#知書club[超话]#新书介绍丨本书是塞巴尔德的一次独特的尝试，由他和他的老朋友、德国艺术家扬·彼得·特里普共同创作。书中包括33张关于眼睛的版画（如伦勃朗、培根、博尔赫斯、贝克特、普鲁斯特、塞巴尔德等人的双眼；而其中情感最强烈的或许是塞巴尔德女儿的双眼，她后来与父亲一起遭遇了车祸）和与之对应的33首微型诗，结尾还附有安德烈亚·克勒的研究文章。
塞巴尔德与特里普有着相似的过去，他们在战后的巴伐利亚长大，对破坏和遗忘十分熟稔，有着共同的失落感和错位感，而本书就是他们在探索两人重叠之视野的成果。
[给力][给力][给力]【编辑推荐】——
[羞嗒嗒]塞巴尔德逝世一年多后，本书面世。这一未竟之作最后由塞巴尔德的老朋友扬·彼得·特里普独自编排完成。书中的微型诗既如俳句，又如哀歌，既是遗嘱，也是墓志铭。当读者在书的末尾与塞巴尔德本人的双眼对视，观察者和被观察者通过剥离时间、超越生死的目光实现了幽灵般的对话，就像塞巴尔德自己的故事中经常出现的那样，“这些死者，他们又回来了”（《移民》）。
[羞嗒嗒]这些反叙事的微型诗就像是被从塞巴尔德的小说段落中抽出的句子，失去了典型的塞巴尔德式长句所累叠的效果，但给读者以顿悟。书中的眼睛版画与微型诗并不互相解释，而以疏离的姿态彼此试探，构成对话。塞巴尔德和特里普在这一图像和文本的实验中运用了更为大胆的叙事蒙太奇，在图像和文本、读者视线和眼睛版画的目光交叉中，试图拯救那些将要消逝在时间和记忆中的事物。
[羞嗒嗒]特里普的版画逼真得令人不安，这些眼睛有现实的主人，它们是基于真实的虚构，是视线的标本，而眼睛正是塞巴尔德书写中最重要的母题之一。在本书中，塞巴尔德将记忆定格为一段突然闪现的文字，特里普则将生命浓缩为一束视线，这些片刻和局部通过巧妙的组合得以延展和扩大，最终展现在读者眼前的，是一片关于被破坏、被掩盖、被遗忘的视野。
#读书##春风阅读##诺贝尔奖#
塞巴尔德与特里普有着相似的过去，他们在战后的巴伐利亚长大，对破坏和遗忘十分熟稔，有着共同的失落感和错位感，而本书就是他们在探索两人重叠之视野的成果。
[给力][给力][给力]【编辑推荐】——
[羞嗒嗒]塞巴尔德逝世一年多后，本书面世。这一未竟之作最后由塞巴尔德的老朋友扬·彼得·特里普独自编排完成。书中的微型诗既如俳句，又如哀歌，既是遗嘱，也是墓志铭。当读者在书的末尾与塞巴尔德本人的双眼对视，观察者和被观察者通过剥离时间、超越生死的目光实现了幽灵般的对话，就像塞巴尔德自己的故事中经常出现的那样，“这些死者，他们又回来了”（《移民》）。
[羞嗒嗒]这些反叙事的微型诗就像是被从塞巴尔德的小说段落中抽出的句子，失去了典型的塞巴尔德式长句所累叠的效果，但给读者以顿悟。书中的眼睛版画与微型诗并不互相解释，而以疏离的姿态彼此试探，构成对话。塞巴尔德和特里普在这一图像和文本的实验中运用了更为大胆的叙事蒙太奇，在图像和文本、读者视线和眼睛版画的目光交叉中，试图拯救那些将要消逝在时间和记忆中的事物。
[羞嗒嗒]特里普的版画逼真得令人不安，这些眼睛有现实的主人，它们是基于真实的虚构，是视线的标本，而眼睛正是塞巴尔德书写中最重要的母题之一。在本书中，塞巴尔德将记忆定格为一段突然闪现的文字，特里普则将生命浓缩为一束视线，这些片刻和局部通过巧妙的组合得以延展和扩大，最终展现在读者眼前的，是一片关于被破坏、被掩盖、被遗忘的视野。
#读书##春风阅读##诺贝尔奖#
《哺鸟师：最后一个囚笼》剧本杀复盘真相凶
类型：现代、推理、本格
玩家人数：6人
故事背景：
记忆中那衰败的别墅，似乎好久都没有人烟的迹象了。
虽然大门无法打开，但是偌大的庭院成为了我们最理想的“游乐园”
顺理成章的，它成为了我们的秘密基地。
今天是2022年11月1日，我们几个小伙伴再次相约到此玩耍，不同往常的是有一位管家打扮的人迎接我们进入到从没进去过的别墅内。
原来今天是万圣节！
阴森的别墅，手握骷髅头的恐怖雕像。无一不是在告诉我们这是一次从来没有体验过的经历。
穿上万圣服饰的我们，在餐桌前缓缓坐下。
“小朋友们，游戏开始啦！谁能得到最多的糖果呢？“
《哺鸟师：最后一个囚笼》剧本体验：
我们是福利院的6个小朋友，每个人都有一个自己想要留下体验生活的欲望！最后只能留下一个获得糖果最多的小朋友！
故事的开始需要6位玩家进行一个戏精演绎环节，也是为了更好的破冰！这个环节系列很多，内容强，也实在是欢乐
一共有4个案件，1个大还原！推理难度渐强，一环扣一环耐人寻味！当你觉得离真相越近的时候迎来了N个反转让玩家细思极恐，越来越爽！
作者本身就是对于玩本，对于案件非常认真挖细节的两百本玩家！对于本格推理有无限的执念，所以这个本玩过的玩家对于这个本绝壁评价就是杠点，废话！但是本里细节感到溢出！
类型：现代、推理、本格
玩家人数：6人
故事背景：
记忆中那衰败的别墅，似乎好久都没有人烟的迹象了。
虽然大门无法打开，但是偌大的庭院成为了我们最理想的“游乐园”
顺理成章的，它成为了我们的秘密基地。
今天是2022年11月1日，我们几个小伙伴再次相约到此玩耍，不同往常的是有一位管家打扮的人迎接我们进入到从没进去过的别墅内。
原来今天是万圣节！
阴森的别墅，手握骷髅头的恐怖雕像。无一不是在告诉我们这是一次从来没有体验过的经历。
穿上万圣服饰的我们，在餐桌前缓缓坐下。
“小朋友们，游戏开始啦！谁能得到最多的糖果呢？“
《哺鸟师：最后一个囚笼》剧本体验：
我们是福利院的6个小朋友，每个人都有一个自己想要留下体验生活的欲望！最后只能留下一个获得糖果最多的小朋友！
故事的开始需要6位玩家进行一个戏精演绎环节，也是为了更好的破冰！这个环节系列很多，内容强，也实在是欢乐
一共有4个案件，1个大还原！推理难度渐强，一环扣一环耐人寻味！当你觉得离真相越近的时候迎来了N个反转让玩家细思极恐，越来越爽！
作者本身就是对于玩本，对于案件非常认真挖细节的两百本玩家！对于本格推理有无限的执念，所以这个本玩过的玩家对于这个本绝壁评价就是杠点，废话！但是本里细节感到溢出！
我刚才下意识又想去玩微博脑残小游戏。
这跟抽烟一样，都属于饮鸩止渴。
然后我又敦促自己把moonshot的这个关于长文本优势的解释的视频看完了，一共才十几分钟。
跟最近的困境一样，我能充分的理解他的字面意思，但是我却缺乏意义感，可能是因为我没有足够的背景知识，我所谓的理解并不是真的，理解而应我学舌，首先我需要补充一些基础背景知识，包括一些概念和定义，其次更重要的是我要在知识的基础上进行实践，多去使用，多尝试不同的场景需求和任务。
我试着想去做出一个总结。通过输出确保我对这个视频有哪怕那么一丁点基础的理解，用自己的语言讲出来。哪怕还只是鹦鹉学舌。
背景知识补充： Finetune是什么？
大模型的finetune是一种在预训练模型基础上进行微调的方法。
具体来说，就是利用GPT等模型，在下游不同任务上分别进行针对性的微调，以得到下游任务的模型。
想要做finetune至少要遵循以下步骤。
1. 人才招募：找到一个有算法经验的人。（这个人最好懂你们的具体业务）
2. 数据集准备：根据你提供的业务信息，需求，指令，完成的目标案例等材料。去总结生成一份对应是的数据集。数据集必须要符合你的业务场景的数据分布。（这句话怎么翻译成人话我还不知道）
3. 数据训练。如果数据分布不对，或者在准备数据的时候，没有考虑到某些情况，训练出来的模型，在应对没有考虑的某些情况将会不知所措（因为你划定了数据级的范围）。
总之我听下来，启动一次finetune，相比于长文本模型的提示词定制。
人力和执行成本高，不能应对临时微调。而你的业务需求会经常变化。finetune的弊端，大概是这个意思？
1. 20万字的上下文容量，已经探索出的一些有趣的用法。
投行所需要的一些分析。
问答型专业领域客服。
丢给模型汽车驾驶技术手册和客服工单sop
——所有可以和汽车驾驶类比的情况通用，它可以变成一个活的产品/药品说明书，再比如说我可以把饮料配方都丢给他，然后跟他去进行问答，跟在绿围裙里直接使用是差不多的。
日常对话（有一个月以上记忆的客服，你可以问他很久以前的事情。）
文献翻译（因为有足够长的上下文，不会出现有些专有名词翻译的一致性出现问题的情况，尤其是和你只需要长文献的某一段文本的时候，它的翻译准确率会远高于其他的翻译）
游戏的角色道具设定，乃至于符合其身份的对话生成。比如说我昨天做的，山峰和河流命名就属于这种情况，当然我那个情况是过于简单的任务。
简历筛选。（这个是我万万没想到的，这个也太残酷了。）
2. 为什么长文本能节省定制化的成本？
企业需要的是差异竞争优势，即我有而别人没有。他必须针对具体的业务场景，公司内部的一些信息给到大模型，才能创造出他们需要的商业价值。
但是在现阶段进行模型的定制化。与 Openai这些大模型研发公司的发展目标是天然矛盾的——他们的需求是迭代升级模型和控制成本。这比给一两个大企业做定制化更加的符合他们的根本利益和主要战略目标。
那么就需要一个中间的第3方，或者企业自己来完成定制化的工作。这里面可能会提供新的就业和市场。
当你想做一个定制化的模型的时候，你手里往往只是有一些需求和需求的指令，还没有准备样例数据。更没有一个finetune的demo。
比如我在尝试让Kimi chat帮我进行互动叙事的编写的时候，我就没有准备样例数据给他。如果我提前准备了一个世界观和角色设计的策划案丢给他，可能效果就会更好。无论是文字的风格。还是他在剧情类型化的编排上。可能都不会那么的通用而随意。
【5万字一般足以详细的定制一个模型的能力了，至少应该去包括你先让他办一个什么样的角色，去执行一个什么样的任务，并且给他3~5个执行过程的样例。提示词的定制就是这么简单。不需要数据训练】
3. 对企业硬着头皮做finetune的现状，在长文本中直接用promote微调来定制模型，有什么竞争优势？
首先是可以做临时灵活的调整。
这是当然的，我只要再说句话就行了。不用再去做一个有技术门槛的finetune。
许类比了单核CPU时代，对当下某代CPU进行汇编上的一些优化，所有的这些工作在新的CPU出现的时候都会化为乌有。被算力更强的CPU以及一些通用的代码所替代。而其他没有做这些工作的公司只要等到下一代cpu发售就可以吃到红利。
许欣然用这个比喻去形容现在做finetune的弊端。自然语言毕竟是比代码更加通用和有兼容性的，在后面甚至更换大模型的时候也可以更好的去做迁移和替代。
但是反过来说，如果我们现在的交互方式是使用JSON。或者我们公司内部特别的一些交互方式。基于saas部署的交互界面。这些都不会一下子变成自然语言的。
很多现在可以看到的那些分析的文字。
他们在把一些很简单的事情搞复杂。
这跟抽烟一样，都属于饮鸩止渴。
然后我又敦促自己把moonshot的这个关于长文本优势的解释的视频看完了，一共才十几分钟。
跟最近的困境一样，我能充分的理解他的字面意思，但是我却缺乏意义感，可能是因为我没有足够的背景知识，我所谓的理解并不是真的，理解而应我学舌，首先我需要补充一些基础背景知识，包括一些概念和定义，其次更重要的是我要在知识的基础上进行实践，多去使用，多尝试不同的场景需求和任务。
我试着想去做出一个总结。通过输出确保我对这个视频有哪怕那么一丁点基础的理解，用自己的语言讲出来。哪怕还只是鹦鹉学舌。
背景知识补充： Finetune是什么？
大模型的finetune是一种在预训练模型基础上进行微调的方法。
具体来说，就是利用GPT等模型，在下游不同任务上分别进行针对性的微调，以得到下游任务的模型。
想要做finetune至少要遵循以下步骤。
1. 人才招募：找到一个有算法经验的人。（这个人最好懂你们的具体业务）
2. 数据集准备：根据你提供的业务信息，需求，指令，完成的目标案例等材料。去总结生成一份对应是的数据集。数据集必须要符合你的业务场景的数据分布。（这句话怎么翻译成人话我还不知道）
3. 数据训练。如果数据分布不对，或者在准备数据的时候，没有考虑到某些情况，训练出来的模型，在应对没有考虑的某些情况将会不知所措（因为你划定了数据级的范围）。
总之我听下来，启动一次finetune，相比于长文本模型的提示词定制。
人力和执行成本高，不能应对临时微调。而你的业务需求会经常变化。finetune的弊端，大概是这个意思？
1. 20万字的上下文容量，已经探索出的一些有趣的用法。
投行所需要的一些分析。
问答型专业领域客服。
丢给模型汽车驾驶技术手册和客服工单sop
——所有可以和汽车驾驶类比的情况通用，它可以变成一个活的产品/药品说明书，再比如说我可以把饮料配方都丢给他，然后跟他去进行问答，跟在绿围裙里直接使用是差不多的。
日常对话（有一个月以上记忆的客服，你可以问他很久以前的事情。）
文献翻译（因为有足够长的上下文，不会出现有些专有名词翻译的一致性出现问题的情况，尤其是和你只需要长文献的某一段文本的时候，它的翻译准确率会远高于其他的翻译）
游戏的角色道具设定，乃至于符合其身份的对话生成。比如说我昨天做的，山峰和河流命名就属于这种情况，当然我那个情况是过于简单的任务。
简历筛选。（这个是我万万没想到的，这个也太残酷了。）
2. 为什么长文本能节省定制化的成本？
企业需要的是差异竞争优势，即我有而别人没有。他必须针对具体的业务场景，公司内部的一些信息给到大模型，才能创造出他们需要的商业价值。
但是在现阶段进行模型的定制化。与 Openai这些大模型研发公司的发展目标是天然矛盾的——他们的需求是迭代升级模型和控制成本。这比给一两个大企业做定制化更加的符合他们的根本利益和主要战略目标。
那么就需要一个中间的第3方，或者企业自己来完成定制化的工作。这里面可能会提供新的就业和市场。
当你想做一个定制化的模型的时候，你手里往往只是有一些需求和需求的指令，还没有准备样例数据。更没有一个finetune的demo。
比如我在尝试让Kimi chat帮我进行互动叙事的编写的时候，我就没有准备样例数据给他。如果我提前准备了一个世界观和角色设计的策划案丢给他，可能效果就会更好。无论是文字的风格。还是他在剧情类型化的编排上。可能都不会那么的通用而随意。
【5万字一般足以详细的定制一个模型的能力了，至少应该去包括你先让他办一个什么样的角色，去执行一个什么样的任务，并且给他3~5个执行过程的样例。提示词的定制就是这么简单。不需要数据训练】
3. 对企业硬着头皮做finetune的现状，在长文本中直接用promote微调来定制模型，有什么竞争优势？
首先是可以做临时灵活的调整。
这是当然的，我只要再说句话就行了。不用再去做一个有技术门槛的finetune。
许类比了单核CPU时代，对当下某代CPU进行汇编上的一些优化，所有的这些工作在新的CPU出现的时候都会化为乌有。被算力更强的CPU以及一些通用的代码所替代。而其他没有做这些工作的公司只要等到下一代cpu发售就可以吃到红利。
许欣然用这个比喻去形容现在做finetune的弊端。自然语言毕竟是比代码更加通用和有兼容性的，在后面甚至更换大模型的时候也可以更好的去做迁移和替代。
但是反过来说，如果我们现在的交互方式是使用JSON。或者我们公司内部特别的一些交互方式。基于saas部署的交互界面。这些都不会一下子变成自然语言的。
很多现在可以看到的那些分析的文字。
他们在把一些很简单的事情搞复杂。
✋热门推荐