出门散步15分钟，我让笔记本上的本地AI先猜我会遇到什么，回来再对答案。模型没输，我输了——输给了自己住了很久却没走透的小区。

这是Hacktoberfest开源AI挑战第一周的作品，主题叫"Touch Grass"。我的日常是健身房加书桌，久到连自己所在的街区都只是路过，从没真正看过。于是我给散步找了个理由：每次出门前，我和本地模型Gemma 3 4B各自预测这趟会遇到什么，走完回来比谁更接近现实。（我没有每次都严格遵守这个顺序，下面会讲。）

打开网易新闻 查看精彩图片

项目叫Ground Truth Walks。"Ground truth"是机器学习里"真实答案"的意思，我走到地面上，去拿属于我的那份真实答案。

六项固定，惊喜不算分

每次预测只覆盖六件事：路过的摩托车、看到的狗、听到的不同鸟叫、遇到在卖东西的人、跟我打招呼的人、有没有听到发电机。

工具是个小巧的Rust命令行程序。它先存下我的预测，再向Gemma提问，走完才揭晓模型的数字，最后给所有人打分。

为了让实验站得住，我提前定了几条规矩：

  • 六项内容每次都不变，意外情况（山羊、母鸡）只写进备注，永远不计分
  • 我的预测在模型运行前就已存盘
  • 命令行在打分前不显示模型的预测结果
  • 三份模型预测全部生成前，不能录入现实结果
  • 每次模型调用都是独立请求，温度0，随机种子42

模型跑在CPU上，没有GPU，不联网。提问分三个上下文层级：L1是通用提问，L2加上城市，L3再描述地点、日期和时间。回答的JSON结构每次都一样，也不告诉模型自己在参与实验。

在我的机器上，相同的L1和L2提问，在每次记录的散步里返回了完全相同的输出。CPU上跑得慢，因为三次预测要依次进行。

我把自己定的规矩破了个遍

一个关于离开屏幕的实验，最后变成了我能用多少种方式打破自己规矩的实验。

试走那次就不干净。我在已经知道看到了什么之后才跑Gemma，还用了默认的随机性。更早测试想法时，我重复同一个提问，它先说15辆摩托车，又说20辆，再说18辆。之后我固定了设置，试走的数据被排除在结果之外。

鸟叫这一项我数错了东西。字段要求的是"不同的鸟叫声"，但001次散步我数的是看到的每一只鸟：20。我能听到很多种不同的鸟叫，却没数出确切数量。填20等于悄悄改了定义，所以那次散步我把这一项排除在计分之外。工具现在允许我跳过任何数不准的项。此后我只用真实计数来打分：002次是10，003次是14。

我粘贴了一串命令，工具当场拆穿了我。record命令紧跟在new后面就开始执行，那时我还没出门。它发现中间没经过任何时间，现在它要求我先输入WALKED，才接受这么早录入的结果。

002次散步我忘了在出门前运行工具。我的预测是凌晨4点写下的，确实在散步之前，但Gemma的预测是回来之后才生成的。模型看不到现实，它的L1和L2答案和001次完全一致，所以我把这次算进了结果。但协议的意义正是证明事件顺序，这一次工具证明不了。

总分也误导了我。摩托车以几十计，其他项都是个位数，平均值几乎就是摩托车得分。现在我把每一项分开报告。

三次散步，都在工作日下午5点左右

001和003次完整执行了协议：我的预测和三份Gemma预测都在出门前存好。002次我提前写下了自己的预测，但Gemma是回来后才跑的。所以我把结果按两种方式呈现。

严格对比只取001和003次，按每项平均绝对误差计算，越低越好。鸟叫在001次被跳过，那一行只靠一次散步支撑。探索性敏感度检查则纳入全部三次，包括002次。

我原本想知道的，是一个小模型能把我这条街想象得多准。没想到的是，我自己有多少地方从没走过。每一次散步，包括试走，都把我带进了从没去过的角落。有些街道拐弯多到让我意识到，一个初来的人稍不留神就会迷路。

散步数据都留在我自己的机器上，仓库里附了一份示例散步，方便别人自己试打分。