昨天 OpenAI 发布了 GPT-Live，用来替代 ChatGPT 的语音模式。

• GPT-Live 的做法是把回合制扔掉，直接上全双工。它同时接收音频流和生成音频流，每秒做多次决策：该听、该说、该安静、该插话、该调工具。
• 另一个有意思的设计是他们把对话体验和深度推理拆开了。GPT-Live 自己只负责流式交互这一件事，遇到需要搜索、需要推理的重活儿，就异步委托给 GPT-5.5，自己继续跟用户聊着。等后台结果好了，再塞回对话流里。
• 还有个细节：他们给 GPT-Live 单独做了语音安全。因为全双工是流式输出，安全检测不能等一句话说完再判断，得在说话的过程中实时介入。具体怎么做的没说，比如是在 token 级加安全头、还是旁路跑一个轻量安全模型监听输出流。但方向是对的——语音场景下，安全不能后置。

后续如果能够支持视频和屏幕共享的语音交互，那就更有意思了。

周末猫丢了，家里一起想个各种办法，找了半天找不着。最后还是找了专业的找猫团队，10 分钟就解决了。不得不说，找猫就是非常典型的 AI 中短期内无法替代的工作：

1. 对操作的精细度要求极高，难以学习；
2. 操作流当中存在大量无法简单描述的“经验”和“判断”，工作流难以很好地定义；
3. 缺乏大量公开资料，或者视频学习材料（需求少、领域比较冷门）。

《Tensor Programs V: Tuning Large Neural Networks via Zero-Shot Hyperparameter Transfer》，被视为“理论指导”时代的开启，是因为它解决了一个大模型工程中最昂贵的痛点：超参数调优（Hyperparameter Tuning）。以下是该论文的核心观点与实际应用价值的简要概括：

• µP (Maximal Update Parameterization)： 论文提出了一种名为“极大更新参数化”的方法。这种方法在数学上证明了，当神经网络变得无限宽时，存在一种唯一的参数初始化和缩放比例，能够保持学习动力学的稳定。
• 超参数的稳定性： 在 µP 框架下，模型的最佳超参数（如学习率、初始化范围等）与模型规模（宽度）解耦。这意味着在一个只有 1 亿参数的小模型上表现最好的学习率，直接挪到 1000 亿参数的大模型上依然是最好的。
• µTransfer (超参数平移)： 既然超参数稳定了，我们就可以通过“小模型调参 -> 直接平移给大模型”的路径来训练，而不需要在大模型上进行昂贵的试错。

深度使用了 Karpathy 的 LLM Wiki，既尝试了火热的开源项目，也尝试写了 Skill，我的感受是：

1. LLM Wiki 的渐进式披露思路和 Skill 一致，但作为知识库，知识的分层需要更多，尤其是类似个人知识库这种应用；
2. 基于上一点，我尝试在 LLM Wiki 的基础上增加分层和聚类的模式，实际效果有限，仍少不了人为干预；
3. LLM Wiki 强调了知识的链接，但知识之间的链接在很多场景下用处并没有那么大，双链笔记的发展现状也能说明这一点；
4. LLM Wiki 在知识检索这一层没有做太多复杂的架构，因此只适合小范围的知识库。

结论：是个有趣的想法，于我而言，可以在我的 siyuan skill 基础上再叠加一些查询功能，把我的 siyuan 知识库作为 LLM 的 Wiki 来源。

OpenClaw 风评突然转负向了，但我一直认为 OpenClaw 的价值是：

1. 入口增强：注重连接，连接现有的各类即时通讯软件，实现随时可用；
2. 远程访问：对于无法 ssh 的家庭主机、不会 P2P 的普通用户，也可以通过 OpenClaw 实现远程控制；
3. 降低门槛：对于大量不了解 CLI、不理解 Agent 的普通用户，了解到 AI 可以对自己的电脑做这么多操作（事实上很多编程软件早就实现了）。

---

问题也一直明确：

1. 对话框的交互模式决定了，对于严肃的创作工作，无法有效进行结果确认、多轮微调；
2. 作为一个 Agent，OpenClaw 的记忆优化、上下文管理、工具加载等，并不能算很优秀。

---

当然，只要社区足够活跃，这些问题也都有可能解决。目前 OpenClaw 做一个个人助手还是绰绰有余，等空了再发一篇文章，说说我用 OpenClaw 做了些什么。