这期主要围着 Simon Willison 那篇年度总结展开。他有两个判断当时很刺耳：一是随着 o1 这类模型出现，免费用上最强模型的日子大概率回不来了；二是现在做 agent 的人，很多是在利用这个词本身的欺骗性——他为此在推特上收集了 211 个不同的 agent 定义。
CES 上关注度最高的是 NVIDIA 的 RTX 50 系列，用了新架构，结合 DLSS 和推理技术。游戏侧的卖点是 AI 补帧和改进的抗锯齿，很多游戏因此拿到更高帧数；此外还主打用 AI 生成高精度 3D 模型，以及模型训练和自动驾驶。
另一条线是 AI 眼镜，一口气出了六款，各自面向不同人群。但官网普遍不提电池续航——能连续运行多久，没人给数字。
Simon Willison 的年度总结里有个当时听着挺刺耳的判断。此前各家都在越来越多地把 SOTA 模型免费给用户用，OpenAI 也是。
但随着 o1 这类模型出现，免费使用 SOTA 级别模型的日子很可能回不来了——成本实在太高。标志就是 o1 Pro 那种只有 ChatGPT Pro 订阅才能访问的形态。
同一篇文章里，他对 agent 的看法相当沮丧：认为大家都在做一些挺扯的 agent，没什么真东西。
论证方式非常 geek：他在推特上收集了 211 个不同的 agent 定义，然后让大模型帮他归纳——结论是归纳不出什么有用的东西。
他的核心指控是这个词具有很强的欺骗性，所以特别容易被套在各种事情上——就像 AGI 一样，什么东西加上它都能先骗一波。
提到 ARC-AGI 时给的理由很朴素：一个聪明人即使完全没受过训练，也能拿到 95 分以上。
正因为它对人类如此简单、对模型却很难，它才是个好基准——而这也正是 o3 这一代推理模型下一步要正面解决的问题。
Meta 的大概念模型（LCM）核心主张是：把大模型的推理过程和语言表述彻底解耦。
灵感来自人怎么思考——人想事情并不是一个 token 一个 token 地想，而是按一个个概念、按更高维度的顺序在推进。所以现在这种 token by token 的方式本身是有缺陷的。
它设想的链路是：词先经过一个 concept encoder 变成一堆概念，推理在概念这一层进行，最后再解码回语言。