浪费时间是一个主观概念。有人觉得花一个下午为乐高死星模型做最后润色是享受,另一人可能觉得这是令人头脑麻木的苦差事。还有投资成本的考虑。你可能花费两周时间和一笔巨款,最后发现制作微缩船模并不能真正激起你的兴趣。
模型火车、跑步俱乐部、机器人技术和编程课程听起来都很有趣——直到你意识到自己更想飞翔,跑鞋的价格远超应有水平,而且你不是前端/后端开发人员,更像是"Java有多无聊就有多无止境"那类人。
我使用完全相同的提示词询问了三个不同的AI系统——Claude AI、Google Gemini和ChatGPT——关于我配偶下一个爱好应该是什么,结果令人惊讶。
Claude:精准洞察
以下是我写的提示词:"我是一名39岁的英国裔美国男性。我住在加利福尼亚州洛杉矶,已婚,养了一只狗和一只猫。我住在有后院空间的房子里。我喜欢旅行、阅读、玩电子游戏,现在想在活动清单中添加一个新爱好。我也喜欢淘便宜货,因为这是我职业相关的。你能推荐三个我应该考虑的爱好吗?请告诉我所需的经济和时间投入,以及你认为每个爱好的优缺点。我有固定的朝九晚五工作,所以需要在这个限制下进行。"
园艺是许多人只有到了黄金年龄才开始欣赏的爱好,但三个AI系统都推荐它作为一种轻松消磨时间、投入最少且花费不多的方式。
第二个建议是转售和淘选古董物品,第三个是自制啤酒、苹果酒或蜂蜜酒。它详细介绍了时间和经济投入、优缺点,以及为什么认为这些爱好适合我丈夫基于那个简短的提示。
Claude AI在迎合提示者需求和性格方面特别周到,指出园艺可能是省钱的好方法——也许是认识到找便宜货是我这个小气鬼丈夫根深蒂固的性格特征。
Gemini:兴趣结合
Gemini建议寻找和转售老式电子游戏、书籍和其他老媒体作为消遣,这可以与使用积分旅行很好地配对。它还推荐酿造啤酒作为在已经种满植物的后院消磨时间的方式(除了"高产城市果园园艺")。
Gemini善于使用我配偶提示中的细节来指导建议,创造了一个包装精美、整体性的方法,说明他如何在繁忙的朝九晚五工作之余度过空闲时间。
ChatGPT:夜晚活动
除了后院园艺(再次),ChatGPT是唯一建议夜间爱好的AI系统:业余天文学。其他大多数系统专注于在周末去庭院拍卖会或在家消磨时间的方式。
观星可能是度过周五夜晚的有趣方式,但我们住在洛杉矶。头顶的许多"星星"实际上可能是卫星,找到一个好的观测点可能意味着要勇敢面对交通拥堵和在城市天际线上自拍的人群。
ChatGPT的另一个建议是在我们的后院养蜂:
考虑到原始提示中没有提到对食物、昆虫或任何与蜜蜂复杂照料相关的兴趣——或蜂法,养蜂似乎完全偏离了主题。根据ChatGPT的说法,时间投入每月只需两到四个小时(尽管当地养蜂人可能对此有争议)。
总体而言,ChatGPT的推荐与提示者的真实兴趣最不相关,该工具用来解释为什么做出这些推荐的逻辑非常薄弱。
我就是不能相信"许多全职专业人士"在享受电子游戏的同时还会副业养蜂。
希望AI能为你提供一些创造性的时间消磨想法,不需要购买全身防护服。
Q&A
Q1:三个AI系统在推荐爱好方面有什么不同表现?
A:Claude AI最周到,能精准迎合用户需求和性格特征,如推荐园艺时考虑到省钱需求。Gemini善于结合用户的多个兴趣点,创造整体性方案。ChatGPT的建议最不相关,逻辑薄弱,如推荐养蜂这种与用户兴趣无关的活动。
Q2:为什么园艺成为了所有AI系统的共同推荐?
A:三个AI系统都推荐园艺,认为它是一种轻松消磨时间、投入最少且花费不多的爱好。对于有后院空间、喜欢省钱的用户来说,园艺既实用又经济,符合朝九晚五工作者的时间安排。
Q3:ChatGPT推荐的养蜂爱好为什么不合适?
A:养蜂推荐完全偏离了用户兴趣,原始提示中没有提到对食物、昆虫或蜜蜂照料的兴趣。而且作者质疑ChatGPT声称"许多全职专业人士"会在玩电子游戏之余养蜂的逻辑,认为这种关联性很薄弱。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。