怎样判断一条 AI 新闻
“新模型达到博士水平。”
“AI 已经能独立完成软件工程。”
“这项技术将取代某个职业。”
这类标题未必是假的，却常常把一条有条件的实验结果压缩成一个没有边界的结论。论文测的是一组任务，产品展示的是一次运行，公司宣布的是一次发布，新闻标题却可能直接跳到“机器已经拥有某种普遍能力”。
判断 AI 新闻，不要求读者亲自训练模型，也不要求先成为统计学家。真正需要的是把一句宽泛的话重新展开：谁，在什么条件下，对什么任务，和谁相比，用什么证据，得到了多大改善，这个结果能推广到哪里？
本附录提供一套从几十秒到半小时都能使用的阅读方法。它不是“看到宣传就反对”，也不是“有论文就相信”，而是让结论与证据保持相称。
第一步：把标题改写成可检验的主张
标题常故意省略限制条件。遇到“最强”“超越人类”“会推理”“自主完成”时，先不要判断真假，把它改写成一个更完整的句子：
在日期 \(D\)，系统 \(S\) 使用版本 \(V\)，在运行条件 \(C\) 下，对任务集合 \(T\)，按照指标 \(M\)，相对基线 \(B\) 提高了 \(\Delta\)；证据来自来源 \(E\)。
这句话中的每一项都可能改变结论：
- 日期 \(D\)：网页、模型和排行榜会更新，旧结论可能不再适用；
- 系统 \(S\)：比较的是基础模型、带工具的系统，还是完整产品；
- 版本 \(V\)：同名产品背后可能已经更换模型；
- 条件 \(C\)：提示、工具、采样次数、时间、预算和人工帮助；
- 任务 \(T\)：公开考试、代码题、真实用户任务，还是精心挑选的演示；
- 指标 \(M\)：准确率、偏好胜率、首次成功率、成本或错误率；
- 基线 \(B\)：旧模型、专家、普通受试者，还是没有辅助的人；
- 改善 \(\Delta\)：绝对提高、相对提高，以及不确定性；
- 来源 \(E\)：公司公告、论文、独立复现，还是匿名转述。
若一条报道无法补全其中大部分内容，最稳妥的结论不是“它一定错了”，而是“现有信息不足以支持这个标题”。
- 结果属实：报告中的数字和条件可以核对。
- 解释合理：这些数字确实支持报道给出的能力判断。
- 能够推广：相同优势可能延伸到新用户、新任务和真实环境。
三者不是一回事。实验结果属实，不保证标题解释合理；标题在原任务上合理，也不保证能够推广。
先分清新闻说的是哪一层
AI 新闻中的“AI”可能指完全不同的对象。
论文提出了方法
论文主要回答：某个方法在规定实验中是否有效。它可能使用小数据集、受控环境和研究代码。论文被接收或放上预印本平台，表示它进入公开讨论，不等于已经通过所有复核。
模型展示了能力
模型是训练得到的参数与结构。一次模型评测通常不包括检索服务、工作流、权限、界面和人工复核。模型分数提高，不能直接推出完整产品同比例改善。
系统完成了任务
系统可能由模型、搜索、检索、代码执行器、验证器、记忆和规则共同组成。报告系统结果时，应说明各组件及其预算。把系统成绩全部归功于底层模型，会隐藏真正决定成功的工程条件。
产品向用户发布
产品发布说明可访问性发生变化，却不证明每项能力已经达到研究报告中的最好结果。产品还可能使用限流、路由、安全过滤和动态更新；同一个名称在不同时期不一定对应同一系统。
现实世界产生了影响
采用率、工作流程变化、事故、成本和制度反应属于部署证据。它们受组织、激励、培训、法规和用户行为共同影响，不能只由模型参数解释。
政策规定了责任或门槛
政策新闻说的是适用范围、生效时间、义务、例外和执行方式。提案、指南、技术标准、已经通过的法规和已经生效的规则，不属于同一种法律状态。
论文、模型、系统、产品、影响和政策可以互相关联，却不能互相替代。判断前先问“这条新闻究竟发生在哪一层”，能排除大量误读。
证据不是有或没有，而是有层级
以下层级不是机械排名，但能帮助判断一条结论目前有多稳。
1. 当事方陈述
公司公告、研究团队博客和产品说明最接近事件本身，适合确认“发布了什么、声称了什么”。它们也是利益相关方材料，通常不会主动突出最不利结果。
2. 精选示例或演示
演示能证明系统至少在某次条件下产生过某个结果，却不能给出典型成功率。失败尝试、提示调整、人工剪辑和后台工具若未披露，观看者无法知道示例的代表性。
3. 内部评测
开发者在一组基准或内部任务上报告结果，比单个示例更系统。仍需检查测试集选择、训练污染、基线设置、评分方式和是否只展示有利指标。
4. 可复查的论文与技术报告
方法、数据、协议和限制越透明，外部研究者越能审计结论。同行评审可以过滤一部分问题，但不是正确性的永久保证；预印本也不能仅因“尚未评审”就被自动判错。
5. 独立复现与对抗测试
无直接利益关系的团队在相近条件下得到相近结果，会增强可信度。若只能使用封闭接口，外部测试至少应固定版本、记录时间并公开协议。
6. 多环境部署证据
真实用户、长期运行、不同机构和不同分布中的结果，最接近实际影响，也最容易受到混杂因素影响。部署研究应同时报告收益、失败、人工接管、成本和受影响群体。
证据层级越高，通常越慢出现。新发布当天只能得到公司材料并不奇怪；问题在于报道是否把“尚待验证”写成“已经证明”。
一张成绩表至少要拆成五部分
第 31 章把评测拆成目标构念、任务样本、运行协议、评分器和汇总方式。阅读新闻时，可以把这五项当作成绩表背后的说明书。
测量目标：到底想证明什么
同一组题可能同时依赖知识、阅读、格式遵循、搜索和猜测。基准名称含有“推理”“数学”或“常识”，不表示它只测这个能力。
最强结论不能超过测量目标。例如选择题高分可以支持“在这些选择题上表现好”，若要进一步支持“能在开放环境解决研究问题”，还需要新证据。
任务样本：这些题代表什么
要看题目数量、来源、语言、难度、时间和抽样方式。来自同一模板的十万道题，不一定比来自多种真实任务的一千道题覆盖更广。
还要问平均分是否掩盖分组差异。模型可能在英语、常见领域和短任务上很好，却在小语种、罕见病例或长流程上明显下降。
运行协议：模型获得了什么条件
至少记录：
- 零样本还是给了示例；
- 提示由谁设计，是否针对测试集反复调整；
- 是否允许联网、检索、计算器或代码执行；
- 一题生成一次还是生成许多候选再选择；
- 是否使用验证器、人工反馈或重试；
- Token、时间、费用和硬件预算是多少。
“同一道题”不等于“同一场比赛”。模型使用工具而人类不能查资料，或者模型生成一百次取最佳而基线只尝试一次，都需要在结论中明确。
评分器：谁决定答案正确
选择题有标准答案，代码题依赖测试套件，开放回答可能由人或另一个模型评分。评分器会漏掉它没有检查的错误。
模型评委可以降低成本，却可能偏爱更长、更自信或与自身风格相近的回答。(Zheng 等 2023年) 高风险或小幅差异应抽样人工复核，并报告评委分歧。
汇总方式：平均数隐藏了什么
总体平均分会隐藏失败类型、群体差异和极端后果。可信报告还应给出：
- 样本量与置信区间；
- 各难度、语言、来源和群体的结果；
- 首次成功率与重试后成功率；
- 最佳、平均和最差运行；
- 延迟、费用、能耗或人工时间；
- 典型失败案例及副作用。
HELM 等工作强调在统一条件下同时报告准确性、稳健性、公平性、校准和效率，而不是只追逐一个总分。(Liang 等 2023年)
“提高 50%”可能只是从 2% 到 3%
新闻常混用百分点变化和相对变化。准确率从 40% 到 50%，是提高 10 个百分点，也是相对提高 25%：
\[ \frac{50\%-40\%}{40\%}=25\% \]
错误率从 10% 降到 5%，准确率只从 90% 升到 95%，却可以写成“错误减少 50%”。两种说法都可能正确，但传达的直觉不同。
样本量也很重要。有 \(n\) 个近似独立样本，答对 \(k\) 个，准确率为：
\[ \hat p=\frac{k}{n} \]
在相同的 2 个百分点差距下，20 道题与两万道题提供的证据强度完全不同。若题目来自同一模板，样本间还会相关，不能把每道题都当成独立证据。
看到小幅领先时，至少问：
- 多次运行后差距是否仍存在？
- 是否在同一批题上做配对比较？
- 置信区间是否重叠？
- 改变提示、顺序或随机种子后是否稳定？
- 实际收益是否值得增加的成本？
统计上可检测的差异，不一定在真实业务中重要；真实业务中重要的风险，也可能被平均分冲淡。
排行榜最容易隐藏比较条件
排行榜提供快速比较，但排名不是模型的永久属性。
同名分数未必同条件
一列可能使用官方提示，另一列使用社区优化提示；一个系统允许工具，另一个只调用模型；一个结果来自单次生成，另一个来自多数投票。若协议不同，名次不能直接解释为模型能力顺序。
最佳提交不等于典型表现
开发者可以多次试验并只提交最好结果。公开测试集被长期反复使用后，也会逐渐成为开发目标。排行榜越有影响力，围绕排行榜优化的激励越强。
小差距不等于稳定领先
用户问题分布、评委群体、模型版本和参赛者集合变化，都可能改变相对排名。报道“跃居第一”时，应注明榜单、日期、类别、样本量和差距。
分数提高不等于所有任务提高
平均名次可能由少数大幅进步项目推动，同时另一些能力退化。最好查看逐任务结果和失败样本，而不是只看综合分。
数据污染会让测试题变成复习题
公开基准、答案解析、代码仓库和用户讨论可能进入训练数据。如果模型见过题目、改写版本或同源模板，高分就不能完全代表对新问题的泛化。
污染证据也有强弱：
- 找到训练语料中的逐字题目与答案，是直接证据；
- 模型复现异常长的标准答案，是值得调查的信号；
- 训练截止日期早于题目发布日期，只能降低部分风险；
- “我们没有故意训练这些题”不能证明大规模语料中不存在它们；
- 模型答对公开题目本身，也不能反过来证明它一定记住了答案。
比较可靠的做法包括使用训练截止日期之后产生的题目、隐藏测试集、按来源或时间拆分、检查近似重复，并限制提交次数。
当训练数据不公开时，报道应保留不确定性，而不是在“完全无污染”和“全靠背题”之间二选一。
演示视频能证明什么，不能证明什么
一段机器人整理桌面、智能体订票或模型实时对话的视频，最适合回答：
在所展示的环境和某次运行中，这个系统能否产生这样的行为？
它通常不能单独回答：
- 成功率是多少；
- 失败尝试是否被剪掉；
- 环境是否为演示专门布置；
- 是否有人在镜头外选择提示或接管；
- 系统是否使用预先知道的物体、网页或路径；
- 换一个用户、房间、口音或网站后是否仍有效；
- 完成一次需要多少时间和成本。
演示仍然有价值。它能暴露交互速度、动作连贯性和系统形态，也能提出值得正式测试的假设。正确做法是把演示当作“存在性证据”，而不是自动当作“成功率证据”。
对于视频，还应检查是否为实时连续录像，是否标出加速、剪辑、模拟环境和人工干预。看不到失败不表示没有失败。
“人类水平”必须同时定义人和规则
“超过人类”至少需要补全：
- 是普通参与者、受训人员、从业者平均值，还是顶尖专家；
- 人类与系统能否使用相同工具和资料；
- 双方时间、尝试次数和奖励是否相同；
- 比较平均值、最佳个体还是最低通过线；
- 人类样本有多少，来自哪些人群；
- 任务是否本来就代表现实能力。
模型在研究生选择题上超过某组受试者平均分，可以是一项真实成绩，却不等于它具有研究生完成实验、发现问题、承担责任和长期协作的全部能力。
反过来，模型尚未“达到人类水平”也不表示它毫无用处。高速完成一个可验证子任务，可能已经改变工作流程。应讨论具体任务与责任配置，而不是把所有影响绑在一个总标签上。
“会推理”“理解了”和“出现 AGI”都需要操作定义
这些词不是禁用词，但必须说明证据标准。
“会推理”
可能表示：
- 在某组需要多步计算的题上正确率提高；
- 生成了看起来连贯的中间步骤；
- 使用搜索、验证器或代码执行后得到正确答案；
- 在新组合与干扰条件下仍保持稳定。
四种证据强度不同。正确答案不揭示内部过程；流畅步骤可能包含事后编造；系统搜索成功也不等于单次模型生成具有同样能力。参见第 26 章。
“理解了”
需要说明指行为泛化、内部表示、因果使用，还是人类式主观理解。探针能从表示中读出信息，不保证模型实际使用了它。参见第 24 章。
“出现 AGI”
应先给出通用性的定义：任务广度、新任务适应、可靠性、长程自主能力、现实锚定和资源效率分别达到什么门槛。若定义只是“在若干基准上超过平均人类”，结论只覆盖这些基准。参见第 34 章。
把争议词换成可观察条件，不会消除所有争议，却能让不同立场真正讨论同一个问题。
系统能力要把工具、预算和人工算进去
现代 AI 结果常来自整个系统：
模型
+ 提示与上下文
+ 检索或搜索
+ 工具与执行环境
+ 验证器
+ 重试和候选选择
+ 人工确认
= 最终任务结果这些组件不是“作弊”，它们本来就是系统设计的一部分。问题是报道是否披露并公平比较。
若一个代码系统生成 100 个候选，再由测试挑出通过者，它展示的是“模型 + 采样 + 测试器 + 计算预算”的能力。指标 \(\operatorname{pass@}k\) 通常随 \(k\) 增大而上升，但用户付出的时间和算力也上升。
长任务还会累积错误。若每个关键步骤独立成功率为 \(p\)，连续 \(n\) 步都成功的理想化概率是：
\[ P(\text{全部成功})=p^n \]
即使 \(p=0.95\)，连续 20 步全部成功也只有：
\[ 0.95^{20}\approx 0.36 \]
真实步骤通常不独立，系统也可以检测、重试和恢复，因此这个公式不是实际预测；它只是说明单步高分不能直接代表长程可靠性。
智能体新闻还要检查权限、无关修改、失败检测、回滚和停止机制。完成任务但泄露数据、重复下单或破坏环境，不能算完整成功。参见第 28 章和第 32 章。
医疗、科学和高风险新闻要再多问一层
“AI 发现药物”“超过医生”“预测极端天气”常把技术指标与现实结果放在同一句话里。
预测不等于干预有效
模型能预测某种风险，不表示根据预测采取行动一定改善结果。行动可能有副作用，用户也可能改变行为。
回顾性数据不等于前瞻性部署
在历史数据上测试，无法完整模拟未来患者、设备、流程与人员变化。前瞻性研究、跨机构验证和真实工作流试验提供不同层级的证据。
替代指标不等于最终结果
分子对接分数、图像相似度和短期代理指标可以帮助筛选，却不等于药物已经安全有效、材料已经量产，或患者结局已经改善。
专家标签也可能不确定
医学影像、科学分类和政策判断可能没有唯一真值。应报告专家如何达成标签、分歧怎样处理，以及系统是否只学会某个机构的记录习惯。
高平均分不能抵消不可接受的失败
在高风险领域，应分别报告漏诊、误报、罕见情况、群体差异、校准、拒答与人工接管。部署责任不能因为模型平均分高就转移给最后操作它的人。
第 30 章区分候选生成、模拟预测、实验验证和真实发现；新闻也应保持这几层证据的距离。
社会影响新闻要区分能力、采用和结果
“AI 能完成某职业 40% 的任务”不等于“40% 的岗位将消失”。
中间至少隔着：
- 技术在实验条件下能否处理某类任务；
- 组织是否有数据、流程和预算采用；
- 使用后是替代任务、辅助人员，还是创造新任务；
- 生产率收益如何分配；
- 法律、责任、客户偏好和劳动力供给怎样反应；
- 更低成本是否反而扩大需求。
岗位由多种任务组成，任务也会随技术变化。研究中的“暴露度”通常表示技术可能触及的任务比例，不是失业概率。
阅读就业、教育和创作新闻时，还要检查研究测的是短期实验、企业实际采用、招聘变化，还是宏观统计。不同时间尺度不能直接拼成一条因果链。参见第 33 章。
安全事故与政策新闻要核对时间和责任链
事故报道需要区分：
- 模型生成了错误建议；
- 产品把建议展示给用户；
- 系统拥有执行权限并采取了行动；
- 人工流程未能发现或阻止；
- 组织在事故后怎样调查和修复。
只说“AI 导致”可能隐藏系统设计和管理责任；只说“用户误用”也可能忽略产品可预见的风险。
政策报道则至少核对：
- 是草案、提案、已经通过，还是已经生效；
- 适用于哪些地区、主体和系统；
- 有哪些豁免、过渡期和技术门槛；
- 谁负责执行，违反后有什么后果；
- 原始条文与报道标题是否一致。
风险框架如 NIST AI RMF 强调把治理、测量和持续管理放进系统生命周期，而不是只在发布前打一次勾。(National Institute of Standards and Technology 2023年)
沿着引用链回到最接近事实的来源
常见传播链是：
原始数据或事件
-> 论文 / 技术报告 / 法规
-> 机构新闻稿
-> 媒体报道
-> 社交平台摘要
-> 截图和转述每经过一层，背景可能减少，措辞可能变强。核查时反向走：
- 找到报道所指的具体论文、报告、公告或条文；
- 核对标题中的数字是否真的出现；
- 阅读方法、实验设置、限制和附录，而不只看摘要；
- 查看是否有数据、代码、模型卡或系统卡；
- 查找独立复现、作者回应和已知失败；
- 记录版本与访问日期。
模型卡用于说明模型用途、评测、限制与风险，数据说明则帮助追踪数据来源和构建过程。(Mitchell 等 2019年; Gebru 等 2021年) 文档存在不保证系统可靠，但缺少关键文档会提高外部核查成本。
二手来源也不天然低质量。好的记者可能访谈多方、发现论文没有讨论的利益冲突和部署后果。关键是区分：哪些是原始结果，哪些是采访观点，哪些是报道者的综合判断。
三档速度：根据重要性决定查多深
30 秒：先防止被标题带走
快速问五个问题：
- 这是论文、模型、系统、产品、现实影响，还是政策？
- 主张对应的具体任务和指标是什么？
- 信息来自当事方还是独立测试？
- 标题是否把“可能”“在某基准上”删掉了？
- 这条信息会影响重要决定吗？
若只是一般兴趣，可以先把结论标为“待核查”，不必立即完成全部调查。
5 分钟：找到原始来源
补查：
- 原始报告的日期、版本和作者；
- 测试数据、基线与运行协议；
- 是否披露工具、重试、成本和人工帮助；
- 限制部分写了什么；
- 是否已有可信的独立意见。
五分钟通常足以发现标题与原文之间最明显的距离。
30 分钟以上：为重要决定做证据审计
若新闻会影响采购、教学、投资、医疗、政策或公开传播，应进一步：
- 阅读方法与附录，核对样本和统计；
- 检查污染、版本变化和比较公平性；
- 查找复现、失败案例和不同立场；
- 计算绝对变化、成本与任务级风险；
- 写下结论适用范围和仍未知的部分；
- 设定重新检查的日期。
不是每条新闻都值得半小时。核查投入应与决策后果相称。
示例一：“模型在诊断上超过医生”
先把标题展开：
系统 \(S\) 在某医院收集的 \(n\) 个病例上，根据标签规则 \(G\)，以指标 \(M\) 与一组医生 \(B\) 比较。
接着检查：
- 病例是历史回顾还是未来连续进入；
- 医生是否获得完整病历、影像和同样时间；
- 模型是否使用了医生看不到的结构化字段；
- 标签来自最终病理、专家共识，还是已有诊断记录；
- 是否按疾病、设备、医院与人群分组；
- 测的是准确率、敏感度、特异度还是患者结局；
- 模型如何进入真实流程，谁复核，失败时谁承担责任。
可能得到的谨慎结论是：
在这组回顾性病例和规定输入条件下，系统在指标 \(M\) 上高于参与研究的医生平均值；跨医院泛化、前瞻性工作流和患者结局仍待验证。
这不是削弱成果，而是准确保存成果。
示例二：“新模型解决了复杂推理”
先确认结果来自单次模型输出，还是“模型 + 搜索 + 验证器 + 多次采样”。
再检查：
- 任务是否公开，答案是否可能进入训练；
- 题目是真正新组合，还是熟悉模板换数字；
- 最终答案正确时，中间步骤是否也可靠；
- 换一种措辞或加入无关信息后是否稳定；
- 使用了多少 Token、候选、工具和时间；
- 评分器能否发现过程中的隐蔽错误；
- 结果覆盖哪类推理，不覆盖哪类。
合理表述可能是：
在规定题集和计算预算下，该系统通过多候选搜索与验证提高了最终正确率；这支持特定任务上的系统级解题能力，不单独证明模型内部具有一般、可靠的人类式推理。
示例三：“智能体能独立完成 80% 的工作”
“工作”必须拆成任务。先问：
- 80% 是任务数量、时间比例、经济价值，还是某个评分器的通过率；
- 任务来自真实工作日志还是研究者设计；
- 完成标准是否检查副作用和质量；
- 是否允许人工澄清、审批和修复；
- 首次成功率与重试后成功率分别是多少；
- 平均每个任务花费多少时间、费用与监督；
- 系统拥有什么权限，失败能否撤销；
- 未完成的 20% 是否恰好包含最高风险部分。
如果研究只覆盖隔离环境中的短任务，结论不应直接变成“80% 的岗位可以无人化”。更合适的结论是：
在该隔离测试集、工具和权限条件下，系统达到 80% 的任务判定通过率；真实组织中的长程可靠性、异常处理、监督成本和责任边界尚未由这项结果测量。
给结论标上置信状态
核查不是只输出“真”或“假”。可以使用四种状态：
- 已确认：原始来源与关键条件可核对，多方证据一致；
- 初步支持：证据方向一致，但独立复现、样本或部署信息仍不足；
- 存在争议：可信来源对方法、数据或解释有实质分歧；
- 证据不足：找不到原始来源，或现有材料无法支持标题强度。
还可以把事实与预测分开：
事实：某系统在公开报告中取得分数 X。
解释：作者认为这反映能力 Y。
预测：报道推测它将在时间 Z 内改变行业 W。事实可被直接核对；解释需要理论与对照；预测还依赖采用、竞争、制度和时间。不要因为第一句正确，就自动接受后两句。
建立一张可更新的新闻卡片
对重要新闻，可以保存：
标题：
事件日期：
核查日期：
对象与版本：
主张：
原始来源：
证据层级：
任务与样本：
运行协议：
基线与指标：
成本与系统组件：
已知限制：
独立证据：
当前置信状态：
最强可支持结论：
仍不能推出什么：
下次复核条件：“下次复核条件”可以是独立测试发布、产品版本更新、法规正式生效或真实部署数据出现。这样，新证据到来时只需更新卡片，而不是每次从社交平台的情绪重新开始。
转发之前，再做一次强度检查
传播也会改变证据。转述时应保留：
- 任务与范围限定；
- 来源链接和日期；
- 自己没有核实的部分；
- 结果与作者解释的区别；
- 重要成本、工具和失败条件。
不要只截取排行榜第一名而裁掉协议说明，也不要把“作者声称”改成“研究证明”。如果证据仍在发展，可以直接写“初步结果”“尚无独立复现”或“仅适用于该测试”。
内容来源标准可以帮助记录媒体由谁、用什么工具、何时生成和修改；它能支持追溯，却不能单独证明内容真实。(Coalition for Content Provenance and Authenticity 2025年) 来源可信与结论正确仍是两个问题。
一页检查表
遇到下一条 AI 新闻时，按顺序检查：
- 对象：论文、模型、系统、产品、部署影响，还是政策？
- 版本：名称、日期和实际版本是否明确？
- 主张：能否写成具体任务、条件、指标和比较对象？
- 来源：原始材料在哪里，谁有利益关系？
- 样本：数据从哪里来，规模、语言、时间和分组怎样？
- 污染：测试是否可能进入训练、调参或提示开发？
- 协议：是否使用工具、搜索、重试、验证器或人工帮助？
- 基线：比较双方条件是否一致，基线是否足够强？
- 指标：绝对变化是多少，样本与不确定性是否充分？
- 评分：标准答案、测试、人类或模型评委会漏掉什么？
- 成本：时间、Token、费用、能耗与监督成本是多少？
- 稳定性：换提示、随机种子、任务来源或环境后是否保持？
- 部署：权限、副作用、回滚、责任与受影响群体如何处理？
- 边界：这项证据最强能支持什么，不能推出什么？
- 状态：已确认、初步支持、存在争议，还是证据不足？
最后把标题改写成一句带条件的话。若改写后仍然令人兴奋，那项进展通常更值得关注；若所有重要信息都必须删掉，标题才显得惊人，那么真正值得研究的可能是传播方式，而不是模型能力。