2025 年，无疑是大型语言模型（LLMs）领域的一年，技术进展迅速且充满变革。从训练方法的创新到全新应用层次的诞生，行业格局发生了深刻的变化。AI 领域第一 KOL Andrej Karpathy 发表自己针对 2025 年 AI 发展的回顾
我将从我个人角度，分析文章中提到的关键技术、趋势和实际应用，跟着一起回顾一下 2025 年的 AI 之路
1. RLVR：可验证奖励下的"推理时刻"
在 2025 年初，大模型的标准生产线还是"预训练（Pretraining）+ 指令微调（SFT）+ 人类反馈强化学习（RLHF）"。这套流程虽然稳定，但潜力已近触顶。
今年，RLVR（基于可验证奖励的强化学习） 正式入场，成为大模型训练的新标配。通过在数学、代码等具备"客观真理标准"的环境中进行强化学习，模型自发演化出了类似人类的"推理"能力。它们学会了自我纠错、步骤拆解以及多路径尝试。
核心变化：
- DeepSeek R1 与 OpenAI o1/o3 证明了这一点：推理不再是单纯的文本模仿，而是优化目标驱动下的策略发现。
- 算力分配重构：过去算力主要堆在预训练阶段，现在大量算力向 RLVR 倾斜。业内发现，在可验证领域，RL 的投入产出比（Capability/$）极高。
- 新 Scaling Law ：我们拥有了一个控制模型能力的新旋钮------推理时算力（Test-time compute） 。通过增加模型的"思考时间"，性能可以实现非线性增长。
2. "召唤幽灵"而非"驯化动物"：参差不齐的智能
2025 年，我们终于看清了 AI 智能的底色：我们不是在"养育动物"，而是在"召唤幽灵"。
人类大脑的进化是为了在丛林中生存，而 LLM 的神经元是为了模拟人类文本、解决数学谜题、在 LM Arena 中博取人类的好感。这种完全不同的底层逻辑，导致了 "锯齿状智能"（Jagged Intelligence） 的出现：模型可能在量子物理领域是天才，但在处理简单的逻辑陷阱或防御越狱攻击时，却像个心智不全的小学生。
关于 Benchmark 的幻灭： 由于 RLVR 的普及，刷榜（Benchmaxxing）变得空前简单。只要环境可验证，模型就能通过 RL 快速覆盖这些知识盲点。
现在的共识是：高分不代表 AGI。一些实验室正在通过制造大量合成数据来"修剪"这些智能锯齿，试图让模型在某些特定领域呈现出超越常人的统治力。
3. Cursor 与 LLM 应用的新层次
Cursor 的爆发揭示了一个残酷但清晰的现实：纯包装（Wrapper）没有未来，但深度垂直的编排层（Orchestration Layer） 大有可为。
现在的开发者不再只是谈论"接入 API"，而是讨论"做一个 X 行业的 Cursor"。这类应用的核心竞争力在于：
- 上下文工程（Context Engineering） ：如何更精准地喂入数据。
- 复杂任务编排：将 LLM 调用串联成复杂的 DAG（有向无环图），在性能与成本间走钢丝。
- 原生 GUI 与交互：不再仅仅是对话框，而是为特定场景定制的操作界面。
- 自主权滑块（Autonomy Slider） ：让用户在"辅助执行"与"全自动代理"之间自由切换。
从产品视角来看，大模型厂商负责交付"通才大学生"，而垂直 App 负责将这些大学生组织成专业的、可交付业务价值的"专业团队"。
4. Claude Code：回归 Localhost 的 Agent
Claude Code（CC）的出现，给"什么才是真正的 Agent"打了个样。与 OpenAI 执着于云端容器（Cloud-based）的思路不同，CC 选择运行在用户的本地环境（Localhost） 。
这种"接地气"的做法解决了两个痛点：隐私与上下文。
Agent 可以直接读取你的私有代码库、调用本地编译器、感受你的开发环境。
它不再是浏览器里一个冰冷的网页，而是一个"住"在你电脑里的数字精灵，与你并肩作战。这标志着 AI 交互范式的转移：从"去中心化的云服务"回归到"个性化的本地助手"。
5. Vibe Coding：代码的"快消品化"
2025 年，"Vibe Coding"（氛围感编程）从一个推特热梗变成了现实。 当 AI 的生成能力跨过临界点，编程的门槛崩塌了。你不需要精通 Rust 或 C++，只要逻辑清晰，通过自然语言就能指挥 AI 编织出复杂的程序。
这带来了软件生产逻辑的巨变：
- 代码不再"昂贵" ：过去写一个工具需要权衡 ROI，现在代码是廉价的、瞬时的、用完即弃的。
- 人人都是开发者：这种技术扩散让普通人的获益远超专业人士，它打破了技能壁垒。
- 软件地貌重塑：我们会看到大量"一次性软件"或"极度个性化软件"的诞生。
6. Nano Banana 与 LLM 的图形界面
2025 年，Google Gemini Nano Banana 的推出展示了 LLM 的另一个革命性进展。
在过去的计算机发展历程中，图形用户界面（GUI）为计算机操作提供了直观和高效的交互方式。同样，
LLM 的图形界面（GUI）也开始崭露头角，呈现出多种形式的互动方式，如图像生成、信息图表、幻灯片和视频等。这种图形化的交互模式，让用户能够更加自然地与 LLM 进行互动。
Nano Banana 的出现只是这一趋势的开始，它通过图像生成、文本生成和知识整合的结合，预示了未来 LLM 图形界面可能的多样性。
最终，LLM 可能不再仅仅是通过文本输入来进行交互，而是通过更加直观和视觉化的方式与用户沟通。
总结
2025 年对于 LLM 领域来说，是充满变革的一年。从 RLVR 的引入到 Vibe Coding 的普及，从本地 AI Agent 到 LLM 应用的层次化发展，技术的每一次突破都为未来的人工智能发展奠定了更深的基础。虽然 LLM 的能力已经取得了显著进展，但从技术的深度和实际应用的广度来看，LLM 领域仍然有着巨大的发展空间。在未来，我们不仅可以期待技术进步的加速，还将见证 AI 与我们的生活、工作方式更加紧密地融合。
最后，谈谈对 AI 产品落地的启发
- 从"对话框"思维转向"Agent 编排"思维：不要再执着于如何调优 Prompt 让模型回答得更好，而要思考如何构建一套闭环的反馈环境（Verifiable Environment），利用 RL 的思路让模型在特定业务场景下进行"自我进化"，不一定是技术上闭环，也可以是业务上的闭环，只要能持续推动 Agent 应用迭代进步。
- 抓住"本地化上下文"的机会：Claude Code 的成功提醒我们，真正的杀手级 Agent 可能不需要跑在云端，而是需要深度嵌入用户的工作流和本地数据。私域数据和本地环境的操作权，是对抗大模型厂商"收割"的护城河。
- 重新定义软件的生命周期 ：如果代码已经变成"瞬时且免费"的资源，我们的重心应从"如何交付稳定的功能"转向"如何提供更精准的交互意图理解"。在 Vibe Coding 时代，审美、逻辑抽象能力和对用户痛点的洞察，比工程实现能力更重要。
