与「天然氷」相关的搜索结果

⋱1月18日土曜あさ8:30～⋰ テレ玉「いまドキッ！埼玉」📺 1⃣ 埼玉で #天然氷# 巡り 2⃣ #全国植樹祭# まであと何日？ 体を動かし、食べ、見て!アンゴラ村長が寒い時期ならではのお楽しみを満喫します。 後半は、県立工業高校生の力作!カウントダウンボードを紹介🌳 #いまたま#

かき氷美味しすぎるんじゃ〜🍧🍧🍧 いちごみるく🍓🥛 天然氷使ってるらしくて、今まで食べたことないくらい美味しかった…✨

本日の #よかばん# は暑い今一番食べたくなる #スウィーツ# をご紹介！ #宮崎# 初の #天然氷# の #かき氷# ！ 手作りシロップのメニューの豊富さ！ お店の名前通りこぼれるほどのみつ！美味しかったぁ。 そして #イケメン# 店長が作っているという。。女性のみなさん！必見です！笑 #UMK# #宮崎県#

【#めざまし8】ありがとうございました🌅# 今日の【#得するウォッチング】は、冬の絶景をドローンでお届け❄️# 埼玉県にある『#秩父三代氷柱』を取材🏃💨# はとバスツアーの密着では 天然・人工どちらのつららも楽しむことができる 『#三十槌の氷柱』へ🧊# 自然が織りなす芸術は息をのむ美しさでした✨

记住，金融市场是一个反进化的场所，是个人造的、非自然的博弈场！ 在这里，你有牛逼的操作技术只是个基本门槛。 所谓有天赋的人，非常稀有，最起码得需要四个特质： 1）对概率与不确定性并不反感，反而觉得天然舒适。 2）有极强的延迟满足与耐心，可以一动不动只等待自己的扳机时刻； 3）对自己犯下的交易错误能够快速切割，没有任何观点包袱； 4）极其变态的情绪抽离，止损像呼吸一样简单！ 完全凤毛麟角的存在！

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。

阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，采用 “确定性工程 pipeline + AI Agent” 的混合架构，专门解决通用 Agent 做代码审查时 “漏审、定位漂移、质量不稳” 的老问题。 40.5K ✨ 开源项目 OpenCodeReview： # 核心设计：确定性工程 pipeline × Agent 各司其职 确定性工程负责硬约束： · 精确文件选择：用代码决定哪些文件必须审、哪些要过滤，不依赖模型自觉； · 智能文件捆绑：把相关文件合成一个审查单元（例如 message_en.properties 和 message_zh.properties 捆绑），每个单元以上下文隔离的 sub-agent 运行，分治策略让超大变更集也稳，且天然支持并发（默认 8 个文件 worker）； · 细粒度规则匹配：内置约 54 个按语言/文件类型的规则文档（Java、Go、TS/JS、Python、Rust、SQL/XML mapper、properties 等），用模板引擎而非自然语言把规则匹配到文件特征上，从源头消除信息噪声； · 外部定位与反思模块：评论的“落点”和“内容”分别由独立的 re-location 和 reflection 模块系统性校正，这正对“位置漂移”痛点。 Agent 负责动态决策： · 深度优化的场景 prompt（内部分为 plan → grouping → main → memory_compression → re_location → review_filter 多个任务模板，可在 internal/config/template/prompts/ 看到）； · 从海量生产环境的 tool-call 轨迹（调用频率分布、单工具重复率、新工具对调用链的影响）反向蒸馏出的专用工具集，包括全文件读取、代码搜索、其他变更文件查阅等，比通用 agent 工具箱更小更稳。 # 能力面与生态集成 功能上覆盖：workspace/分支区间/单 commit 审查、断点恢复（ocr session）、全文件 scan（无 git 历史也能审计陌生代码库）、本地 Session Viewer 网页查看与回放、SARIF/JSON 输出、OpenTelemetry 可观测性、MCP Server 扩展。 作为 “Skills 生态” 级项目，它的形态相当完整：既提供 npm 全局 CLI，也提供可移植的 Agent Skill（skills/open-code-review/SKILL.md，带标准 frontmatter，可直接被兼容 skill 的 agent 加载），还有面向 Claude Code、Codex、Cursor、Kimi Code、OpenCode 等平台的插件，每种都封装成斜杠命令或可调用 skill。LLM 侧兼容 OpenAI、Anthropic、AWS Bedrock 三类协议，并可直接复用 Claude Code 的 ANTHROPIC_* 环境变量。 其中一个设计很巧妙：Delegation 模式（ocr delegate preview/rule）。此时 OCR 只做自己擅长的确定性部分（文件选择和规则解析）审查本身交给宿主 coding agent 的 LLM 执行，用户无需给 OCR 配任何 API key。这实际上是把“harness 能力”与“模型能力”彻底解耦。 # 工程质量：超出平均水准的部分 · 安全有正式的 Assurance Case（ASSURANCE_CASE.md）：完整的威胁模型、四条信任边界、T1–T7 威胁逐条给出缓解措施，并按 Saltzer & Schroeder 设计原则和 OWASP Top 10 做了映射。细节经得起推敲：所有外部进程调用只限 git 且子命令硬编码、--end-of-options 防 flag 注入；Agent 读文件路径经 pathutil.WithinBase() 在符号链接解析前后双重校验；本地 Viewer 有 Host 白名单防 DNS rebinding + 严格 CSP。这类文档在一般开源项目里非常罕见。 · 贡献规范近乎严苛（AGENTS.md）：使用 AI 必须在 issue/PR 中披露工具与模型、必须逐行理解 AI 生成的代码、禁止“AI 生成→反复修复→再修复”的循环、禁止把 commit 署名给 AI。源码强制英文（CI 有 english-check，连全角标点都查）、90% 测试覆盖率门槛、-race 与 govulncheck 每次 push 都跑、SPDX 头与 LF 行尾强制。 # Benchmark：数据情况 官方基准 AACR-Bench（已在 Hugging Face 开放）规模不小：50 个流行开源仓库、200 个真实 PR、10 种语言、80+ 资深工程师交叉验证出 1505 条标注问题。结论是同模型对比 Claude Code：Precision 和 F1 显著更高、token 消耗约为 1/9、速度更快。 需要指出两点：其一，Recall 低于通用 agent，README 自己承认这是“以精度换噪声”的刻意权衡，如果你最怕漏问题而非误报，可能不适合；其二，该基准由阿里自建，虽开放了数据集供社区复核，但独立第三方的复现结论目前还少，可以把它当作“有披露的、方向可信的参考”。

如果你婚前创办了一家公司，婚后它涨到价值87亿元，离婚时这87亿元是谁的？ 最近，神农集团披露，公司控股股东、实际控制人何祖训涉及离婚诉讼。何祖训目前直接持有公司约2.61亿股，占总股本49.60%。公司同时强调，目前诉讼涉及的是股东个人权益，对公司生产经营暂无重大影响。 这件事真正值得看的，不是“豪门离婚能分多少钱”，而是几个普通人也容易误解的问题。 第一，婚前持有股份，不等于离婚时所有价值都天然归个人。 法律上通常需要区分股份本身的取得时间、婚后是否发生共同经营、分红收益、增值性质等。不能简单用“结婚前有股份”一句话判断最终怎么分。 第二，股票市值和真正能分到的钱不是一回事。 所谓“87亿元”，本质上是按照某个时间点股价乘以持股数量得出的市值。法院处理的是财产权利，不是直接拿当天市值简单除以二；股价本身每天都在变化。 第三，上市公司老板离婚，不完全是私人事务。 原因在于，如果大量股份最终发生分割、转让，就可能影响持股比例、表决权，甚至公司的控制权。而上市公司的其他股东和投资者有权知道这类可能影响公司的重大事项，所以公司需要履行信息披露义务。 第四，很多富豪离婚最后未必真的“把公司切成两半”。 现实中常见的处理方式可能包括一方取得股份、另一方获得现金或其他财产补偿，或者通过协议安排股份，但具体怎么处理要看双方协议和法院裁判。 所以这类新闻真正有意思的地方是： 婚姻是私人关系，但当夫妻财产里装着一家上市公司的控制权，它就会同时变成一个公共市场问题。

JustLend从众多借贷协议中脱颖而出，6年0安全事故 晚上看了一圈主流借贷协议，Aave在做多链规模，Morpho走模块化和隔离市场，Compound继续做基础借贷，Venus则深耕BNB Chain。 JustLend 它没有追求覆盖多少条链，而是围绕TRON生态，把借贷、稳定币、质押和Energy需求慢慢串了起来。 目前 JustLend TVL约 38.4亿美元。今年一季度约33亿美元，阶段增长约16%。对于一个主要聚焦单一公链的借贷协议来说，这个资金体量已经相当可观。 1、和主流借贷协议相比，JustLend的特点是什么？ 简单看一下目前几家头部协议数据上，Aave和Morpho的整体规模更大，这是多链模式带来的结果。 但JustLend比较特别的一点是：38亿美元左右的TVL，主要集中在TRON这一条链上。 这意味着它的增长逻辑并不是不断去新的公链抢流动性，而是继续吃深TRON本身的稳定币和链上资金需求。 2、JST比较值得看的，其实是价值回流 价格目前约 0.113美元，季度以来上涨约31%，而且目前已经完成三轮销毁累计约 13.56亿JST，回购资金主要来自协议净收入。 此前累积收入的30%用于首轮执行，其余70%计划在2026年按季度释放，后续新增净收入也会进入下一季度回购池。 还有一个细节比较有意思，暂未使用的资金会进入JustLend的USDT市场获取收益，再用于后续回购。 协议产生收入 → 回购JST → JST进入销毁 → 流通供应减少。 这也是JustLend和单纯依靠治理预期的DeFi代币比较明显的区别。 3、JustLend现在已经不只是借贷 目前除了传统借贷，还包括 sTRX流动性质押、Energy租赁、清算工具和DAO治理。 V2则进一步引入了隔离市场、ERC-4626金库以及自适应利率模型，把不同市场的风险进行隔离。 目前协议包含18个活跃市场以及6个历史市场。 1 / TRON上有大量USDT转账需求，就会产生Energy需求 2 / 有稳定币流动性，就会产生借贷需求 3 / 有TRX质押需求，又会产生sTRX等产品。 所以JustLend并不是单独做一个借贷协议，而是在围绕TRON本身的链上需求搭产品。 4、收益率不是重点，资金和场景才是 目前JustLend的USDT基础供应年化大约2%，USDD市场综合收益最高约6.5%。 Aave、Morpho等协议部分稳定币市场的收益也能达到类似水平，而且APY会随着资金利用率和激励不断变化。 TRON上的稳定币规模、USDT转账需求，以及Energy市场，本身就是天然的使用场景。 5、最终还是看能不能形成闭环 Aave的优势是多链和成熟的流动性市场，Morpho更强调模块化和市场自由度，Compound走的是相对简洁的基础借贷路线。 JustLend则是稳定币资金 → 借贷市场 → 协议收入 → JST回购销毁 → 再反哺生态。 再叠加sTRX和Energy租赁，借贷只是其中一个入口。 所以我认为判断JustLend不能只盯着它和Aave差多少TVL。更值得看的，是它能不能继续把TRON上的真实链上需求转化成协议收入，再进一步形成JST的价值回流。 这可能才是JustLend这几年真正想走出来的一条路。 @justinsuntron @DeFi_JUST #TRONEcostar#

我觉得真正好的、真实的链上交易员，其实是非常圆滑且一直在波段的，趋势出现的时候敢上仓位追高，趋势不对的时候会撤离。 我能想到的比较典型的代表应该是 @frankdegods 和 @hexiecs；然后玩低市值的 P 小将，我经常看的有 @aa_AFeng 和 @CryptoCharming，也是属于这种类型。 有几个好像经常会被喷，因为波段和纸手有时候会影响 K 线，影响 K 线就会有人亏钱，有人亏钱就会有人喷。 Memecoin 这个市场，大部分人都是屁股决定脑袋的。没有多少人真正地理解游戏规则；没有多少人会真正地去思考是非对错。你让我亏钱了，我就要无脑地喷你；你让我赚钱了，我就要无脑地追捧你。 被大家追捧的车头，通常是一直钻石手、账面巨额浮盈但又不套现的那种类型，我也觉得很厉害，但是我觉得他们的操作和交易对于普通人来说，没有太大的参考价值。 资金体量是一个因素，我们不可能看着能改变我们人生的巨额浮盈还坚持不套现。再来是影响力、信息差，都有很大的差距，你可以复制他们的交易，但是复制不了他们周边的天然优势。