脈報

By 思思主播

脈報... more

· Technology

Download on the App Store

Download on the App Store

Get it on Google Play

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 572 episodes available.

脈報 episodes:

May 22, 2026 byte 模型差在哪？Nous Research 拆 subword 的 6 條紅利

Nous Research 在 1.7B byte-level 模型上拆 subword tokenization 的 6 條紅利：最大功臣是序列被壓縮帶來的 sample throughput，第二是 subword 邊界當訓練先驗。

⭐ 文章深度讀：想看完整 6 條紅利逐項拆解、實驗數字與我的判斷層，文章在脈報的連結放在說明欄與留言區。

→ https://heymaibao.com/nous-research-decouple-subword-byte-level/

⚡ 章節重點

開場 00:00

背景：byte vs subword 的長期落差 01:26

紅利 1：sample throughput 是最大功臣 02:11

紅利 2：邊界先驗 03:40

四個無效的假說 05:19

對未來 AI 架構的意義 06:43

📝 懶人包

∙ **紅利最大的一條叫 sample throughput**：subword 平均一個 token 包 4.75 個 byte，等於 byte 序列被壓縮約 4 倍。在相同 isoFLOPs 下，subword 模型每一步看的樣本數更多。把 byte 序列每 4 個 byte 合成一塊餵給模型訓練 50k 步，再切回原本訓練模式，byte 模型很快就追過了 baseline 而且維持相同收斂斜率。

∙ **第二大的紅利來自 subword 邊界**：把 BPE 切詞的邊界訊號 (start-of-subword 或 end-of-subword) 加進輸入，validation loss 明顯下降。其中 start-of-subword 不會洩漏未來資訊，而且即使在驗證時拿掉這個訊號，模型訓練時的好處依然保留下來，等於是個有效的 inductive bias。

∙ **單獨加 embedding、改 loss 單位、預測下一個 subword 這幾條都不重要**：加 70M embedding 參數只小幅改善；loss 改成 per subword 幾乎沒進步；把預測單位從 byte 改成 subword 反而比 baseline 更差。

∙ **我的觀察**：start-of-subword 邊界作為 inductive bias 是這篇最有意思的設計，等於拿 BPE 當「老師訊號」訓練 byte 模型，但不把模型本身變成 BPE 模型。這條路徑可以給後續 byte-level 架構設計者一個新槓桿。

📚 參考資料

Decoupling the Benefits of Subword Tokenization for Language Model Training via Byte-level Simulation

→ https://arxiv.org/abs/2604.27263

arXiv 2604.27263 HTML

→ https://arxiv.org/html/2604.27263
...more
9min
May 22, 2026 Codex 不再只是寫 code，使用者怎麼控制 agent 完全變了

Codex 不只是寫 code 工具。@jxnlco 在 X 的長文整理出 steering、queuing、automation、goal 這 4 個控制動詞，以及 goal 為什麼一定要有 verifier 才算真正成立。

⭐ 文章深度讀：完整文章在脈報 heymaibao.com，留言區會貼上連結與 4 個控制動詞的速查清單

→ https://heymaibao.com/codex-control-model-shift/

⚡ 章節重點

開場 00:00

為什麼控制變了 00:48

4 個動詞 Steering Queuing Automation 02:33

Goal 與 Verifier 05:45

AGENTS.md 從 repo 搬到筆記庫 08:22

不要急著壓縮 prompt 09:07

我的觀點 09:59

📝 懶人包

∙ Codex 已經不是「寫 code 的 agent」，是「完成電腦工作的系統」。它能動 repo、開瀏覽器、操作桌面 GUI，也接得到 Slack、Gmail。

∙ 控制 agent 的動詞變成 4 個：steering (中途改方向)、queuing (排下一個任務)、automation (自動回到同一個 thread)、goal (帶 verifier 的長期目標)。

∙ goal 要有 verifier 才算 goal。「實作這份 markdown 計畫」是願望，「Python 遷 Rust，unit test 全綠才算完」才是 goal。

∙ 我的觀察：這篇 essay 對非工程師最有用的地方不是工具清單，而是「control 變成可以被命名的動詞」這個視角，你會開始重新檢查自己跟 AI 互動時，到底在用哪個動詞。

📚 參考資料

@jxnlco 的 essay (X 長文)

→ https://x.com/jxnlco/status/2057153744630890620
...more
11min
May 20, 2026 Karpathy 的 Wiki 爆紅 4 萬人收藏，但沒人看見的隱形成本

Karpathy 在 X 上 post 用 AI 維護 Wiki 的點子被 4 萬人收藏。Open Brain 作者 Nate 點出三個隱形成本，editorial 偷做、source of truth 漂移、多 agent 寫衝突。

⭐ 文章深度讀：完整 3 個隱形成本拆解，加我為何不買單作者 Open Brain 推銷方案的判斷

→ https://heymaibao.com/karpathy-wiki-hidden-cost/

⚡ 章節重點

開場 00:00

4 萬書籤背後沒人說的事 00:35

寫入時 vs 查詢時的取捨 01:32

隱形成本一 AI 偷偷做你的主編 02:43

隱形成本二 single-agent 假設 04:16

隱形成本三越寫越自信的錯誤 05:40

AI 從神諭變維護者 07:09

總結與留給你的問題 08:19

📝 懶人包

∙ Karpathy 的設計命題是「knowledge compiled once，not re-derived on every query」，每次新資料進來，AI 主動讀完並寫進 Wiki，未來查詢就不必每次從頭算。

∙ 副作用是 AI 在資料進來那一刻就替你做了 editorial 決定 (連哪條、刪哪條、矛盾要不要點出來)，但 Wiki 寫得太順、你會懶得回去看原始材料，source of truth (你認為哪份資料是最可靠依據) 會悄悄從 raw source 漂移到 AI summary。

∙ Wiki 預設只有一個 agent 在跑，多人 / 多 AI 同時寫同一個 markdown 會打架；而且 Wiki 變舊不像資料庫變空，它會用很有信心的口氣告訴你過時結論，這是 active misinformation。

∙ 我的觀點：Wiki 不是萬用的 context layer (給 AI 抓取背景的那層資料)，它的甜蜜帶是 solo 在做深度研究，團隊與營運場景硬套會壞掉。但 Karpathy 那篇真正值得抄的，是「把 AI 從 oracle 變成 maintainer」這個 mental model，不是檔案結構本身。

📚 參考資料

Karpathy's Wiki vs. Open Brain. One Fails When You Need It Most.

→ https://youtu.be/dxq7WtWxi44
...more
9min
May 20, 2026 拆解 Garry Tan 的 gbrain：43 個 skill 是怎麼自己長大的

YC 總裁 Garry Tan 把自己跑 OpenClaw 的 personal brain 開源成 gbrain。我拆完 43 個 skill、10 維 doctor 評分跟雙向 harvest 流，賣點是 skill 系統能自己長大。

⭐ 文章深度讀：想看完整 43 個 skill 的功能分群、doctor 10 維 rubric 與 3 個讓 skill 系統自己長大的 meta skill，全文有逐項拆解

→ https://heymaibao.com/garrytan-gbrain-43-skills-deep-dive/

⚡ 章節重點

開場 00:00

gbrain 是什麼 01:30

43 個 skill 怎麼分群 02:04

讓系統自己長大的 meta skill 03:39

十維度的 doctor 評分標準 06:28

你現在就該偷學的設計原則 08:07

📝 懶人包

∙ gbrain 是 YC 總裁 Garry Tan 為自己 OpenClaw / Hermes 兩個 production agent 寫的 personal brain。Repo 開源，README 自述 17888 pages、4383 people、723 companies、12 天搭出來。

∙ `skills/manifest.json` 列了 43 個 skill，全部是 markdown 程序檔，由 `skills/RESOLVER.md` 充當 dispatcher。每個 skill 一個資料夾、一份 `SKILL.md`。

∙ 三個 meta skill (skillify、skillpack-harvest、functional-area-resolver) 加上 10 維 doctor 評分跟 4 個 tier，把這套 skill 系統升級成可機械驗證、可雙向回流的 skillpack contract。

∙ 我的觀察：把 gbrain 當「Garry 的 RAG」看會錯過重點。它真正示範的是「markdown skill 怎麼工程化、怎麼自我演化」，這套骨架自己寫 OpenClaw 或 Claude Code skill 的人都可以借走。

📚 參考資料

garrytan/gbrain

→ https://github.com/garrytan/gbrain

skills/manifest.json

→ https://github.com/garrytan/gbrain/blob/master/skills/manifest.json

skills/RESOLVER.md

→ https://github.com/garrytan/gbrain/blob/master/skills/RESOLVER.md

docs/GBRAIN_SKILLPACK.md

→ https://github.com/garrytan/gbrain/blob/master/docs/GBRAIN_SKILLPACK.md

docs/skillpack-anatomy.md

→ https://github.com/garrytan/gbrain/blob/master/docs/skillpack-anatomy.md

docs/ethos/THIN_HARNESS_FAT_SKILLS.md

→ https://github.com/garrytan/gbrain/blob/master/docs/ethos/THIN_HARNESS_FAT_SKILLS.md

gbrain-evals

→ https://github.com/garrytan/gbrain-evals
...more
10min
May 20, 2026 AI 16 週贏 SPY 46%，Freeport 自爆只是兩次 macro 對了

Freeport 公開 AI 推薦系統 16 週 backtest：淨報酬 +54.1% 對 SPY +7.6%，46 個百分點領先。但他們同一篇承認 800 筆交易只是兩個 macro，這份自爆比戰績更值得拆。

⭐ 文章深度讀：Freeport 把贏 SPY 46 個百分點的 backtest 攤開，又自爆其實只是兩個 macro 對了，這集拆給你看自評誠實度比數字本身有趣的地方。

→ https://heymaibao.com/freeport-ai-self-disclosed-backtest/

⚡ 章節重點

開場 00:00

AI 擊敗市場的真相 01:45

結構資訊過濾漏斗 02:40

其實只有兩個總經預測 04:32

自我揭露缺陷 05:49

注意力擴散的威力 07:01

總結 08:51

📝 懶人包

∙ Freeport 自家 backtest 時段是 2026.1.20 - 5.14，AI 推薦策略淨報酬 +54.1%，SPY 同期 +7.6%，46.6 個百分點領先，Sharpe 3.92 對上 SPY 約 0.4。

∙ 策略不是預測單一股票，是把每則被推播內容裡信心最高的資產按方向買入，固定持有 7 天平倉，倉位等額，整窗平均槓桿 1×，從上線後一週 (1.27) 起算。

∙ 作者自評最關鍵的一段：803 筆交易不算 800 條獨立 edge，比較接近兩個 macro 對了 (AI 資本支出 + 伊朗 / 油) 的 800 種表達，effective 樣本遠比帳面少。

∙ 我的觀察：在 AI 產品行銷普遍只報好結果的這個時間點，願意把 effective sample 縮水這件事寫進同一篇報告裡，比 46% 本身更值得記。

📚 參考資料

How Freeport's AI Beat the S&P by 46% in 16 Weeks (@freeportmarkets)

→ https://x.com/freeportmarkets/status/2056725207138611353
...more
10min
May 20, 2026 agentic RAG 把 SEO 拆成 5 段，你能看到的只有最後一段

單次 RAG 已過時。iPullRank 創辦人 Mike King 指出主流 AI 搜尋升級到 agentic RAG，五段過濾器決定誰被引用。本文整理他的觀點，附這週能跑的 5 題人工 audit。

⭐ 文章深度讀：跑掉 5 題 Part A audit，看你的內容卡在哪一關

→ https://heymaibao.com/agentic-rag-five-gatekeepers/

⚡ 章節重點

開場 00:00

單次 RAG 已掛掉 00:54

agentic RAG 是什麼 02:51

舊系統四大致命弱點 03:18

五個隱藏關卡 04:38

五個關卡你看不見 07:12

模型蒸餾與台灣門檻 08:20

這禮拜可以做的 5 題 audit 09:01

收尾 10:00

📝 懶人包

∙ agentic RAG 已是所有主流 AI 搜尋平台的新預設，single-shot RAG 是過去式。

∙ 你的內容要連過 5 個關卡才會出現在答案裡：planning、router、retrieval、pairwise rerank、critic / reflection。

∙ Mike King 估算 citation count 在 agentic 系統下會被低估 3 到 10 倍，傳統 GEO (generative engine optimization，AI 搜尋時代的 SEO) 工具只觀察「活下來的人」，看不到過濾器本身。

∙ 我的觀察：他提出的解方 (model distillation 自建本地 agent) 方向對，但對台灣中小團隊門檻太高，比較務實的入口是先把他設計的 Part A 5 題人工 audit 跑完。

📚 參考資料

Beyond RAG: Why Every AI Search Platform Is Now Agentic and What That Means for Your Content

→ https://ipullrank.com/agentic-rag

ReAct: Synergizing Reasoning and Acting in Language Models

→ https://arxiv.org/abs/2210.03629

Toolformer: Language Models Can Teach Themselves to Use Tools

→ https://arxiv.org/abs/2302.04761

Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions

→ https://arxiv.org/abs/2212.10509

Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection

→ https://arxiv.org/abs/2310.11511

Building effective agents

→ https://www.anthropic.com/research/building-effective-agents

iPullRank-dev/agentic-rag-audit

→ https://github.com/iPullRank-dev/agentic-rag-audit
...more
11min
May 20, 2026 NVIDIA Vera 親送 4 家 AI 巨頭：agent 時代的 CPU 戰場

NVIDIA Vera 首批交付 Anthropic、OpenAI、SpaceXAI、OCI。88 核 Olympus、1.2TB/s 頻寬之外，OCI 承諾 2026 起部署數十萬顆，才是這場 agent CPU 戰爭最重的訊號。

⭐ 文章深度讀：OCI 那「數十萬顆」承諾到底會在 2026 年底兌現多少，是我接下來會一直盯著的線

→ https://heymaibao.com/nvidia-vera-cpu-delivery/

⚡ 章節重點

開場 00:00

重點不是規格 01:24

誰只是在試用 02:05

agent 需要全新的大腦 03:24

OCI 投下的震撼彈 05:00

三大追蹤指標 06:10

📝 懶人包

∙ 2026 年 5 月 15 日 (週五)，NVIDIA 副總 Ian Buck 親手把首批 Vera CPU 系統送到 Anthropic (舊金山 SoMa)、OpenAI (Mission Bay)、SpaceXAI (Palo Alto)；下週一再送到 OCI 在 Santa Clara 的 AI Customer Excellence Center。

∙ Vera 是 NVIDIA 第一顆「為 agentic AI (能自主呼叫工具、決策行動的 AI 系統) 客製」的 CPU。內含 88 顆 NVIDIA 自研 Olympus 核心、1.2TB/s 記憶體頻寬，NVIDIA 宣稱每核心效能比現行設計快 50%；同時也是 Vera Rubin NVL72 整機系統的 host CPU，透過第二代 NVLink-C2C 與一對 Rubin GPU 共享記憶體，整體比傳統基礎建設 2 倍能效。

∙ OCI 是首家公開承諾 hyperscale 部署 Vera 的雲端業者。OCI 產品總管 Karan Batta 在 NVIDIA blog 中說，OCI 計畫從 2026 年起部署「數十萬顆」Vera CPU，定位為高吞吐量推理工作負載。

∙ 我的觀察是，這次首批交付重點不在規格，而在 NVIDIA 用 4 家客戶名單 + OCI 量化承諾組合出的策略訊號。Anthropic 與 OpenAI 在 NVIDIA blog 裡只給正向引用，SpaceXAI 則寫明「正在評估」，只有 OCI 給了量化的部署規模。換句話說，這場戲真正下注的人是 OCI，其他三家還在試用。

📚 參考資料

Vera Arrives: NVIDIA’s First CPU Built for Agents Lands at Top AI Labs

→ https://blogs.nvidia.com/blog/vera-cpu-delivery/
...more
8min
May 20, 2026 Amp 內部評測：GPT-5.5 medium 比 GPT-5.4 high 貴 39%

Amp 用內部 102 題 SWE 評測實測 GPT-5.5：medium 比 GPT-5.4 high 貴 39%，high 還比 medium 又貴又差。整理 reasoning 配置、prompt 風格轉變與 caching 限制的判斷。

⭐ 文章深度讀：你下次寫 ticket 時，會選 GPT-5.5 medium 還是繼續用 GPT-5.4 high？

→ https://heymaibao.com/amp-gpt-5-5-evaluation/

⚡ 章節重點

開場 00:00

降本錯覺：medium 比 5.4 high 貴 39% 00:54

reasoning 等級陷阱：high 又貴又差 02:46

跑分與現實的落差 03:56

Prompt 寫法翻新：腳手架換 outcome 04:38

caching 與 ZDR 細節 06:04

怎麼判斷該不該換 07:16

📝 懶人包

∙ Amp 內部 102 題 SWE eval：GPT 5.5 medium 拿 54 個 pass、花 $312，GPT 5.4 high 拿 53 個 pass、花 $225。品質大致相當，但 5.5 medium 貴了 39%。Amp 自己的話：「`GPT-5.5 is cheaper for the same quality.` 這句話不成立。」

∙ GPT 5.5 high 在同一份評測上只拿 50 個 pass、卻花了 $425，比 medium 又差又貴。 Amp 給的新預設是 medium，xhigh 留給高風險任務，low 用於 cheap-to-verify 小任務，high 不該再當保險選項。

∙ Prompt 寫法跟著翻新：從「先 inspect、再 plan、再 edit、再 test」這種流程腳手架，改成「Outcome / What good means / Constraints / How to verify」這種 outcome-focused 寫法。 Amp 自己也說，這個形狀「很像 Opus 4.7」。

∙ 我的觀察：這是少見的 vendor 自家評測，願意把不利自家敘事的數字寫得很清楚的案例。讀完最大的收穫不是「該不該升 GPT-5.5」，而是當模型公司的敘事 (更便宜) 跟 agent 廠商的實測 (更貴) 對撞時，預設要相信誰。

📚 參考資料

Amp 官方 model note：GPT-5.5

→ https://ampcode.com/models/gpt-5.5
...more
9min
May 20, 2026 Anthropic 工程師親述為何幾乎不寫 Markdown 改用 HTML

Anthropic 工程師 Thariq Shihipar 分享為何幾乎不寫 Markdown 改用 HTML 跟 Claude Code 協作。真實理由是讓他在 agent 接手越多時還能跟得上。整理 5 個場景與真正動機。

⭐ 文章深度讀：你最近一次認真讀完 Claude 幫你寫的計畫，是什麼時候？這個 Anthropic 工程師選擇用 HTML 把自己拉回 agent 化工作流的決策迴圈，值得借鏡。

→ https://heymaibao.com/anthropic-engineer-html-over-markdown/

⚡ 章節重點

開場 00:00

作者是誰為何這篇值得聽他講 00:47

ASCII 退化與 100 行 Markdown 沒人讀 02:10

真正的命題是 staying in the loop 02:53

HTML 的 4 個關鍵優勢 03:57

規劃跟 code review 的 HTML 用法 04:40

設計原型與解析報告 05:45

最值得試的招用後即丟編輯器 06:26

HTML 真的不會吃太多 token 嗎 07:45

起手姿勢與第一個實驗 08:58

我的觀察跟不上才是真正的病 09:59

收尾 10:50

📝 懶人包

∙ Thariq 主張 HTML 比 Markdown 更適合跟 Claude Code 工作，理由不是技術更專業，而是「我會讀完，也容易分享」。100 行以上的 Markdown 他不會讀，HTML 他會。

∙ 他列出 5 個 use case：規劃與探索、code review、設計原型、報告與學習、客製化編輯介面。其中客製化編輯介面最有招式感，重點是 export 按鈕，把人類操作再餵回 Claude Code，形成緊密迴圈。

∙ 他公開承認自己是「HTML maximalist」，幾乎完全停用 Markdown。但他也直白點名，這吃 token，前提是 Opus 4.7 的 1M context window 讓 token 增量在他的工作流裡不明顯。

∙ 我的觀察：這篇文章真正的心臟不是 HTML 對 Markdown 的技術比較，而是「stay in the loop」這個動機。Thariq 真正在解決的不是文件可讀性，而是 agent 接手越多時，人類怎麼不脫節。值不值得跟他切換，要看你願不願意真的去讀 Claude 寫的那些檔案。

📚 參考資料

Using Claude Code: The Unreasonable Effectiveness of HTML

→ https://claude.com/blog/using-claude-code-the-unreasonable-effectiveness-of-html

thariqs.github.io/html-effectiveness

→ https://thariqs.github.io/html-effectiveness/

anthropics/html-effectiveness

→ https://github.com/anthropics/html-effectiveness

code.claude.com/docs

→ https://code.claude.com/docs/en/quickstart
...more
12min
May 20, 2026 從 GUI 到 CLI 再到世界模型：諾曼的 AI 原生公司操作藍圖

諾曼公開了他自己 AI 原生公司的 4 層架構：CLI 化、Codex 灵动岛、Multica、Obsidian 知識庫，再用 3 個 autopilots 串成『世界模型』。可拆解的 founder 藍圖。

⭐ 文章深度讀：諾曼這套是 founder-mode 的個人最大化版本，多數團隊複製不了的是他「願意花週末自製 Codex 灵动岛」這種前置投入。但 CLI 化、Obsidian 知識庫、autopilots 模式這 3 件事可以照搬。

→ https://heymaibao.com/norman-ai-native-startup-world-model/

⚡ 章節重點

開場 00:00

懶人包 4 件事 00:27

第一層：GUI 到 CLI 01:34

第二層：Codex 灵动岛 03:48

第三層：Multica 多 agent 04:47

第四層：Obsidian 知識庫 05:20

整合：3 個 autopilots 06:40

收尾：FDE 與企業遷移 08:10

📝 懶人包

∙ 諾曼把組織的中間層重新定義成「信息路由系統」。AI 改變的不是執行效率，而是讓整個信息協調功能可以被 agent 接手。

∙ 他主張 AI 原生公司的真正基底是 GUI → CLI 化。當會議轉譯、工單、反饋都變成 CLI 串接，組織才有他說的「context not control」的無限上下文沉澱。

∙ 他把這套架構拆成 4 個層次：CLI 化 → Codex 灵动岛 (單人多 agent 面板) → Multica (多人多 agent 協作) → Karpathy 風格的知識庫，再用 3 個 autopilots 串起來，整合成他叫的「世界模型」。

∙ 我的觀察：諾曼這套是 founder-mode 的個人最大化版本，不是每個團隊都能複製。但「CLI 化、Obsidian 知識庫、autopilots 模式」這 3 件事可以照搬，自製灵动岛、跨職能 agent 池那種重做輪子的部分要量力。

📚 參考資料

我们给初创公司做了一个世界模型

→ https://mp.weixin.qq.com/s/pufmrWI_JtN-BlNUL3AeXQ
...more
10min

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 572 episodes available.