数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力 • 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 启发式提问 通过提问引导模型主 动思考（如“为什 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： ① 增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数 选择依据。"

数学推导、逻辑分析、代码生成、复杂问题拆解 文本生成、创意写作、多轮对话、开放性问答 劣势领域 发散性任务（如诗歌创作） 需要严格逻辑链的任务（如数学证明） 性能本质 专精于逻辑密度高的任务 擅长多样性高的任务 强弱判断 并非全面更强，仅在其训练目标领域显著优于通用模型 通用场景更灵活，但专项任务需依赖提示语补偿能力 • 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 启发式提问 通过提问引导模型主 动思考（如“为什 解。" �实战技巧： "以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。" �实战技巧： 分析需求 "分析近三年新能源汽车销量数据（附CSV），说明： ① 增长趋势与政策关联性； ② 预测2025年市占率，需使用ARIMA模型并解释参数 选择依据。"

Lossless
long
context
is
everything。这是我们跟杨植麟聊完两个⼩时后记忆最深刻的⼀个观点。
这个技术判断在
23
年
10
⽉已经被传递出来，当时杨植麟创⽴的⽉之暗⾯发布了⾸个模型
moonshot
和智能助⼿
Kimi，⽀持
20
万字的输⼊。做“⻓”是因为杨植麟判断
AI-Native
产品的终极价值是提 供个性化的交互，⽽
lossless
long-context
是实现 本⽂还试图回答另⼀个外界普遍关⼼的问题：⼀家新创⽴的
AGI
公司如何超越
OpenAI？杨植麟的答案 是
tech
vision，⼀号位要能做出技术判断，同时还能拍板执⾏。⼀个具体的例⼦是，⽉之暗⾯希望⽐
OpenAI
更关⼼⽤⼾，原因是杨植麟判断⽤⼾数据的
scale
up
的效果最终会超越
base
model
⾃⾝。
杨植麟对于⽤
transformer
这个概率模型的思想基础⾛向
AGI：AI
本质就是⼀堆
scaling
law

海外独⻆兽：我们把
LLM
的训练⽐作登⽉，⽉之暗⾯的名字也和登⽉相关。你怎么看现在创业公司 的
LLM
训练，在
GPU
和算⼒资源有限的条件下，还能实现登⽉吗？
杨植麟：“登⽉”有⼏个不同的⽣产要素，算⼒肯定是⼀个核⼼，但还有其他的。 你需要⼀个同时满⾜
scalability
和
generality
这两点的架构，但今天其实很多架构已经不满⾜这两条

在AI时代，知识的获取成本趋近于零，拥有知识不再是核心竞争力。利用提示词创造知识，引领创新、明确 方向，成为社会与个人竞争力的关键。 p 选择中的再创造 面对AI提供的多种解法，人类需具备批判性思维与逻辑判断能力，通过选择最优答案，实现解决方案的创新 性再生。 p 智慧赋能的决策力 提出问题与甄别答案的能力，使人类在信息爆炸与AI辅助的时代，通过决策行为实现价值创造，成为社会发 展的持续动力。 模 拟多个虚拟代理，讨论“气候变暖”、“转基因食 品的安全性”和“疫苗的有效性和安全性”三个具 有科学共识的话题。 实验一在无偏误信息条件下，代理通过社交网络进 行每日对话，记录最终信念状态和信息传播路径。 实验二改变初始信念分布，探讨初始条件对结果的 影响。实验三引入10%代理发布的偏误信息，观察 其对信念动态的影响。50个代理人在30天内共生成 194699条对话。 50个智能体的在线社区模拟仿真 复杂问题 、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案 。 ” 激发模型深层推理 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺， 且 预算控制在2000元内 。 ” 兼顾目标与细节 需避免过度约束 启发式提问 通过提问引导模型主

商业化过程中的风险点 …………………………………………………………………………… 87 4 投资——如何找到下一个开源独角兽 …………………………………………………… 93 4.1 成功商业开源项目判断标准 ……………………………………………………………………… 93 4.2 中国开源市场 ……………………………………………………………………………………… 96 4.3 资本市场上投资人对开源领域布局力度加大 上有超过2万个优秀开源项目获得了官方推荐，我们对这2万多个项目进行了Gitee指数的分析。 注 ：Gitee 指数的评估结果为全站范围的相对值。 2.7.1 Gitee 指数评估维度 1. 影响力 用来判断开发者是否真正关注过该项目，低 Star 数可能是由种种原 因被埋没，而长时间无 Star，可能这个项目并没有辐射到其他开发者。 2. 代码活跃度 项目代码“年久失修”，维护人员可能已经抛弃了该项目，只是忘了 前开源市场下托管、开放核心、混合许可是最为主流科技公司所采 用的，但是企业应根据自身社区以及产品情况进行商业道路的选择。 资本方是促进开源市场发展的重要参与方。对于投资机构来讲，在对 一个开源项目进行判断时往往会综合考虑以下几点 ：在产品开发阶段 重点要看企业是否拥有代码所有权和控制权以及是否具备国际竞争力； 社区运营阶段主要看企业是否具备足够强的运营能力 ；而在商业化探 索阶段，市场匹配能力与商业模式的成熟度将成为主要关注点。

RBAC过滤器的功能，以根据IP地址允许或 拒绝请求； • 支持将追踪数据导出到OpenTelemetry， 以便进行更全面的分析和监控； • 支持对所有主机进行外部授权； • HttpProxy的条件块还增加了对精确路径匹 配条件的支持； • 支持内部重定向； • 对基于HTTPProxy资源的路由实现了HTTP 查询参数匹配功能。 Flagger v1.31.0发布 Flagger是基于Kubernetes的开源工具，用 实践行为做出了对GPL协议要约的承诺，其负有 GPL协议中的所约定的相关义务。 2、“传染性”的认定。判断GPL协议所能传染的衍生软件或修订版本，区分开源代码与自有代 码，即确定自有代码是如何与开源代码结合或交互是前提。其次应结合代码的使用场景，即结合 代码的功能及其在软件中所起的作用进行判断。最终确定被传染的部分应当是与原开源软件形成 密切通信使得二者高度牵连融合成一体的程序，而非只要有数据交换就会构成传染。未来公司软 作的主要领域是code.gov.cz资源库1，该资源库使捷克共和国的公共部门之间能够共享开源项目。在 未来，该资源库还应成为公共部门内推动开源倡议和团队合作的契机。用户友好方法论是公共部门取 得开源成果的必要条件（例如，如何在公共机构中使用开源软件，如何开发有特殊安全需求的开源软 件等），这也是code.gov.cz[ http://code.gov.cz ]资源库的愿景。政府的“数字捷克”计划推动了 开源

site-wide relative basis. 2.7.1 Gitee 指数评估维度 Gitee Index Evaluation Dimensions 1.影响力 Impact 用来判断开发者是否真正关注过该项目，低 Star 数可能是由种种原因被埋没，而长时间无 Star，可能这个项目并没有辐射到其他开发者。 It is used to determine if developers business path based on their community and product situation. 资本方是促进开源市场发展的重要参与方。对于投资机构来讲，在对一个开源项目进行判断时 往往会综合考虑以下几点：在产品开发阶段重点要看企业是否拥有代码所有权和控制权以及是 否具备国际竞争力；社区运营阶段主要看企业是否具备足够强的运营能力；而在商业化探索阶 段，市场匹配能力与商业模式的成熟度将成为主要关注点。 primary concerns. 本章内容由云启资本投资团队撰写，主要内容包括：  开源软件商业化成功的底层驱动因素  开源软件公司的可能商业化路径  开源项目投资人判断标准以及案例分享 This chapter is written by the investment team of Yunqi Partners Investment team and covers

机制不完善的情况下，有可能输出违法有害内容。 （b）混淆事实、误导用户、绕过鉴权的风险。人工智能系统及输出内容 等未经标识，导致用户难以识别交互对象及生成内容来源是否为人工智能系统， 难以鉴别生成内容的真实性，影响用户判断，导致误解。同时，人工智能生成 图片、音频、视频等高仿真内容，可能绕过现有人脸识别、语音识别等身份认 证机制，导致认证鉴权失效。 （c）不当使用引发信息泄露风险。政府、企业等机构工作人员在业务工 模杀伤性武器制造等高危场景。 4.2.3 认知域风险应对 （a）通过技术手段判别不符合预期、不真实、不准确的输出结果，并依 法依规监管。 （b）对收集用户提问信息进行关联分析、汇聚挖掘，进而判断用户身份、 喜好以及个人思想倾向的人工智能系统，应严格防范其滥用。 （c）加强对人工智能生成合成内容的检测技术研发，提升对认知战手段- 10 - 人工智能安全治理框架 的防范、检测、处置能力。 建立人工智能服务可追溯管理制度。对面向公众服务的人工智能 系统，通过数字证书技术对其进行标识管理。制定出台人工智能生成合成内容 标识标准规范，明确显式、隐式等标识要求，全面覆盖制作源头、传播路径、 分发渠道等关键环节，便于用户识别判断信息来源及真实性。- 11 - 人工智能安全治理框架 5.3 完善人工智能数据安全和个人信息保护规范。针对人工智能技术 及应用特点，明确人工智能训练、标注、使用、输出等各环节的数据安全和个 人信息保护要求。

们的分析与推 演提供了可贵的素材。对软件商业化问题感兴趣的朋友一定要长期关注这个赛道。只有这样的对 象才能更有力地说明开源策略的重要性。 其次，我们得明确一点——大模型竞争的赛点是什么？常用的判断依据包括：技术的先进性， C 端用户基数，依赖这个软件的生态系统大小等等。其中哪个更关键一点？ 技术先进是好事，但大模型领域的先进技术远没有达到能为大模型企业带来可观收入的程度。 整个大模型赛 这是一个更靠谱的评价指标，是某个大模型最终能胜出的关键所在。 构建开发者生态通常有两种做法，一种是提供 API 云服务，对注册开发者进行一定的云资 源补贴；另一种是“开源”的方法，提供大模型免费下载，免费商用（一定条件下）。两种方法 各有支持者。闭源大模型一般会采用第一种方法，其中的代表有 OpenAI、Anthropic 等（为避 免麻烦，国内厂商的名字就不提了）。能用第二种方法的，必然是某种程度上的“开源”模型， 那么具体到大模型领域，闭源与开源，两种方法孰优孰劣？我的回答是采取什么方法因人而 异，但开源会更有优势。 大模型赛道的核心制约条件是成本太高——训练成本高，运行成本高。如何尽可能降低成本， 28 / 111 比对手坚持得更久一些是确保长期成功的必要条件。现在的宏观环境下，一味靠融资来支撑自己 的高成本支出不是长久之计。 闭源大模型厂商必须维持一定的云资源，工程师资源来支撑小额的开发者调试需求。投入产

放图像⾄新尺 ⼨”可以被缩写为“调整图像⼤⼩”以节省⼯具栏空间。 activationFlags 此项决定该操作是否被禁⽤。 activationConditions 此项决定该操作被激活的条件 (例如仅在选区可编辑时激活)。 可以参考 相关⽤例代码 [https://invent.kde.org/graphics/krita/-/blob/master/libs/ui/kis_actio ，它们 不仅在 Krita 中有⽤，还可以在别的软件中运⽤。 ⽬录： ⾊彩原理 颜⾊位深度 ⾊彩管理流程 混合颜⾊ ⾊彩模型 ⾊域 Gamma 曲线和线性曲线 特性化和校准 场景线性绘画 观察条件 ⽂件格式 压缩 元数据 开放性 投影和透视原理 正投影 斜投影 轴测投影 透视投影 透视的实践运⽤ 结语和后记 ⾊彩原理 ⾊彩对绘画⽽⾔⾄关重要，数字绘画也不例外。数字绘画常⽤的⾊ 彩 Krita 中偶遇某些 选项时束⼿⽆策。其他⻚⾯请按照个⼈需要随意选读。 ⽬录： 颜⾊位深度 ⾊彩管理流程 混合颜⾊ ⾊彩模型 ⾊域 Gamma 曲线和线性曲线 特性化和校准 场景线性绘画 观察条件 颜⾊位深度 颜⾊位深度指的是在⼀张图⽚中，每个像素可⽤的内存⼤⼩。颜⾊的位深度越⾼，图像能 够显⽰的颜⾊数量就越多，但占⽤的内存也会更⼤。 这就好象在现实世界⾥，⼀张 A3 纸能容纳⽐ A4