关于 AI 的说法涌向针对真实任务的测试。大多数被拦下。经得起测试的，则带着实测结果通过： 30 个真实编码任务中解决了 17 个， 每秒 38.9 个 token， 并且在本地硬件上运行，无需云端。
合作过 35 DAX 上市 · 12 FTSE 100 上市已在欧盟委员会专家数据库注册
先用双手学习。
小时候我常把东西拆开，看它们怎么运转。我就是这样决定要成为工程师的。我的第一份学历是轮机工程文凭。晚上，我每学期增加一项认证（电弧焊、铸造、制冷和空调维修，以及三种 CAD 系统），由此明白知识既存在于手册里，也存在于双手里。后来我开始在店铺柜台工作。销售让我先懂客户，再懂系统。再后来，考文垂大学的欧洲工程商务管理理学学士（荣誉）学位，把工程与商业放进了同一个框架。
从柜台出发，工作跨越了四个国家。
决策在哪里做出。
近二十年间，我在英国、法国、香港和德国工作，涉及五个领域：零售与电子商务、营销与媒体、供应链与物流、工业与能源，以及现在的 AI 与新技术。岗位从销售发展到战略与咨询，包括担任 CTO，同时承担技术与商业两方面。行业在变，规律没有变：决策的质量不会超过被带进会议室的知识，而这些知识往往掌握在不在场的人手里。
直到有一天，我决定认真研究这一规律。
谁会分享自己所知？
我在每个领域都看到了这一点，于是把它作为我的博士课题。博尔顿大学的 MBA（获 The Bolton Award）已经教会我用真实工作检验理论。我在曼彻斯特城市大学完成的博士研究，探讨的是知识共享行为：人们如何看待共享、有什么意愿、实际做了什么，以及是什么让他们共享或保留。在我看来，这些模式正是 AI 如今运行的基础。模型用人们选择分享的内容来训练，用它来回答，再把它传给提问的人。AI 对组织的影响由此而来，它也可能悄悄削弱自己所依赖的人类专业知识。这两点都无法靠供应商的幻灯片来判断。
于是我开始自己测试这些工具，用真实工作。
每个模型都要凭本事留下。
一台机器只有拆开过才算真正了解，AI 也不例外。我在自己的机器上运行开源模型，旁边也有云端模型，并用修复软件问题、从文档中提取字段等真实工作来测试它们。并非每个模型都能留下。Nemotron 3.5 Lightning 是一个 30B 参数的模型，在 30 个编程任务中解决了 15 个，而一个更快的模型解决了 18 个。在一项任务上，它为得出答案生成了十倍的文本。我把它移除了。我也微调自己的 Kev 检查点，采用 Jared Palmer 的开源方案，基于一个开源基础模型。判定工作是否通过的，是一项简单的测试，而不是模型。这就是整个实验室的规则：本地模型可以判定工作不合格，但绝不能批准工作通过。
这些年里经得起检验的东西，我都写了下来。
写下来的方法。
一部分已经出版：我与 Farag Edghiem 为 IGI Global 一本关于数字创业的书写了两章。四部已完成的手稿包含其余的方法，涉及决策、沟通、效率和习惯。每部手稿都是一组精炼的框架，读者第二天就能在工作中使用，把在实地验证过的东西变成他人可以重复的做法。