 |刘教链草长莺飞二月天，拂堤杨柳醉春烟。还有不到一周，便是农历二月天。这加密市场，也真的是一片草长莺飞，春意盎然。不久前，比特币怒发冲冠，急破6万刀重要关口。2月29日教链文章赞曰《比特币始本无名，待其有名天下惊》。破关口就是破圈，便会引发圈外媒体的传播，增量关注和资金便开始被大量吸引。趁比特币稍事喘息，山寨便开始争奇斗艳，竞相驰骋。《突然：山寨若狂蜂！》教链3月2日写道。加密牛市味道顿出。但比特币似乎并不愿意给山寨太多出风头的机会，于是今日再次向上发动，破65k，续创新高，继续领涨！恰如2.29教链内参《急冲前高已近应验，敢问前路又在何方？》末尾所讨论的：「如果从呼吸理论的角度看，现在

这几天反复看Sora的技术报告，以及各方对Sora的技术分析。基本三个角度：惊呼强大功能，分析Sora（实现）大法，评估巨大冲击。冲击方面，主要关注点在于对影视、短视频、娱乐等领域的影响。但是，Sora改变AI认知方式，开启走向「世界模拟器」的史诗级的漫漫征途，才是未来暴风眼，真正的重点。而世界模拟器，是远比AGI、具身智能、元宇宙更炸裂的智能未来。Sora技术报告最有价值、最语焉不详、最容易产生不同理解的一句话是：「通过扩大视频生成模型的规模，我们有望构建出能够模拟物理世界的通用模拟器，这无疑是一条极具前景的发展道路」。而本文所述世界模拟器，与Sora目前自述以及业内理解，可能不太一样。很显

RAG+GPT-4，4%的成本，便可拥有卓越的性能。这是最新的「大海捞针」实验得出的结论。在产品中使用LLM的下一阶段，重点是让它们生成的响应/回复更加「超前高速化」(hyper-specific)。也就是LLM需要按照不同的使用情况，针对数据集、用户、使用案例，甚至包括针对特定调用，生成完全不同的响应。这通常是通过3种基本技术中的一种来实现的：1.上下文窗口填充（Context-windowstuffing）2.RAG（检索增强生成）3.微调正如实践者所知，与炒作相反（「在您的数据上训练的GPT......！」），主要是使用上下文窗口填充和RAG（而不是微调）来专门化LLM的响应。作者Ata

Transformer模型是否能够超越预训练数据范围，泛化出新的认知和能力，一直是学界争议已久的问题。最近谷歌DeepMind的3位研究研究人员认为，要求模型在超出预训练数据范围之外泛化出解决新问题的能力，几乎是不可能的。LLM的终局就是人类智慧总和？论文地址：https://arxiv.org/abs/2311.00871JimFan转发论文后评论说，这明确说明了训练数据对于模型性能的重要性，所以数据质量对于LLM来说实在是太重要了。研究人员在论文中专注于研究预训练过程的一个特定方面——预训练中使用的数据——并研究它如何影响最终Transformer模型的少样本学习能力。研究人员使用一组来作