sentinelK

说少了，最起码 95%
宣发走顺了，你的游戏即便有缺陷也是设计。

我个人判断，AI 的 toB 落地比之前 SaaS 要难得多。

1 、和 SaaS 完全不同，企业 AI 化的本质就是企业数据的再加工分析。相当于他是对既有数据的挖掘和诊断。一个公司，既有数据里边不光包含业务的演进，必然还包含一些非股东的私人利益以及一些人为的反效率结构。这就导致估计除了 AI 改造领头人（你的内线）以外，剩下的人全部都反对，最起码也是被动不合作状态。

2 、SaaS 还可以理解为是自上而下的“定向医美”，是有人对流程负责的。AI 化是彻头彻尾的数据统计诊断。整个改造有可能是完全失去控制的，这个责任谁来负。这就导致，AI 改造要么割到大动脉企业直接原地爆炸，要么不疼不痒。乙方里外不是人。

3 、企业肯定不会让数据上云，所以 AI 化绝大多数情况都是本地的，这样下来对于乙方来讲，风险就非常大了。你如何证明你的硬件方案和甲方的 AI 需求是契合的？ prefill 和 decode 性能多少叫够用？并发多少人算可用？采纳度多少算有效？这些全都是主观答案，没有任何客观标准。更别提模型体量对于硬件需求的巨大差异性。

1 、2 楼是我，从现在的视角看，我说的貌似依然还有效，很庆幸 XD

一直没想明白，Agent 工具目前到底如何区分他们的特点和能力？有没有一个相对量化的指标？

如果没有的话，那这些 feature 的意义到底在哪里……反复迭代 Agent 工具的最终目的又是什么……

其实这个问题是非常主观的。

学霸 A 刷遍了全世界所有的题，发现考试的时候撞题成功，考了满分。
学霸 B 智商超群，考试的时候利用其他题干互相印证推导，做题成功，考了满分。

他们都是满分，只是不稳定因素不同。

学霸 A 对于历史信息有过拟合。所以做题很难做满分。
学霸 B 推导的过程中会有误差累积，一旦某一个步骤出错，就全盘皆输，要么满分，要么 0 分。

其实这也就引申到了 GPT 时刻，讨论的非常火的问题，既所谓智能（智商、能力），到底是不是既有信息的统计学重复。

降智这种主观的都先不谈。

各家 plan 的“代币”有能说明白的吗？
现在 LLM 厂商给我的感觉，就是我进饭馆，我能吃什么，吃多少，花多少钱，都不是我能决定的。

BFS 换脸，Klein 9B + VTON LoRA 换衣。这样就生成了初始帧。然后通过初始帧来进行 I2V 生成。

openCode go 订阅。10 刀价格 60 刀额度。

虽然 deepseek-v4-pro 是原价，但是算上额度扩充里外里还是比官网 api 便宜。
而且 v4-flash 的 6 倍额度是实打实的。

如果从广义的人才筛选角度上讲，普遍都是这样的。这是劳动人口供给关系决定的。