这期有个评价模型的角度值得留下来：不要只比性能，要比性能除以参数量。按这个尺子看，当时几个百亿级模型都在合理区间，反倒是 405B 那个显得不划算。另外还拆了 Outlines 是怎么在解码那一层把输出格式约束住的。
Outlines 这个库的功能和 OpenAI 那时刚发的格式化输出 API 类似：给它一个 JSON 或正则的 schema，它引导模型按这个格式输出。
原理在解码层：每一次 decoder pass 之后，它去更新 token 的 probability（softmax logits），从而约束下一步能生成什么。不是生成完再校验，而是压根不让它生成不合法的 token。
底层是基于正则做约束的。为了支持 JSON，它先做了一层比较工程化的处理：把 JSON schema 解析、转换成正则表达式，再交给受约束的生成器。
微软的 Copilot Copyright Commitment 覆盖面很全：M365 的 Copilot、Bing Chat（含企业版）、Windows Copilot、Dynamics 的 ERP Copilot、GitHub Copilot——这些产品生成的内容如果引发诉讼，微软兜。
当然有限制，比如你自己改过的内容就不管了。但能做这个承诺本身说明问题：得对自己产品有足够强的信心，才敢给客户这种 commitment。
评论区有两类声音值得记。一类指出：条款和法律一样，最终用户其实很难按你承诺的方式去理解——什么叫「合理使用」，解释权在法律手里，不在条款里。
Mistral 这批模型里，有个 7B 的被直接拿去和 22B、34B 比，HumanEval 之类的成绩能到 65 上下——研究上做得确实不错。
更值得记的是他们提出的评价角度：performance / parameter ratio，性能参数比。
不能只说你够强，还得说你多大才这么强。按这个维度看，当时百亿级的那几个（Mistral Large 2、Llama 3.1 70B）都落在挺不错的区间；而 Llama 3.1 405B 虽然性能确实更高一点，但参数量实在太大，这个比值就不好看了。
OntoGPT 是个挺早的项目，一直没抽出时间试。它做的事是从大量文本里抽结构化数据。
和 GraphRAG 那类「图 + 模型」的路子相比，它的差别在 ontology（本体论）：抽取过程是基于本体论做 grounding 的，所以结果更准确、更适合严肃场景。
LangGraph 发得早，所以配一个可视化的编辑 IDE 是很自然的事——LangGraph Studio 就是这个。当时看下来做得挺不错。
这也接上了前几期的判断：agent 这一层最缺的就是像样的调试工具，谁先把 IDE 做出来谁就占住了开发者的入口。
结尾有个观点：做这一行还是需要有一定的 coding 能力。
但这里说的不是记住多少种语法或语言特性，而是知道怎么用一种很规范化、很形式化的语言去把事情说清楚，怎么按工程化的方式去思考问题。