瓶颈从「生成」移到了「看懂」：LLM 输出的理解力阶梯
收藏数高于点赞数，说明读者把它当成"以后要照着用的操作清单"，而不只是观点。数据来自 fxtwitter 公开 API，抓取时刻的快照。
三句话读懂这条帖子
人的工作在上移
模型能自主干的活越来越多，人的工作会"沿抽象层上移"，变成监督和理解。真正稀缺的是看懂输出，生成已经不缺。
用 AI 帮你看懂 AI
智能和代码越来越便宜，所以可以要求模型做大型、定制、用完即弃的软件产物来帮你理解。这类东西以前做出来不划算。
四级理解阶梯
受控写作（ASD-STE100）→ 图 → HTML 交互页 → 3b1b 风格讲解视频。Karpathy 最看好最后一级，并说它"开始能用了"。
先说我的总体判断：方向成立，证据最硬的是前两级（受控语言、图示都有几十年实证），第三级有 2025 年 Google 的大规模偏好实验支持。第四级（视频）的工具链刚跨过"能跑"的门槛，可靠性和可审计性还是短板。另外，这条阶梯不是严格单调的：越往上信息带宽越高，但越难逐行核对，也越难跳读。这一点下面"批判性审视"一节详细展开。
逐段对照：他说了什么，没说什么
全帖的题眼是"理解"这个瓶颈。它延续了他 2025 年度回顾里 "LLM GUI" 的判断：文字是模型的母语，不是人的。
巧妙之处是借用一个已经被模型学过的外部规范名，一个词就能调用 53 条写作规则，不用自己写一长串风格提示。"80%"是软化开关，避免过度压缩。注意："LLM 很熟悉它"是他的个人判断，没有给出测试D。
帖子配图本身就是一张 STE 一页纸图解（下图）。从版式看，它很可能就是让模型生成的示范D 推断。
你正在读的这一页就是第三级的实例。
"3b1b 风格"的实际含义是：让模型写 Manim 代码（3Blue1Brown 的开源动画库）再渲染，而不是用像素级视频模型生成。这个区别很关键，下面"视频"一节有论文数据。
"用完即弃的软件"是他从 2025 年 12 月起反复出现的主线（见下方脉络时间线）。这次把它从"写工具"延伸到了"做理解材料"。
理解力阶梯：每一级换来什么，又付出什么
点击左侧梯级或上方标签切换。每一级给出：为什么有效（机制）、证据、成本、主要风险，以及可直接复制的提示词。
示意图中条形长度只表示定性次序（本页作者判断D），不是测量值。
ASD-STE100：航空维修手册里练出来的写作规范
ASD-STE100（Simplified Technical English，简化技术英语）是一种受控自然语言：它限制你能用哪些词、每个词只能有哪种含义、句子能写多长。它在 1980 年代应欧洲航空公司的要求，由欧洲航空航天工业协会（AECMA）开发，目的是让母语不是英语的机务人员不误读维修手册。A
当前版本是 Issue 9（2025-01-15）：53 条写作规则 + 约 900 个批准词，每个批准词只有一个词性、一个含义；另列约 1,200 个"不批准词"及替换建议。规范由 ASD 下属的 STEMG 维护，可免费申请，名称是注册商标（EUTM 017966390）。A C
Issue 9 的副标题改成了"Standard for Technical Documentation"，从"规范"升级为国际标准，现已用于国防、铁路和其他工业领域。
硬性上限（规则第 4–6 节）
另有软性要求：同一个东西始终用同一个词；不省略 the / a / this；程序用主动语态和祈使句；复杂内容用竖排列表；一段只讲一个主题。
改写示范（取自帖子配图）
It is imperative that the operator ensures the hydraulic reservoir is replenished prior to commencing operation.
Make sure that the hydraulic reservoir is full before you start the operation.
| 不批准 | 批准替换 | 规则原因 |
|---|---|---|
| ensure · utilize · commence | MAKE SURE · USE · START | 同义词收敛到一个批准词 |
| prior to · in order to · approximately | BEFORE · TO · ABOUT | 短词替换长词组 |
| close (adj，"近") | NEAR | close 只能当动词"关闭"：一词一义 |
| The valve is closing / has closed | The valve closes / closed | 不用进行时和完成时 |
| The valve must be closed（程序中） | Close the valve. | 程序句必须是祈使句、主动语态 |
证据：受控语言真的更好懂吗？
Boeing × 华盛顿大学（1995）A
Shubert 等人对比 SE 与非 SE 的飞机维修程序：SE 显著提高了复杂文档的理解度和信息定位能力；简单文档上差异不显著；阅读速度没有变快。非母语读者受益看起来最大，但样本量不均衡，没做统计检验。
175 名一线机务（1996）A
Chervak、Drury、Ouellette 用 16 张工卡（难/易 × SE/非 SE × 两种版式）测试：SE 显著提高理解，难工卡和非母语技师受益最大。这补上了 1995 年研究缺的统计结论。
LLM 时代的新数据C
开源 skill 作者用正则 linter 测 6 个 Claude 模型 × 8 个任务（96 次生成），称开启 STE skill 后"每百词违规数降 72.9%"，输出 token 也全面下降。注意：这只测了规则遵从度，没测人类理解度，而且是作者自测。
证据边界：STE 的收益集中在"复杂内容 + 非母语读者"。对已经很顺的短文，它可能只是让文字变干。Karpathy 说的"80%"恰好对应这个结论：保留短句、一词一义、主动语态这些高收益规则，放宽词表这种高成本规则。
动手试：80% STE 粗检器
粘贴一段英文，实时检查：句长（程序句 20 / 描述句 25）、常见不批准词、被动语态、进行时 / 完成时、名词串。只覆盖少数高频规则的启发式，不能代替官方认证。
为什么一张图有时顶一万个字
认知科学对这件事研究了近四十年。Larkin 与 Simon 1987 年的经典论文《Why a Diagram is (Sometimes) Worth Ten Thousand Words》A给出了机制：两种表示即使包含相同的信息，处理成本也可能差很多。文字是顺序排列的命题，图按平面位置索引。
图的优势落在三个环节：
- 搜索：一起用到的信息在图上挨在一起（位置索引），不用来回翻找。
- 识别：文字里隐含、要靠推算的关系，在图上直接可见。
- 推理：可以用知觉直接做推断，比如一眼看出谁连着谁、谁比谁大。
后续研究（Cheng，2004）在滑轮问题上测到：图示解法最多比等价文字容易 6 倍；而且表格并不总比文字好，说明图的优势不只是"把东西排整齐"。A
多媒体学习：图文 vs 纯文字
Mayer 多媒体原则的效应量（Cohen's d，迁移测试）。d > 0.4 通常视为有教育意义。
来源：Mayer 2021（13 项实验，13/13 为正）；Mayer 2017（5 项）；Fletcher & Tobias 2005（50+ 比较，二手转述）。Mayer 的中位数主要来自其本人实验室，跨实验室汇总的效应通常更小。
标题里的"有时"很重要：图的优势有条件。它擅长表达结构、关系、流程和空间信息。遇到精确的论证链、例外条件、法律式限定，文字往往更好。LLM 画图还有一个特有风险：图会把不确定的关系画成确定的箭头。所以 Karpathy 的"图比字好"应读作"结构性内容用图更好"。
让模型画好图的实用要点
选能被渲染的格式
Mermaid、Graphviz、PlantUML、内联 SVG：文本即图，能 diff、能改、能版本化。图像模型适合信息图，但文字容易出错，也不好修改。
先定图的类型
时序 → 时序图；状态 → 状态机；层级 → 树；对比 → 矩阵；因果 → 有向图。在提示里说清楚类型，比说"画张图"可靠得多。
要求标出不确定性
让模型用虚线表示推测关系、实线表示已证实关系，并在图下列出它做的假设，抵消"图让一切看起来很确定"的副作用。
"用 HTML 输出"：Google 用大样本实验做了验证
2025 年 11 月 Google Research 发表《Generative UI: LLMs are Effective UI Generators》A：让模型针对每个提示即时生成定制网页，再与四种形式做人类成对偏好评测。提示词随机取自 LMArena。
结果：不计生成时间时，评审者82.8% 的情况下更偏好生成式 UI，而不是标准 Markdown 回答；信息检索类问题上升到 90.5%。生成页面仍不如人类专家做的网站，但有 44% 的情况"至少相当"。作者认为这是新模型才涌现的能力。
同一能力已经产品化：Gemini App 的动态视图、Google 搜索 AI 模式、Claude 的 Artifacts，以及 Karpathy 在 2025 年度回顾里说的 "LLM GUI"。他当时就说：聊天文字像 1980 年代的命令行，人更喜欢视觉化、空间化的信息。C
五种回答形式的 Elo 得分
LMArena 抽样提示，成对人类评审。Elo 越高表示越常被偏好。来源：Leviathan 等，arXiv 2604.09577。
这个实验的关键前提：评审时不计生成速度。Markdown 回答几秒就出来，一个交互页可能要几十秒到几分钟。所以结论应读作"值得等待时，HTML 更好"，而不是"任何时候都该用 HTML"。
HTML 好在哪：比图多出的三样东西
可操作
滑块、切换、筛选。读者能自己拨参数看结果变化，这是"主动学习"，比被动阅读记得牢。本页的 STE 粗检器就是例子。
分层披露
先给结论，细节折叠，原文可切换。同一页同时照顾想扫一眼的人和想深挖的人，这是线性文字和视频都很难做到的。
可携带、可存档
单文件自包含，离线能开，可以搜索，可以转发。它比视频更容易被检索和引用，这是 HTML 相对第四级的隐藏优势。
"3b1b 风格"：模型写动画代码，而不是生成像素
3Blue1Brown 的 Grant Sanderson 用自己开发的 Python 库 Manim 做数学动画。"3b1b 风格视频"在工程上就是：LLM 写 Manim 脚本 → 渲染成矢量动画 → TTS 配音 → 合成。2025 年起有一批论文专门研究这条路线。
TheoremExplainAgent（ACL 2025）A
240 个 STEM 定理，生成 5 分钟以上的 Manim 讲解视频。o3-mini 智能体成功率 93.8%，综合分 0.77，和人工 Manim 视频的综合分持平。但元素布局是最弱项，失败大多来自模型编造不存在的 Manim API；不允许重试时成功率很低，允许 5 次重试可达约 90%。
人工制作视频 vs 智能体生成（GPT-4o 版布局分 0.59 → Code2Video 改进到 0.91）。
Code2Video（2025）A
规划器 + 编码器 + 审稿器三段式，用"视觉锚点"让 VLM 修布局。相对直接生成代码提升约 40%，并且优于像素级视频生成模型。它还提出 TeachQuiz 指标：先让 VLM"遗忘"一个概念，看完视频后再测能恢复多少。这是在测"看完学会了没"，而不只是"好不好看"。
产品侧：NotebookLM 的三步走B
Video Overviews 上线
AI 旁白 + 静态幻灯片。评测者说动效"大约是 2010 年 PowerPoint 的水平"。
Nano Banana 风格
白板、水彩、纸艺等 6 种画风；分为 Explainer（深讲）和 Brief（速览）两种格式。
Cinematic 模式
Gemini + Imagen + Veo 生成真正的动画讲解。
配音：付费 API 还是本地算力
| 方案 | 许可 | 硬件 | 适合 | 注意 |
|---|---|---|---|---|
| ElevenLabs | 商业 API | 云端 | 表现力、多语种、克隆音色 | 按字符计费；Karpathy 原文的默认选项 |
| Kokoro-82M | Apache 2.0 | CPU 约实时；2–3GB 显存 | 纯旁白、离线批量 | 无原生克隆；情感起伏偏弱 |
| Chatterbox | MIT | 4–8GB 显存 | 5–10 秒样本克隆音色 | "盲测胜过 ElevenLabs"是厂商委托的测试C |
| Piper | MIT | 树莓派级 | 极低资源、离线 | 音质明显较弱 |
"开始能用了"意味着什么：短片（1–3 分钟）、主题偏几何 / 流程 / 算法时，一次对话加几轮重试能出可用成片；长片、需要精确排版的公式推导、需要事实核查的内容，仍要人工审片。视频是线性的：错误藏在第 2 分 40 秒的一句旁白里，很难被发现。这是它和 HTML 最大的差别。
这条帖子在 Karpathy 思想线上的位置
把他近 20 个月的公开表述排在一起，能看出一条主线：代码从贵变便宜 → 软件变成一次性 → 一次性软件拿来帮人理解。
提出 "vibe coding"
不看代码、全靠对话写软件，这个词后来成为年度词汇。
MenuGen 实验
一行代码没写，做出带登录、支付的 web app。结论："本地 demo 很爽，部署成真产品很痛苦。"
Software 3.0 演讲（YC）
提示词成为新的编程语言，LLM 是新的操作系统。
2025 年度回顾：LLM GUI
代码"突然变得免费、短暂、可塑，用一次就扔"；他为找一个 bug 专门写了整个临时 app。并预言：聊天文字会像命令行一样被图形界面取代。
高度定制软件
1 小时让 Claude 逆向跑步机云 API，做出专属心率实验仪表盘（约 300 行）。"从长尾 app 商店里挑 app"的模式开始显得过时。
"很多代码根本不该存在"
AI Ascent 演讲：MenuGen 被模型直接拍照叠图的能力取代。同月提出"idea file"：分享想法，让对方的 agent 现场实现。
本帖：理解力阶梯
把"一次性软件"的对象从完成任务换成帮人理解：生成已经便宜，理解才是瓶颈。
社区已经把它做成了工具
JAICHANGPARK/ASD-STE100
Claude Code 插件：/ste 模式、agent skill、linter，基于 Issue 9。视频步骤用 3b1b 风格矢量动画加 TTS 旁白提示。
Ray0907/explain-ladder
把四级阶梯做成一个 skill：任意主题输出 STE 文本 / 一页图 / 交互页 / 旁白视频，每种格式都配一个机器检查。README 明说文本检查只覆盖部分规则。
v60samurai/claritymaxx
加了一条自己的规则：只爬到心智模型需要的那一级，能用图讲清楚就不做视频。这是对原帖最好的修正之一。
Shawnchee/andrej-explains
面向代码、PR 和 LLM 输出的讲解 skill，视频端可选 Manim、Remotion、HyperFrames 等渲染器。
也有团队把它列为待评估：一个 CI 规范仓库开 issue "agent 输出可读性策略（暂不采纳）"；一个韩国团队计划对内部报告文风做限时 A/B 测试"STE 80% vs 现状"。B
此前已有的质疑（HN，2026-07）
"马蹄形回归"
越约束自然语言，越接近编程语言本身。这呼应 Dijkstra "用自然语言编程是愚蠢的"的论点。
"Flesch 早就讲过"
和 Rudolf Flesch 的 Plain English 运动高度重合，而且 STE 带商标，开放替代方案在哪？
"一行 system prompt 而已"
不需要做成 skill，一行提示就够。这其实正是 Karpathy 的用法：一个规范名就是一行提示。
这条阶梯不是单调递增的
原帖每一级都说"但还有更好的"，读起来像一条单调上升的线。把"理解"拆成几个维度看，结论就复杂了。下表是本页作者的定性评估D，5 = 最好。
| 维度 | 受控写作 | 图示 | HTML 页 | 讲解视频 | 说明 |
|---|---|---|---|---|---|
| 首次理解速度 | 2 | 4 | 4 | 5 | 动画 + 旁白最省力，多媒体原则支持 |
| 可跳读 / 可检索 | 5 | 4 | 4 | 1 | 视频线性，无法 Ctrl+F |
| 可逐句核对 | 5 | 3 | 3 | 1 | 越往上，错误越容易藏在呈现里 |
| 生成时间 / 成本 | 5 | 4 | 3 | 1 | 视频要渲染、配音、重试，分钟级 |
| 可修改 / 可复用 | 5 | 4 | 3 | 2 | 改一句话 vs 重新渲染一幕 |
| 适合精确限定 | 5 | 2 | 3 | 2 | 例外条件、法律式表述，文字最强 |
风险一：流畅性错觉
心理学的"加工流畅性"研究表明，越容易处理的信息越容易被当成真的。精美的动画和网页提高的是"感觉懂了"，不一定是"真的对"。Karpathy 自己 2023 年说过：LLM 本质上就是"做梦机器"。越往上爬，越需要配套的核查手段。
风险二：理解外包
原帖的前提是"人的工作上移到监督"。可如果连"理解"都交给模型做的讲解材料，监督者看到的就是模型选择给你看的那一面。可行的对策：让讲解附带可追溯的来源和可运行的验证，例如 explain-ladder 给每种格式配机器检查。
风险三：证据不均
第一、二级有几十年实证，第三级有一次严肃的大样本偏好实验，第四级目前主要是能力演示和自动化指标。原帖本身没有引用任何研究，也没给成本数字。
修正后的用法
按内容选级别，而不是一律爬到顶：规则、限定用受控文字；结构、关系用图；要自己探索的数据和参数用 HTML；直觉性的连续变化（几何、动态过程、算法执行）才值得做视频。
一、给 AI 汇报加一条"80% STE"文风规则
在 Claude Code / Codex 的汇报约定里加一行 "Write reports 80% of the way to ASD-STE100"；中文汇报用对应的简明中文规则：一句一个动作、主动语态、同一事物同一叫法、单句不超过 35 字、少用"进行了 / 实现了"等虚化动词。成本：一行配置，可以 A/B 一周看效果。
"简明中文规则"是本页参照 STE 自拟的，中文没有对应的官方标准D。
二、对外汉语教学：受控中文就是 STE 的原始场景
STE 的实证结论是"非母语读者 + 复杂内容受益最大"，这正是外国学员读中文讲解的处境。可以给教材和课程讲解定一份"受控中文"词表：按 HSK 等级限词、一词一义、句长上限，再让 LLM 按这份规范改写例句和讲解。这是有研究支撑、而且同行少有人做的方向。
三、HTML 报告补一层"可审计"
四、用一节课验证第四级
挑一个"有连续变化"的知识点（例如声调曲线、汉字笔顺、部件组合），做 1–3 分钟的 Manim 动画 + 本地 TTS 旁白试片（中文旁白先比较本地 VoxCPM 和 Kokoro 的中文质量）。用"学员看前 / 看后小测"代替"好不好看"来评估，借用 Code2Video 的 TeachQuiz 思路。
可复制的提示词
参考资料与证据等级
- A Shubert, Spyridakis, Holmback & Coney (1995). The Comprehensibility of Simplified English in Procedures. JTWC 25(4) · DOI
- A Chervak, Drury & Ouellette (1996). Simplified English for Aircraft Workcards. HFES · SAGE
- B Simplified Technical English 概况（Issue 9、53 条规则、约 900 词） · Wikipedia / asd-ste100.org
- C STE skill 基准"违规降 72.9%"（作者自测） · explainx.ai
- A Larkin & Simon (1987). Why a Diagram is (Sometimes) Worth Ten Thousand Words. Cognitive Science 11(1) · Wiley
- A Cheng (2004). Why Diagrams Are (Sometimes) Six Times Easier than Words · Springer
- A Mayer (2021/2017) 多媒体学习原则效应量 · The Future of Multimedia Learning / JCAL 2017
- A Leviathan et al. Generative UI: LLMs are Effective UI Generators · arXiv / Google Research Blog
- A Ku et al. TheoremExplainAgent (ACL 2025) · ACL Anthology
- A Code2Video: A Code-centric Paradigm for Educational Video Generation · arXiv
- B NotebookLM Video Overviews 上线与 Nano Banana 升级 · Google Blog / 9to5Google
- C 开源 TTS 对比（Kokoro / Chatterbox / Piper） · OpenSpeech
- B Karpathy：Vibe coding MenuGen · bearblog
- C FourWeekMBA：Karpathy's Case for Discardable Software（核实 Issue 9 与商标号） · fourweekmba.com
- B 社区项目 · ASD-STE100 / explain-ladder / claritymaxx / andrej-explains
- B HN 讨论：ASD-STE100 Simplified Technical English for LLMs · news.ycombinator.com
局限：发帖不到一天，X 上的回复区没有被公开索引，本页没有覆盖回复区的观点；HN 暂时没有针对本帖的讨论串。Karpathy 年度回顾中 "LLM GUI" 一节使用的是二手摘要。