【AI 英文奏折】2026年06月05日

共收录 12 篇深度内容

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. Rohan Paul: Nemotron 3 Ultra性能接近GPT-5.5但成本低10倍。
2. Pierrick Chevallier | IA: 用详细提示替代绘制轨迹能更好释放FPV拍摄潜力。
3. fofr: 竖屏视频拍摄阳光窗台上花斑猫的宁静日常。
4. Rohan Paul: 分步规划与验证反馈显著提升LLM数学证明能力。
5. ChatGPT: ChatGPT增强记忆功能，可记录偏好并逐步全球推广。
6. Rohan Paul: AI成本激增因代理高频消耗远超预期。
7. Rohan Paul: Hyper 3D快速生成高质可控3D模型，支持批量编辑与细节优化。
8. AshutoshShrivastava: 谷歌开源实时AI音乐生成模型，支持本地低延迟创作。
9. Bearly AI: 学习STEM并善用AI增强专业能力，未来由自己创造。
10. fofr: 视频展示英美用词差异，搭配时尚品牌单品呈现趣味性。
11. Rohan Paul: 动态智能合约框架优化AI任务分配与信任管理
12. NotebookLM: 将笔记变成互动推理游戏让学习更简单有趣。

📖 详细内容

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: Nemotron 3 Ultra性能接近GPT-5.5但成本低10倍。

可信度: 7/10 – 1项声明可直接验证；3项需进一步确认

事实核查:

• ◐ 部分可验证: Nemotron 3 Ultra 与 GPT-5.5 在 atomic[.]chat 上的性能对比 (需实测 atomic[.]chat 应用程序并对比两者输出结果，但模型版本（如 GPT-5.5 是否为官方命名）和测试条件（如提示词、硬件环境）需进一步确认。)
• ◐ 部分可验证: Nemotron 3 Ultra 在 HTML5 画布测试中结果相似且成本便宜 10 倍 (成本数据（$0.051 vs $0.57）需核对官方定价或 API 文档，但测试中“真实物理效果”的具体指标未明确，可能依赖主观评估。)
• ✓ 可验证: Nemotron 3 Ultra 总参数量为 5500 亿（每个令牌激活 550 亿），因采用专家混合模型 (模型架构细节（如参数量、激活参数）通常由开发方披露，若未公开白皮书或技术文档则无法独立验证。)

原文内容:

Nemotron 3 Ultra 与 GPT-5.5 在 atomic[.]chat 上的对比，这是一个在本地运行大型语言模型的桌面应用程序。

Nemotron 3 Ultra 在一个构建带有真实物理效果的 HTML5 画布的测试中，给出了几乎相似的结果，同时成本便宜 10 倍。

- Nemotron 3 Ultra：11.3k 令牌，$0.051 
- GPT 5.5：11.0k 令牌，$0.57 

Nemotron 3 Ultra 总参数量为 5500 亿（每个令牌激活 550 亿），因为它是一个专家混合模型。

⏰ 08:52 | ❤️ 31点赞 | 📝 94字 | 查看原文 →

↑ 返回顶部

Pierrick Chevallier | IA @charaspowerai

AI VFX Artist & Photoshop Editor for House of David Saison 2 for Amazon | AI Artist & Formateur | 影响力: 0万粉丝

💡 核心观点: 用详细提示替代绘制轨迹能更好释放FPV拍摄潜力。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 在图像上绘制轨迹可以引导相机移动 (该声明可通过FPV（第一人称视角）拍摄教程或相关技术文档验证，绘制轨迹是常见的相机引导技术之一。)
• ◐ 部分可验证: 使用强有力、详细的提示创建轨迹比绘制轨迹更能释放模型的潜力 (该声明需要实测对比两种方法的效果（如生成视频的流畅度或创意自由度），但缺乏公开的量化数据或权威实验支持。)
• ◦ 观点: “详细提示”与“绘制轨迹”两种方法存在巨大区别 (未提供具体差异的客观标准（如效率、画质等），属于主观评价。)

原文内容:

Seedance 2 FPV 拍摄小贴士   
很多人会在图像上绘制轨迹来引导相机移动……  
但如果你真想在不限制模型的情况下释放它的全部潜力，直接用一个强有力、详细的提示来创建你的轨迹吧。  
区别巨大。  

你是“在图像上绘制轨迹”团队，还是“详细提示”团队来做你的 FPV 拍摄？  
在评论里告诉我 

⏰ 21:00 | ❤️ 175点赞 | 📝 106字 | 查看原文 →

↑ 返回顶部

fofr @fofrai

Head of Engineering @ growth-stage AI company. Scaling models and teams toward AGI. Notes and thoughts along the way. | 影响力: 0万粉丝

💡 核心观点: 竖屏视频拍摄阳光窗台上花斑猫的宁静日常。

可信度: 10/10 – 3项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: 视频采用9:16纵横比的业余竖屏手机拍摄 (视频的纵横比可通过技术手段（如元数据分析）验证，但“业余”和“手机拍摄”需依赖拍摄者声明或设备信息，若无原始文件则无法完全确认。)
• ✓ 可验证: 画面内容为一只花斑猫坐在窗台眺望花园，尾巴摆动、耳朵微动 (视频画面可通过直接观看验证，但需依赖拍摄者提供的原始视频文件或可信的第三方发布平台。)
• ◐ 部分可验证: 音效包含微风、鸟鸣和猫的咕噜声 (音效可通过音频分析工具验证是否存在这些元素，但“远处”“轻柔”等主观描述需结合拍摄者意图或观众感知，无法完全客观量化。)

原文内容:

> 业余竖屏手机视频，9:16 纵横比。连续、不间断的手持镜头，拍摄一只蓬松的花斑猫坐在阳光明媚的窗台上，眺望着郁郁葱葱的花园。猫尾巴缓缓摆动，耳朵微微转向环境中的声音。阳光照亮空气中的尘埃微粒。音效设计：轻柔的微风、远处的鸟鸣、安静的机械般的咕噜声。没有对话。

⏰ 06:51 | ❤️ 29点赞 | 📝 110字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 分步规划与验证反馈显著提升LLM数学证明能力。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 通用大语言模型（LLM）通过规划证明并检查每个步骤，将形式化数学问题的解决性能从不到10%提升到70% (可通过论文链接（arXiv）查看实验设计和具体数据，但需验证测试基准的合理性及结果的可复现性。)
• ✓ 可验证: LEAP框架通过将证明拆分为目标/子目标的图结构并重用引理，显著提升LLM在形式化数学中的表现 (论文中详细描述了LEAP的架构设计（如目标图结构、反馈机制），可通过公开论文验证其方法论。)
• ◐ 部分可验证: LEAP解决了Putnam 2025的所有12个问题，并在Lean IMO基准上实现70%的性能 (需验证Putnam 2025问题是否真实存在（目前年份为2023，可能是笔误）以及Lean IMO基准的公开数据；论文中应包含具体测试结果。)

原文内容:

谷歌的又一篇优秀论文。

展示了通用大语言模型（LLM）可以通过规划证明并检查每个步骤来解决形式化数学问题。将通用 LLM 的性能从不到 10% 提升到 70%。

通用 LLM 在被要求一次尝试编写完整形式化证明时表现糟糕，但当它进行规划、将工作拆分成更小的断言、重用过去的断言并从 Lean 的反馈中学习时，它变得强大得多。

论文显示，这种弱点不仅仅是模型的数学能力问题，而是使用方式的问题——缺少与验证器的结构化交互。

关键想法是，模型不会试图一次性编写一个巨大的完美证明，因为这通常在长而棘手的问题上会失败。

相反，LEAP 将证明存储为目标和子目标的图结构，这样有用的引理可以被重用，而不是每次都重新发现。

作者在 Putnam 2025 和一个新的 Lean 基准（由 60 个 IMO 风格问题构建）上测试了 LEAP，在那里普通的单次证明编写表现非常差。

LEAP 解决了 Putnam 2025 的所有 12 个问题，并在 Lean IMO 基准上将通用 LLM 的性能从不到 10% 提升到 70%。

----

链接 – arxiv.org/abs/2606.03303

标题："LEAP：使用代理框架为大语言模型（LLM）在形式化数学中的应用注入超能力"

⏰ 06:09 | ❤️ 76点赞 | 📝 342字 | 查看原文 →

↑ 返回顶部

ChatGPT @chatgptapp

ChatGPT is for the people. | 影响力: 543.86k万粉丝

💡 核心观点: ChatGPT增强记忆功能，可记录偏好并逐步全球推广。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认

事实核查:

• ◐ 部分可验证: ChatGPT 在记住重要内容方面变得越来越好，包括用户偏好、限制和上下文 (可通过实测验证记忆功能是否改善，但“越来越好”是相对性描述，需对比历史版本或官方数据，目前缺乏公开量化指标。)
• ✓ 可验证: 通过记忆摘要，用户可以审阅并引导ChatGPT记住的内容 (若功能已上线，可通过官方文档或用户界面直接验证是否存在记忆摘要及编辑功能。)
• ✓ 可验证: 记忆功能将在未来几周内逐步向所有用户推出，美国地区的Plus和Pro用户率先体验 (可通过官方公告或用户账户权限变化验证地区性分批推送计划。)

原文内容:

ChatGPT 在记住重要内容方面变得越来越好：您的偏好、限制，以及帮助您从上次中断的地方继续的上下文。而且通过记忆摘要，您可以审阅并引导它记住的内容。

将在未来几周内逐步向所有用户推出，从今天开始在美国地区的 Plus 和 Pro 用户率先体验。

⏰ 05:52 | ❤️ 1117点赞 | 📝 96字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI成本激增因代理高频消耗远超预期。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Sam Altman承认AI预算正成为一个“巨大的问题”，客户消耗的令牌数量超过OpenAI内部顶级用户 (需依赖Sam Altman的公开演讲、采访或OpenAI官方声明验证，但具体客户数据可能未完全公开。)
• ✓ 可验证: OpenAI内部顶级用户每月消耗约1000亿令牌，一位外部客户每月达6030亿令牌 (涉及内部运营数据，除非OpenAI主动披露，否则无法独立验证。)
• ✓ 可验证: AI代理的运作方式（规划、调用工具、重试等）导致隐藏令牌消耗激增 (AI代理的技术逻辑可通过官方文档或开发者资源验证，但具体消耗量需实测。)

原文内容:

Sam Altman 承认 AI 预算正成为一个“巨大的问题”，因为客户消耗的令牌数量甚至超过了 OpenAI 内部顶级用户。

Altman 表示，OpenAI 内部顶级用户每月消耗约 1000 亿令牌，而一位外部客户每月达到了 6030 亿令牌。

随着 AI 代理的兴起，成本问题变得更加严峻，因为它们不仅仅是一次性回答问题，而是会规划、调用工具、读取文件、重试失败步骤、检查自己的工作，并创造出长链的隐藏令牌消耗。每一次规划、重试、代码审查、上下文窗口、工具调用和验证步骤，都会变成计量的认知成本。

人类问一次；代理可能在一秒钟内问数百次。

公司不再询问 AI 是否令人印象深刻，而是询问边际令牌是否产生了边际价值。

Jevons 悖论解释了这个陷阱的一部分：当 AI 每个令牌的成本降低时，人们会使用远多得多的令牌，因此总账单仍然可能上升。

⏰ 04:22 | ❤️ 68点赞 | 📝 270字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: Hyper 3D快速生成高质可控3D模型，支持批量编辑与细节优化。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Rodin Gen-2.5 图像转3D模型工具可在4秒内生成百万多边形模型，并支持高达1000万多边形的输出 (生成速度和多边形数量可通过官方技术文档或实测验证，但需依赖具体硬件配置和输入条件，可能存在性能波动。)
• ✓ 可验证: Hyper 3D支持并行批量生成，适用于规模化创建资产 (功能描述可通过Hyper 3D官方宣传资料（如官网、产品手册）或公开演示视频直接验证。)
• ✓ 可验证: 工具具备Break to Parts功能，可即时分离模型组件并支持本地编辑 (具体功能的存在和操作方式可通过官方说明或用户指南确认，但实际体验效果可能需实测（部分验证）。)

原文内容:

我尝试了新推出的图像转3D模型 Rodin Gen-2.5，它最大的改进就是控制力。

它提供了五种不同的生成模式，以适应广泛的创作需求。

你可以在短短4秒内生成一个百万多边形模型，并支持高达1000万多边形的输出，以实现高度细节化。

最棒的是，它自带原生3D PBR材质，因此你的模型从一开始就看起来精致且生产就绪。

如果你在规模化创建资产，Hyper 3D (@DeemosTech) 还支持并行批量生成，让你轻松加速工作流程。

除此之外，它还具备 Break to Parts 功能，可即时分离模型组件，以及本地编辑能力，因此你可以修改特定区域，而无需重新生成整个模型。

从生成速度和模型质量，到灵活的后编辑工具，Hyper 3D 几乎覆盖了创作者关心的3D创作流程的每个阶段。

⏰ 03:25 | ❤️ 30点赞 | 📝 236字 | 查看原文 →

↑ 返回顶部

AshutoshShrivastava @ai_for_success

| 影响力: 0万粉丝

💡 核心观点: 谷歌开源实时AI音乐生成模型，支持本地低延迟创作。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 谷歌的 Magenta 团队推出了 Magenta RealTime 2（MRT2），这是一个开源权重的实时音乐模型和推理引擎，可在 MacBook 上本地进行实时 AI 音乐生成。 (可通过 Google DeepMind 或 Magenta 团队的官方公告、GitHub 仓库（如开源权重和代码）直接验证项目存在性和功能描述。)
• ◐ 部分可验证: 支持使用 MIDI、音频和文本控制进行实时音乐生成，延迟极低。 (功能描述可通过官方文档或演示视频验证，但“延迟极低”需实测对比具体硬件环境，缺乏统一标准。)
• ◐ 部分可验证: 基础 24 亿参数模型可在 M3 Pro / M2 Max 或更高系统上实时运行。 (模型参数和硬件要求可通过官方文档验证，但“实时运行”需用户实测确认性能表现。)

原文内容:

Google DeepMind 火爆得不得了 

谷歌的 Magenta 团队推出了 Magenta RealTime 2（MRT2），这是一个开源权重的实时音乐模型和推理引擎，可在 MacBook 上本地进行实时 AI 音乐生成。

现在，任何拥有 Apple Silicon Mac 的人都可以使用 MIDI、音频和文本提示，在本地生成和控制实时 AI 音乐，延迟极低。

TLDR

> 24 亿参数开源权重实时音乐模型
> 支持使用 MIDI、音频和文本控制进行实时音乐生成
> 包含一个高性能 C++ 推理引擎，通过 MLX 针对 Apple Silicon GPU 进行了优化
> 附带一个名为 `magenta-rt` 的开源 Python 库
> 与原始 Magenta RealTime 相比，延迟降低了约 15 倍
> 无需 TPU，直接在标准 Apple Silicon 硬件上运行
> 可作为独立应用、插件或直接在 DAW 内运行
> 使用因果滑动窗口注意力机制进行连续流式音频生成
> 发布时附带可玩的 AI 乐器、声音克隆演示和示例应用
> 基础 24 亿参数模型可在 M3 Pro / M2 Max 或更高系统上实时运行
> 较小的 2.3 亿参数模型几乎可在任何 Apple Silicon Mac 上运行，包括 MacBook Air
> 未来更新将包括微调支持和更多性能优化工具

⏰ 02:39 | ❤️ 88点赞 | 📝 287字 | 查看原文 →

↑ 返回顶部

Bearly AI @bearlyai

Privacy-first AI research tool with access to ChatGPT, Grok, Claude, Gemini and DeepSeek in one app. Try it at http://Bearly.AI | 影响力: 0万粉丝

💡 核心观点: 学习STEM并善用AI增强专业能力，未来由自己创造。

可信度: 5/10 – 2项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 学习 STEM、数学和计算机科学有助于更好地利用 AI，至少在未来十年内如此。 (该声明基于对 AI 技术发展趋势的预测，可通过行业报告或专家分析部分验证，但“未来十年”的时效性属于主观推断，无法完全客观验证。)
• ◐ 部分可验证: 非技术专业学生应全力投入使用最新 AI 模型，因为 AI 实验室对新模型的实际能力了解有限（存在“能力悬殊”）。 (AI 实验室对模型能力的探索程度可通过研究论文或开发者访谈部分验证，但“全力投入”的建议和“能力悬殊”的具体程度属于主观判断或未量化结论。)
• ◦ 观点: 任何领域的专业知识可通过智能使用 AI 来“涡轮增压”（即显著增强）。 (该声明为愿景式表述，未提供具体案例或数据支持，效果取决于“智能使用”的主观定义，属于个人观点。)

原文内容:

Demis Hassabis 对大学生的建议。

他仍然建议学习 STEM、数学和计算机科学。在这些领域的专业知识将有助于更好地利用 AI，至少在未来十年内如此。

非技术专业的学生，真正要“全力投入”使用最新的模型。AI 实验室花费如此多的时间创建新模型，以至于他们只是“触及表面”地了解这些模型实际能做什么（巨大的“能力悬殊”）。

而且任何领域的专业知识都可以通过智能使用 AI 来“涡轮增压”。

“加倍投入你自己的能动性。未来仍未写就。不要听任何说它已注定的人。”

⏰ 02:14 | ❤️ 305点赞 | 📝 174字 | 查看原文 →

↑ 返回顶部

fofr @fofrai

Head of Engineering @ growth-stage AI company. Scaling models and teams toward AGI. Notes and thoughts along the way. | 影响力: 0万粉丝

💡 核心观点: 视频展示英美用词差异，搭配时尚品牌单品呈现趣味性。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 推文提到Omni挑选了Vivienne Westwood项链和Burberry风衣 (可通过Omni的官方内容或合作品牌宣传材料验证是否提及此搭配，但需具体查找相关视频或图文记录)
• ✓ 可验证: 视频内容是“英国女人说所有英国人与美国人说的不同的词（每1秒一个）” (可通过查看原视频内容直接验证词频、动画单词显示形式及主题是否符合描述)
• ◐ 部分可验证: 视频的时尚风格被描述为“挑选具体的知名品牌和服装物品，没有通用款式” (需观看视频确认是否仅展示特定品牌（如Vivienne Westwood、Burberry），但品牌选择是否符合“无通用款式”是主观判断)

原文内容:

我喜欢Omni为这个挑选了Vivienne Westwood项链和Burberry风衣的方式。

> 一个英国女人说视频，所有英国人与美国人说的不同的词（每1秒一个）。每次在底部显示动画单词。有趣的时尚——挑选具体的知名品牌和服装物品，没有通用款式的

（隐私和日程在这里是失败的）

⏰ 01:27 | ❤️ 20点赞 | 📝 94字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 动态智能合约框架优化AI任务分配与信任管理

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: Google DeepMind的论文提出了一个动态市场框架，让AI代理通过智能合约竞标任务，并采用严格的监控和加密证明来确保工作正确性。 (可通过提供的arXiv论文链接（arxiv.org/abs/2602.11865）直接查阅论文内容，验证该框架的具体描述和技术细节。)
• ◐ 部分可验证: 新系统设计了正式的信任模型，通过考察任务难度和AI历史表现来防止“过度委托”或“委托不足”。 (论文中可能包含相关模型的理论描述，但实际效果需依赖具体实验数据或后续研究验证，无法直接通过公开资料完全确认其有效性。)
• ✓ 可验证: 框架包含具体方法验证AI输出，并根据置信度规则决定是否接受答案，同时制定备用计划应对失败。 (论文中应详细说明验证机制和规则（如置信度阈值），可通过原文直接验证其技术方案。)

原文内容:

 Google DeepMind 的论文中提供了一些关于我们应该如何真正向 AI 分配任务的绝佳建议。

这不仅仅是告诉 AI 去做某事并寄希望于最好的结果。相反，这个框架将委托视为一系列选择，你需要判断是否应该将任务交给它、如何解释它，以及如何在事后检查工作。

当前的系统依赖于僵硬的规则，当事情意外失败时，这些规则就会崩溃。研究人员建议构建一个动态市场，在那里代理使用智能合约竞标任务。

这需要严格的监控和加密证明，以保证工作正确无误，同时不泄露私人数据。

代理将使用可验证的数字证书来证明它们的精确技能，而不是信任简单的评分。

- 在事情变化时保持灵活性

这个新系统被设计为适应性的，而不是固步自封。它将任务移交视为一个实时过程，在这个过程中，权威和责任可以实时转移。如果情况发生变化或某事出错，该框架有助于管理这种失败，从而确保整个项目不会脱轨。它适用于人类向 AI 分配任务的情况，也适用于 AI 需要独立处理事务的情况。

- 找到适当的信任程度
其中最酷的部分之一是它如何处理信任问题。他们制定了正式的信任模型，考察任务的难度以及 AI 过去的表现。这可以防止“过度委托”，即将 AI 尚未准备好的任务交给它。它还可以防止“委托不足”，即尽管 AI 可以轻松处理，你却自己做所有的工作。

- 仔细检查工作

你不能仅仅相信 AI 的话，因此这个框架有具体的方法来验证输出。它根据 AI 的置信度制定规则，决定何时接受答案。它还准备了备用计划，以防 AI 失败。这对于现实世界的工作至关重要，因为盲目信任机器可能会导致一堆错误堆积。

- 当 AI 代理雇用其他 AI 代理时

该框架还涵盖了当一个 AI 代理将任务交给另一个 AI 代理时会发生什么。系统跟踪谁真正负责，并确保正确的权威沿线传递，从而避免在网络中丢失任何东西。

- 确保工作真正合适
这是一个逐步方法，以确保 AI 的贡献真正符合更大的目标。通过将其视为一个结构化过程，他们使公司能够更安全地在日常运营中使用 AI，而不必担心持续的错误。

----

arxiv.org/abs/2602.11865

“智能 AI 委托”

⏰ 01:25 | ❤️ 39点赞 | 📝 699字 | 查看原文 →

↑ 返回顶部

NotebookLM @notebooklm

Think smarter, not harder. Meet your brain’s new best friend | 影响力: 240.50k万粉丝

💡 核心观点: 将笔记变成互动推理游戏让学习更简单有趣。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 夏洛克·福尔摩斯笔记本将学习变成一个互动的推理游戏 (可通过官网链接（https://goo.gle/Sherlock）验证产品功能描述，但“互动推理游戏”的具体形式需实测或查看详细说明才能确认实际体验。)
• ◐ 部分可验证: 该笔记本能帮助用户推断事实并揭开线索 (官网可能提供产品设计原理或示例，但实际效果取决于用户使用方式，需部分依赖主观体验。)
• ◦ 观点: 该笔记本使复杂事情变得简单易懂 (此为宣传性表述，无客观标准，效果因人而异，属于主观主张。)

原文内容:

专业小贴士：将你的笔记本游戏化

不要只是阅读你的笔记——去探究它们。我们全新的夏洛克·福尔摩斯笔记本将学习变成一个互动的推理游戏。推断事实，揭开线索，& 证明即使是最复杂的事情也可以变得简单易懂。

 https://goo.gle/Sherlock

⏰ 01:08 | ❤️ 639点赞 | 📝 86字 | 查看原文 →

↑ 返回顶部