效率

Operators Cut 一期：主持人 Nathaniel（NLW）与实操嘉宾 Nufar 给出 slop 的工作定义——本该思考的人跳过了思考，成本落到接收方头上——并拆解机器与人两侧的成因（最可能答案=平均数、典型性偏好、认知吝啬鬼、外包思考），给出五问自检与五组习惯：开工前先有观点并声明置信度、执行中要六个方向并预设拦截点、评审时开 persona 董事会并尊重阅读预算、把品味教给AI沉淀成 skill、组织里点名 slop 但不必藏AI。Nathaniel 以新播客 How We Got Here 为例展示人机分工：研究与简报全交AI，观点与叙事架构绝不外包，六千字配套长文靠喂转写稿加五到十小时重写。两人共同判断：量产技能已民主化，差异化转向品味与意图。

青海大学与清华大学（含北京脑所）团队发布 RealSSA 真实场景音视频目标说话人提取基准，并提出单遍多尺度流式分离器 Falcon：用一次编码-解码遍历覆盖四个时频尺度，替代轻量模型多轮循环调用小分离器的范式，以 0.5M 参数在四个基准上超越全部因果基线；配合零推理开销的编码空间说话人对比损失显式推开近场干扰，且可迁移到 SwiftNet、Dolphin 等其他骨干。相对最强因果基线 AV-TF-GridNet，参数省 91.9%、计算省 20.2 倍、GPU 延迟降 11.1 倍。本精读深挖单遍多尺度与多轮循环的机制差异、对比损失为何推理零开销、RealSSA 基准设计与 20.2 倍效率提升的根源。