2025LLM训练变天，谷歌NanoBanana出圈！卡帕西谈LLM交互新未来

文┃小夏

编辑┃叙言

硅谷最近被一篇年终总结刷了屏，主角是AI圈大神安德烈·卡帕西。

这位OpenAI前联合创始人、特斯拉前AI总监，年底甩出了《2025LLMYearinReview》，里面六个核心论断，把今年大模型的变化说透了。

最让人惊讶的是他的判断，大模型的潜力才挖了10%，现在只是刚开始。

之前大模型训练就那老一套流程，大家都习以为常了。

2025年不一样了，RLVR横空出世，直接改变了游戏规则。

这种基于可验证奖励的强化学习，让模型在特定环境里自己练本事。

比如遇到复杂问题，它会主动拆成中间步骤慢慢算，这种推理策略，旧范式想实现可太难了。

2024年底OpenAI的o1模型算是第一次试水RLVR，真正的转折点在2025年初的o3。

我特意去查了下相关案例，DeepSeekR1用这种方式训练后，推理能力明显提升。

不过RLVR也不是没缺点，优化时间比之前的SFT长不少，但架不住它“效能成本比”高，把计算资源用在了刀刃上。

如此看来，未来大模型训练，RLVR会是绕不开的核心。

训练方式变了，AI的智能样子也跟我们想的不一样了。

卡帕西这比喻挺绝，说现在的大模型不是在像动物一样进化，而是在“召唤幽灵”。

本来以为AI智能会朝着人类或者动物的方向发展，后来发现完全不是这么回事。

大模型的优化目标和人类根本不同，人类是为了生存，它是为了模仿文本、拿到奖励。

这就导致它的智能呈“锯齿状”，有时候是解决复杂问题的高手，有时候又像认知不足的小学生，还容易被攻击导致数据泄露。

也难怪卡帕西不怎么信基准测试，这些测试环境大多能验证，很容易被模型“钻空子”，就算测试分数再高，离真正的通用智能还差得远。

大模型本身够热闹，应用层也没闲着。

今年最亮眼的就是Cursor，它直接定义了大模型应用的新玩法。

它不是简单调用个模型接口，而是围绕模型建了一整套应用层，还催生了“CursorforX”的模式，不管是医疗还是法律领域，都能找到适配的方案。

卡帕西的判断很有意思，他说未来大模型实验室会专注做“通识型”模型，就像培养全面发展的大学生。

而开发者要做的，就是用私有数据、专属工具，把这些“大学生”打造成行业里的专业人才。

我觉得这分工挺合理，既发挥了实验室的技术优势，也给开发者留足了生存空间，不会让底层技术把所有价值都占了。

应用层之外，人机交互和端侧部署也有了新突破。

Anthropic的ClaudeCode算是端侧智能体的标杆，直接在个人电脑上运行，能用到用户的私有数据和环境。

反观OpenAI，还在死磕云端部署，现在大模型能力参差不齐，云端模式的延迟和隐私问题都没解决，端侧部署反而更贴合实际需求。

谷歌的GeminiNanoBanana也很有看点，它把文本生成、图像生成和世界知识融到一起，不再是单一的文本交互。

卡帕西说这就像电脑从控制台到图形界面的跨越，确实有道理。

人们本来就喜欢视觉化的信息，大模型提供更丰富的交互形式，才能真正融入日常生活。

卡帕西说大模型潜力只挖了10%，这话听着夸张，其实挺实在。

今年的这些变化，不管是训练范式、智能形态，还是应用落地、人机交互，都只是开始。

未来的大模型，不会再执着于参数和算力的比拼，而是要朝着“高效思考”“实用落地”的方向发展。

当然，现在的问题也不少，比如智能的“锯齿状”缺陷、端侧智能体的可靠性不足等等。

但这些问题恰恰是进步的动力，随着技术不断完善，大模型会以更合理的方式融入各个行业。

我们不用期待它一步到位变成超级智能，只要它能在专业领域提供帮助、让普通人的生活更便捷，就是有价值的发展。

毕竟，技术的进步从来都是循序渐进的，大模型的未来，值得慢慢期待。

声明：本文内容均是根据权威材料，结合个人观点撰写的原创内容，辛苦各位看官支持，请知悉。