@tensorzhang #4 谢谢！🙏

@xiaoyuesanshui #1 谢谢！

@opengps #2 对的，有一些意想不到的问题，因人而异，需要更多的悉心照料。

@263 我看到这个了。我觉得写全可能更好一点。

@fisherman0459 #1 可否展开讲讲呢？

@x2420390517 #11 我原本也是用的免费版，但是发现总是十几分钟无活动就断连，Windows 上的 xhsell 从没遇到过。我设置了 keeplive interval 30 秒也不行。你有遇到过吗？

@q000q000 #6 tabby 我也试用过，功能还可以，就是界面上感觉不太行，有些界面下那字体颜色和背景色差距太小了，看得太费劲。关键我看上 termius 的 operator mono book 字体了，哈哈哈。

@chendy #3 我这没发布下载链接，我这就是讨论下安全问题。如果违规了，那该怎么办就怎么办，我也没话说。

@Chaidu #4 你真厉害。你这是被骗怕了吧。

@lopssh #1 啥情况

@brucmao #2 好像是用 USB 连接电脑就自动升级固件了，我也没招到帖子中说的自动更新在哪里

不过我的问题解决了，discord 中有人回复建议尝试长按 FN + TAB + R ，我长按到所有键盘灯闪烁就松开了，发现问题解决了。之前我也尝试过按 FN + TAB + F ，但是没用，毕竟我这连 Fn + F1 都不行。

刚查到这竟然是一个 known issue： https://discord.com/channels/864389832829567067/997324960215335023/1052365866261545051

@ggp1ot2 需要明确两个概念：新冠病毒感染者和新冠病毒肺炎。前者是最近新提出来的，因为现在很多没有肺炎表现，所以不再说后者了，最近发布会啥的应该都说的前者。至于保险公司认为两者是不是一个东西，解释权在他们那边了。

需要你肺部感染。

@bjzhush #61 真的不是😂

理论上来讲是可以做个模型来尝试筛选出有可能是 chatGPT 生成的内容，从 OpenAI 对其的说明中可以看出，尤其是 [Limitations]( https://openai.com/blog/chatgpt/#:~:text=AI%20supercomputing%C2%A0infrastructure.-,Limitations,-ChatGPT%20sometimes%20writes) 部分，目前其生成的内容还是有较为明显的特征的。但重难点是如何快速收集足够且有效的正反例数据。

下面我简单描述一下这些 limitations：

- 生成的内容有时会看似合理但实则错误或者毫无意义，就像大家说的套话；
- 模型对输入扰动比较敏感，即我在之前其他帖子的回复中说过的 LLM 普遍存在的稳定性问题，你换个词或者多个少个标点都可能导致回答差别较大；
- 生成的内容通常较长且容易总是重复某些话，比如总是重申自己是一个 OpenAI 训练的语言模型。仍然和数据有关，training data bias ，GIGO ；
- 当你问一个摸棱两可的问题的时候，模型通常会自己猜测你的意图，而不是让你澄清；
- 可能会回应那些有害请求。

就像咨询客服时，看到一堆所谓的智能客服的回复一样恶心

赚钱行当来了

@clockwise9 #70 我们这边也观察到 LLM 的确定性或者说稳定性比较差，受输入的影响比较大，当然可能是数据的原因。现在 distil 版的模型基本上速度很快了，准确率也不会下降很多（ 1-2 个点），可以满足我们的需求，base 版的模型其实速度也还可以，毕竟有一些专用的加速芯片等手段来加速（虽然还不完善）。

@wangxiaoaer #74 这个难以确定，毕竟我也没有 GPT 的训练集😂要注意的一点是，你在网上搜不到不代表不在训练集里。

作为 NLP 从业者，首先我对 GPT 系持怀疑态度，我就基于我的经验，发表一下个人愚见。

先不说文本生成这种难度较高的任务，就连文本分类这种最最基础的任务，在很多场景下达到 95% 以上的准确率仍然是很困难的（ Bert 系），他就是学不会。楼上有人说模型参数量很大，有人说模型不是单纯记训练集，可是现实是，模型很可能就是在背书，参数量越大背得越好。

不知道大家有没有想过，GPT 这种 LLM （ Large Language Model ）的训练集是非常之巨大的，那么在评测模型的时候，也就是在测试集中是不是有可能出现训练集中的数据或者类似数据？这个现象叫 benchmark data contamination 。GPT 的作者也发现了这个现象，但是他已经来不及重新训练了（费用太高）。

我个人认为，现阶段模型的作用已经相对较小了，最重要的是数据，也就是 Andrew Ng 所说的 data-centric AI ，正所谓 GIGO （ Garbage In Garbage Out ），构建一个成熟稳定强大的人工智能系统，现在重点和难点已经变成如何获取干净、有效、足够的数据。模型已经基本定型，小修小改影响不了多少。

关于背书和数据的重要性，还可以参见 GitHub Copilot ，是不是很多是直接拿的现有代码（训练集）？

希望模型在背背背之后，某一天可以突然真正理解其中奥义，那时候才是真正变成了自己的知识，就像我们小时候死记硬背古诗，长大后某天突然理解了真正含义。那要造成这个突变，是数据扮演了更重要的角色还是模型？以后还难说。

个人愚见。