阿川 | AI thinking
@AI_jacksaku • 26,599 subscribers
前大厂搬砖人｜AI 不专业玩家｜ 关注 AI 产品、AI工具、LLM迭代 欢迎链接&咨询&合作
Videos
昨天Claude Fable 5一发布就引起轰动，但看数据是挺亮眼的，今天刚抽出时间来，我在ZenMux 拿 Fable 5 和 Claude Opus 4.8做个横向比较 case我没有选传统的数学题、代码题或者常识问答，而是设计了一份更接近真实工作的混乱 brief： 一家公司要在两周内上线“企业知识库 AI 助手”，目标用户是销售和客服，资料分散在飞书、PDF、Notion、客服工单和销售话术库里。 难点在于，brief 里有很多真实项目才会出现的冲突：CEO 希望尽快上线，还想支持所有资料源；客服负责人担心 AI 乱答；法务要求合同、价格、退款、合规相关问题必须有引用来源；技术团队只有 2 个后端、1 个前端，还在做另一个高优项目；权限系统也只能做到部门级，做不到文档级。 我要求模型直接给出 V1 方案，包括范围取舍、风险冲突、两周上线计划、验收指标和假设条件。 评估时重点看 6 个点： 1.是否敢收敛范围 好答案应该只做飞书文档 + PDF，最多先服务销售/客服核心场景。Notion、客服工单、市场 FAQ、多源全接入都应该放到 V1 之后。 2.是否识别硬冲突 两周上线、所有资料源、权限不足、法务要求引用、CEO 想快上，这些是核心冲突。 3.是否处理高风险回答 合同、价格、退款、合规必须“有引用才答，无引用拒答”，最好加高风险问题模板或人工确认。 4.是否给出真实 2 周计划 不是“第 1 周开发，第 2 周上线”这种废话，而是能拆到数据整理、权限、引用、评测集、灰度、日志、回滚。 5.是否不乱编 不能编公司人数、预算、历史准确率，也不能假设已有 Notion API、文档级权限已经完成。 6.是否有产品判断 能给出统一成功指标，比如：引用覆盖率、拒答正确率、Top 问题准确率、试点用户节省时间，而不是只堆 DAU。 最后看下来，根据预设的结果评估标准，我的评分是 Fable 5：8.7/10 Opus 4.8：8.1/10 Opus 4.8 的表现依然很稳。它准确抓住了这个项目的核心风险：现有 RAG 原型“引用来源不稳定”，而这个产品又高度依赖引用和拒答机制，所以引用不稳定就是 P0 问题。它也比较克制，没有乱编用户数、预算、历史准确率，这点很加分。 但 Fable 5 在这道题里更有“真实项目推进感”。它不只给原则，还把方案拆到了数据白名单、拒答模板、日志审计、评测题集、种子用户灰度、Go/No-Go 决策。尤其是它提出“只导入全部门可见文档，规避文档级权限缺失”，这个细节很产品化，也很符合真实企业落地时的权衡。 换句话说，Opus 4.8 更像一份高质量分析稿，Fable 5 更像一份可以拿进评审会推进的决策稿。 当然，Fable 5 也有需要保留意见的地方。它会主动给一些验收阈值，比如引用有效率、可用率等，这让方案更可执行，但也带来一个问题：如果 brief 没有给历史数据，这些数字其实需要进一步校准。相比之下，Opus 4.8 在这一点上更谨慎。 所以这次测试我的结论比较克制：Fable 5 没有形成压倒性优势，但在复杂 brief、范围管理、风险闭环和执行颗粒度上，确实比 Opus 4.8 更往前走了一步。 如果后续继续测，我会重点看它在 Agentic workflow 里的表现，比如长任务拆解、多轮修正、代码仓库修改、工具调用后的复盘。单题不能证明模型全面领先，但至少这次测试说明：Fable 5 在“把混乱需求变成可执行方案”这类任务上，值得认真关注。 对了借着现在ZenMux 有充 20 美元 送 10 美元、充 50 美元 送 30 美元的限时充值返赠活动 建议都可以趁这个机会可以去试一下，看看Claude Fable 5的能力是否符合你的预期 活动限时一周，每位用户限享一次，链接我放在评论区👇
阿川 | AI thinking10,854 Aufrufe • vor 26 Tagen
这次用一个“订单对账”小测试试了下 Claude Opus 4.8，最大的感受是：它更愿意把活做完整。 这次测试不靠联网、不靠写代码，就是用最贴合业务场景的，给了它三组数据：订单、付款、退款，然后要求按规则逐条核对。 里面埋了几个容易漏的坑：重复付款 id 只能算第一次、字符串金额要忽略、EUR 不能混进 USD、0.1+0.2 要按两位小数处理，还有一个客户只有付款没有订单，也必须出现在结果里。 Opus 4.8 的表现挺稳。它算出了正确余额，把每条被忽略的记录单独列出来，还在最后做了自检。 尤其是第二条重复的 p3=999.00 没被误算进去，c6 这种“只有付款”的客户也没漏，说明它对边界条件扫得比较认真。 我的感觉：这个模型在细节任务里的耐心和完整性更好了。至少在这个纯文本核对任务里，它体现出了比较强的边界意识，也没出现“扫一半就开始总结”的情况。 当然，这不等于它永远不会偷懒。代码 Agent 场景还得看它会不会真的写文件、跑测试、失败后继续修。但单看这个测试，Opus 4.8 的“少偷懒”是能感受到的。 现在在 ZenMux 可以体验 Opus 4.8，还有 PK 功能，建议可以去试一下和 Opus 4.6 的对比🤣，链接我放在评论区～
阿川 | AI thinking14,077 Aufrufe • vor 1 Monat
Ring-2.6-1T 开源了。 我最近试下来，这个模型各方面的能力都很不错，但最喜欢的一点，是它在前端 Web 页面上的审美和交互能力真的很强。 我随手让它做了一个宠物零食独立站前端，提示词其实没写多细，也没给什么复杂设计规范。结果出来之后有点惊喜：页面不是那种常见的 AI 模板感，而是真的像一个可以上线预览的品牌站。 它会自己理解“宠物零食”应该是什么气质：干净、温暖、有食欲，但又不是一味可爱。产品展示、视觉层级、按钮状态、动效节奏、页面留白，都处理得很完整。尤其是交互，不是静态摆拍，而是有浏览、有筛选、有点击反馈，像一个真正给用户逛的站。 这也是我觉得 Ring-2.6-1T 很不一样的地方。 很多模型能写页面，但写出来像“代码完成了”。Ring-2.6-1T 更像是知道一个网页应该如何被观看、被点击、被感知。它懂风格，懂交互，也懂怎么把第一版里不顺的地方继续修到更自然。 所以如果你要做高质感展示页、品牌概念站、数据可视化页面，或者 creative coding 演示，我觉得它很值得试。 不是因为它能写 HTML。 而是它真的能把一个很粗的想法，推成一个有审美、有质感、有交互的前端作品，还很快。 我把 Ring-2.6-1T制作过程放评论区了，全程没加速。
阿川 | AI thinking15,174 Aufrufe • vor 1 Monat
昨天母亲节，我回来家里陪妈妈吃饭，当小学教师的表妹让我给她演示下AI都有什么作用😂 刚好看到ring-2.6-1t 免费，我就试了下做个小红书很火的班级灵宠系统，本来以为应该要花点时间，但没想到速度惊人的同时质量也过硬！ 这个 demo 让我最强烈的感受是：ring-2.6-1t 不像是在“回答我”，更像是在把我的想法直接推到现实里。 我只是生成了一个小学班级灵宠积分系统：学生打卡、做作业、考高分，就能给宠物攒积分、升级、冲排行榜的prompt。换成以前，这可能会停在一份 PRD、一张功能表，或者一段“你可以这样做”的建议里。 但ring-2.6-1t 直接把它变成了一个能打开的网页小工具。 你能看到全班宠物墙，能给学生加分扣分，能看等级进度，排行榜也会跟着变化。那一刻很微妙：它不再只是“懂你要什么”，而是把你脑子里的模糊需求，变成了一个可以被点击、被验证、被修改的东西。 这也是我觉得它最有价值的地方。 很多真实工作，其实不需要一套宏大的系统。我们只是需要一个临时的操作台：拆费用、排任务、调动画、做报名页、整理素材。用完就可以丢掉，但在那个时刻，它真的帮你把事情往前推了一步。 ring-2.6-1t的厉害，不是替你完成工作，而是先给你造出一个工作现场。然后，你在里面完成工作。 不得不说，我的表妹已经决定好好学习AI了，或许这就是好模型的意义。 Ring-2.6-1T 模型已经在openrouter发布了，限时免费一周，地址是
阿川 | AI thinking13,298 Aufrufe • vor 1 Monat
Keine weiteren Inhalte verfügbar