与「和装師範」相关的搜索结果

3月に合格した着物師範の看板が届きました👘 初期から教えてもらってる永瀬先生と♡ 他装できるので、着付けで困りごとあったら 相談待ってます♪✌️ 久しく着物を着てないのでそろそろ着たいけど 暑さに耐えれなさそう笑 #着物# #kimono# #和装師範#

《黄巢世家》 黄巢者，曹州冤句人也。世鬻盐，积赀钜万。巢幼颖异，五岁侍翁父赏菊，应声咏曰：“他年我若为青帝，报与桃花一处开！”时人异其志。及长，善击剑骑射，通书传，然屡试进士不第。尝见长安菊花满城，掷笔叹曰：“待到秋来九月八，我花开后百花杀。冲天香阵透长安，满城尽带黄金甲！” 乾符二年，关东大旱，官吏征急。王仙芝起于长垣，传檄州县言吏贪赋重。巢阴聚少年八人，酹酒为誓。会仙芝攻曹州，巢仗剑应之，顷刻得众五千。民争持耰锄往从，遮道不绝。巢令曰：“吾辈皆王民，岂愿为盗？然今世路尽荆棘，天子深居丹霄，何由得闻民间膏血？当为诸君洗天池、整坤轴！”遂裂黄旗为帜，号“冲天大将军”。 是时天下饥馑，节度各怀异心。巢引军南下，开仓赈廪，沿途饥民投者如归市。至岭南，疫作，士亡过半。或劝还乡，巢按剑曰：“诸君不见泰山乎？虽遭风雨，其基不移。今唐室如朽索驭马，岂可中道輟足？”遂北渡江淮，众复振。广明元年，破东都，令军中曰：“禁伤百姓，犯者磔于市。”都民争以壶浆迎师。 冬月，潼关雪深三尺，守军冻馁不能持戟。巢将尚让以毡裹马蹄，夜袭蓝田关。僖宗仓皇走蜀，巢乘金装肩舆入长安。是日，京师父老聚观，尚让宣谕曰：“黄王起兵，本为百姓，非如李氏不爱汝曹。”乃发掖庭钱帛，童子皆得赐饴糖。 然朱温叛于同州，李克用引沙陀叩关。中和三年，巢败走泰山。六月丙午，至狼虎谷，从者仅甥林言等数骑。巢见追兵漫山，仰天笑曰：“满城黄金甲，竟输三寸毫！”遂自刎。言等皆泣拜，积薪焚其尸。 太史公曰：巢以盐贾之富，何患不终老？然见饿殍盈野，遂挺剑问九鼎之轻重。其初入长安，市不易肆，颇有拯溺之意。及困守孤城，粮尽而食人，乃堕暴虐。昔陈涉首难而车骑尽靡，黄巢冲天而四海沸羹，岂非时势激之使然乎？然焚宫阙、隳宗庙，终使五代裂土之祸萌焉。冲天香阵透长安，满城尽带黄金甲，其言壮哉！其败忽哉！

写给那些1年7个月前坚持stonks的人 今天b哥的msx发币了 其实我没什么感觉 因为他和grvt比起来就不算空投 基本我们都是白嫖持仓 而且我们都是禁止刷手续费只白嫖。 所以其实包括我在内所有的人今天应该也没卖 也卖不掉都是低保号 总共加起来就几万个而已 我想卖也卖不掉分在了200多个地址里面 但是我说过对于社区我觉得你应该有个交代。 那就聊聊我们之前的stonks stonks社区是我起家的地方。 我以前撸毛我根本不知道玩推特， 因为我买了stonks进了这个社区认识了很多人 基本我的起号就是来自stonks社区杨哥让我教大家撸毛 今天上瘾给我打电话说他输了,他要注销推特 说两年的信任换来这样的结果因为信任所以输了。 （我觉得这是web3很正常币价谁也左右不了也没人按着你的手喊你买，都是互相博弈 亏了赚了都正常） 但是我还是想说那些年大家不断的加仓stonks。 将军 小米粒 我 最开始的一些管理 每天的x ama 那时候b哥你不知道大家有多崇拜你 因为ban你拉盘了 大家都几倍 10倍的利润 我虽然没去济州岛 但是社区很多人都去了 我羡慕的不行 后来我去参加了南京聚会， 那时候大柱他们坚信你会带着兄弟们起飞 好多人都是贷款 找父母借钱买stonks 那时候我还没完推特， 那个氛围真的让我觉得你真能成 按照游戏驿站的思路 起诉纳斯达克 帮助散户完成逆袭。 我们这群人斗志满满 传销家人上车。 社区的咆哮小崔 他工程师专业赚了半辈子钱40万 买了stonks 我所知道的这样的人有很多 因为我觉得我之前和杨哥说过一句话， 人可以没有钱， 但是一定要对得起那些真正的看得起你的人。 所有的人都不傻 虽然我没买多少但是很多人真的 真金白银的支持了stonks 之前很多人说 感谢b哥 如果不是b哥stonks这个币早归零了 但是我一直说如果不是因为b哥 说了要做币圈的游戏驿站要起诉纳斯达克 大部分人是不会买的。 当时我坚决反对质押， 您说质押了为了更好的发展， 您知道我为什么反对质押吗， 因为真的有人把stonks变成了漂流瓶 里面装了几百万个stonks 要五年后解锁。 你质押了这些人就完了 这个大家口中的韭菜也是我的朋友。 stonks币到msx这个平台币 ， 没有人比我们这群刚开始的人更有发言权， 其实我应该感谢你， 因为你给了我流量， 给了我第一口饭。 关注了我转发了我， 让我从一个默默无闻的小垃圾先变成了现在这样 但是我还是想说， 不能辜负那些真正的支持您的兄弟， 因为这群人当年都是因为相信你买stonks， 那些过往的过去 那些人 那些事 那些ama 那些可能想赌一下上涨就走的人。 那些喷过你的人 和所谓的你认为的黑子的人 至少在曾经的那一刻都相信过你 我一直觉得 一个人最大的本事就是让人放心 信任很贵 如果你浪费了你的平台一定完蛋 不管你在做什么平台 不管你野心有多大 不管未来msx这个平台能走多远。 在我心中这些对我而言完全不重要 我关心的是您当年说的， 你亲口说的 你不会辜负任何一个真正信任你的人 我只想为这些人和您说一句 虽然这是金融市场 赚亏都是自己的选择 但是这次后 web3应该再也不会有真正的信任了 我去年就离开stonks社区了 但是当年很多人也不喜欢我 将军 大壮 咆哮猫 小米粒 那些当年的人我永远都不会忘 聚是一团火 散是满天星 希望b哥说到做到。

厂房那边想装太阳能储能系统，来的施工技术工程师竟然是一华人，非常健谈，说他来了美国3年就完全融入到了美国社会，这地方太好了，社交媒体不玩中国的，就是看油管和X，微信不用了…推荐我玩X…说上面能人多学到很多东西和知识… 我问他有什么人可以值得关注的？ 他首推立党，说他认知极高，另外文昭可以开拓视野，赵建兰可以让你了解很多内幕，王局思考很有深度，李老师有第一手消息… 我就忍住了说我也在X上…🤣🤣🤣就是不知道他能不能看到我这则推文

Codex 公认最强的 6个 Skill，有没有你没装的 1、Superpowers（227k star） 给 Agent 装上一整套资深工程师的工作方法： 先拆需求，再写计划，按测试驱动开发，最后再派一个子 Agent 回头审查自己的代码。 这是目前最强的 Skill 之一，实至名归 2、OpenAI 官方插件 把 Codex 变成不同岗位的员工，让它不只会写代码，而是进入全岗位工作流。 数据分析可以接 Snowflake，销售可以接 Salesforce，另外还能做投研分析、内容创意、PPT 生成等任务。 开箱即接入 62 个商业应用、110 个预置 Skill。 现在非开发者已经占 Codex 用户的两成，而且比例还在持续上升 3、claude-mem（82k star） 给 Codex 装上长期记忆。 每次对话里的关键信息会自动压缩归档，新开会话时自动注入，不用每次都从项目背景讲起。 多个 Agent 通用，多个代理也能共享同一套记忆资源 4、Agent-Reach（27.7k star） 给 Codex 装上一双互联网的眼睛。 一条 CLI 就能让它去读、去搜 Twitter、Reddit、YouTube、小红书、B 站、公众号等 17 个平台。 否则 Agent 只能搜网页；有了它，就能翻帖子、看视频、抓热点和用户反馈 5、GitNexus（42k star） 把几十万行的老项目整理成一张代码图谱，让 Codex 看懂藏在深处的依赖关系、模块边界和抽象命名。 接手老代码、重构项目、排查历史包袱时，不再像两眼一抹黑 6、Humanizer-zh（10.1k star） 专门去掉 AI 写作痕迹，比如滥用的破折号、空话套话、机械句式。 写文档、README、博客时，最后过一遍非常好用

OpenAI刚向英伟达下单了10万块Blackwell GPU。而中国一个开发者，把英伟达那台3999美元的桌面AI盒子放在办公桌上，跑起了大实验室用5万美元机架才能训练的机器人模拟器。 演示内容只是一个空荡荡的立方体，漂浮在空荡荡的世界里。50帧/秒。他发视频配了一句话：“家用机器人是这么起步的，还是这只是个昂贵的玩具？” 视频爆火——正好赶上英伟达第二批Spark向开发者发货。72小时，180万播放。美国硬件工程师转发：终于可以拥有自己的设备了。所有中文评论区都在说同一句话：停在1分42秒。 停在1:42。别管屏幕上那个空立方体，别看帧率计数器，看顶部状态栏的内存读数：已用2.4 GiB，可用87.4 GiB。那个立方体只占了3%的内存。 那空着的84GB内存不是给未来机器人场景留的余量。那84GB已经在跑别的东西了。 ColdMath。138,168美元利润。2025年11月注册。简介：Edge Compounds。 账户👉 他不是买Spark来训练机器人的。他买它，是因为机器人是英伟达唯一一款搭载128GB显存的芯片的工作负载。让Spark在真实机器人领域受限的慢显存，对他来说恰恰是完美的——1,200个并行天气集成模拟。 机器人训练需要快显存，因为每一帧都是训练循环里的一步。天气集成需要大显存，因为每个城市都是一个并行的模拟，彼此不通信。Spark的芯片比游戏卡慢六倍，但也大五倍。这个取舍是否重要，取决于你知不知道自己在跑什么。他知道。 惠灵顿3月28日16°C。东京3月20日16°C。钱包里每一个城市，都是集成模拟在公开预报发布前三小时就已经跑过的城市。 评论区变成侦探现场。有人把视频放慢到0.25倍。有人把钱包里的交易时间戳和公开预报服务更新时间戳对上——每一笔交易都落在那三小时窗口里。Spark一直在抓这个缺口。 六个月前，深圳一个14岁小孩把一个AI代理推到了GitHub。评委说：没有实际应用价值。3,100次fork之后。工位上这个开发者，是其中之一。他在英伟达发货的那一周就把代理接入了Spark。 那个空立方体不是跑分。那个空立方体是屏保——代理占了另外84GB的时候跑着玩的。 Isaac Sim的安装不是项目本身。Isaac Sim的安装是他能用公司报销买这台设备的理由。 “这到底是一个真工具还是一个昂贵玩具”这个问题，是视频里唯一一个设计成让观众自己去回答的东西。 他不是在测试“家用机器人时代到了没有”。他是第一个发现英伟达为错误工作负载宣传的这台设备，其实是市面上最便宜的天气模拟器的人。 那条视频有180万播放。论坛帖子还在争论六倍显存延迟的代价。他桌上的Spark还在跑。钱包还在赶在公开预报更新之前打击那些城市。那个立方体还浮在3%的显存里。 机器人演示做得更好的那个地方，钱包更小。用错工具的那个人，钱包更大。他只是花了一个下午装了个机器人模拟器而已。

很多人还没意识到，AI 这波已经在颠覆影视创作行业，以前需要一个团队才能做的视频，现在只要你一个人，这里存在大量的赚钱机会。 随便拍的一段真人素材，不需要绿幕，能直接移除背景，生成了新场景做替换，一致性完美，合成的画面真能达到商业级，这就和传统 AI 视频工具的最大区别。 我觉得最颠覆性的地方：Higgsfield 直接装在 Pr 和 AE里，不用离开时间线，就能将 AI 真正用到专业剪辑工作流中。 1.你不再需要抠像师。 一键去背景，不需要绿幕。手机拍的、背景杂乱的素材，点一下人跟背景分离。以前这个活就得花几百块。 2.你不再需要 VFX 美术。 输入一句话描述场景，AI 直接生成画面。影视级画质，Higgsfield 底层调用的是 Seedance2.0、Kling 3.0 等一线的模型。 3.你不再需要多拍素材。 横版一键变竖版，AI 自动补全边缘，主体居中。一条素材发所有平台。 4.你不再需要扔素材。 4K/8K 画质提升，老素材、低清素材全救回来。 5.你不再需要学 AE。 画面上圈哪里改哪里，不用写 prompt。 你想想这对做内容的人意味着什么，以前接到需要特效的项目，第一反应或许是"预算不够做不了"，现在你打开 Pr，动动嘴皮子就做好了。 对独立创作者、自由剪辑师、小团队来说，这能实实在在帮你赚更多的钱。

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。