《2025 年大语言模型（LLM）年度回顾》 2025 年是大模型（LLMs）取得显著进展、同时也充满事件的一年。 下面列出的是一些在我个人看来非常重要、并且略带意外的“范式转变”——这些变化在概念层面上重塑了整个领域的格局。 1. 可验证奖励强化学习（RLVR） 在 2025 年初，各大实验室用于生产级 LLM 的训练流水线基本长这样： 预训练（Pretraining，类似 2020 年的 GPT-2 / GPT-3） 监督微调（Supervised Finetuning，SFT，例如 2022 年的 InstructGPT） 基于人类反馈的强化学习（RLHF，约 2022 年） 这套流程在相当长一段时间里都是稳定、成熟、被验证有效的配方。 但在 2025 年，可验证奖励强化学习（Reinforcement Learning from Verifiable Rewards，RLVR） 出现了，并迅速成为事实上的新核心阶段。 RLVR 的核心做法是： 让 LLM 在多个奖励可以被自动验证的环境中进行强化学习（例如数学题、代码题等）。在这个过程中，模型会自发地发展出在人类看来像“推理”的策略——它们学会把问题拆解为中间计算步骤，也学会在不同思路之间来回切换来求解问题（可以参考 DeepSeek R1 论文中的示例）。 这些能力在此前的范式下是极难获得的，因为： * 我们并不知道“最优的推理轨迹”应该长什么样 * 也不知道模型在出错后应当如何“恢复推理” 因此，模型必须通过对奖励函数的优化自己摸索出有效策略。 与 SFT 和 RLHF（在计算层面都相对“薄”、训练时间较短）不同，RLVR 是围绕客观、不可投机的奖励函数进行训练的，这使得更长时间的优化成为可能。 事实证明，RLVR 的 能力提升 / 成本比极高，以至于它“吃掉”了原本计划用于预训练的大量算力。因此，2025 年的大多数能力提升并不是来自更大的模型，而是来自：规模相近的模型、更长时间的 RL 训练 此外，RLVR 还带来了一个全新的能力控制旋钮（以及相应的 scaling law）：我们可以通过在测试阶段生成更长的推理轨迹、增加“思考时间”，来按需提升模型能力。 OpenAI 的 o1（2024 年末） 是第一个 RLVR 模型的演示；而 o3（2025 年初） 则是一个明显的拐点——你能直观地“感觉到差异”。 2. 幽灵 vs 动物 / 锯齿状智能（Jagged Intelligence） 2025 年是我（以及我认为整个行业）第一次开始直观理解 LLM 智能“形状”的一年。 我们不是在“进化或培育动物”， 我们是在“召唤幽灵（ghosts）”。 LLM 的一切都与人类不同： * 神经架构 * 训练数据 * 训练算法 * 尤其是优化压力 因此，出现一种完全不同类型的智能体并不奇怪，用“动物”的视角去理解它们反而是错误的。 从监督信号的角度看：人类大脑是为了在丛林中维持部落生存而优化的 LLM 的神经网络则是为了： * 模仿人类文本 * 在数学题中获取奖励 * 在 LM Arena 上获得人类点赞 当某些领域具备可验证性、可以进行 RLVR 时，LLM 在这些领域附近的能力会陡然飙升，整体上呈现出一种极其锯齿化的能力分布： * 一方面，它像是天才型通才 * 另一方面，它又像一个困惑、认知受限的小学生 甚至可能在几秒钟内被一次 jailbreak 骗走你的数据 （原文提到的梗图： 人类智能 = 蓝色；AI 智能 = 红色。 人类智能本身其实也很“锯齿”，只是形态不同。） 与此相关的，是我在 2025 年对基准测试（benchmarks）的普遍冷感和信任流失。 核心问题在于：基准测试本质上几乎都是可验证环境，因而极易被 RLVR 或弱化形式（如合成数据）直接“吃掉” 在常见的“刷榜”过程中，LLM 实验室往往会：构造与 benchmark 所占 embedding 空间“邻近”的训练环境，并人为长出一堆“锯齿”去覆盖它们，在测试集上训练，已经成了一门新艺术。 问题是：如果你能碾压所有 benchmark，却仍然没有 AGI，那这意味着什么？（作者在此部分推荐了自己写的几篇延伸文章：Animals vs. Ghosts、Verifiability、The Space of Minds） 3. Cursor / 新一层 LLM 应用 Cursor 的真正意义（除了今年的爆炸式增长）在于： 它清晰地揭示了一种新的 LLM 应用层。 人们开始说：“Cursor for X”。 正如我今年在 Y Combinator 演讲中提到的，像 Cursor 这样的 LLM 应用，本质上是在为特定垂直领域打包并编排 LLM 调用： * 负责上下文工程（context engineering） * 在后台组织多个 LLM 调用，形成越来越复杂的 DAG * 在性能与成本之间进行精细平衡 * 提供领域特定的人机交互界面 * 提供“自主程度滑块（autonomy slider）” 2025 年关于这个新应用层“有多厚”的讨论很多：是大模型实验室会吃掉一切应用，还是 LLM 应用本身仍有广阔空间？ 我个人的看法是：LLM 实验室会训练出“通用能力的大学生” 而 LLM 应用会负责： * 组织这些能力 * 微调它们 * 通过私有数据、传感器、执行器和反馈回路 * 把它们“动画化”为特定领域的专业团队 4. Claude Code / 住在你电脑里的 AI Claude Code（CC）是第一个真正说服我什么是 LLM Agent 的产品。 它以一种循环方式把： * 工具调用 * 推理过程 * 长时间任务解决串联在一起。 更重要的是：它运行在你的电脑上，使用你的本地环境、数据和上下文。 我认为 OpenAI 在这点上判断失误了——他们把 agent 放在云端容器中，通过 ChatGPT 调度，而不是 localhost。 在一个能力锯齿、起飞缓慢的世界里，让 agent 直接在开发者电脑上运行、与具体工作流并肩协作，反而是更合理的路径。 Claude Code 把这种理念做成了一个极简而有力的 CLI 形态，彻底改变了 AI 的“存在方式”：它不再只是一个像 Google 一样的网站，而是一个住在你电脑里的小幽灵 / 精灵。 5. Vibe Coding（氛围编程） 2025 年是 AI 跨过一个关键门槛的一年：只用自然语言就能构建复杂程序，而几乎忘记代码本身的存在。 我当初随口发推创造了“vibe coding”这个词，完全没想到它会传播这么广。 Vibe coding 的意义在于： * 编程不再只属于高度专业化的人 * 任何人都可以编程 这也再次验证了我在《Power to the people》中写过的观点：与以往技术不同，LLM 对普通人的赋能甚至超过了专业人士。 但更重要的是：它也让专业开发者能写出大量本来根本不会被写出来的软件 举例： 我在 nanochat 中，用 vibe coding 写了一个 Rust 的高效 BPE tokenizer 我做了很多“只为了存在而存在”的 demo 项目 甚至为了定位一个 bug，直接 vibe coding 一个一次性 app 代码变得免费、短暂、可塑、可随时丢弃。 这会彻底改变软件与岗位的形态。 6. Nano Banana / LLM GUI Google Gemini 的 Nano Banana 是 2025 年最具范式意义的模型之一。 在我的世界观里：LLM 是类似 1970–80 年代计算机的新计算范式。因此会出现类似的创新路径 在 UI/UX 层面：“聊天” LLM 就像 80 年代敲命令行 文本对计算机友好，但对人类并不友好 人类偏好： * 图像 * 空间 * 视觉结构 因此，LLM 应该：用图片、信息图、幻灯片、白板、动画、网页应用等方式与我们交流 Nano Banana 是一个早期信号：它展示的不是单纯的图像生成，而是文本、图像、世界知识在同一模型权重中的纠缠能力。 TL;DR（总结） 2025 年是 LLM 令人兴奋、也略带意外的一年。 LLM 正在成为一种新的智能形态： * 比我预期的聪明 * 也比我预期的笨 但无论如何，它们极其有用。而且我认为，行业至今可能连 10% 的潜力都还没发挥出来。 这个领域依然极其开放，充满可以尝试的想法。 正如我今年在 Dwarkesh 播客中所说：我们既会看到持续而快速的进步，也还有大量基础工作要做。 系好安全带。