来盲评一下 GPT-4.5、Claude 3.7 Sonnet （Extended Thinking）的翻译能力，提示词都是：
「请翻译下面的内容为简体中文，保持原有格式不变无删减，通俗易懂引人入胜：
{原文 Markdown}
」
文章选的是 Andrej Karpathy 的这篇"Power to the people: How LLMs flip the script on technology diffusion" x.com/karpathy/status/1909308143156240538

模型1 翻译结果

人民力量：大型语言模型如何颠覆技术扩散模式

变革性技术通常遵循自上而下的扩散路径：起源于政府或军事环境，经过企业，最终到达个人 - 比如电力、密码学、计算机、飞行、互联网或GPS。这种进展感觉很直观，新的强大技术在早期阶段通常稀缺、资本密集，且使用需要专业技术知识。

因此，大型语言模型(LLMs)展现出这种模式的戏剧性逆转让我感到非常独特和令人瞩目 - 它们为普通人带来不成比例的巨大收益，而在企业和政府中的影响则明显更为温和且滞后。ChatGPT是历史上增长最快的消费应用，拥有4亿周活跃用户，他们使用它进行写作、编程、翻译、辅导、总结、深度研究、头脑风暴等。这不是对已有技术的微小升级，而是在广泛能力范围内对个人能力水平的重大倍增器。而使用门槛异常低 - 这些模型很便宜（甚至免费），速度快，任何人都可以通过网址（甚至本地机器）按需获取，并且它们能说任何人的母语，包括语调、俚语或表情符号。这太疯狂了。据我所知，普通人从未经历过如此戏剧性、如此快速的技术解锁。

那么为什么在企业和政府领域，这些好处要温和得多呢？我认为第一个原因是LLMs提供了一种非常特殊的能力特征 - 仅仅是准专家级别的知识/表现，但同时跨越了非常广泛的领域。换句话说，它们同时具有多功能性，但也浅薄且容易出错。与此同时，一个组织的独特超能力是通过雇佣工程师、研究人员、分析师、律师、营销人员等，将多样化的专业知识集中到单一实体的能力。虽然LLMs肯定可以使这些专家个人更加高效（例如，起草初步法律条款、生成样板代码等），但对组织的改进表现为在已经能做的事情上变得更好一点。相比之下，个人通常最多只能在一件事上成为专家，因此LLM提供的广泛准专业知识从根本上允许他们做以前无法做的事情。人们现在可以轻松编写应用程序。他们可以处理法律文件。他们可以理解深奥的研究论文。他们可以进行数据分析。他们可以为品牌和营销生成多模态内容。他们可以在不需要额外专家参与的情况下，以足够的能力完成所有这些工作。

第二，组织处理的问题复杂度更高且需要更多协调，比如：各种集成、遗留系统、企业品牌或风格指南、严格的安全协议、隐私考虑、国际化、法规遵从和法律风险。有更多的变量，更多的约束，更多的考虑因素，以及更低的错误容忍度。将所有这些放入一个上下文窗口并不容易。你不能随意编写代码。你可能因为一次灾难性的幻觉而失去工作。第三，存在着有据可查的大型组织惰性，包括文化、历史先例、在剧变期间升级的政治领地之争、沟通开销、分布式劳动力的再培训挑战和传统的官僚主义。当谈到快速采用一个闪亮的新型、多功能但浅薄且容易出错的工具时，这些都是主要阻力。我不想低估LLMs在企业或政府中的影响，但至少就目前而言，整个社会的总体情况是，它们对个人的生活改变远远超过对组织的影响。玛丽、吉姆和乔伊正在体验大部分收益，而不是谷歌或美国政府。

展望未来，LLMs的持续扩散当然取决于持续的性能改进及其能力特征。整体"收益分配"尤其有趣，这在很大程度上取决于性能随资本支出而变化的动态范围。今天，顶级LLM性能非常容易获取且便宜。超出这一点，你无法花费额外的钱来获得更好的性能、可靠性或自主性。金钱买不到更好的ChatGPT。比尔·盖茨使用GPT-4o的方式与你一样。但是，这种情况能持续下去吗？训练时扩展（增加参数、数据）、测试时扩展（增加时间）和模型集成（增加批次）是增加动态范围的力量。另一方面，模型蒸馏（通过训练来模仿大模型，从而训练出不成比例的强大小型模型的能力）一直是减少动态范围的力量。当然，一旦金钱能买到戏剧性更好的ChatGPT，情况就会改变。大型组织得以集中其巨大资源购买更多智能。在"个人"类别内部，精英阶层可能再次与社会其他群体分离。他们的孩子将由GPT-8-pro-max-high辅导，而你的孩子由GPT-6 mini辅导。

但至少在当下，我们发现自己处于技术史上一个独特且前所未有的情况。如果你回顾各种科幻作品，你会发现很少有人预测到AI革命会有这样的发展。它本应是由将军们操控的绝密政府超级大脑项目，而不是ChatGPT几乎一夜之间免费出现在每个人口袋里的设备上。还记得威廉·吉布森的那句话"未来已经到来，只是分布不均而已"吗？令人惊讶的是 - 未来已经到来，而且它的分布令人震惊。人民力量。就个人而言，我爱这一切。

***************************

模型2翻译结果：

权力回归大众：LLM如何颠覆技术扩散的传统路径

革命性的技术通常会遵循一种自上而下的传播路径：首先出现在政府或军事领域，随后扩散到企业，最后才抵达普通个人手中——比如电力、密码学、计算机、飞行技术、互联网或GPS。这种路径符合直觉，因为在技术早期阶段，它们往往稀缺、成本高昂且需要专业的技术知识才能使用。

然而，LLM（大语言模型）却惊人地逆转了这一模式，它们给普通人带来了远超企业和政府的巨大好处。ChatGPT是历史上增长最快的消费级应用，每周活跃用户高达4亿，人们用它进行写作、编程、翻译、辅导、总结、深度研究、头脑风暴等等。这并非现有工具的小幅升级，而是全方位提升了个人在众多领域的能力水平。更重要的是，LLM的使用门槛极低——它们便宜甚至免费，响应迅速，只需通过浏览器链接或个人电脑即可随时访问，而且还能用你熟悉的语言、语气、俚语甚至表情符号与你交流。这简直不可思议。据我所知，普通人从未经历过如此剧烈且快速的技术跃迁。

那么，为什么企业和政府从中获得的好处却相对有限？首先，大语言模型具备一种特定的能力特征——在许多领域都拥有类似专家但并不深入且容易犯错的“准专家”水平。换句话说，它们很全能，但也相对浅显易错。相比之下，一个组织真正的超级能力在于，它能通过雇佣工程师、研究人员、分析师、律师、营销专家等，将深度的专业技能集中到单一实体中。虽然LLM可以提高这些专家个人的效率（如初步起草法律条款、生成代码模板等），但对于组织整体而言，它们的作用更像是锦上添花，让原本就能完成的任务变得稍微更好一些。而个人通常最多只精通一个领域，因此LLM提供的广泛准专业能力，使他们能做此前根本做不到的事。人们现在可以凭直觉编写应用程序、理解法律文档、读懂晦涩的研究论文、进行数据分析、甚至独立创建多媒体营销内容，而无需再寻求额外的专家帮助。

其次，企业和政府面对的问题复杂得多，且需要大量协调：例如各种系统集成、遗留系统、品牌规范、严格的安全协议、隐私保护、国际化需求、监管合规以及法律风险。这里面变量更多、限制更多、顾虑更多，犯错的余地却更小。这种复杂性远不是一个上下文窗口就能简单解决的。你不能仅凭直觉编写企业级代码，因为可能一次严重的“幻觉”错误就足以让你丢掉饭碗。

第三，大型组织还存在着众所周知的惯性问题：文化、历史积淀、政治斗争在快速变化中会加剧，沟通成本增加，重新培训分布式员工队伍的挑战，以及传统官僚主义。这些都是迅速采用一种新颖但浅显易错工具的重大阻碍。我无意低估LLM在企业或政府中的影响，但至少就当前而言，对社会整体来说，这些模型对个人生活的改变远超过组织。真正享受大部分好处的是普通的玛丽、吉姆和乔，而不是谷歌或美国政府。

展望未来，LLM的进一步扩散当然取决于其性能持续提升及能力特征的发展。整体“收益分配”将是个特别有趣的话题，并高度依赖于性能与资本投入之间的动态范围。目前，顶级LLM性能极易获取且成本低廉，现阶段你无法通过花更多钱获得显著更好的性能、可靠性或自主性。钱买不到更好的ChatGPT。比尔·盖茨使用的GPT-4o与你使用的完全相同。但这种状况能持续多久呢？增加训练规模（参数、数据），增加推理时间，以及使用模型组合策略，这些都会增加动态范围。另一方面，模型蒸馏技术（通过模仿大模型训练更小但性能强劲的模型）却在缩小这种差距。一旦资金可以明显买到更强的ChatGPT，形势就会发生巨大变化。届时，大型组织将能利用庞大的资源购买更多智能；在个人层面上，精英阶层或许也会再次与大众拉开差距。他们的孩子可能接受GPT-8超级高级版的私人辅导，而你的孩子只能用GPT-6迷你版。

但至少现在，我们正处于技术史上一个独特且史无前例的时刻。如果你回顾各种科幻作品，很少有人会预测AI革命竟然以这样的方式发生。它原本应当是一个由政府主导的绝密超级大脑计划，由军事将领掌控，而不是像ChatGPT这样一夜之间免费出现在每个人口袋里的设备上。记得威廉·吉布森那句名言吗？——“未来早已降临，只是分布并不均匀”。出人意料的是，现在未来不仅已经到来，而且惊人地公平分布。权力回归大众。说实话，我特别喜欢这样的未来。

************
下面是原始对话的分享链接：
GPT-4.5 http://t.cn/A6rassXG

Claude 3.7 Extended Thinking http://t.cn/A6rassXb

本来还测试了 Gemini 2.5 Pro，但是字数有限放不下了，有兴趣可以看图2或者下面的链接：
Gemini 2.5 Pro http://t.cn/A6rassX4