据 @karpathy 称，他使用 GPT-5.1 思考 API 对 2015 年 12 月的 930 条 Hacker News 头版文章与讨论进行回溯自动评估，找出最具前瞻性与最不准确的评论，编写代码约 3 小时、运行约 1 小时、成本约 60 美元，来源：twitter.com/karpathy/status/1998803709468487877 与 karpathy.bearblog.dev/auto-grade-hn。 据 @karpathy 称，项目代码开源于 github.com/karpathy/hn-time-capsule，完整结果可在 karpathy.ai/hncapsule 浏览，来源：twitter.com/karpathy/status/1998803709468487877。 据 @karpathy 称，他强调回溯分析是训练前瞻预测模型的实用路径，并指出未来的大模型会以更低成本、更高速度、更高质量完成此类工作，来源：twitter.com/karpathy/status/1998803709468487877。 据 @karpathy 称，当月最具前瞻性的 HN 账号前十为 pcwalton、tptacek、paulmd、cstross、greglindahl、moxie、hannob、0xcde4c3db、Manishearth 和 johncolanduoni，来源：twitter.com/karpathy/status/1998803709468487877。 据 @karpathy 称，这些用时与成本数据为基于 GPT-5.1 思考的多文档 LLM 评估工作流提供了真实的成本-吞吐量基准，约 60 美元在约 1 小时内完成 930 线程的评估，供关注 AI 基础设施效率的交易者参考，来源：twitter.com/karpathy/status/1998803709468487877 与 karpathy.bearblog.dev/auto-grade-hn。

据Andrej Karpathy称，大语言模型应被视为能模拟多种视角的模拟器，而不是拥有自我观点的主体，来源：Andrej Karpathy 在 X。其建议是将以你为中心的提问改为询问不同群体会怎么说，这一方法可直接用于加密市场研究的提示词设计，来源：Andrej Karpathy 在 X。用于交易流程时，可以提示模型分别模拟多头、空头与做市商，以生成针对BTC与ETH的情景叙事，而不假设模型有个人立场，来源：Andrej Karpathy 在 X。他还指出，强行使用你只会让模型采用由微调数据统计所隐含的人格，因此基于角色的模拟才是进行AI辅助分析的正确心智模型，来源：Andrej Karpathy 在 X。

据@karpathy在X平台2025年11月24日发文称，作业中的AI使用无法被检测，现有AI检测器并不工作，显示学校对生成式AI的采用不可避免（来源：@karpathy，X平台，2025年11月24日）。 据@karpathy在X平台2025年11月24日发文称，他向学校董事会进行简报并分享应对要点，建议教育侧应适应AI而不是依赖检测工具（来源：@karpathy，X平台，2025年11月24日）。 据@karpathy在X平台2025年11月24日发文显示，帖子未提及加密货币或交易，因此未给出任何直接的加密市场影响（来源：@karpathy，X平台，2025年11月24日）。

据@karpathy称，他正在寻求AI“slop”的量化、可测定义，并表示目前只有直觉上的“slop指数”而缺乏正式指标。来源：@karpathy 在X，2025年11月22日。据@karpathy称，他考虑用LLM小剧集与“思考”代币预算来度量输出质量与成本。来源：@karpathy 在X，2025年11月22日。对AI与加密相关市场的交易者而言，该帖强调当前缺乏标准化LLM质量指标，这与模型评估与成本控制直接相关，是AI产品定价与基准的重要输入。来源：@karpathy 在X，2025年11月22日。