Jkeeper 發佈的文章

——從神經機制到可訓練性，以及一個更深的問題

你有沒有這種經驗：明明沒做什麼重體力活，只是在幾件事之間跳來跳去，一天下來卻累得像被榨乾？

這不是你的錯覺，也不是你意志力不夠。背後有一套很具體的神經機制在運作。

不過，在解釋「為什麼累」之前，我想先說一件事：關於注意力切換，網路上流傳的說法說對了一半——但說錯的那一半，才是更關鍵的部分。

切換確實有成本，但成本不是固定的

- 閱讀剩餘部分 -

把 Meta 的影片分割模型接上透視投影，讓每個球員的移動路徑自動投影到俯視球場圖上。

前言

看 NBA 直播的時候，鏡頭永遠跟著球跑，球員散落在整個半場各個角落。教練要分析戰術，往往得一格一格回放，還要手動標記位置，耗時又費力。

如果能讓 AI 自動追蹤每個球員、即時畫出他們在球場上的移動軌跡，這件事就有趣多了。

這篇文章記錄的是一個週末實驗：用 Meta 的 SAM3（SAM2.1）對 NBA 影片做球員分割，再透過 Homography 透視投影，把每個球員的腳底位置換算成俯視球場座標。最終輸出兩支影片——一支是疊加彩色 mask 的原始視角，另一支是即時更新軌跡的俯視鳥瞰圖。

18671-tsxwq8xcym.png

- 閱讀剩餘部分 -

Anthropic 上週宣布，6/15 起訂閱額度一分為二。

  1. 人類在場、有互動的 Human-in-the-loop 用途（像是 Claude Code 日常使用）繼續吃原本的額度
  2. 自動化工作流 Away From Keyboard（AFK）則改吃獨立的月度 credit——Pro 給 $20、Max 5x 給 $100、Max 20x 給 $200

這對 AFK 工作流和 harness engineering 來說是一記重拳，但同時也是重新審視自己 agent infra 的好時機。

52651-i0zro3fbzta.png

- 閱讀剩餘部分 -

OSM 的隱藏陷阱：以 λ 指數修正志願者貢獻偏差

系列 A 第三篇 / 本系列的核心方法論貢獻。台中 OSM 建築數量 2018→2025 增長 392%，但其中有多少是真實建設、多少是社群回填？本篇提出一個可量化、可控制修正強度的 λ 偏差修正指數。

一、問題：392% 的增長，有多少是「真的」？

先檢視台中市 OSM 數據 8 年的原始增長：

年份 OSM 建築物總數 設施 商店 休閒
2018 16,926 1,015 408 30
2019 12,771 1,207 466 32
2020 16,117 1,520 541 39
2021 18,500 1,599 534 47
2022 24,973 1,640 590 49
2023 41,055 1,762 647 57
2024 47,584 1,874 690 59
2025 50,208 1,921 705 61

採樣點 500m 範圍內的「平均建築數量」更為顯著——從 2018 年的 27.6 棟，增至 2025 年的 136 棟，+392.1%。

- 閱讀剩餘部分 -

  1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  6. 6
  7. ...
  8. 29