文章讨论了工作量证明与网络安全中漏洞检测的不同。作者指出，尽管工作量证明依赖资源投入，但在发现代码漏洞时，模型的智能水平才是关键。较弱的模型可能错误识别漏洞，而强模型则更少出现幻觉，难以发现问题。因此，未来的网络安全将依赖更优秀的模型和更快的访问，而非单纯的计算能力。
AI领域的竞争正转向上下文环境，成功在于有效利用模型智能，而非仅依赖模型本身。工程师需关注数据传递和上下文治理，以避免技术债务和复杂性。通过结构化检索和上下文缓存，企业可提升AI效率和准确性，确保AI持续积累知识。信息过滤能力将成为竞争优势。
上下文工程是优化大型语言模型（LLM）性能的学科，专注于输入设计与组织，通过提供丰富的上下文信息来提高模型输出的准确性和相关性。关键技术包括系统提示优化、提示组合和上下文压缩。尽管面临延迟和工具互操作性等挑战，掌握上下文构建将是提升模型智能的关键。
Thinking Machines Lab是一家新成立的人工智能公司，专注于开放科学和人机协作，团队由前OpenAI成员组成。公司致力于提升模型智能、基础设施质量和多模态能力，旨在推动科学发现和工程创新。
完成下面两步后，将自动完成登录并继续当前操作。
