笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
GLM 5.2 与即将到来的 AI 推理利润崩塌
开源模型 GLM 5.2 以接近顶尖闭源模型的性能，但仅为其 15-20% 的推理成本，预示 AI 推理利润即将崩溃。
真正的 DeepSeek 时刻已经到来
几个月前，DeepSeek 的 R1 模型曾让市场震动。当时市场认为，既然 V3 模型训练成本据报道不到 600 万美元，那么整个行业在模型训练上的巨额资本支出（Capex）就结束了，英伟达等公司的股价因此一夜暴跌。
但这完全误解了 AI 成本结构的真正所在。训练虽然资本密集，但它是固定的一次性成本——你花数亿美元训练一个模型，然后训练就“完成”了（尽管前沿实验室为了保持竞争力，实际上会持续训练新模型，但关键区别在于：训练成本不随用户用量增长）。而推理（Inference）则不同，它随需求线性扩展，具有真正的边际成本。
主流观点认为 API 提供商收取的价格就是他们的真实成本，这是错误的。当 Anthropic/OpenAI 对推理收取 25 美元/百万 token 时，根据粗略计算，这相对于硬件标价可能包含约 90% 的毛利率。OpenAI 泄露的财务数据表明其营收毛利率约 60%，但这无疑包含了支持、支付处理和其他服务成本。前沿 AI 实验室的商业模式本质上是：花大量资金在人员、算力上训练模型，然后通过大量高利润的推理服务来摊销训练成本。如果能将训练成本摊销到足够多的推理量上，就能从成本端盈利变为真正的盈利。
GLM 5.2：真正的开源竞争者
过去几周我一直在测试 Z.ai 的 GLM 5.2 模型。我认为它是第一个达到“门槛”的真正开源权重模型——能与 Opus 和 GPT（本文写作时最新版本是 GPT 5.5，未来模型无疑会超越它）正面竞争。它确实非常好，在日常使用中我几乎无法区分它和 Opus 之间的差异。
主要缺点：
- 速度偏慢：由于模型会进行大量思考，交互式使用时明显感觉迟钝，不太能保持我的注意力。这也在一定程度上降低了成本效益——更多的思考意味着更多的 token，从而增加成本。
- 缺乏视觉支持：自从 Opus 4.7 引入高分辨率视觉能力后，我几乎一直在使用视觉功能。GLM 5.2 无法读取基于图像的 PDF、截图和设计文件，这非常令人沮丧。虽然他们肯定在开发多模态模型，但这是目前相对于前沿实验室的一个显著弱点。
- 网络搜索能力差：这出乎我的意料。几乎所有智能体（Agentic）任务都需要大量网络搜索。Z.ai 提供了一个替代的 MCP 用于网络搜索，但效果很差且速度慢。Fireworks 根本没有提供搜索功能，只给出了模糊的“一直在改进产品”的回应。我通过指示智能体使用基于命令行的搜索工具（如 ddgr）来部分解决这个问题，但这确实是当前的一大短板。不过，第三方搜索 API 的潜力巨大，这恰是开源权重模型提供商目前难以填补的空白。
无缝替换：极低的迁移成本
真正让前沿实验室感到恐惧的是：迁移到开源权重模型实在太容易了。Z.ai 和 Fireworks 都同时提供 OpenAI 兼容和 Anthropic 兼容的端点。这意味着你可以在 Claude Code 和 Codex 中极其轻松地使用 GLM 5.2——只需将基础 URL 指向你的推理提供商，输入 API 密钥，然后告诉它使用 GLM 5.2 即可。
鉴于 Anthropic 最近（虽然之后又反悔）曾计划对 Claude 的非交互式智能体使用按 API 收费，你会发现对于大多数此类用例，你可以直接用 GLM 替换。在交互式使用中，除了缺少视觉功能和速度稍慢之外，我几乎无法意识到自己在 Claude Code 中使用的不是 Opus。
这不是微软或 Salesforce 那种需要数年规划迁移的锁定。转换成本极低，实际上比试图跟上前沿实验室模型频繁变化的政策和条款要容易得多。虽然 Claude Code 可能会限制第三方提供商的使用，但有很多优秀的开源替代方案（如 Codex 本身和 OpenCode 等）。
企业数据隐私问题： 使用 Z.ai 的官方 API 和订阅几乎肯定不可行——其条款薄弱且与大陆有深度关联。但正因为开源权重是开放的，市场上有很多其他提供商，它们有适当的合同条款。如果还不够，你甚至可以在本地自行托管，这使得原本不能发送给任何第三方的敏感数据也能享受到 Opus 级别的智能体工作流。
成本优势：不到闭源模型的 20%
GLM 5.2 的当前价格约为 4.40 美元/百万 token。这不到 Opus 零售价的 20%，仅为 GPT 5.5 成本的 15% 左右。虽然由于 GLM 5.2 在给定任务上会使用更多 token，这不是完全对等的比较，但我非常怀疑在几乎所有工作流中，它是否能以非常相似的质量水平提供超过 50% 的成本节省。
在订阅方面，Z.ai 提供了“编程计划”订阅，与 Anthropic 和 OpenAI 的计划类似，但声称有更高的使用限制。我认为对于大多数专业用途来说，其关于训练和数据保留的宽松条款会使其难以销售。但如果前沿实验室试图大幅提价，这将成为预算敏感用户的可靠选择。
我预计 GLM 5.2 的成本在未来几个月还会显著下降，因为服务栈的优化仍在继续。Wafer 写了一篇有趣的文章，介绍他们如何在 AMD 硬件上运行它，并指出在 AMD 上推理每 token 的成本比在英伟达 Blackwell 上便宜 2.75 倍。
第二部分预告
第二部分将探讨推理利润崩溃对行业真正的冲击，以及谁会成为赢家和输家。请记住贝佐斯的名言：“你的利润就是我的机会。”
原文链接：https://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/