🔍我注意到那些能在市場上存活最久的交易者，並不是擁有最佳模型的那群，而是那些在市場迫使他們之前，會對自己的持倉提出不舒服問題的人。這種誠實是罕見的，這讓我思考為什麼大多數工具，包括AI，都是以悄悄抑制這種誠實的方式構建的。
這個想法讓我這次特別關注@OpenGradient Chat，尤其是私聊中的模型選擇。能夠接觸到像Nous Hermes這樣的工具，加上像Claude Fable 5這樣的新整合，意味著限制不是模型願意參與，而是用戶對他們實際想要解決的問題的清晰度。
大多數人將無審查的模型訪問框架視為一種新奇或變通。我認為更有用的解釋是資訊性。當一個模型不根據假定的敏感性進行預篩選時，使用者在問題和答案之間會得到更少的扭曲。這對於需要大量分析的使用案例比人們最初假設的更重要，因為過濾的回應往往會優先考慮謹慎而非準確度。
這裡的弱點是適應。一旦用戶習慣了不受限制的對話，期望會迅速轉變，競爭對手很可能也會通過放寬自己的限制來回應。通過模型開放性來進行差異化的壽命較短，除非它與更黏性的東西如其背後的隱私基礎設施結合在一起。
我實際上想要監控的是，用戶是否會在日常任務中默認回到受限制的模型，並僅在特定的、重複的使用案例中切換到開放的模型。這種選擇性行為比純粹的使用量更能告訴你真實的效用。與S2 $OPG 空投相關的信用購買將無論如何都會推高早期的活動，因此在激勵消退後隔離行為比最初的採用更重要。
我仍然無法決定不受限制的模型訪問是否會成為長期保留的驅動因素，還是僅僅是用戶在習慣性使用狹窄範圍之前經歷的一個階段，我也不認為目前的數據能夠解決這個問題。
#OPG
這個想法讓我這次特別關注@OpenGradient Chat，尤其是私聊中的模型選擇。能夠接觸到像Nous Hermes這樣的工具，加上像Claude Fable 5這樣的新整合，意味著限制不是模型願意參與，而是用戶對他們實際想要解決的問題的清晰度。
大多數人將無審查的模型訪問框架視為一種新奇或變通。我認為更有用的解釋是資訊性。當一個模型不根據假定的敏感性進行預篩選時，使用者在問題和答案之間會得到更少的扭曲。這對於需要大量分析的使用案例比人們最初假設的更重要，因為過濾的回應往往會優先考慮謹慎而非準確度。
這裡的弱點是適應。一旦用戶習慣了不受限制的對話，期望會迅速轉變，競爭對手很可能也會通過放寬自己的限制來回應。通過模型開放性來進行差異化的壽命較短，除非它與更黏性的東西如其背後的隱私基礎設施結合在一起。
我實際上想要監控的是，用戶是否會在日常任務中默認回到受限制的模型，並僅在特定的、重複的使用案例中切換到開放的模型。這種選擇性行為比純粹的使用量更能告訴你真實的效用。與S2 $OPG 空投相關的信用購買將無論如何都會推高早期的活動，因此在激勵消退後隔離行為比最初的採用更重要。
我仍然無法決定不受限制的模型訪問是否會成為長期保留的驅動因素，還是僅僅是用戶在習慣性使用狹窄範圍之前經歷的一個階段，我也不認為目前的數據能夠解決這個問題。
#OPG