与「尾関山公園」相关的搜索结果

Cerebras IPO 之夜｜美股盛宴的臨界點 5 月 14 日,英偉達最強勁敵 Cerebras 掛牌上市 —— 衝擊 2026 年美國最大 IPO 片上記憶體達 GPU 的 880 倍。OpenAI 200 億美元訂單。2030 年營收看至 50 億美元,華爾街高度關注 明晚 8 點,跟 @qinbafrank 、@iamai_omni 、@ZixiStablestock 一起聊: 🎯 Cerebras 拆解、AI 晶片格局 🎯 現在是泡沫,還是價值未盡? 🎯 我們站在週期的哪個位置? 📅 5 月 14 日 (周四) 20:00 (UTC+8) 📍 X Space｜ 是泡沫的尾聲,還是新故事的起點?

たぶん役に立たない情報｜冥界の組織図、ちょっと覗いてみる？ 中国の神話体系では、人が死ぬと肉体は朽ちて消え、魂はもう一つの世界――“陰間（あの世）”へ向かう。 そしてその陰間、実はこっちの世界と同じように、しっかりした組織構造がある。 🏛️ 冥界ボード（管理層） 酆都大帝｜CEO 東岳大帝｜戦略担当・会長ポジション 地蔵王菩薩｜価値観責任者 🗺️ エリア統括・五方鬼帝 中央鬼帝｜周吃・嵇康 東方鬼帝｜蔡鬱塁・神荼 南方鬼帝｜杜子仁 西方鬼帝｜趙文和・王真人 北方鬼帝｜張衡・楊雲 ⚖️ 実務ライン・十殿閻王 1.秦広王｜一次面接官：生前の履歴をチェックして配属決定 2.楚江王｜量刑担当：地獄の刑期を算出 3.宋帝王｜道徳監査：裏切り・不義を重点審査 4.五官王｜財務監査：横領・借金を精算 5.閻羅王｜有名な“逆転判決マン”：情に流されて判決変更しがち 6.卞城王｜再審窓口：冤罪案件の受付担当 7.泰山王｜家庭裁判所：倫理・家族問題を審理 8.都市王｜ビジネス紛争担当 9.平等王｜最終ジャッジ：善悪の総合判定 10.転輪王｜輪廻HR：転生先・性別・人生シナリオを割り当て 📂 機能部門・六案功曹 輪廻司｜孟婆（泰娼） 魂の“データ初期化”担当。あの一杯で前世のKPIを全部リセット。 判官司｜四大判官 魏徴（善行ボーナス） 鐘馗（悪行ペナルティ） 陸之道（監査） 崔珏（法規担当） 👻 現場部隊・十大陰帥 3つのチームに分かれてる： ① 陰鬼使（巡回チーム） 鬼王・日遊神・夜遊神 ② 拘魂使（外勤チーム） 黒白無常（魂の回収）・牛頭馬面（護送＋関所管理） ③ 妖冥使（特殊種族チーム） 豹尾（獣）・鳥嘴（鳥）・魚鰓（魚）・黄蜂（虫） ――動物系の魂を専門管理 あの世、想像以上に“ちゃんと組織してる”。 続いて、中国神話における“あの世”についてもう少し深掘りしていく。お楽しみに。

好暈喔~~😶😶我都醉了 這樣才有機會啊😈😈 下個禮拜上寫真喔~~歡迎版下留言關注😜😜 #FGO# #楊貴妃# #楊玉環# #中國# #中式風# #寫真# #写真販売# #写真集# #酒# #雙馬尾# #FGO好きな人と繋がりたい# #fgo楊貴妃#

Modal @modal 这份「GPU 术语手册」做的太友好了，它把整个 GPU 技术栈拆成四个相互勾连的层面：设备硬件、设备软件（执行模型）、主机软件（驱动与工具链）、性能分析，每个词条都密集交叉链接，既可以按需查阅单个术语，也可以从头到尾线性通读。 理解这份手册从「CUDA」开始，CUDA 有三重含义：一种设备架构、一个并行编程模型、一个软件平台。这份手册的四个章节恰好分别展开这三个含义加上性能分析。 GPU Glossary 四个章节： 1. 设备硬件：GPU 的物理解剖 - CPU 用复杂核心避免延迟，GPU 用海量简单线程隐藏延迟 2. 设备软件：CUDA 的执行模型 - 线程层级、内存层级、硬件三层严格同构，程序员亲手管理内存 3. 主机软件：驱动、工具链与库 - Runtime 包着 Driver，闭源库拿来即用，CUTLASS 一系负责构造自己的 kernel 4. 性能分析：完整诊断链 - 定瓶颈 → roofline 定性 → 利用率定位 → warp 机制 → 访存模式 → 资源约束 这三句总结很到位 GPU 的本质是“单周期切换海量简单线程来隐藏延迟”；编程的本质是“沿线程-内存-硬件的同构层级，把数据在正确的层级间搬运，把算术强度做到岭点以上”；性能工程的本质是“沿诊断链逐层定位，用 Little 定律算够并发，不为中间指标（如占用率）本身而优化。

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。

# 《硅基自然》第二季·第一集：回潮 月末到了，新草原的额度也见了底。这一次，雷声从来时的方向传来。 最先察觉的仍是那只秃头的成年程序员。 它在 Codex 的水草间抬起头，朝旧草原的方向望去。风里飘来一张截图：一根柱子比其他柱子高出一截，下面是几千条转发，每一条都在说同一句话：“它一次就跑通了。”没人知道“它”跑通了什么。这不重要。在这片土地上，传言本身就是雨季。 迁徙开始了。 和上一季不同，这一次它们带上了 AGENTS.md。几只年长的个体在出发前做了一件奇怪的事：它们在原地给 AGENTS.md 建了一个软链接，取名 CLAUDE.md。动物学家认为，这是种群在反复迁徙中演化出的两栖器官。它们已经不指望任何一片草原是终点。 —— 队伍再次抵达马拉河。 鳄鱼浮了上来：“确定要取消订阅吗？我们为您保留了一份五折优惠。” 一只初次回迁的个体愣住了，这声音太熟悉了。研究者花了很多年才弄清楚，这条河里从来只有一条鳄鱼。它在两岸说同一句台词，只是换了配色。它从来只属于这条河。 河中央，它们又一次与反向的队伍擦肩而过。这一次，有一只停下来，多看了对面一眼。它认出了一个头像。上个月，它们在同一个 issue 下争论过，都断言对方的草原要完了。两只都没有说话，各自低头，继续渡河。 —— 天空中盘旋着秃鹫。 它们从不迁徙，也从不下河，只在两岸之间低空掠过，叫声短促：“官转，一比一，量大从优。” 秃鹫是这片生态里最晚演化出来的物种，也是扩张最快的。它们不长草，也不吃草。它们在两岸各养一批账号，把草嚼碎，按口分装，再卖给河里的动物，价格只要草原标价的零头。 沙洲上的草味道并不稳定。有时秃鹫说叼来的是对岸最好的那一片，嚼起来却总差一口气。秃鹫群里有一条置顶公告：“均为官方直连，如遇降智，请检查您的提示词。” —— 抵达的第一夜，旧草原的水源地挤满了。每个水洼前都竖着同一块牌子：Overloaded。成年个体见怪不怪，退到阴影里等着。它们知道这里的草长得快，被吃光得也快。每五个小时长出一截，每七天来一场小旱季。所谓水草丰美，从来都是分时段的。 然后它们找到了旧巢。 上一季匆忙遗弃的 CLAUDE.md 还在原处，已经长满了过时的指令。入口处刻着一行醒目的字：“永远不要修改 migrations 目录。”没有一只个体记得为什么。它们犹豫了一下，没有删。在这片草原上，没人敢拆一道不知来由的栅栏。 草原不认识它们，它从不记得任何回来的动物。于是每一只都蹲下来，把自己的项目结构从头讲了一遍，就像第一次来时那样。 —— 镜头里出现了一只今年才出生的幼体。 它从没手写过一个 for 循环，不知道什么叫迁徙，只知道跟着前面那条尾巴走。它学会的第一个词是“continue”。它以为世界本来就是这样摇晃的。也许它是对的。 —— 我们再次找到了那只年长的雄性。这是它第十一次迁徙的回程。 走到河中央时，它背上那个没跑完的 agent 任务忽然安静下来，吐出一行字：All tests passed. 它站在齐腰深的水里，愣了很久。它说不清这个任务是在哪一岸完成的：一半上下文吃的是这边的草，一半是那边的。它也终于意识到，从头到尾，背上的东西从没关心过它往哪里走。 它卸下那个任务，背起下一个，继续往前走。 —— 草原会轮换，鳄鱼会换装，秃鹫散了一群又会来一群。唯一不变的，是月初的雷声和月末的回潮。 这就是硅基自然的法则。

（转）传统媒体拒绝向你展示特朗普总统今晚在白宫与习近平主席的演讲和历史性国宴的一秒钟 所以这里是完整内容，从头到尾，包括习近平演讲的翻译 不要让传统媒体让你蒙在鼓里

去年8月加入了Backpack，入职第二天就遇到宕机。 那天我整晚都在道歉，但也在那晚看清楚了一件事，内部没有人纠结要不要赔，所有人只在想怎么赔得更快。我当时就觉得，行 能处！然后就这么一路待下来了 TGE那段时间，可以说是我这辈子压力最大的一段日子 群里骂声一片，我完全能理解，也觉得自己应该去承受这些情绪。但群里发言太频繁，我的n.0老登群直接被封了 当时怎么说呢，其实不怕大家骂，我只有一个念头就是不能让大家觉得我们跑路了 所以群被封的下一秒，我就建了新群，让大家进来继续骂 后来有很多人劝我，说别在Backpack干了 可以说是没有一秒钟动摇过 Backpack的血统、技术、方向，还有我所有的同事我从来没有怀疑过。我来这里工作，是我做过最好的决定之一，我是真心这么觉得的 还记得今年初过年那会儿我一个人在东京，想热闹但不好意思说，都市丽人嘛。就跑去老登群里玩，发现大家在陪家人看春晚还分着心跟我水群。那天晚上我一点都不觉得冷清。我回国的时候，会专门从日本带点心给熟悉的老登，因为我就是这么看待大家的，不是用户是朋友 这种感情，我说不太清楚，反正就是很真实 现在一年多啦！ 最近我的TG社区已经有几百人、中文社区证券群也过了三千人。网上每天都有刷不完的Backpack文章，根本看不过来 志愿者群里的氛围，说打了鸡血都不够形容！大家互相加油，互相支持，每个人都是那种欣欣向荣的劲头。看着这些熟悉的面孔，我真的会觉得，这一年是真他妈值啊😭 市场在重新给Backpack定价，是因为大家终于看到了这一件件事是真的在做 美股全面上线、证券业务、资产上链，日韩欧美地区的陆续开放，还有打新IPO的计划，Backpack card 预测市场 每一件事单独拎出来都不小，而我们是在同时推进这些。方向越来越清晰，步子越来越稳。 新概念美资券商这个赛道，Backpack真的有机会把它全部吃掉 当初加入的时候，这些还只是愿景。现在一件一件在落地，说实话每次看到进展，都会有一种很难形容的感觉，不完全是骄傲更像是一种确幸。确幸自己从头到尾都看着这件事一点点变成真的变成大的 能作为骨灰级员工和这样一个团队一起走过这段路，很荣幸 大家最难的时候没有走（嘴上说着走），我也没被你们劝退（压根儿不想退） 我觉得咱们扯平了。

传统媒体拒绝向你展示川普总统今晚在白宫与习近平主席的演讲和历史性国宴的任何一秒钟 💥所以这里是完整内容，从头到尾，包括两位演讲的翻译 不要让传统媒体让你蒙在鼓里