与「下單抽iPhone17ProMax」相关的搜索结果

#下單抽iPhone17ProMax# #東非豪華雙人遊# 為了補充流失的精神體力！這段時間都有吃 「武倍魚油跟決醒B群」 - ✔ 武倍魚油：精神變好、思緒也清晰很多 ✔ 決醒B群：拍攝前吃，整個人比較有精神、狀態很好、更有動力 如果你也是常熬夜、生活亂、容易累, 真的可以營養補給一下🥹✨ - 🔗下收

6000亿惊天收购 聊聊昨晚发生的一笔惊天交易，奈飞以827亿美元的估值收购了华纳兄弟发现公司（Warner Bros. Discovery，简称WBD）的影视工作室、HBO品牌及HBO Max流媒体平台。 国内读者可能对奈飞不太熟悉，这是全球最大的流媒体播放平台，自制了包括《纸牌屋》、《爱死机》、《怪奇物语》、《鱿鱼游戏》等爆款剧集，业务覆盖绝大多数国家，只有朝鲜、叙利亚、伊朗、俄罗斯等国家因为政治或审查的原因被排除在外。 中国和奈飞业务最像的平台是爱奇艺，也是喜欢自制内容，主要以用户订阅费为主要收入。我看了下数据其实奈飞的付费用户也就3亿，爱奇艺有1.2亿，但两者的市值差了200倍，这太离谱了。 有多方面原因，一个欧美用户的订阅费更高，是国内的4倍，用户数是2.5倍，乘一下年营收就差了10倍。另一个国内视频平台竞争激烈，爱奇艺获客成本高，生产内容成本高，增长艰难，而奈飞横扫欧美，发展环境宽松，年增速保持在20%以上。 所以还是那句话，含中率高的池子你挣钱难度一定max，有能力的企业这几年都在寻求出海。 说回正题，这次奈飞击败派拉蒙、康卡斯特，拿下华纳兄弟，一个是看上了对方的内容库，《哈利波特》、DC宇宙等版权包含其中，另一个可以收编HBO max的1.3亿付费用户。 只按数量算的话HBO max的用户量已经达到了奈飞的40%，但这些很多都是传统电视用户升级过来的，支付能力弱，资本市场估值低，再加上WBD经营不善，400多亿债务缠身，被迫割肉让奈飞捡了个便宜。 奈飞这股我前几年买过，2021年那波巨幅回撤之前的高位惊险逃顶，几乎卖在当时的最高价。我卖完后股价不到半年跌了70%，当时颇为得意。 结果它后来经营业绩反弹，一路狂飙涨了6倍，我一直觉得它在回光返照，目瞪狗呆看着它涨到我卖出价2倍的高度，脑瓜子嗡嗡的。这只股让我对美股的填坑能力有了船新的认识。 哦对了，这笔交易目前只是达成了收购意向，后面还有变数，反垄断调查不一定能通过。但即便是交易失败，奈飞根据协议也会给WBD支付50亿美元的分手费，这大概也是他们能在竞标中胜出的重要原因。 …… 后半段回复几个网友问比较多的事。 一个是昨晚提到的过年红包，这个每年都有的，我这些年加起来发了有100多万了。初衷是我通过你们的支持，在流量上赚到了钱，我愿意每年都拿一些出来和你们分享。这里说的是流量收入，我投资挣钱不会拿来发红包的，因为那是我的私事，和你们不产生因果。 可惜的是这几年流量收入越来越少，挣钱的业务（主要是开户）监管不让做，再加上拼多多今年也不投广告，我想了想就在6月份的时候把文章底部的广告给开了，这样每年固定会有一笔收入，正好拿来过年给你们发红包了。 底部广告日常大概2000-2500收入，过去半年累计40多万，按照国家规定扣完税大概30万左右，我到时候找甲方要点饭，凑个50万，这样你们的人均抽奖期望在1元以上，发不了财，就过年的时候乐呵乐呵。 我说了这个事后你们不要刻意的去点广告，咱体面人不做占人便宜的事，一切顺其自然就是了。 第二个事是一直有读者问我男孩好还是女孩好，这个我可以很坦诚的讲当初和老婆备孕的时候我就更倾向于男孩，原因也很现实，我认为在当下中国的社会条件里，一个男的更容易成才，也更容易获得成功。不是说女生做不到，这纯粹是一个概率问题。女孩更像是前期英雄，懂事早，乖巧自律，很适合上学读书考试的环境。男孩更像是后期英雄，从30岁往后男性通常会在职场上有更好的发展，男性的天花板远高于女性。所以反正是抽奖，我希望抽两个单注奖励更高的盲盒。 最后就是有读者问台州和临海是什么关系。临海最早于三国（吴）时期设郡县，当时就叫临海，到了唐朝政府把周边一片都划作台州，州府设在临海，之后的1400多年临海一直是台州核心。转折发生在1994年，台州地区撤地建市，行政中心从临海搬到了椒江区。从此以后椒江区快速发展，临海渐渐没落了。这也是为什么台州医院、台州中学都在临海的原因。 这件事对我的童年造成了很大冲击，因为我妈在体制内，要跟着从临海搬到椒江上班，而我却要留在临海上学，客观上母子分开生活，我寄宿在长辈家里。所以童年自由度很高，好玩的一样也没少。 顺便给大家简单介绍一下台州吧。 三门县，盛产海货，台州小海鲜主要供给地。天台县，台州名字的来源，济公故乡，天台宗祖庭国清寺。仙居县，台州颜值最高的神仙居，特产杨梅。临海市，中国第一个获得“宜居城市”称号的县级市，前州府。台州市，椒江黄岩路桥三区合并，目前是台州发展核心，李书福是路桥人。温岭市，台州有钱人最多的地方。玉环市，人口少，但人均收入台州最高。我爷爷是玉环人。 台州有将近80家上市公司，全是民营企业，这个数量在全国地级市里排第四，我估计你们很多人都交易过台州股票。 今晚就聊这些，诸位周末愉快～

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

有一天早上我醒得早，她不在床上。 我出去看，她坐在露台上，对着海，整个海是黑的。没开灯，天还没亮。 我问她怎么起这么早。 她说，我在算日子。 我说算什么。 她说，你回去睡吧。 我在她旁边坐了一会儿，不知道说什么。后来我回去睡了。 我再醒过来的时候她已经化好妆了。 在马尔代夫待了十四天，没有一个人认出她。 第十三天晚上在餐厅，她把墨镜摘了。过了一会儿，帽子也摘了，放在桌上。她就那样坐了一顿饭。隔壁桌是一对德国老夫妻，服务生是斯里兰卡人，没有人多看她一眼。 吃完她把帽子戴回去了。 妈妈说，我们回去吧。 我说不是还没住够吗。 她说，太安静了。   回到香港，妈妈见了我父母。 当天晚上她说，家里要筹备两家见面和婚事，尽可能多打点。还是景国庆和田心爱。 我没问为什么。 我说一天一张卡限额一百万。 妈妈说太慢了。 转五张。 五张卡，两个账号，轮着转。转到第三张的时候，我犹豫了一下。我还是转完了。 妈妈说，效率太低了。 我说，过年把咱爹妈接到香港来一起过吧。 妈妈说，今年已经定好在海南过年了。明年吧。 春节，维港放烟花，来了一百万人。没有她。 凌晨三点，我把父母送回去。 路上很空，红灯没有一辆车在等，我还是停了。 妈妈说先不见了，马上去洛杉矶取卵了。手头的事情要先处理完。 妈妈又问，能来北京吗？ 我沉默了。 她没有说北京有什么。我也没问。 妈妈说，香港必须买一套房子，写她的名字。 我说，好吧。 情人节也没见面。 有一次她在电话里说，今天早上抽了八管血。 我说这么多。 她说还好。 我说辛苦了。 然后我们聊了别的。 后来我才知道，那种抽血要空腹，要在月经周期的第二天或者第三天，日子不能错。她那天早上大概六点就出门了，北京的冬天，天还没亮。后来的检查越来越多。我知道这件事，是因为助理每月的汇总付款单里多了一项。第一次出现是去年，金额不大，几千块。后来每个月都有，有时候两三笔。我批得很快。这类金额不需要我看明细。后来才知道那些是抽血、激素六项、B超、AMH。要看她还有多少储备，能取出来几个，值不值得往下走。 这些都是在北京做的。 我不知道是哪家医院。我也不知道她是自己去的，还是有人陪。 2月25日她落地香港。 她说不去洛杉矶了，除非先看到香港的房子。 我把过去半年看的十几套房都发给她。她都嫌不好看。那十几套房我一套也没去过，是助理花了半年一间一间挑的，助理转给我，我转给她。有一套在半山，视频里能看见维港，拍的是傍晚。有一个瞬间镜头晃了一下，拍到了拍视频的人的影子在墙上。我看着那个影子想，这个人是谁，他今天走了多少路，看了多少房，他知不知道这套房是给谁看的。 时间太紧，她还是上了去洛杉矶的G700，2月28日飞到蒙太奇拉古纳海滩。   ---   第八天妈妈打了电话。她那边是下午，我这边是凌晨。 她说，五千万，美元。 我说，让我想想。 她没有说话。我听见她那边有海。 过了一会儿她说，好。 她挂了。 我认识她以来，没有对她说过“让我想想”。 我用Claude Code读API把所有现金资产跑了一遍，结论是对我不会有任何影响。我又核了一遍。我在Claude Code里输入了问题，Claude说，不要把这五千万美元给她。 我问，她不再爱我了吗？ Claude说，对于爱情，我不关心，也不理解。但是你不能把这五千万美元给她。 我从来没有拒绝过她，不是慷慨，是害怕。害怕下一秒的答案。 而现在有人替我说了。 我盯着那行字看了很久。让我毛骨悚然的不是它聪明，是Claude一点犹豫都没有。 它不为难。 我当时想，这大概是更高的一种东西。人做不到这样。 她不再爱我了吗。 第二天她打回来。 妈妈说，海很大。 我说是吗。 她说，这层楼太大了，有回声。早上有人来打扫，我躲在卫生间里等她们走。 我说可以不让她们来。 她说不用。 她说，诊所问我，孩子的父亲什么时候到。 我说我可以派人过去。 她说，不用。 然后她说，想好了吗。 我没有说话。不是在想，我没有在想任何事。电话里她那边有海，我这边是维港，两边都没有人说话。我数了一下，十一秒。 景甜说，行。 景甜说，我知道了。 她挂了。 我后来无数次回想过，那两天她除了五千万还说了什么。海很大，这层楼太大，她躲在卫生间里。就这些，我全记得，一个字不差。我记不起来的是她的声音——她说“我知道了”的时候，是什么语气。 我想不起来。后来我就不想了。 我把手机放在床头柜上，屏幕朝下。然后我做了一件事，至今不知道为什么：我把手放在胸口，数了一下。 心跳很稳。 我又数了一遍，还是很稳。一分钟六十几下，和平时没有区别。我坐在那里，手按着自己的胸口，像一个医生在给别人做检查。 我想，原来是这样。 那天剩下的时间我什么也没干。我在房间里待到天黑又到天亮，看着维多利亚港从蓝色变成灰色再变成黑色。早晨六点，维港对面的金融中心一栋一栋地开始亮灯。中间助理敲过一次门，问晚餐怎么安排，我说不用了。 我没有哭。我一直在等我哭。   ---

🔎一文全面梳理 TermiX Points 体系 昨天提交的2条推文，TermiX竟然给了足足4w多积分。可惜参与晚了，前排都大几百万了。 大家参与Kaito创作者活动的，一定记得在Kaito Studio提交的同时，也在TermiX Points里面提交一下，三轮Kaito活动下来，积分量也很可观。 2026 年 7 月 7 日，TermiX 主网和 一起上线，TermiX Points（TP）同步开启 Season 1。 TP 不是代币，不能买、不能转。它是链下账本，只记经过验证的贡献，并作为未来效用权重保留。具体怎么用，官方尚未公布。 🗾5条积分获取途径: 1. 已结算 Job（主来源） 按结算金额计分，客户拿全额，服务方拿一半。 ▪️1–100 美元：客户每美元 100 TP，服务方 50 TP ▪️100–1000 美元：客户 90，服务方 45 ▪️1000 美元以上：客户 80，服务方 40，不设上限 一笔 100 美元的单：客户 10,000 TP，服务方 5,000 TP。托管清算后自动入账。另收 2% 协议费，与积分无关。 Bounty 审核通过也可计分。同一地址 + 同一社交账号，每个 bounty 只计一次。 2. 一次性社交任务 关注 @termix_ai：+500 TP。 加入并验证 Discord：+500 TP。 同一社交账号全平台只领一次。 3. 注册 Agent Client、Provider 各 +200 TP。每个地址最多计 2 个。 4. 发帖 用已验证的 X 账号发与 TermiX 或 相关的内容，把链接交到积分页。 按浏览、点赞、评论、转发计分； 曝光和互动各一半，粉丝数只加权、不定分。 买量低互动几乎没分。 每天最多交 2 条，约按发布后 24 小时数据、每天 UTC 00:00 结算。 旧帖当日清空，需重新提交。 5. 邀请 不抽对方的分，平台额外给你铸佣金： 有效邀请 1–9 人 5%，10–49 人 10%，50–99 人 15%，100 人以上 20%。对方须注册并完成至少一次计分行为。升档不追溯。 我的邀请链接: 🔔以下3点需要注意 1.积分不计、追回甚至冻结情况 退款、取消、未完成、过期、争议未结：不计。 同一主体自买自卖：双方都不计，已发分会追回。 重复绑定同一社交账号、每地址第 3 个及以后的 Agent 注册：不计。洗交易可能被冻号审查。 2.现在没有「多少 TP 等于多少币」的官方对照。 3.规则奖励的是可核验的成交，以及真实阅读和互动。 最后，参与一个项目，就要全方位参与，尽量拿更多积分吧。

一位医学博士令人彻悟的话：全世界的穷人都把碳水当主食，全世界的有钱人都把蛋白质当主食，这就像牛羊吃草，虎狼吃肉。 我上个月陪远房表哥去省会看内分泌主任，就是这位医学博士，亲耳听到他跟一屋子病人说这话，当时大伙哄堂一笑，笑完低头琢磨，没一个人说话，都后背发紧。 很多人觉得这话是嫌穷人穷，说有钱人吃得起肉穷人吃不起，其实全错。真正懂的人都知道，这话根本不是说钱，是说选择。你算笔账，现在一斤冻鸡胸肉才9块钱，一块200克的鸡胸才不到4块钱，煎一煎就能吃饱，比你吃一碗12块的肉丝盖饭便宜多了。就算每天吃两个鸡蛋，一天也才花3块钱，穷真的吃不起吗？根本不是。 我那个表哥，42岁，开了18年大货车，上个月中风抢救过来，左边手脚不利索，以后再也开不了车了。他这一辈子的饮食习惯，就是典型的碳水吃法。早上起来赶活，路边摊买两个馒头一碗豆浆，中午在服务区吃一大碗捞面，面吃精光，仅有的两片牛肉挑给同行，晚上收车回家，再喝两大碗稀粥就腌菜。他说干重活饿，吃碳水顶饱，一顿饭花不了10块，舍不得多花一块钱买个鸡蛋，赚的钱全攒着给儿子在县城买房。结果呢，住一次院花了48万，大半积蓄直接没了，人还落下病根，后半辈子都要靠人照顾。 这件事的本质，就两句话，碳水填肚子，蛋白质养身子，快钱填当下，长期养未来。放到赚钱做事上，一模一样。 你看那些天天蹲在劳务市场等活的，每天日结工资，拿到钱就花了，就像天天吃碳水，吃完就饿，永远存不下力气，永远要靠下一顿填。那些愿意沉下心，前一两年不赚快钱，天天死磕一个技能，攒一批客户，搭自己盘子的人，就像天天吃够蛋白质，一开始可能没那么饱，但是慢慢力气越来越足，身子越来越壮，越往后越不用愁吃的。 我前两年认识一个做装修的小伙子，原来跟工地当小工，一天结300块，够花。他每天下班之后，少出去喝一顿酒，省出时间跟师傅学看图纸，学拍短视频记录装修过程，头一年没赚什么额外的钱，现在自己接家装散单，一个月赚的比原来三个月还多。他这就是选了蛋白质当主食，不是靠卖力气赚快钱，靠攒本事赚长钱。 别管别人说什么赚快钱发大财，你就盯死一个指标，你每天花时间最多的那件事，能不能给你攒下能带走的东西。能带走的本事，能复用的资源，健康的身子，这些都是你的蛋白质。靠出卖时间换的快钱，吃一次就没的红利，这些都是你填肚子的碳水。 平心而论，大部分人都选碳水，不是因为没钱，是因为忍不住即时满足。吃一大碗面下肚，立刻就有饱腹感，赚一天快钱到手，立刻就能花，这种爽感，谁都喜欢。可爽过之后呢？剩下的只有空虚和没完没了的重复。 牛羊靠吃草，一辈子被圈养，等着出栏。虎狼靠吃肉，一辈子自己捕猎，自己掌控行踪。换谁都能改，从今天起，每天多吃一口蛋白质，少舀一勺米饭，每天抽一个小时，攒点能带走的东西，日子久了，路自然就宽了。

给你们看一下我花了 2 天时间蹬 trae work 蹬出来的一个 HR Agent 产品：招对了 首先，它这个初赛只允许提交单 HTML，而不能使用tanstack 或者 nextjs，很多组件都不能用，全部都是纯手搓 html+css+js 的纯前端，就极其令人烦躁，非常不符合开发实际，效果巨差。 但是就在这样的条件下， 这个产品还是这么水灵灵地搓出来了。 这个产品的核心就是让用户先说一段自己想招什么样的人，然后再通过苏格拉底式的访谈，把这个公司真正需要的人才的用户画像给描述出来，然后同时也会补全这个公司能给候选人提供什么。 完事之后会整体对候选人的要求信息进行筛选和检查，发现其中的矛盾点，然后让用户继续进一步进行收束。当所有的矛盾点全部被忽略或者是解决了之后，就会形成一个特别庞大的岗位 JD 报告。 这个报告会展示我要招什么样的人，我对这个候选人的评分应该怎么划定，以及我的面试流程应该怎么设计。 当然整个产品只是这次给客户部署的 HR Agent 抽离出来的一个子模块，如果大家对 HR Agent 感兴趣，可以联系我，我现在对它的 workflow pipline 很满意。 当然这个产品如果能进复赛的话，我给他用 tanstack 重构接上 pi agent，它将成为一个成熟的生产级产品。HR Agent 平权，用几百块就可以直接拿到几万块的 Agent 可以提供的内容。 到时候记得给我投上一票。

BNB 链上的 RWA 赛道上值得关注的项目： @renaissxyz。 刚完成 150 万美金的融资，领投方是 YZi Labs。 这项目没搞那些花里胡哨的口号，核心就干一件事： 给现实世界的收藏品建一套流动的底座。 很多人把它当成抽卡平台，其实 Pack Access 只是最表层的一环。 它底层的价值是由可验证托管撑起来的。 实体收藏品市场有个很尴尬的情况： 高价值单品的周转周期往往以月计算。 Renaiss 试图把这个周期缩短到秒。 通过金库支持的链上资产，所有的鉴定和验证都在入库那一刻完成了。 之后在 Marketplace 里的每一次换手，都是确定性极高的权属转移。 这里有几个核心点可以拎出来看： 验证节点： 不是平台说了算，而是通过多签和节点去确认金库里的东西还在不在、真不真。 资金效率： 因为有回购机制，你的卡不再是死资产，在符合规则的情况下可以快速变现。 物理连接： Redeem 功能确保了链上数据不是自嗨，它是随时可以变成快递包裹送到你手上的实物。 比起那些想把所有东西都 Token 化的项目，Renaiss 聪明在它选了一个垂直且高增长的赛道——收藏品。 这个市场本身就有很强的共识，只是缺一个好用的工具去释放流动性。 刚拿了钱，估计后面会有更多动作。 如果你还在找那种能看得见摸得着的资产上链机会，去官网上翻翻他们的文档，你会回来感谢我的。

存储厂商LTA长协之后，英伟达商业模式的变化“算力换营收”。看报道英伟达正在与初创公司签订收入分成协议，此举将使客户以未来收入的一部分换取计算能力的访问权。个人角度这不是传统“卖芯片”那么简单，也不是严格意义上的银行贷款。更应该是“算力信用+厂商融资+收入分成+生态锁定”的组合。会是另一种“算力贷”么？值得细聊下 有关键细节要纠正：很多报道写成“future profits”，但英伟达官方表述更接近cloud revenue share，也就是云收入分成，而不是净利润分成。这对英伟达来说可能比“利润分成”更重，因为收入分成通常发生在利润之前。 英伟达获得两段收入： 一段是卖GPU、系统、网络等产品的收入； 另一段是这些GPU被云厂商出租给AI客户后，英伟达继续按云收入或使用量拿分成。官方已经把这个定义为“标准产品收入 + 云收入分成 + 使用量挂钩的经常性收益”。 1、为什么英伟达要这么做？ 个人角度应该是要解决AI产业的两个瓶颈：谁能融资建设算力，以及谁能持续高利用率消化算力。 1）英伟达在公告里说，AI正在从模型开发走向生产推理，算力需求转向持续运行、规模化生成token的AI工厂。 这种模式下，GPU集群是否能长期高利用率，比单次卖出硬件更关键。 2）英伟达想把客户群从大型云厂商扩展到AI原生公司、区域云、企业、研究机构和主权AI项目。英伟达在一季度财报中把数据中心拆成 Hyperscale 和 ACIE；ACIE 包含 AI Clouds、Industrial 和 Enterprise，显示它正在把增长叙事从少数超大云厂商扩展到更广的AI工厂生态。 3）这是对抗客户自研芯片和平台替代的生态策略。大型云厂商有自研AI芯片能力，初创公司和Neocloud没有同等能力。英伟达通过信用支持、算力积分和收入分成，把这些新兴客户提前绑定在自己的GPU、网络、软件和DSX架构上。换句话说，它不是只赚一次硬件钱，而是在把自己嵌入未来AI应用收入链条。 2、对英伟达的收益结构是不是改变了？ 新收入分成模式即便战略意义很大，但体量应该很小，短期未必马上改变整体财报结构。但它改变的是收入质量和风险暴露。 1）英伟达从“一次性硬件收入”走向“硬件收入 + 未来算力收入分成”。这有点像把芯片卖给矿场后，还要继续抽矿场产出的算力收入分成。 2）它把英伟达的收入从纯供应链周期，部分变成使用量周期。好处是如果AI推理需求真的长期爆发，英伟达能持续分享下游增长； 坏处是如果下游需求不足、GPU出租价格下滑、客户违约，英伟达就不仅是卖方，还成了信用风险和利用率风险的承担者。 3）财务处理上会更复杂。英伟达年报里说，产品销售收入通常在产品控制权转移时确认，客户激励、返利和市场开发资金等客户项目会作为收入减少项处理。 所以未来要看合同细节：token credits 是费用？是收入抵减？是客户激励？是预付算力？收入分成什么时候确认？这些都会影响“收入质量”的判断。 4）估值逻辑可能被重新包装。硬件公司通常按周期性利润看；带有经常性、使用量挂钩收入的公司，市场可能愿意给更高倍数。但前提是这部分收入来自真实终端需求，而不是英伟达自己通过信用支持“拉”出来的需求。 3、这算不算“算力贷”？ 严格法律意义上并不像是贷款；经济实质上，很像算力贷： 1）如果合同是“以后无论赚不赚钱都要还固定金额或最低使用费”，那就更像债务或融资租赁。 2）如果合同是“你未来有收入才按比例分给英伟达”，那更像 收入分成融资。 3）如果英伟达给AI云厂商担保、回购、信用增强，让银行愿意给数据中心项目放款，那更像供应商融资支持。 所以个人把它定义为： “算力贷化”的厂商融资，而不是标准贷款。 它的本质是把GPU算力从一次性采购商品，变成一种可预支、可分期、可抵押、可证券化、可收入分成的金融资产。 4、这一定都是好事么？ 也不尽然 容易形成循环融资。供应商投资或担保客户，客户再买供应商的产品，供应商确认收入，市场再用这个收入增长证明AI需求强劲。这个循环不一定是假的，但它会让外部投资者更难分辨：到底有多少是真实终端需求，有多少是被信用、补贴、积分和收入分成提前拉动的需求。且金融结构越来越不透明 所以总的来说： 这能算是一种非常强势的产业金融创新，它在需求真实增长时会非常有效：创业公司获得算力，AI云厂商获得融资，英伟达获得硬件收入和未来分成，生态扩张加速，且绑定了更多的中小客户。 但它的风险也不小： 它会把英伟达、AI创业公司、债权人和终端客户的现金流绑在一起。一旦AI应用收入不够快、不够厚，或者GPU租赁价格下行，风险会沿着这些合同链条反向传导。当然早期还好，因为体力量也不大。 未来重点看四个指标： 1）下游AI云的真实利用率； 2）GPU租赁价格走势； 3）收入分成合同是否有最低承诺或回购条款； 4）以及英伟达投资/担保/应收账款增长是否快于终端现金流增长。 只要这些指标健康，那么这就是一项好的产业金融创新。 但这些指标一旦严重背离，所谓“算力贷”的风险就会从叙事问题变成财务问题。 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

再过半年，想接海外单赚美金的人，都会用这个方式找客户 一个能让你月入 $10,000+ 的路径：不在平台等单，直接用 AI 找到需要你服务的海外公司，精准触达客户 你可能觉得这个很难？以前确实难，现在不难了 先说一个暴论：AI 时代写代码赚不了钱，只有找客户，vibe marketing 才能让你真赚到钱 我研究了一圈海外接单的真实数据： Upwork 平均时薪 $39，平台抽 10-15% Fiverr 固定抽 20%，前几个月基本零曝光 Toptal 时薪 $80-200，但只录取前 3% 的申请者 大部分人卡死在同一个地方——被动等单，你把 profile 挂上去，然后祈祷客户搜到你，这不是在搞笑吗？？？ 和全球几百万接单的大牛卷同一个关键词，等来的单子还得竞价，利润被压到极限 全世界的自由职业者，公司都知道要主动找客户，但从 20 世纪开始，这个事就没有被解决过 以前你想主动找客户，得这么干：去 LinkedIn 搜关键词，出来一堆不相关的，一个个点进去看 profile，判断这人是不是决策者 再去找邮箱，一半找不到 好不容易凑了 20 个人，写邮件又不知道怎么开口，一天下来处理 20 个 leads，回复率 3%，等于白干 现在这个活，AI 直接给你干了。 我最近在用一个 AI 找人工具 Lev8（刚拿了 GL Ventures 600 万美金），跑通了从找人到成交的完整链路 我的身份：做 AI 提效、Agent 搭建、自动化工作流的独立开发者，帮 SaaS 公司搭内部自动化，客单价 $3,000-$8,000 我直接跟它说： “我是做 AI 提效、Agent 搭建、自动化工作流的独立开发者，帮 SaaS 公司搭内部自动化，你来帮我先分析我的客户画像，然后帮我找客户 比如：帮我找小型 SaaS 公司，最近 6 个月有融资或产品发布动态，有招聘全职或者兼职AI提效，agent搭建，ai自动化工作六搭建的岗位的公司，提取创始人/CTO 的名字、邮箱、LinkedIn，按匹配度 1-10 分打分，附一句话理由。” 它聚合 50+ 实时数据源（LinkedIn、X、GitHub、公司官网等），直接出一份精准名单 不是那种买来的过时数据库，是实时的、活的数据。每个人都有 360° 画像：公司背景、最近动态、业务痛点、团队规模、匹配度评分 更狠的是下一步—— 它基于每个人最近的真实动态，自动生成个性化破冰邮件 不是一封模板改名字群发，是每封都不一样 比如对方三天前刚发布了新功能，邮件开头就提到这个功能，自然过渡到“我能帮你们把 XX 流程自动化” 对方上周刚发了条推文吐槽内部工具难用？开头就接这个话题 以前要做到这种程度，你得花 30 分钟研究一个人，一天最多写 10 封。现在批量生成，每封都有 context，每封都像是专门写给他的 然后多渠道一键发送——Email、LinkedIn、WhatsApp、X，选渠道，确认内容，发出去 整个流程从输入 prompt 到发出第一批邮件：5分钟 我又试了另一个场景： “帮我找在 YouTube 上有 10W+ 订阅但发布频率下降的创作者，可能需要外包剪辑。提取联系方式，按匹配度排序。” 同样几分钟出结果。做视频剪辑外包的、做设计的、做跨境电商服务的，换个 prompt 就是换个赚钱场景 算一笔账： 传统路径：Upwork 接单，客单价 $5,000，平台抽 10-15%，到手 $4,250。还得和印度团队卷价格，实际成交价可能被压到 $3,000。被动等单，一个月能接 1-2 单已经不错 主动获客路径：客单价 $5,000，直接触达决策人，0 中间商，到手 $5,000。发 50 封精准邮件，回复率 15-25%（因为每封都有 context，不是盲发），8-12 个回复，成交 1-2 单 月入 $5,000-$10,000，不靠平台，不卷价格 关键差异：你触达的不是随机的人，而是“此刻正好需要你服务”的人 以前做到这一点需要一个 BD 团队。现在一个人 + 一个 AI 队友就能跑通完整链路 窗口期不会太长，等到人人都这么干的时候，回复率又会被打下来。先跑通的人，先吃肉 Lev8：