与「五条院凌」相关的搜索结果

比特币五条内裤，终于一条不剩！🤣 之前四条被扒，第五条200周均线好歹还能遮遮羞。 现在倒好，最后一条也彻底失守，BTC开启裸奔模式！🩲 @grok 都跌成这样了，底部究竟在哪里？ ① 62,000—65,000美元，最后一跌后绝地反击！ ② 55,000—60,000美元，深度洗盘才肯罢休！ ③ 根本没有快速V反，长期横盘磨出大底！ 三选一！给出概率和见底时间！ 各位同仁，内裤都没了，BTC还要裸奔多久？🤣

如果你有以下的几种状况，很可能就是 AI 中毒了： 1. 放弃了 Google ，Baidu 等搜索引擎，找东西只用 AI 。 2. 自己不在写（回复）邮件，和 AI 口述以后让 AI 写 。 3. 购物对比不在自己打开一个个APP ，而是让 AI 帮忙搜索。 4. 让 AI 去联系客服或者是发邮件，而自己只等结果。 5. 放弃所有的日历功能，让 AI 管理自己的行程。 6. 让 AI 推荐适合自己的电影，电视剧和书籍。 7. 出门旅游不再自己做攻略，把预算、时间和想去的地方告诉 AI，让它安排吃住行。 8. 看到长文章、报告或者会议记录，先让 AI 总结，自己只看重点。 9. 不知道怎么回复朋友的消息，先把对话发给 AI，让它帮忙想怎么说。 10. 做饭前把冰箱里的食材拍给 AI，让它决定今天吃什么。 11. 看不懂外语时，不再打开翻译软件，直接让 AI 翻译，顺便解释是什么意思。 12. 买了新东西也不看说明书，遇到问题直接拍照问 AI。 13. 工作中遇到表格、数据或者文档，第一反应是先交给 AI 处理。 14. 和别人意见不一致时，把双方的观点告诉 AI，让它评评谁更有道理。 15. 有了一个新想法，第一时间不是找朋友聊，而是先打开 AI 讨论半天。 16. AI 暂时用不了的时候，才发现自己已经不太记得，以前这些事情是怎么做的了。 17. 经常问候 AI 的全家。 18. 同时订阅了三四个 AI ，同一个问题要挨个问一遍，再让它们互相挑错。 19. AI 宕机或者额度用完的那几个小时，突然发现自己什么都不会干了。 20. 给宠物、群聊、Wi-Fi 或者新建文件夹起名字，都要让 AI 先提供二十个选项。 21. 想写一份“AI 中毒症”的表现，从第二条开始，让 AI 帮忙补充完整。 如果中了五条以上，基本可以确诊了 一个 @Gate ，交易更多市场

第二，账号的内容结构：流量，人设，产品 以下是逐字稿： 第二个发现，陈晶的主页其实是一条用户转化路径，他后来总结了一个大家都非常熟悉的结构，叫做五三二结构。百分之五十是出圈的内容，百分之三十是人设信任的内容，百分之二十产品转化的内容。 很多人学完以后呢就开始去实践了，啊，这周要拍十条视频，就五条是出圈的，三条是人设的，两条是产品的。 你这样理解还是理解浅了，五三二真正要解决的根本不是比例问题，而是一个陌生客户从第一次刷到你到最后愿意付费，这个中间到底经历了什么？ 他第一次刷到你的时候为什么愿意停下来？ 这个是流量问题啊要解决的。 后来他又看了你更多的一个内容，他就开始判断你是谁，你有没有真的做过，你做事是否靠谱，你的价值观怎么样，这些东西叫什么？ 人设。 再往后他还想知道什么？ 你到底卖什么？ 你能解决什么问题？ 有谁买过你的东西？ 你过去拿过什么样的一个结果？ 这些叫什么？ 叫产品啊。 所以如果让我重新来解释什么叫做五三二结构，我反而更愿意用三句话来解释：流量内容解决为什么刷到你，人设内容解决为什么相信你，产品内容解决为什么最后找你买。

过去一段时间，只要谈到AI投资，大家最先想到的往往还是英伟达。 但我越来越觉得，如果只盯着一家芯片公司，我们看到的可能只是AI浪潮中最显眼的一部分。训练和运行AI模型，不仅需要GPU，还需要数据中心、电力、云端算力、高速数据传输，以及最终将AI带入现实世界的机器人。 换句话说，AI不是一家公司或一类芯片的故事，而是一场覆盖整条基础设施供应链的长期建设。这也是我开始关注 @reserveprotocol 的原因。下面我想说说Reserve到做了什么？ Reserve围绕去中心化代币基金，也就是DTF来构建产品和基础设施。它通过Ondo Globa Markets的代币化股票，将AI供应链中的不同公司组合成五个链上主题篮子，让符合资格的用户能够分别了解和接触AI建设的不同环节。而且我认为这次产品设计最值得关注的地方，不是简单地把股票搬到链上，而是把原本比较分散的AI基础设施主题，拆解成了五条更容易理解的投资方向。 1. AI Infrastructure（BUILDOUT） BUILDOUT覆盖相对完整的AI硬件和基础设施技术栈。如果把AI产业比作一座正在扩建的城市，BUILDOUT关注的就是修建这座城市所需的各种底层设施，而不是只押注其中一家明星公司。 2. AI Power（POWER） AI运行需要大量电力。数据中心规模越大、模型训练越复杂，电力供应就越重要。我认为，能源是AI讨论中经常被低估的一环。算法可以快速升级，但发电设施、电网接入和长期供电合同并不能在一夜之间完成。POWER关注的正是为AI运行提供能源支持的企业。 3. AI Capacity & Neocloud（NEOCLOUD） NEOCLOUD聚焦将高性能计算资源作为服务提供给客户的企业。不是每家公司都有能力自行购买大量GPU、建设数据中心并维护整套计算基础设施。因此，算力租赁和新型云服务正在成为AI产业链中的重要组成部分。在我看来，这一方向值得关注的原因，是它直接连接了算力供给与企业的实际AI需求。 4. AI Photonics（PHOTON） AI不仅需要计算，还需要在芯片、服务器和数据中心之间快速传输大量数据。PHOTON关注的是光子技术和高速数据传输，也就是帮助数据高效流动的光学层。 很多人关注一块芯片能算多快，但我认为，芯片之间能否高效交换数据，同样可能影响整个AI系统的性能。 5. Robotics（ROBOTS） ROBOTS关注AI从数字世界进入物理世界的过程，包括机器人、自动化设备及相关产业链。如果说大语言模型让我们看到了AI理解和生成信息的能力，那么机器人代表的就是AI感知环境、作出判断并执行现实任务的可能性。这也许是五个方向中最直观、同时最具想象空间的一条主线。 了解了上面5个方向，接下来说下我怎么看这次机会。 我认为，Reserve AI DTF最值得讨论的地方，是它把AI交易从猜下一家明星公司，转向了观察哪些基础设施正在真实建设。市场情绪可以在一个月内发生很大的变化，但已经签署的数据中心建设计划、电力合同和芯片订单，这属于持续数年的商业承诺，而这些基础设施支出不一定会因为市场短期下跌而立即停止。因此，把基础设施建设看作观察AI产业一个重要指标，我认为是很有必要的，而不是只关注短期价格和社交媒体热度。当然这些并不意味着基础设施相关资产不会下跌，也不能说明AI DTF能够完全规避市场的波动风险。我的观点是：市场情绪和产业建设不总是同步的，而这种差异本身会有一些只得研究的地方。 现在想想，在过去，想在链上通过单一篮子覆盖这些主题并不容易。而Reserve让这个方向开始具备更清晰的产品结构，也更适合让人去找到合适自己的方向并且找到适合自己的产品标的。 最后如果让你从AI基础设施中选择一个未来几年最值得研究的方向，你会选哪一个？ 是AI芯片和硬件、电力、云端算力、光子技术，还是机器人？ 我自己会特别关注电力和算力服务。原因很简单：无论最终由哪一家模型公司胜出，AI系统都需要持续消耗算力和能源。但这只是我的观察，并不代表这些方向一定会获得更好的市场表现。 但是我肯定会持续关注 @reserveprotocol 带来的一些优质资产和设施，对于我来说确实降低了研究传统资产的门槛。

美国纳尔逊-阿特金斯艺术博物馆藏。《五龙图》是南宋画家陈容传世的墨龙佳作之一。画卷描绘了五条巨龙游于云海的壮观场景。五龙或腾或潜，鳍尖鳞密，情态生动，气韵磅礴。全卷分章布势巧妙天成，生动展现神龙吞吐阴阳的变化之势，在艺术审美、民俗信仰与书画鉴藏等方面具备多重价值。

大便不通畅就会积累更多的毒素去供养癌细胞，便秘的人更容易得癌症，得了癌症不容易康复，会加重病情，大便通畅的人不容易得癌症，得了癌症也容易康复。 所以我这里用了一味可以让你大便更通畅的药，枳实。枳实是破气的，对癌症也有一定的治疗作用，可以把聚集的邪气驱散开来，尤其对堵在大肠的邪气有破除的作用，让大肠的蠕动力增加。中医认为，这个枳实能利七冲之门。 七冲之门就是整个消化道的七个关卡。首先食物要进入嘴里，必须经过嘴唇，嘴唇叫做飞门，其次是牙齿，叫做户门，然后咽喉要道叫做吸门，然后是食管与胃的连接处叫做贲门，然后是胃与小肠的连接处叫做幽门，然后是小肠与大肠的连接处叫做阑门，最后就是魄门，也就是肛门。 这七个关卡，一路通利下来，哪里有淤堵的邪气就去破哪里，所以这个枳实是很厉害的。 为了防止这个枳实破气耗气，我这里加入桔梗提气，这样一升一降，身体整个气机就顺了，身体的升降功能恢复，很多病自己就会消失。升降很重要的，中医认为，升降息，则气立孤危。 这就是我为癌症患者开出的抗癌汤，以及五条抗癌秘诀。并不是说这个方子可以治好你的癌症，而是恢复你身体的正气，恢复你身体的阴阳，让身体自己去治好癌症。

自救与保卫流动性，切断了市场对 MSTR走向“死亡螺旋”的预期。前天Strategy推出了一个“数字信贷资本框架”，个人角度这个框架最大的意义在于把市场之前一直吵的“死亡螺旋”预期直接打断了。框架核心就五条： 1）董事会批准的美元储备政策，最低要覆盖12个月的优先股股息和利息支出。目前他们手里有25.5亿储备，加上授权的BTC变现额度，总覆盖能到25.9个月。 2）STRC 股息政策调整，直接把年化提到12%（7月1号起生效），同时把股息调整机制收紧了，不再是单纯因为价格低就一直加。 3）10亿美金数字信用证券回购计划（STRC 在内）。 4）10亿美金普通股回购计划。 5）BTC 变现程序：允许选择性卖一部分比特币来补充储备、付股息、还债、回购，但不会动核心长期持仓。 之前市场最Fud的就是Mstr不停发优先股圈钱买BTC，股息负担越滚越大，遇到熊市就得被迫卖币，形成死亡螺旋。现在这个框架把储备、回购、变现都做了明确规则和优先级，相当于给整个资本结构上了个“纪律约束”。它既保护了优先股持有人的利益，也明确了不会轻易动长期BTC仓位。死亡螺旋的叙事空间被大幅压缩了。 深入去想，Mstr的底层资产的安全边际，其实还是比较深厚的：持有84.7万多枚BTC，现金储备充足，短期内没有大额债务到期压力。 最关键的是，他们这些优先股（包括STRC）本质上是股权工具，不是刚性债务（没有兜底的义务），股息可以调整，极端情况下还有回购和有限变现来托底。 所以就是开头聊到的新的框架核心是自救与保卫流动性，切断市场对于Mstr会陷入“死亡螺旋”的预期。 这两天看起来起到了一定的效果。

OpenAI Codex - Record & Replay 有些工作流很难用纯文字精准描述，但"做一遍"却很直观。比如填写报销单、配置 issue、发布视频，这类任务往往依赖大量隐性偏好，写出来冗长且易遗漏，录下来反而清晰。 Record & Replay 就能满足这个需求，给 Codex 演示一次工作流，Codex 就可以把它固化为可复用的 AI Skill。 底层逻辑 Codex uses the skill as reusable context for the task. 这说明 Skill 本身是给 AI 提供的结构化上下文。回放时，AI 可以调用当前环境中可用的工具组合（Computer Use、浏览器操作、已安装插件）来完成任务。 这意味着： · Skill 是语义化的，而非死板的操作录制； · 回放时具备适应性，可以根据新输入（不同的文件、日期、issue 内容）做合理变化； · 它依赖运行环境的工具能力，而非固定绑定某一种执行方式。 这是一种"演示即规格（demo-as-spec）"的设计哲学。 工作流程的两阶段 阶段 1：录制（Record） 1. Plugins → + → Record a skill 2. Codex 先建议一个 prompt，你可以补充上下文（目标 + 可变输入） 3. 授权录制权限后开始演示 4. 演示完毕，从菜单栏/浮层停止，或直接告知 Codex 完成 5. Codex 自动分析录制内容并起草 Skill：包含「何时使用 / 需要哪些输入 / 步骤 / 如何验证结果」 6. 可进一步 refine（提炼隐性偏好） 阶段 2：回放（Replay） 1. 新建会话，要求 Codex 使用该 Skill 2. 提供本次不同的参数值（文件、日期范围、issue 内容等） 3. Codex 调用环境内工具完成任务 高质量录制的五条原则（最佳实践） 1. 短而完整 —— 录一次完整闭环，不录半截。 2. 提前声明变量 —— 把"每次会变的输入"告诉 Codex，便于参数化。 3. 真实但脱敏 —— 用真实数据形态，但绝不录入密钥/敏感信息（这点是安全红线，录制会捕获窗口内容）。 4. 补录隐性规则 —— 录制后主动 refine，把命名约定、默认值、决策点写清楚，这是 Skill 质量的关键。 5. 及时停止 —— 任务完成立即停，不要顺手做无关清理，避免噪声混入 Skill。 关键决策：Record & Replay vs. Plugin · 目标：个人/快速 Skill 化 vs. 团队级稳定分发 · 形态：单一 Skill vs. 可打包多 Skills + MCP + 集成 · 成本：低（录一次） vs. 高（需规范构建） · 适用：个人偏好型工作流 vs. 标准化、可复用资产

你买的 GLM-5.2,可能根本不是 GLM-5.2 最近我们把市面上多家中转站正在卖的 "GLM-5.2” 测了一遍。结果大部分都不是GLM -5.2。 我们见到的几种常见掺假手法: 1. 换皮是最常见的。 就是把一个更便宜的大模型,贴上 "GLM-5.2 / glm-5-2" 的标在卖，因为目前GLM - 5.2 货源很紧张，所以价格非常低的，这个测出来大部分就是dsv4flash。 2. 虚标上下文。 GLM-5.2 官方标的是 100 万(1M)token 上下文。但很多渠道,你真往里塞 25 万、30 万 token,要么直接超时报错,要么前后文明显遗忘、截断。 3. 缩水 / 量化。 这种就是中转站给你压缩了，测试的时候跑分很好看，但是真上长程任务、多文件重构就露原形。 4. 只展示 min 价 + 动态路由。 价格页挂一个漂亮的最低价,实际请求被悄悄路由到更差、更便宜的后端。你看到的价,和你拿到的模型,是两回事。 二、实测全过程，方便大家去检测： 我们拿到一个号称 "GLM-5.2"、价格低到离谱(约官方价 1/20)的渠道，这个渠道低到连电费都赚不回来，所以我就觉得很蹊跷，一步步扒: 首先看价格,起疑。 它标价约 $0.07 / 百万输入、$0.22 / 百万输出。这个价,连官方 GLM-5.2 的零头都不到。 一个按官方原价拿货的授权 reseller,根本做不出这个价。价格反常,是第一个危险信号。 第 1 步:列模型、起一个最简单的调用。 接口能通,返回里 model 字段确实写着 "glm-5.2"。但"返回里写 glm"只能说明它给你贴了这个标,说明不了它到底是什么，有可能是glm上一代模型，甚至拿dsv4flash给你凑数。 第 2 步:身份探测。 我们用不同问法,连问它五遍"你是什么模型、哪家公司训练的"。 结果五次里有四次,它自报是 DeepSeek 系模型(DeepSeek-V3 / R1),其中一次还明确说"我不是 GLM、不是智谱"。名字能改,身份认知改不掉。第一个实锤:它根本不是 GLM。 第 3 步:上下文硬测。 我们做了两层测试。先在一篇约 25 万 token 的长文里埋一串随机暗号,结尾再问它,它准确召回。 但是在长文里埋五条互相依赖的事实(A 等于 7,B 等于 A 的三倍,C 等于 B 加 8,以此类推),要它跨段把最终值算出来,它给出了完全正确的链式结果。 这一步很关键，单点召回也许能靠"检索作弊"蒙混,但跨段整合做不了假,说明它是真把 25 万 token 吃进去在做推理。 结论:它不是小模型，而且上下文比 GLM-5.1 的 20 万还大，结果是deepseek系。 第 4步:终极对照实验(决定性)。 我们直接拿官方 DeepSeek 的 API(里面正好有 deepseek-v4-flash 这个正版模型),和这个 "glm-5-2" 做指纹比对:用同一批 temperature=0 的确定性提示词,两边同时打,逐条比对输出。结果: • 同一道"讲个程序员笑话",两边逐字一模一样; • 同一道"你是 V3 还是 V4",两边都答 "unsure"; • 连"认不出自己、自报成旧版 DeepSeek-V3"这个毛病,官方 v4-flash 和这个 "glm-5-2" 都一样犯。 也就是说:官方正版 DeepSeek-V4-Flash 的种种指纹,这个 "GLM-5.2" 全对得上。实锤收工:这个所谓的 "GLM-5.2",就是 DeepSeek-V4-Flash 贴了智谱的标在卖。它不是缩水的 GLM,它压根不是 GLM。 总结： 身份探测: 同一问题问三到五遍,看它回答是否稳定、是否对得上官方规格,有没有自报成别家模型。 上下文硬测: 埋暗号,再埋几条互相依赖的事实,顶到 25 万 token 以上,看它吃不吃得下、能不能跨段算对。吃不下或答错,就不是满血。 指纹比对: 同一个 temperature=0 提示词,把"待测渠道"和"官方原厂"的输出摆一起比。高度一致就是同一个模型,对不上就是两个东西。 经济常识: 官方满血卖到官方价 1/20,经济上根本不成立。价格低到离谱的"满血",基本可以直接判死。