与「复旦大学」相关的搜索结果

新世纪以来中国人民的性交频率 全国平均：潘绥铭（人大性社会学研究所）2000/2006/2010/2015年全国随机抽样调查显示，已婚/有伴侣人群性生活频率整体略有上升（平均间隔约12天/月），但年轻群体下降。 18-29岁年轻人：2015年数据显示，过去一年“无性”比例男性12.1%、女性27.3%（较2000年上升）。 95后（1995-2003年生）：北京大学/复旦“中国人私生活调查”显示，有固定伴侣者中14.6%男性、10.1%女性过去一年无性行为，高于70后。 趋势：整体频率低于西方历史水平，但“无性”或低频在年轻人中上升（经济压力、晚婚、手机时代影响）。单身/未婚群体数据有限，调查显示“凑合”或“躺平”比例较高。 来源：潘绥铭《性之变：21世纪中国人的性生活》（2000-2015调查汇总）、中国人私生活调查。 性生活频率：「性萧条」的实证数据 北京大学—复旦大学联合调查（2019–2022年，约7000份），这是目前中国规模最大的私生活调查之一，由北京大学社会研究中心与复旦大学联合实施，结果于2022年8月发布并引发广泛讨论： 核心发现： 有伴侣但过去一年无性生活的比例：70后、80后、90初（1970–1994年出生）中，这一比例为6%–9%；而95后—00后（1995–2003年出生）中，男性上升至14.6%，女性升至10.1%，显著高于上一代。 每周性生活≥1–2次的比例：95后中仅约**50%**拥有此频率，远低于80后和90初。​​ 80后男性与90初女性是当前性生活最活跃的群体，其中67.9%的80后男性和64.6%的90初女性表示每周至少1–2次。​ 性的意义转变：大多数受访者将性定义为"表达情感"和"满足心理需求"，而非"繁殖目的"；90后女性中认为性是"履行配偶义务"的比例仅4%，而70年代前出生女性中这一比例为22%。 「性萧条」的结构性原因 北京大学余家研究团队和多位经济学家的分析指向三个相互强化的因素：​ 经济压力替代效应：考研、找工作的竞争压力对年轻人的时间和精力形成挤压，考上研究生或找到好工作带来的满足感超过了性与亲密关系 娱乐替代品竞争：网络游戏、宠物、短视频等构成了低成本的情绪出口 低欲望社会的结构性特征：国泰君安首席经济学家高善文将中国年轻人群体描述为"用尽全力只是活着"，与消费疲软、生育意愿低迷形成同构关系。 避孕套等用品在中国的销售情况 避孕套市场：连续四年负增长。 2020年峰值约208亿元（销量约49.7亿只），2023年187.86亿元，2024年156亿元（同比降17%，五年缩水25%）。 2024年销量约38.6亿只（较2019峰值降22.3%）。 原因：单身人口增加（1.5亿）、生育意愿低、性频率下降、情趣用品替代（2024年情趣用品市场近2000亿元，占全球近六成，同期增长63%）。 其他避孕用品：口服避孕药、宫内节育器等销售稳定或微降，但数据较少公开。 来源：《2024年中国避孕套行业发展报告》（中国计划生育协会/艾媒咨询）、市场监测数据。 避孕套市场：数据揭示真实性行为水平 市场规模与销量（高纯度信号） 避孕套销售数据是衡量实际性行为频率的显示性偏好指标，比任何调查数据都更难造假。 杜蕾斯中国区线上销量从2019年的372万件骤降至2021年的84万件，跌幅77%；其母公司利洁时集团中国区性健康产品连续9季度销售下滑。 2026年1月起，中国《增值税法》将避孕套列入应税商品（税率13%），终结长达数十年的免税政策，市场规模进一步承压​。 结婚人数减少、年轻群体性活跃度下降是根本性驱动因素。

感谢朋友们的支持！ #以太坊高校行# 复旦大学站圆满结束🔚 特别感谢 @LXDAO_Official 组织的以太坊高校行！下一站期待来到成都！CDC给你们扎起！ 同时感谢 @joakja 秋荣老师 @0xJason Jason老师 @ddy_mainland DDY老师的支持💖 以太坊基金会 @ethereum 有新的学术战略：Focus在 AI 隐私以及 Open Source. 这也是CDC在Buidl的事情，欢迎关注我们的AI产品 @openclawby #CDCClub# 从成都出发，链接全球。我们下一站见！🥳

nano banana pro 提示词 🎬 一张照片，两个时代的完美融合！过去与现在在画面中自然交汇，跨越时空的神奇互动，尽在眼前。⏳✨ --- 提示词（使用时请替换为自己的场景） --- 一个水平分割的电影级镜头，展现出【场景】在两个截然不同年代的无缝融合：画面左侧是【年代A】，右侧是【年代B】（默认对比为大约100年前与当代）。 在画面的左侧（【年代A】）： 呈现与当时历史相匹配的建筑、室内或环境设计、材料、交通工具和道具，所有细节明确属于那个特定的历史时期。人物穿着完全符合【年代A】的服饰，包括发型、配饰和手中典型物品（如书籍、雨伞、乐器、信件、报纸等）。整体氛围充满怀旧感，历史感真实细腻。 在画面的右侧（【年代B】）： 展示同一【场景】的现代版本，建筑经过更新或翻新，采用现代材料（玻璃、钢铁、LED显示屏、现代家具），配有现代化的车辆或设备，以及当前科技产物（智能手机、笔记本电脑、相机等）。人物的着装风格则完全符合当下潮流。 在画面的中央区域： 两个时代的元素自然地交汇融合，不出现明确的硬性分界线。来自【年代A】和【年代B】的人物在视觉上进行互动：不同年代的人们彼此对视、穿梭于对方所在的空间，或对彼此年代的技术与物品流露出惊奇的神情。建筑和环境实现平滑变形，例如：古老的石制大门渐渐演变为现代校园大门，古典音乐厅装饰渐渐转变为充满未来感的舞台，老街商铺逐渐变成霓虹闪耀的现代商店。 务必确保场景不仅仅是左右简单对比，而是动态的跨时代互动体验，建筑、服饰、道具和人物的动作姿态均清晰地体现两个时代的对比与融合。画面风格为照片级真实感，8K超高清分辨率，电影级光影效果，广角视野，材质细节丰富，具备强烈的时空穿越叙事感。 --- 场景：复旦大学校园 时代对比：100年前 vs 现在 画面比例：4:3

新的博客文章《中国经济的数字逻辑》：重庆市前市长黄奇帆退休以后，受聘担任复旦大学特聘教授，定期给师生做讲座，介绍他对中国经济的看法。 他的12次讲座，去年汇集成书出版了，书名叫做《分析与思考：黄奇帆的复旦经济课》。

我一直讲，综合类大学的学术多元化，才是真正的毁孩子。 一所大学的行政规定，今年招6000个学生，其中200个计算机，200个电子，200个材料，200个中文，200个经管，200个数学…… 最后结果就是，只有400个计算机电子的大学四年有意义，能靠本科教育技能吃饭， 剩下5600个孩子的大学四年全浪费了 ，不仅大学四年学的知识都是垃圾，不能帮助自己找到工作，而且把最能学习的四年时间给彻底耽误了。 18岁的孩子浪费了本科四年的时间，把孩子们祸祸到22岁，再让他们手忙脚乱选一个新行业或者新专业从头再来，绝大多数人根本就没有这个能力，只能随波逐流。 而一切的根源，恰恰就在于综合类大学的所谓“学术多元化”，学校的行政部门给学生切蛋糕分份，一个专业一份，一个专业一份，绝大多数孩子只能去烂专业。 解决的办法就是要求学校逐渐接受市场化， 比如在美国英国澳洲，这件事很简单，UC Berkeley和牛津剑桥的心理学，比QS排名200名以后的计算机还容易录取，孩子们用脚投票选择了有用的专业——毕竟孩子们不是神仙，孩子们也要吃饭， 比如在中国，最正确的改革就是打破“先填大学，后填专业”的高考志愿填报制度， 以前都是先填“清华大学”，在这所大学下面，直接填6个专业，“计算机”、“电子”、“机械”、“材料”、“物理”，分数递减（绝大多数的孩子不敢不服从调剂）， 结果就是，只能填四个大学，最后由这个大学若干专业里的最低分保底大锅端，90%的学生进清华、北大、复旦读纯垃圾专业，给这些学校当炮灰， 而正确的方式是，每个学生可以填100个志愿，每个志愿同时填“大学+专业” pair，前一个志愿滑落，就直接进入第二个志愿pair，以此类推，填满100个。 那么学生们正确的填报志愿方式，由高到低分别是， “清华计算机” “北大计算机” “上交计算机” “北邮计算机” “川大计算机” “川大临床” “电子科大计算机” “中山计算机” “北大临床医学” “厦大计算机” “复旦临床” 这样确保大学和专业同时选中，不会填一个名牌大学然后滑落进一个垃圾专业，100个“大学+专业 pair”直接锁死， 这样的后果就是，北大护理专业的分数线，大概率比一所普通985计算机要低， 而内陆211生化环材数学物理专业的分数线，大概率比深职院的电子更低， 这才是用脚投票的真实水平和结果。

什么?! skill 也能"训练"了? 以往大家都是凭经验让AI写 skill, 然后调试的时候也是运行几下感觉没bug就完事了. 但 skill 能运行就一定好吗? 于是微软联合上交复旦同济等机构发了一个新框架 SkillOpt, 直接让AI评估skill写的好不好然后不断去优化! 最终, 这个框架写的 skill 让GPT-5.5的直接对话准确率飙升了 23.5分! 这个框架具体是怎么做的也很简单, 让skill迭代过程实现 harness 闭环! 大模型写完 skill 后, 立刻进入跑分流程, 只有得分更高的 skill 变更才会留下来. 跟大模型的强化学习过程如出一辙. 框架的设计也很值得做 Agent 框架的同学借鉴, 比如: 它设计了一个独立的优化器模型, 这个模型是用来写 skill 的, 它会根据 Agent 执行任务的试错表现得分, 对 skill 进行编辑操作(增加、删除、替换文本). 然后就是 harness 流程了：每一次文本编辑都必须在独立的验证集上分数有提升, 才会允许合并. 最后, 也是最精彩的地方, 框架还引入深度学习训练机制, 设计了文本层的学习率预算, 这个的核心就是限制大模型每次只能修改skill的一小部分, 慢慢迭代, 而不是全都重写. 论文中最有价值的数据就在这里, 论文实验发现, 每一步设置 4 到 8 个编辑操作的预算效果最好. 最终的最佳 skill 往往只包含 1 到 4 个被接受的核心修改. 甚至他们还设计了被拒编辑缓冲区, 用来存储训练过程的反面胶材, 以及周期性慢速/元更新, 这个则是跑完一个周期后, 会进行一次盘点, 类似于让框架形成记忆, 能更好的维持后续迭代. 这篇论文的结论十分深刻: skill(prompt) 完全配得上, 也需要一套系统级的训练流程. 原文中的描述直接是: 我们主张, skill 应当作为 Agent 的外部冻结状态来被"训练", 并且训练过程还要"让权重空间优化具有可重复性"! 这是不是意味着, 提示词工程(Prompting)和模型训练(Training) 的界限将逐渐变得模糊? 而提示词工程完全进入了机器学习的领域. 也许很快, 我们再也不需要人类去手动瞎改和调试提示词了! 论文地址: #skillopt# #微软# #提示词工程# #harness#