来自 宝玉（@dotey）的推文线程

轉譯自Cline 的作者推文：為什麼Cursor和Windsurf選擇發布「速度優化」模型，而不是追求更高智慧？ 對Cursor和Windsurf這些公司來說，發布一款主打速度優化的模型，顯然比打造一個從零開始、推動智慧邊界的基礎模型（foundational model）更實際。 為什麼這麼說呢？你想像一下： 1. 先拿開源的Qwen3大模型，直接用強化學習（RL）在自家任務環境上微調。 2. 再把微調後的模型部署到Cerebras或其它經過最佳化的GPU硬體上。 3. 接下來，就讓這個智慧「中等」、但速度超快的模型順暢地運行（cook）起來。 相較之下，如果想從頭開始建立一個全新的基礎模型，其難度完全是另外一個量級的。這不僅意味著巨額的資金投入、長期的人才積累，還有大量難以預估的風險。而**對於那些做程式碼智能體（AI coding agent）的公司而言，真正帶給市場價值的方式，就是在現有的開源模型基礎上，做精細化的微調（fine-tune）和高效的推理（inference）優化**。 坦白說，這種路線恰恰是一種高效的策略——它能以最小的資源成本，盡可能接近速度和智慧的帕累托前沿（pareto frontier）。我很樂意看到代碼智能體公司開始進入這個領域，這無疑是業界的正面訊號。 但需要強調一點：這並不代表程式碼智能體公司在宣稱「中等智慧但速度快」比「高智慧但速度慢」好。 畢竟，不同場景對智慧和速度的需求本來就不同。