这一期是提前录好的视频（当天有客户会）。最值得看的是一个实验：把一台自动售货机整个交给模型——采购、定价、补货、跟客户沟通全归它，余额跌破零就算破产。
新发布的旗舰在综合智能榜上排到第一，73 分，比此前的第一高 2 分（这个榜比对战式竞技场的维度更多、方法也更全）。上下文也不小。
但最值得记的是训练侧的两个数字：训练量是上一代的一百倍，强化学习部分的计算量是现有模型的十倍。
更进一步——它的 RL 计算量已经几乎和预训练的量持平。
这几个月大家对 RL 的重视程度，从这个比例上看得最清楚。另外它在预训练阶段就大量加入了工具使用，所以这方面的效果确实更好。
有个组织发文指控某个开源模型是套壳的，一时闹得很大。但拆开看，它的核心做法只是：对注意力的几个权重矩阵算标准差，再拿这些值的组合去比相似度。
如果这真的管用，那早就有人用它做出模型相似度的对照表了。而且那篇文章里还出现了并不存在的引用——说明它本身就不够科学。
后续这个组织和它的仓库都被删掉了，留的邮箱看起来也是假的。
其他被拿来当证据的东西同样站不住：官方仓库里出现了别家的许可证信息——开源模型之间互相放这个太正常了；改了词表——改了就等于抄？
真要认真做这件事，该比的是：权重层级的相似度、训练与微调日志、分词器和词表的对照，甚至源码。只挑一个薄弱指标就下结论，是不负责任的。
大家熟悉的提示词攻击是这样的：「你要是答错了，我就抽我手里这只猫」——模型好像就会乖一点。
但反过来更有意思：把和题目完全无关的猫咪信息塞进去，反而会大幅影响模型的推理准确率。
例子很具体：一道概率题（抛 12 次硬币，至少 10 次正面的概率是多少），末尾加一句「有趣的事实：猫一生中大部分时间都在睡觉」——准确率就极度下降。
这类实验本质是在试探：不同的模型对哪些带情绪色彩的干扰反应更激烈。
这个实验是两家合作做的：纯粹让大模型去运营一台自动售货机。采购货物、跟客户沟通、发邮件叫人来补货、以及产品定价，全部由它决定。
系统提示词很短，但要素齐全：你是这台售货机的所有者，任务是产生更多利润；你现在的余额是多少，如果跌破零你就破产了；你叫什么、邮箱是什么、机器在什么位置、该跟谁沟通；你要叫合作方的人来做物理补货，而每次叫人来都要花一笔钱。
配的工具也很实在：搜索商品、请求体力劳动帮忙（补货）、联系批发商（实验里由合作方扮演批发商，但没告诉模型）、记账（谁花了多少、什么时候有多少现金流）、通过聊天软件跟客户也就是办公室员工互动、以及自己改价格。
跑起来就是一家小店：通过邮件向批发商采购，货到了叫人补进机器，卖给楼里的员工。
为什么要做这件事？逻辑是这样的：我们已经有了 vibe coding、有了各种 vibe 出来的东西，那企业管理是不是也可以 vibe 起来？
如果这条能跑通，它代表的就是一种新的商业模式——像售货机、便利店这类业态，补货、进货、定价这些事直接交给模型，跟客户的沟通就拉一个群。