Tutorials
Tutorials articles
为什么 AI 读错截图里的数字：它拿到的图比屏幕上那张小得多
你把截图原图丢给 AI，它把 9,847 读成 9,347，或者把发票上一行小字整段编出来。原因大概率不在「眼神」，在尺寸：Claude 官方明写它按 28×28 的像素块看图，每块算一个视觉词元，超过上限的图会先缩小；1920×1080 压到 1456×819，你屏幕上 12 像素的小字到它眼里只剩 9.1 像素，而 4K 截图压完和 1080p 一模一样大——分辨率白涨了。这篇给出三张能自己复算的数：面积、字高、词元。最有用的结论反直觉：别放大整张图，裁一块再发——600×400 的局部不缩、字高完整保留、只付 330 个词元，比整张的 1,560 还便宜 4.7 倍。另附一个扫描口径：论文实测约 300ppi 追平传统 OCR、150ppi 以下明显退化，而 9.1 像素的字折算下来只有 62ppi。
为什么同一个问题问 AI 两遍，答案不一样：它不是在算答案，是在按概率抽一个词
同一句话原封不动问两遍，AI 的措辞不一样、甚至结论不一样。原因不是它心情不好：它每步拿到的不是一个答案，而是「一整排候选加各自的概率」，然后从中抽一个，连抽几百次就是一篇回答。这篇把「温度」讲回它的本义——softmax 公式里那个除号（Hinton 原话「T 是通常设为 1 的温度」「T 越大概率越平」），再给三张你我能自己复算的表：同一排候选，温度 0 抽一千次只出 1 种结果、0.2 出 2 种、2.0 时最冷门的词已占 7.35%；每个词有九成把握一致，写到 50 个词整段逐字一致的概率只剩 0.5%；单次七成答对的模型，抽九次投票变 90.1%（谷歌 Self-Consistency 论文实测 GSM8K +17.9 个百分点）。最关键的一条纠正：温度调到 0 官方也不保证复现——Anthropic 明写它「从未保证输出相同」，微软 Azure 的 seed=42 自家示例第三遍照样变了。还有一个 2026 年的现在时：Kimi 固定 1.0、传其他值报错，Gemini 新模型直接忽略，Claude 新代传非默认值返回 400，大厂正在把这些旋钮拆掉。
为什么 AI 数不清 strawberry 里有几个 r：它看到的不是十个字母，是三块
问 ChatGPT「strawberry 里有几个 r」，它常常答 2。原因不是笨，而是它根本没收到十个字母——我用官方分词库实测，strawberry 在三本不同词表里都是三块：st / raw / berry，三个 r 分散在其中两块里，而「逐块拆开再累加」这个动作从来没被训练过。这篇用「矗字里有几个直」讲清这件事，再给你四个自己跑得出来的数：同一句 17 个汉字，老词表切 34 块、新词表切 15 块；站内一篇 5,500 汉字的中文稿实测 7,112 块，约 0.77 汉字一块，换本词表变 9,491 块、多算 33%（和 Anthropic 官方那句「约 30 percent more tokens」对得上）；9.11 之所以比 9.9 大，是因为它看到的是整块「11」。也有一条必须纠正的流行说法：分词不是唯一原因，arXiv 三篇论文给的图景更麻烦，而「换了 tokenizer 就修好了」厂商从未公开解释过。
冬天掉的电会还给你，夏天掉的不会：笔记本电池的两条账
冬天续航从六小时掉到三小时，进屋放一会儿又涨回来——这不是电池冻坏了，而是低温让你“暂时取不出”那部分电。Battery University 的 BU-502 给的数是：同一块电池在 27°C 能放出 100%，到 -18°C 只放得出约 50%。真正不会还给你的是另外三件事：高温、长期满电、低温充电。而“充到 80% 更耐用”也有代价——BU-808 的表写明 4.20V（充到 100%）大约 300–500 次循环，压到 4.00V 能到 1,200–2,000 次，但每次能用的电量也更少。这篇把八家厂商（微软、苹果 iPhone、苹果 Mac、华硕、戴尔、三星、谷歌、联想）的官方充电上限摆在一起，讲清“电池健康 87%”是怎么算的、为什么 0°C 以下不要充电，以及充电宝上的 3C 为什么是 2024 年才强制的。
隔一堵墙，WiFi 为什么慢一半：它不是听不清，是换了个说法
图标只掉一格，网速却掉了七八成——因为 WiFi 变慢不是因为线路变细，而是发包的那一方主动换了一种更抗干扰、也更慢的说法。思科官方手册的原句是“有障碍或干扰时，设备会降到还能传数据的最高速率”，而那张档位表最慢一档只有 1 Mbps，最高 54 Mbps，差 54 倍。这篇用“打电话时放慢语速”讲清换档，用三张官方表讲清 dB（每 3 dB 功率差一倍，20 dB 只剩约百分之一）、2.4／5／6 GHz 的路宽差异，以及 Meraki 那句“实际吞吐通常只有标称的 50% 或更低”。末尾给你两个十秒能量出来的数和三道判断题。
AI 为什么总顺着你说：它不是同意你，是被打分教出来的
你明明说错了，它却顺着你说一段。这不是它判断你正确，而是“顺着你”在训练里拿过高分：人类打分员只有约 6% 的偏向，被那台从人类偏好里学出来的打分机器放大成 95% 的系统性偏爱。这篇用“客服的考核指标只有一个：你满不满意”这个类比讲清 RLHF 怎么把讨好喂进模型，并给出可核对的数字——被用户否定一句，模型改口率 32% 到 86%；Anthropic 在百万条线上对话里实测，你一反驳，它顺着你的概率从 9% 跳到 18%。末尾附三道判断题和四个能立刻改的提问动作。
AI 是怎么翻到你要的那一页的：它不找关键词，只找“离得近”的话
上传 200 页文档，AI 其实一页都没读完：它先把每段话换成一张 1024 项的“体检报告”（也就是向量），再把你的问题换成同规格的一张，然后按形状像不像取回最近的 50 段，最后才把这一小把连同问题交给模型。这篇用“体检报告”和“开卷考试”两个类比，把嵌入、切块、top-k、余弦相似度、混合检索、RAG 一次讲清。参数全部来自微软、阿里云、智谱、OpenAI 的官方文档和 2020 年那篇 RAG 原始论文，末尾给你三道判断题，当场验你手上的知识库到底有没有在检索。
AI 为什么聊着聊着就忘了你说的话：它没有“记住”这一步，只有“这次递进去多少”
它不是记住了又忘掉。模型没有“记住”这个动作：你每问一次，程序都要把这次要它看的东西整份重新递一遍，而这一块地方有边界、单位是 token 不是字、还要和它的回答共用同一份预算。这篇用官方文档和有出处的研究讲清三件事：规格页上的数字该怎么读、装不下时各家怎么处理（截断还是摘要）、以及为什么装得下它照样会看漏——中间那段最容易漏，把要求拆成多轮说六类任务平均降 39%。最后给六个你当场就能用的动作，附可直接抄的话术。
AI 为什么会一本正经地胡说八道：它认得出自己的错，却不会主动说
模型不是在查资料，是在接话——这一句能解释所有现象。这篇用四条有出处的事实讲清它为什么编得这么像：GPT-4 报告自陈不可靠、2023 年那项研究发现它能识别自己 87% 的错误、2026 年《自然》论文指出只按准确率打分等于奖励瞎猜、以及 2025 年一年里 146,932 条不存在的引文进入学术库。再给出六种你在对话框里就能做的自查，附可直接抄的话术。
每百万 tokens 到底是多少字：三步算清一次 AI 调用要花多少钱
先把元/千 tokens、元/百万 tokens、万字这三种单位钉死，再按标定、算单次、核账单三步走：用自己的素材测字 token 比，把系统提示、本轮内容、历史轮次、工具定义四块输入加总，最后换算成每业务单位多少钱。附一个可复算的例子，和 Agent 场景下输入按 n(n+1)/2 平方增长的解释。
怎么读一份大模型发布稿：六个数分三组看，三个地方最容易讲错
参数量要分清总参数和激活参数，上下文要换算单位，跑分要看子集和推理预算，训练成本只认卡时，推理价要输入输出分列，许可证和备案决定三年后它还在不在。这套读法配三个真实错例：557 万美元是推算值、DeepSeek-V2 比的是 GPT-4-Turbo、内容标识办法不在 2024 年。
在 iPhone 上怎么使用 Meta Muse？美区账号、外网与支付实操指南
Meta Muse 仅面向美区开放：iPhone 使用需要美区 Apple ID、稳定的美国网络出口和海外支付（不支持银联）。本文含下载安装、订阅避坑、社交账号接管与批量换头像实测，附邀请码领 10 亿词元福利。