Keras 社区会议本周五举行

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

主观能动性向来具有自我增强的特性，而AI正在放大这种效应。 低能动性的AI使用者进一步丧失能动性，高能动性的AI使用者则进一步增强能动性。

我撰写《Deep Learning with Python》旨在成为理解深度学习工作原理及最佳应用方式的权威指南。数以万计的人通过这本书开启了职业生涯。已售出12万册，更有数百万人下载阅读。 现在可以免费在线阅读：https://deeplearningwithpython.io/

强化学习在已知领域能提升模型性能，但在未知领域可能导致模型产生幻觉，误以为在执行其他训练过的任务。这一现象在GPT-5.5等大模型的ARC AGI 3基准测试中有所体现，其得分仅为0.43%，与Claude 4.6、Gemini 3.1等模型表现相近。分析指出GPT-5.5的主要失败原因包括：局部效应正确但世界模型错误、从训练数据中提取的抽象层级不当，以及虽解决问题却未强化奖励机制。深入分析此类失败案例，有助于全面理解大模型在特定模态上的能力局限与改进方向。

作者以"Glurg"游戏（实为 chess）假设情境论证：借助现有外部认知基础设施（计算机、互联网等），人类顶尖团队能在24小时内从规则解析开发出3000 Elo引擎，三周内可达3500 Elo且计算效率提升10倍。这表明人类智能已具备即时掌握复杂策略系统的能力，而非从零缓慢进化。该论述回应了关于现实世界更接近 chess 而非 Go 的争论，强调人类利用工具扩展认知边界的即时优势。

30 分钟后开始——任何人都可以加入通话。到时候见！

François Chollet 认为 LRM 与 2024 年及之前基础 LLM 的关键区别不是符号工具使用，而是从直觉答案的传导范式转向直觉生成答案程序/指令的归纳范式，LRM 在测试时做自然语言程序和推理链的归纳预测，由此获得流体智能，而基础 LLM 流体智能接近于零。

很多关于 AI 的宣传（来自其支持者）热情地把它描述成一种毁灭，甚至是彻底抹除：“AI 刚刚杀死了 XYZ”——“XYZ 完蛋了”（现实中，这几乎从来都不准确） 普通人对 AI 的认知，很大程度上正是被这类说法塑造的。反弹不可避免。

Francois Chollet 表示自己如今不再读写代码，只通过 LRM 下指令，但这并非因为 LRM 代码质量已完美甚至够好。他认为 LRM 能解锁测试代码库、审计组件、生成可视化、红队测试等新工作流，速度远超以往，这些方式能达到与阅读代码相当的理解效果。因此手写代码的 ROI 已不再划算，原因不是 LRM 变完美，而是其速度足以支撑更高效的新工作流。

下面这条推文是我 5 年多前发的，当时遭到了大量反对。但如今这个预测正一天天变得显而易见。 [引用 @fchollet]：10-20 年内，几乎每一个科学分支，实质上都将成为计算机科学的一个分支。 计算物理学、计算化学、计算生物学、计算医学……甚至计算考古学。逼真的模拟、大数据分析，以及无处不在的 ML