逐字稿文字預覽
谷歌内部又出现了 一个叫carbon的模型 有人用完之后把它的编程 表现拿来跟Claudeopus 5.5比较 但这轮竞争最值得追问的地方是 模型越来越会写代码 为什么企业离放心 交出工作还是差那么远 carbon的消息加上微软刚推出的decision 恰好把这个缺口摆到了台面上 先把消息的分量放准 carbon目前受到关注 主要来自business Insider对 谷歌内部材料的报道 员工正在内部编程 环境Jetbrains里测试它 有人给出积极评价 也有人提醒还需要更多测试 这属于接触过产品的人的使用反馈 它能说明谷歌正在试验什么 暂时还回答不了 公开产品最终有多强 报道涉及Argon Barium和carbon几个名字 公开亮相的Argon与内部 候选版本的选择有关 这些代号容易制造一种错觉 好像元素名称排到后面 性能就自动升一级 开发流程里却经常 同时存在多个候选版本 名字可以帮助团队区分实验 不能拿来替代完整的测评 其中最容易被传播的 是员工把carbon的编程 感觉与Opus5.5放在一起谈 这个比较有新闻价值 因为编程已经成为前沿 模型竞争的重要场景 但员工熟悉的仓库使用的工具以及 愿意交给模型的任务都会影响体验 一个团队觉得顺手 距离跨行业稳定领先 还需要经过公开检验 谷歌并没有在这篇报道 中披露carbon的参数规模 外界也没有因此拿到 可以复现的完整测试 所以庞然大物适合 表达市场对它的期待 不能直接写成参数记录 真正有用的问题是 它能不能把工作做完 而且做完以后 别人敢不敢接手 这个区别落到编程上 很容易看出来 让模型生成一个独立的小程序 通常可以很快看到成果 让它接手一套已经运行多年的系统 情况就复杂了 某个函数看起来多余 可能正好处理一个 老客户的特殊情况 模型删掉它 测试暂时照样通过 客户第二天才会发现问题 企业付钱买的是经过验证的修改 代码只是修改过程 留下的一部分结果 模型需要找到相关模块 理解接口约束 再检查改动有没有影响别处 某些任务还得等待构建完成 读错误日志 重新定位问题 每个环节都可能让第一次 生成时的漂亮答案失去价值因此 内部工程师愿意继续使用一个模型 往往比一张孤立的 成绩表更值得关注 他们已经知道哪些建议会浪费时间 也知道哪些回答看似 复杂却解决不了问题 如果carbon能在日常 任务里减少反复解释 减少审查后的返工 这种体验就可能转化成真实需求 现在的报道提供了一个观察入口 还没有给出最终结论 接下来要看的是连续工作能力 单次回答做对和一连串操作做对 难度差别很大 一个代理可能正确理解需求 却选错文件 也可能改对文件 却漏跑相关测试 最后汇报完成的时候 他甚至可能没有 注意到工具已经报错 用户看到的一个结果背后 其实经过了很多次判断 用一个纯粹释义的 算式就能理解风险 假设10个步骤彼此独立 每一步成功率都是95% 10步全部成功的概率也只有大约6成 这并非carbon的测试数据 实际任务也未必满足独立假设 这个例子只是提醒 长任务会放大局部失误 单步表现不错 不能保证整体可靠 真正成熟的系统必须允许纠错 工具执行失败 代理要发现失败 发现之后还得知道应该换方法 还是停下来询问 更麻烦的情况是 工具没有报错 但结果不符合业务要求 比如系统成功发出了一封邮件 收件人却选错了 技术执行成功 业务已经出事 这也是编程模型值得研究的原因 软件开发能提供比较明确的反馈 编译器会报错 测试会失败 运行结果可以检查 模型有机会利用这些反馈修正操作 相比完全凭主观判断的任务 这种环境更适合测量长流程能力 不过测试覆盖不到的业务 规则仍然需要其他检查 评估carbon时 可以先观察它遇到失败的表现 第一次没有解决问题 会不会继续重复同一套方案 面对相互矛盾的文件 会不会主动查找依据 已经花费很多时间之后 会不会为了尽快结束而宣称成功 这些行为比生成答案 时的语气有多自信 更接近企业真正担心的事 内部测试还有一层价值 谷歌的工程环境能够提供真实任务 让模型遇到教科书上没有的麻烦 但这种环境也会引入条件差异 如果gensky提供了更好的代码检索 或者自动准备好了上下文 最终体验就包含工具的贡献 模型和工程系统应该一起评估 不能把所有提升都归到模型权重上 外界经常把新模型的进步 想成一次训练带来的跳跃 实际产品可能同时改了 提示方式和工具调用 也可能换了检索方法 调整了计算预算 哪怕底层模型相同 任务完成率也可能变化 看到内部版本好用 更稳妥的追问是哪些改进 能够保留到正式服务里 这就牵涉到成本 测试时允许模型思考很久 调用很多次工具 容易换来更好的结果 正式上线之后 服务需要承受大量用户同时请求 等待时间过长 普通用户会放弃 每个任务的计算费用太高 企业即使喜欢效果 也未必愿意大规模采购 所以一次内部体验要成为商业突破 需要经过几道现实关卡 同样的任务 在可接受的时间里能不能做完 用户增加之后 服务质量能不能维持 团队升级工具之后 旧流程会不会失效 这些问题没有一项能靠 感觉像顶级模型直接解决 却会决定产品最后有没有人续费 再看已经公开的Argon 谷歌的官方介绍 采用分阶段开放安排 涉及受信任的网路防御使用者 随后逐步扩展访问 公开产品和内部候选 版本之间存在发布距离 部分用户能接触到某项能力 并不代表所有账户都 已经拥有相同条件 更不代表carbon已经成为 公开可购买的服务 这种距离也会让截图变得危险 测试界面里出现某个名称 可能只是灰度实验 显示较长的上下文 也可能对应特定入口 用户最需要确认的是 正式文档中的可用范围 以及实际账户能否调用 单张界面截图无法证明永久额度 更无法承诺服务上线的时间 上下文长度尤其容易引发误判 能放进去很多资料 只说明输入容量扩大 模型能否找到关键证据 能否区分新版文件和旧版文件 还要另行测试 一个系统把所有历史记录都塞进去 可能增加信息 也可能增加冲突 资料越多 选择依据的能力越重要 企业真正需要的是可追溯 模型说某条规则要求这样处理 工作人员能否查到具体出处 规则刚刚更新 系统会不会仍然引用旧版 同一段资料被不同 部门解释成不同意思 代理会怎样处理 这些细节没有发布会上那么好看 却直接决定自动化能走多远 围绕carbon 还有一个更容易制造轰动的词 RSI也就是递归自我改进 相关讨论把模型变强与模型 帮助改进下一代模型联系起来 但目前提到的内部测试 报道并没有提供足够证据 让外界宣布谷歌已经实现 了完整的自主递归升级 这里必须把几种过程拆开 第一种过程是模型修改 自己刚刚生成的答案 编译失败后补一个导入 测试失败后调整函数 这属于当前任务里的纠错 第二种过程是 研究人员让模型参与开发 帮助写实验代码或者分析结果 它能够节约研究时间 但研究方向和验收 标准仍然可能由人决定 更强的说法是系统 自主提出改进方案 完成训练和评估 再确认新系统确实更好 并继续下一轮 要支撑这种说法 至少需要看到比较完整的过程 模型改了什么 投入多少资源 在哪些没见过的任务上进步 出现退步又怎样处理 少了这些信息 自我进化很容易只剩一个标签 尤其要防止把熟悉 考试当成能力增长 模型反复接触同一批测试 可能越来越擅长那批测试 研究人员就算没有刻意作弊 选择实验的习惯也可能 让结果偏向既有指标 检验新版本需要留出独立的任务 还要观察其他能力有没有被牺牲 局部得分提高 不能自动推出全面提升 研究循环也受现实资源限制 提出一个训练方案很快 完成训练需要计算 某些实验必须等待结果 失败以后还得重新安排 涉及真实世界数据或者硬件时 等待会更长 模型帮助研究并不 意味着这些资源限制消失 递归过程有没有发生 与它能不能无限 加速是两个不同问题 这并不减损carbon可能具有的价值 即使它只是把研究人员 处理复杂代码的时间缩短 也已经值得关注 一个工具每天节约 少量高技能人员的时间 积累起来就可能改变开发节奏 这样的进步可以测量 也可以讨论商业意义 无需提前附送智能 爆炸已经开始的结论 谷歌还有一个独特条件 它既研发模型 也经营开发工具和办公产品 模型如果能够稳定处理工作 有机会通过这些入口触达用户 不过入口优势不会 自动变成使用习惯 企业已经建立的 审批流程和权限规则 往往比换一个聊天窗口难改的多 想象一个普通的企业需求 要求代理汇总某个项目的进展 资料分散在邮件和文档中 部分内容只有特定成员能看 系统要先确认提问者有权访问什么 再判断哪些资料仍然有效 最终输出还得说明依据 回答文字写的顺 不代表整个流程已经合格 如果任务升级成直接更新项目状态 要求又高了一层 更新哪条记录 是否会通知客户 谁有权批准 都需要被明确设置 能力增强会扩大可执行的动作 也会扩大错误的影响 模型越强 企业对边界的要求往往越具体 不能靠一句更智能略过去 这里就轮到微软decision一登场了 它关注的任务更窄 给定问题和备选项 输出各个选项的概率 微软把它定位在 决策与分类工作负载 基于千问3.59B做后训练 它选择处理大量重复的判断 不要求所有问题都交给最大模型 微软公布的测试覆盖36个基准 约15万道问题 并报告了相对GPT6索尔的延迟优势 这些是厂商提供的评估试用条件 需要保留 官方也介绍了对输入脑洞的测试 他们值得关注的地方是把 一致性和速度当成产品指标 不能据此断言任何 业务场景都能照搬结果 这种模型能放在哪里 客服系统收到一条请求 可以判断应当交给哪个业务组 代理生成一份答案之后 也可以根据预设标准分类检查 是否需要人工复核 可以被设计成一个明确选项 这些都是工作流的应用释义 不等于相关企业已经 部署了同样的流程 最有意思的是 这类系统未必需要写出一大段解释 业务有时只需要一个 格式稳定的选择结果 输出越容易被程序读取 后面的动作就越容易安排 大模型擅长展开思路 专用判断模型则可以把 计算集中在有限选择上 两种能力有机会组合起来 服务同一个任务 但概率必须谨慎解释 某个选项显示90%不等于当前 答案拿到了真实性担保 校准讨论的是一批预测 与实际结果之间的关系 企业需要在自己的数据上 检查这种关系是否成立 业务变化之后 原来可靠的概率 也可能需要重新评估比如 一个系统在普通咨询里表现稳定 遇到新的诈骗话术 判断可能失准 输入很像熟悉的类别 实际风险却不同 如果流程把高分直接当成放行许可 评分错误就会沿着自动化继续传播 可靠的设计需要给陌生情况留出口 包括拒绝判断或者交给人处理 这也解释了为什么判断 模型的选项设置很重要 如果只给执行和不执行 一些模糊情况会被硬塞进去 增加信息不足可能更符合业务 但新增选项之后还要 测试它是不是过度回避 企业需要按照错误代价设计流程 不能只追求一个漂亮的平均准确率 不同错误的代价可以相差很大 把普通咨询错分到另一个客服组 可能只是多等几分钟 把需要人工审批的支付 操作判断成可以自动执行 后果就严重得多 模型在两类任务上 得到相似的正确率 也不代表承担了相似的风险 评估必须看错在哪里 微软官方给decision 一列出的输入价格很低 输出不另行收费 并区分了当前可用入口和后续计划 这个定价值得讨论 但它只是模型调用的一部分成本 系统还需要连接业务数据 维护规则 保存日志 出了问题 团队还得有人处理 低价分类可以节约预算 不能让整个工程免费 延迟同样如此 一个判断步骤明显变快 如果整条流程大部分 时间都在等待数据库 用户感受到的改善就有限 业务负责人需要测端到端时间 每个模型单独跑得快 系统之间来回传输很慢 最终体验还是可能卡住 局部性能只有放进 流程里才知道实际价值 把carbon和decision e放到一起 竞争路线就更清楚了 carbon受到关注 因为它可能承担更 复杂的生成和编程工作 decision e则试图把高频 选择变得便宜而稳定 一个工作流完全可以 同时需要这两类能力 再让人保留重要审批 企业采购的对象正在 变成一整套任务完成方案 模型之间怎样分工 也会带来新的问题 分类系统把任务分错 大模型可能认真解决了错误的问题 大模型输出的信息不完整 后续评分也可能建立在缺失材料上 多个组件串联之后 责任必须能追溯 系统应该记录每个阶段看到了什么 做出了什么选择 这类记录还有一个实际用途 帮助团队判断应该升级哪一部分 失败发生在检索 就不该盲目换更贵的模型 规则写的模糊 就应该先修规则 只有确实属于能力不足的任务 升级模型才可能解决 没有分阶段记录 所有问题都会被归结 成一句AI还不够强 企业可以先选一个范围有限的任务 保留原流程作为对照 评价标准提前确定 既记录完成时间 也记录返工和错误 这样做看起来没有 全面上线那么热闹 却更容易判断投入有没有回报 任务边界清楚 失败也更容易回滚 团队能够积累真正有用的经验 对照测试还要防止选择偏差 员工往往把容易的任务交给AI 把复杂任务留给自己 最后看使用记录 AI完成率很高 人类耗时很长 比较就已经不公平 不同任务的难度必须被考虑 否则一套未经校正的报表就 可能推动错误的用工决定 模型更新后也要重测 企业可能喜欢新版本的总体表现 却发现某个关键分类变差了 如果自动切换版本 没有复核就继续运行 原先建立的流程可能悄悄失效 稳定的模型服务需要版本管理 重要任务还要允许暂时保留旧版本 更新速度和部署速度可以不同 成本评估也应覆盖失败的任务 只算成功那一次的调用费用 会漏掉之前的重试 只算生成速度 会漏掉人工检查 团队需要知道 完成一个合格任务总共花了多少钱 发生严重错误的频率是多少 这两个数字 比每秒生成多少 文字更接近商业决策 这也是卡本后续最值得观察的方向 公开测试如果出现 应该看任务是否覆盖真实仓库 测试条件是否一致 失败记录是否完整 产品如果上线 应该看普通付费用户 能够获得什么条件 内部员工的惊喜很有吸引力 可持续的服务体验 才会决定市场位置 还有一个会影响采购的因素 任务到底由谁定义完成 编程测试通常有预设目标 企业请求却可能很模糊 客户说希望页面更快 可能指加载时间 也可能指操作步骤太多 模型直接优化代码 未必解决客户最在意的问题 复杂任务需要先确认目标 随后才适合自动执行 需求澄清也可以被评估 系统能否识别缺失条件 能否只问必要的问题 都会影响合作体验 每一步都要求人确认 效率上不去 什么都不问 又容易走偏 企业需要寻找合适的询问频率 并按任务风险设置不同阈值 这个问题通常比聊天 回答是否自然更难处理 长任务还会跨越时间 代理今天拿到的资料 明天可能被更新 用户中途改变
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：7.3 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：180.3 秒
關係：依序執行
結果：失敗
問題：exit code -15；timeout
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.5 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.5 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.5 秒
關係：依序執行
結果：完成
6. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.6 秒
關係：依序執行
結果：完成
7. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.6 秒
關係：依序執行
結果：完成
8. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.7 秒
關係：依序執行
結果：完成
9. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.7 秒
關係：依序執行
結果：完成
10. 時間軸整合
工具：videonote_timeline_reconcile.py
處理：整合字幕、Whisper 與 VAD 時間證據
產出：timeline_evidence.json（時間軸證據）
耗時：0.8 秒
關係：依序執行
結果：完成
11. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.8 秒
關係：依序執行
結果：完成
12. 其他處理
工具：/Users/sagawa/AI_WORK/videonote/.venv/bin/python
處理：執行其他輔助工具
產出：（無明確產出）
耗時：0.8 秒
關係：依序執行
結果：完成
13. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.9 秒
關係：依序執行
結果：完成
14. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：132.9 秒
關係：依序執行
結果：完成
15. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：1.0 秒
關係：依序執行
結果：完成
16. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.2 秒
關係：依序執行
結果：完成
手動來源字幕
自動來源字幕
Whisper 字幕
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.source.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=TIMED_OUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。