作者分享了利用 Claude (Opus 5.5) 重构个人网站的经历,在未编写一行代码的情况下,实现了复杂且具交互性的 3D 视觉效果。
通过使用 Claude Projects,作者指挥了一组 AI 智能体来协同处理并行任务。这些完全在云端运行的进程涵盖了从 Blender 程序化 3D 建模、复杂的路径追踪光照,到声音合成和视频制作的各个环节。作者担任创意总监,采用了“管理式”工作流:设定目标、提供灵感,并依靠对抗性质量保证(QA)线程来把控质量,而非手动检查代码。
该项目包括一部模仿沃纳·赫尔佐格纪录片的 CGI 短片,且主要通过移动设备完成,凸显了创意工作方式的转变。尽管作者也意识到人们对 AI 辅助设计“机械化”的担忧,但他们认为这些工具起到了平衡器的作用,使其能够以空前的速度将内在愿景转化为现实。通过将技术实现外包给 AI,作者成功跨越了从创意构思到实际落地的鸿沟,标志着其专业工作流的重大演进。
本文评估了“表格基础模型”(如 TabICL 和 TabPFN),这类模型通过“上下文学习”在无需传统训练或超参数调优的情况下对新数据进行预测。
作者在十四个数据集上将这些模型与“经过调优的 XGBoost”进行了对比测试。研究结果表明表格数据工作流可能迎来范式转变:
* **性能:** 在 AUC 指标上,TabICL 在每个数据集上的表现均优于经过调优的 XGBoost。在准确率方面,除了少数例外,其表现始终具有竞争力或更胜一筹。
* **效率:** 其主要优势不仅在于准确率,还在于省去了耗时的超参数调优这一“繁琐流程”。XGBoost 通常需要数秒甚至数小时来优化,而基础模型往往能在不到一秒的一次前向传递中提供高质量的结果。
* **可扩展性:** 即使数据集规模增加到 32,000 行,这一优势依然存在。
* **局限性:** 在“宽”表格(数百列)上性能会下降,这很可能是受限于 Transformer 的注意力机制。此外,与轻量级树模型相比,部署过程更为复杂,且部分模型的最新版本增加了限制性的许可壁垒。
**结论:** 对于典型表格(不超过 30,000 行,少于 100 列),基础模型提供了更优、近乎瞬时的基准,是快速探索的理想选择。