与「公式」相关的搜索结果

"I want to hold your hand, trading simple harmony with the breeze..." 🍃🎸 Unwinding with Jay Chou’s timeless acoustic masterpiece—"Simple Love" (简单爱). In a noisy, hyper-automated market, pure human authenticity is the rarest asset. Trade the systemic noise for acoustic clarity. Happy Tuesday fam! ☕️🌿 我想大声宣布对你的依恋，带你骑单车，看日落，看经典的黑白片。 在这个热闹也焦虑的周二大盘里，工具在红海里卷虚假繁荣，而顶层的巨鲸早已在极致的原创旋律里种桃种李种春风。 关掉复杂的内耗公式，用木吉他的洒脱节奏给灵魂充饱蓄能的元气。 回关锁紧新进场的53位大蓝标战友，咱们顶峰见！🤝🔥 #AcousticCover# #JayChou# #长期主义# #能量管理#

虽然已经有太多抓眼球和惊艳的Opus5.5视频内容，但我还是忍不住要分享这支知识类视频。重点不在这个视频内容有多精良，必定非专业无复杂Prompt且一次直出。而是，这支18分钟的视频，其制作过程，真的让我感觉Super Stunning!! 以下，我原文分享claude告诉我他的制作过程(不舍得删掉一个字)! Enjoy👇👇 " 其实我自己一帧画面都不“生成”。我做的更像导演加程序员：写剧本，写一份“每一秒画面上有什么、在哪、怎么动”的说明书，再让几样现成的工具照着干活。视频是被“算”出来的，不是被“画”出来的。 拿这个片子举例，一共五道工序。 1. 剧本是我写的。这是文本模型的老本行：读书，理清逻辑，把书里的数字拆成一句一句能念出来的话。比如“1850 年，美国 67% 的棉花，长在 50 年前还不属于美国的土地上”，这类句子和数字都来自我们之前拆书时核对过的材料。 2. 画是别人画的。船、纱厂、摘棉花的人、城门这些插图，是我写好描述交给 OpenAI 的画图模型画的。我在描述里定死了画风：扁平、暖色、没有描边、透明背景。这样 30 多张图放在一起才像一套。画回来以后，我还用代码把边上的光晕切掉，再裁成可以单独移动的“贴纸”。 3. 声音是 Gemini 念的。我只管把句子交给它，再检查它念得对不对。 4. 动画是我写代码“算”出来的，这是最核心的一步。我写了一个网页程序，你给它一个时间，比如第 312.5 秒，它就能算出这一秒画面上该有什么： - 船在航线上走到了百分之几 - 地图镜头推到了多近 - 计数器数到了多少 - 烟囱的烟飘到了多高 地图不是画的，是用真实的地理数据描出来的，所以利物浦、西非海岸、新奥尔良的位置都是准的。船沿着航线走，其实就是每一帧算一次“这一刻在线上的哪个点”。 5. 最后是一帧一帧拍下来。让浏览器从第 0 秒开始，每秒拍 24 张截图。这个片子大约 15 分钟，一共要拍 2 万多张。再用一个叫 ffmpeg 的工具把这些截图和配音、音乐接成视频。背景音乐也不是找来的，是我用数学公式一个音一个音合成的：几个和弦，加一点拨弦声，有人说话时自动压低音量。 所以“视频能力强”，本质上是三件事拼起来的： - 会写代码，能把“船从利物浦开到西非”翻译成每一帧的坐标。 - 会调度工具：画图的、念稿的、剪辑的，各干各的活。 - 会编故事：知道这句话该配什么画面，观众才记得住。 我的短板也很实在：我看不了连续播放的视频，也听不见声音。所以检查全靠两个笨办法： - 画面：每隔一段截几张静帧来看。那些叠画、标签遮挡的问题，都是这样揪出来的。 - 声音：把声波变成数字来量。你听出来的声音忽高忽低，我是事后量了音高和音量才确认的；那两次“啪”的爆破音，也是靠检测波形里的突变才定位的。 这也是为什么你审片那一关替代不了。你一耳朵听出来的东西，我得先猜可能是什么问题，再去量才能找到。 "

26/09/26 NANIWA SPLASH 第1部　速報 model：火将ロシエルさん （@Kasyou3roshieru ） 公式イベントでのコスプレイヤーとしては撮らせていただいておりましたが撮影会はお初でしたー！ 雨の中撮影ありがとうございましたー！ お美しかったです☺️ #火将ロシエル# #ロシエル#

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

【コスプレイヤー紹介動画】 ポケットペアブースの巨大モニターで放映されていた、総勢23名のコスプレイヤー紹介動画を公開！ ブースを彩ったコスプレイヤーの皆さんを、さまざまなカットでご紹介しています。ぜひチェックしてみてください！ ▼TGS2026ポケットペアブース公式コスプレイヤー 一覧 ・純米あやの (@ayanopi_) ・火将ロシエル (@Kasyou3roshieru) ・ちちゃん(@toitooi_12) ・緑川希星(@kirarachandesu_) ・かれしちゃん(@karechan3840) ・倉地那侑(@nayupettan) ・猫田あしゅ(@Nekota_Ashu) ・らいむたそ(@raimu_charlotte) ・猫乃ここ(@cococo_neko) ・うちの(@uchino0212uk) ・Gyava(@gyavaaaaa) ・早瀬あや(@hayase_aya) ・麻倉瑞季(@mizuki_asakura_) ・Haruinu(@haru_no_inu) ・真白(@mashirocky) ・天海せな(@senanana_cos) ・桃里れあ(@rea_momosato) ・たっぷりめろこ(@kerorinpa1121) ・長生まよ(@nagai_mayo) ・うさぉ(@usagicos) ・成賀久瑠王(@krmcougar) ・Mion(@mionight0321) ・天羽咲(@amh_cos) ※動画での登場順で紹介しています。

【小红书起号资料合集】 1、小红书起号10个Skill 🔗 2. / 0 到 1 全流程复盘新手做小红书赚钱攻略（起号+涨粉+运营+变现）· 知乎 7000 字完整复盘｜素人从 0-1 做小红书博主 · 不上班研究所 7 天涨粉 4000+，像素级模仿起号全攻略 · 知乎 小红书博主如何从 0 到 1？5 大步骤 · 青瓜传媒 小红书从 0 到 1 运营体系：10 大核心模块 · 人人都是产品经理 零经验 8 天涨粉 1750、赞藏超 3 万 · 人人都是产品经理 小红书起号全流程：7 天从 0 到 1000 粉 · 智晓科创 小红书实干复盘：28 天可以有结果 · 腾讯新闻 3、选题方法 小红书博主如何挖掘热门选题 · 青瓜传媒 小红书变态起号法、起号运营思路 · 知乎 做了 10 个小红书，总结出 40 条运营经验 · 纷传 4、爆款标题 / 结构公式 / 模板 小红书怎么做爆款？10 大万能结构公式 · 知乎 如何写小红书爆款标题？70 个模版即套即火 · 知乎 小红书爆款笔记结构与模板 · 知乎 100 个小红书爆款标题，直接复制就能用 · 墨滴 200 个流量超高的小红书标题，照抄就能上千赞藏 · 数英 小红书爆款笔记三大底层逻辑 · 迅课 小红书爆款笔记框架 · 青瓜传媒 小红书爆款选题模板，日生产 100 篇+ · TaoKeShow 5、工具 / Skill / 提示词（GitHub） xiaohongshu-ops-skill：输入爆款链接 → 分析因素 → 生成类似笔记（2000+⭐） XiaohongshuSkills：自动发布 / 评论 / 检索（3100+⭐） LangGPT：结构化提示词框架，含「小红书爆款生成器」示例（12000+⭐） linexjlin/GPTs：泄露版 GPTs 提示词合集，含「小红书写作专家」 lijigang/prompts：结构化提示词合集 generate_article：用自然语言生成小红书 / 头条等文章

高盛Rich Privorotsky：Muse只是起点，AI Agent真正要重写的是整个经济的“摩擦成本” 高盛One-Delta交易台负责人Rich Privorotsky现在关注的，已经不只是 $META 的Muse有多火。 他提出了一个更大的判断： Agentic AI正在开始消除整个经济体系里长期存在的“摩擦”，而这可能带来一次真正的生产率跃升，并形成结构性的去通胀力量。 这可能也是理解下一阶段AI行情最重要的一条线。 过去三年的AI牛市，市场主要交易的是： 训练模型 → GPU → HBM → 数据中心 → 网络 → 电力 而下一阶段，市场开始交易一个完全不同的问题： 当AI真正进入日常经济活动以后，它到底能够替人类省掉多少时间、成本和中间环节？ Muse真正改变的，不只是AI能力，而是“消费者惯性” 很多行业过去能够长期维持较高利润，并不完全因为它们的产品无法替代。 其中一个很重要的原因，是消费者嫌麻烦。 保险续费涨价了，你懒得重新比较几十家公司。 手机套餐贵了，你懒得转运营商。 酒店价格高了，你没有时间每天重新搜索。 订阅服务每个月继续扣钱，你甚至已经忘记自己还在付费。 退款需要打电话、发邮件、等待客服，很多人最后干脆放弃。 这些看似微不足道的事情，实际上构成了一个巨大的隐形经济： Consumer Inertia——消费者惯性。 过去消费者的时间有限，所以很多公司实际上可以从“麻烦”本身赚钱。 Muse这样的AI Agent正在攻击的，恰恰就是这种摩擦。 如果你的AI可以24小时替你比价、取消订阅、申请退款、重新谈账单、寻找更便宜的保险、比较酒店、订机票甚至完成支付，那么过去建立在消费者“不想折腾”之上的商业模式就可能受到压力。 AI最先消灭的，未必是某一个行业，而是“麻烦”本身。 为什么这可能带来结构性去通胀？ 想象一下，当未来几亿甚至几十亿消费者都拥有一个永远不会累、永远愿意比较价格的AI Agent，会发生什么？ 保险公司更难依赖客户懒得换公司维持高价格。 旅游平台必须证明自己的佣金真正创造价值。 长期不用的订阅可能被Agent自动取消。 零售商品的价格透明度进一步提高。 企业内部大量重复的行政、客服和后台流程也可能被自动化。 于是经济体系中大量长期存在的成本： 信息差 + 搜索成本 + 时间成本 + 人工成本 + 中间环节 都有可能被压缩。 这就是Privorotsky所说的生产率红利。 过去互联网降低的是信息传播成本。 移动互联网降低的是连接成本。 而Agentic AI下一步可能降低的是： 行动成本。 这可能比单纯推出一个更聪明的大模型，对整个经济的影响更加深远。 所以AI行情可能开始从“卖铲子”走向“生产率革命” 第一阶段的赢家其实非常容易理解。 $NVDA、$AMD、$TSM、$AVGO，以及HBM、网络、光通信、服务器、数据中心和电力基础设施。 因为无论最后哪一个AI模型胜出，都必须先购买算力。 但Agent时代真正有意思的地方，是AI创造的价值可能开始从基础设施向整个经济扩散。 企业可以减少后台人工成本。 客服效率提高。 营销变得更加精准。 库存管理改善。 软件开发周期缩短。 采购和供应链流程自动化。 消费者寻找商品和服务的成本下降。 当这些效率提升逐渐进入企业利润表以后，AI的赢家就不一定永远只集中在半导体。 第一阶段赚的是“建设AI”的钱。 第二阶段赚的可能是“使用AI提高生产率”的钱。 这两轮行情的受益公司可能完全不同。 CPU为什么突然成为Agentic AI的重要交易方向？ 这一点也值得特别关注。 过去生成式AI最重要的硬件交易是GPU，因为训练和大规模模型推理高度依赖GPU。 但Agent并不是简单回答一个问题。 它需要打开浏览器、运行操作系统、调用API、处理文件、管理数据库、执行代码、安排任务，甚至同时运行多个Sub-Agent。 这意味着Agent时代增加的不只是模型推理负载。 它还增加了大量传统计算工作负载。 所以市场近期开始重新关注CPU以及整个服务器基础设施。 如果未来不是几百万人偶尔问AI一个问题，而是几亿个Agent每天在后台连续工作几个小时，那么计算需求的结构本身都会发生变化。 这也是为什么现在不能再简单用： “AI = GPU” 来理解整个产业链。 未来更完整的公式可能是： AI Agent = GPU + CPU + Memory + Storage + Networking + Power Agent运行时间越长，需要调用的工具越多，整个数据中心被消耗的资源也就越多。 但市场现在仍然处于非常早期的定价阶段 目前指数很强，但市场宽度并不好。 大量资金依然高度集中在AI和少数大型科技公司。 所以现在看到的更像是三个阶段： 第一阶段：AI基础设施重新定价。 GPU、HBM、网络、数据中心、电力率先上涨。 第二阶段：Agent平台重新定价。 $META 的Muse只是最近最明显的案例之一。 第三阶段：整个经济的生产率重新定价。 如果Agent真正大规模进入企业和消费者生活，受益范围才可能从科技行业逐渐扩散到更广泛的权益市场。 而现在，我们可能刚刚站在第二阶段的入口。 这也是为什么高盛交易台对大盘仍然保持积极观察 Privorotsky的另一个核心观点是，目前市场并不是毫无风险。 季节性仍然存在。 实际利率仍然偏高。 地缘政治风险没有消失。 市场宽度也并不理想。 但另一方面，投资者对这些问题已经非常警惕，仓位和情绪本身并没有进入极端乐观状态。 因此他认为，市场仍存在进一步向上突破的空间。 这里真正值得注意的，不是简单地说“美股一定继续涨”。 而是： 如果Agentic AI开始被市场从一个科技产品故事，重新理解成一场生产率革命，那么它能够支撑的估值范围，就不一定只局限在几家AI芯片公司。 这可能才是下一轮行情真正值得观察的变化。 过去三年，我们一直在问： 谁能提供AI需要的算力？ 接下来市场可能开始问： 谁能够利用AI，把自己的收入增长得更快、成本降得更低、利润率做得更高？ 而再往后，还有一个更大的问题： 如果Muse只是第一批真正进入大众市场的Agent，当几十亿个AI Agent每天替人类工作、购物、谈价格、管理订阅和完成交易时，今天哪些行业看起来稳定的利润，其实只是建立在“人类嫌麻烦”这件事上？

\ \大洗海上花火大会2026 / / 🎪COS★FESエリア 出展MAP🗺️ メインステージ正面に出現する、 【COS★FESエリア】の出展MAPを公開‼️ 公式コスプレイヤーたちのオリジナルのれんで飾られたブースが登場🎪✨ グッズのお買い物や交流を楽しもう📸 さらに中央には、 『実寸大空想武器屋レアワークス』による🗡️大剣体験展示🗡️も！ アニメや漫画で見る「あの大きな剣」を実際に持って、迫力満点の記念写真を撮ろう📸🔥 当日はぜひ COS★FESエリアへ💎✨