不同难度的编程语言对于 llm 来说，是不是无所吊谓

让 AI 写 perl 或 raku bug 率估计更高

训练方式模仿人的神经网络，不同复杂度的语言消耗的 token 可能不同

那建议读读这个 https://github.com/facebookresearch/programbench
省流: 有所吊谓

理论上是相同的, Transformer 架构的老本行就是机器翻译

我认为有，更大众的语言，更容易命中训练语料。

举个极端的例子，比如要求 LLM 不用任何库，手搓一个堆排序。一个用现代的 go/python ，另一个用上古时期的 COBOL 。

我猜测后者几乎没有什么训练的资料，会需要更多的 token 才能写出来，甚至还需要反复试错。

训练语料都充足的前提下，生态的丰富度应该会有影响，需要 LLM 自己实现的部分越多，出错的概率就越大

显然 LLM 写 Rust 比写 C++容易得多，前者能在编译阶段把很多错误和幻觉都制止了，而写 C++直接就写错，尤其是 C++里面的未定义行为经常测试不出来。

如非必须，就选 rust 和 java 之类的大众语言，定义严格的语言，llm 选这些能减少出错的概率，获得这些语言的一些好处。

感觉 rust 非常适合 ai coding ，编译期就能暴露一些问题

冷知识，llm 算 1+1 和算极端复杂的问题时吐出 1 个 token 的算力消耗一致

不是很理解心智负担在编程语言上的区别如何体现 能举两个语言当例子吗？