如何评价：中国科学院自动化研究所 通用类脑大模型-SpikingBrain-瞬悉 1.0

传统大模型普遍采用 Transformer 架构，其计算复杂度随序列长度呈平方级增长，导致训练和推理成本居高不下。SpikingBrain-1.0 突破性地引入脉冲神经元技术，构建了线性（ 7B 参数）和近线性（ 76B 参数）复杂度模型。测试数据显示，在 GPU 环境下处理 100 万长度序列时，其首个 Token 生成速度较主流模型提升 26.5 倍；处理 400 万长度序列时，保守估计速度提升超过 100 倍。移动端测试同样亮眼，在手机 CPU 上处理 6.4 万至 25.6 万长度序列时，解码速度较同规模 Llama3.2 模型提升 4.04 至 15.39 倍。

问了 8.6 和 8.10 哪个大？ 回答如下：
8.10 大于 8.6 。
原因:
版本号中的数字从左到右依次递增，且每位数字按十进制比较大小。例如:
。主版本号(第 1 位)相同的情况下比较次版本号(第 2 位)。若主版本号不同，则直接对比主版本号
结论:8.10>8.6 。

问题：我叫我的姐姐的女儿的舅舅的儿子叫啥

@KinBob 回答：我 dnmd 回家问你姐去

@totoro52 你这个回答的是版本号是正确的。 我加了个数学中：

在比较两个小数时，应先比较整数部分，再依次比较小数部分的每一位。

整数部分均为 8 ，相等。

8.6 的小数部分为 0.6
8.10 的小数部分为 0.10
0.10 （十分位上的 1 ，百分位上的 0 ）。
结论：
8.6 大于 8.10 。

@totoro52 已经修正了

@KinBob 你叫你的姐姐的女儿的舅舅的儿子叫"曾侄子或曾侄女"。

详细推理过程：

起点：你自己 → "我"
姐姐的女儿 → 表妹的孩子，即你的外甥或外甥女。
舅舅的儿子 → 表兄弟姐妹的孩子中的一个（舅舅一般有多个儿子）。
舅舅的儿子的儿子 → 孙辈，即你的曾侄子或曾侄女。
因此，最终的答案是第三代亲属，即曾侄子或曾侄女。

眼一花看成了 SpringBrain

随便问了个系统设计问题， 纯胡言乱语啊， 不管啥都给你扯什么模型啥的， 还有一堆莫名其妙的概念

它说：““你爸爸的妈妈”指父亲的外婆。”
......

笑死,我问"我和我的七舅姥爷是什么关系"
推理过程:"“舅”通常指父亲的兄弟，也就是姑父。“姥”则是母亲的姐妹，也就是姨妈。"

还有很多优化空间

@c4923 我问的时候回答是堂弟，感觉逻辑处理一团糟

想起来一张图：不管对不对，你就说我算的快不快吧（

@v2tex 哈哈哈哈，问题是算的也不快啊

问了一下感觉智力过低, 中科院做出 ai 成果有可能, 但做成跨时代成果不可能

“传统大模型普遍采用 Transformer 架构，其计算复杂度随序列长度呈平方级增长，导致训练和推理成本居高不下” 不然嘞，linear attention 没什么问题，就是性能拉跨， 你想想为什么大家都在用 transformer 呢？

目前只是 1.0.

完全不同的技术路线，能走通，并有一定的效果，就是很好的了。

脉冲神经网络（ SNN ）目前硬件没有跟上，当硬件跟上配合的时候，能在极低的功耗下工作，比当前的 ANN 有搞头的多。

这就像是 gpt1 ，你不能用 gpt5 的水平去要求 gpt1 。

很遗憾，在程序员这个节点，没有看到前瞻性的老铁。可能大家的知识点都被框在了 web 体系。整个计算机科学与技术，不止 web/移动端 这些。

@siriussilen 2017 年 transformer 出来之后，谁会预料到 gpt3.5 在 2023 年就起来了呢？当然了，snn 做 LLM ，因为可以摸着石头过河，所以比之 gpt1~gpt3 的原创突破性有所不足，但至少也填补了一条非 transformer 路线的空白，并且因为 snn 的低功耗和时序处理优势，可能会走出一条更好的路线。
transformer 的各种变种都已经是强弩之末了（ LLM 的功能和性能的边际效应递减，导致代际提升放缓，gpt4~5 的提升并没有 1~3 激烈），你不想想为什么要找新路线？

前瞻性预测，如果第一作者李国齐，因为这个瞬悉获得国家进步科技奖，国家科技进步二等奖足矣，那么大概率后续会评院士。因为他目前已经是杰青了。截止 2025.9 ，snn 目前国内 team 本就不多，一部分做硬件，算法这块出成果的鲜有。所以也算是填补了空白，往往这种填补空白的工作收益很大。
插个 flag ，后续有新闻了，且看老夫的前瞻性眼光如何。

@coefu gpt3.5 出来和 sparse attention 没啥关系啊，我在和你就事论事，你在说新技术新路线新变革就算是 gpt6 出来了，也和 Sparse attention 一点关系都没有，二次方复杂度就带来二次方的效果，仅此而已。无数的实验都表明 Sparse attention 性能就是有损，拿 Sparse attention 当新变革我只能说你是一个半吊子

@coefu 这玩意就是骗经费用的，实用价值是 0 ，没错，就是 0

@siriussilen #22 我半吊子，你就是全吊子？就事论事搞人身攻击？我也是就事论事啊，脉冲神经网络和人工神经网络，底层构造就不同，你有真正了解过吗？开口闭口就这玩意儿。NLP 是不是就只能搞 transformer ？是不是只有 attention 机制绝对正确？这么狂，你几斤几两啊？放点你的学术成果也让我长长见识？
当然了，脉冲神经网络未来的发展，也不是你说实用价值是 0 就是 0 ，只能说你这个人，水平一般，口气很大。有你这种毫无远见的人，才能凸显别人的成就。
不用再回我，已经 block 你了。

@coefu 笑死 愿你永远活在愚昧中

@coefu 没有经过时间检验的就是 bullshit 指标刷上去再谈变革，ok？

为什么用 cf 隧道？还是临时的

非 tf 的大模型又不是没有，就看谁能卷出效果了。