与「月下独酌」相关的搜索结果

8/26/2026 忙了一天的园子，手上还带着土和草的气味，晚上坐在火边，一杯酒，一轮月，湖面把灯光轻轻托着🌕🍷🔥 李白说：举杯邀明月，对影成三人。 月不解饮，影只跟着自己。 可今晚并不觉得缺谁。火是一个人，酒是一个人，月是一个人，加起来刚好够。 凤凰传奇唱：我在仰望，月亮之上，有多少梦想在自由地飞翔。 昨天的事，风一吹，也就干了。 生命潮落潮涨，真正能留下的，常常只是眼前这一小块——火在跳，月在亮，园子里刚种下的、刚收完的，都还在呼吸。 看见的，是这一晚的火与月； 看不见的，是这一天在土里弯腰的力气。 瞬间的，是杯里那一点酒； 永恒的，是你愿意把自己交还给这片 #结界# 的心❤️ 有你的远方就是天堂。 今晚的远方并不远，就在后院，就在月亮底下。 #阳光牡丹姐# #诗意生活# #月下独酌# #月亮之上#

下个判断，小米股价在下次发布会前还得涨，相信雷子，原因如下： - 这次公布了 N90 Max（29.99w）、N70 Max（25.99w） 这在《怪诞行为学》中称为“锚定效应”（知识点啊，赶紧转发收藏一下）先定一个你不买但是相对比较高的价格 - 下次发布会公布 N70、N90 标准版，大概率能做到 21.99w 增程电车从30w+砍到20w+，买盘会很恐怖的，这个车型才是走量的 入场时机大家自己选择，因为还有一个月下一次发布会 我们拭目以待

Q3目标1000亿 根据最新数据显示， 的每日Token吞吐量稳定100亿以上，百亿级别的规模已经从爆发增长转为稳定常态，同时有三个数据非常出彩 1/ API小号占比高达99.4%，意味着 的用户大多数为开发者，它不是一个聊天工具而是企业级的生产基础设施，全球开发者都在 2/ Stripe 法币支付占比 80.4%，长期订阅与企业团队深度绑定，商业化质量极高，证明 BAI 不是短期流量，而是可持续的生产级平台。 3/ MiniMax M3 持续霸榜，在高级编码、多 Agent 协作等复杂场景中表现最强，成为开发者首选模型。 从上线到如今稳定每日百亿Token吞吐， 只用了两个月，下一季度目标剑指千亿Token每日吞吐，作为AI Agent时代的金融基础设施， + 加密支付 + on chain Agent身份 + A2A自主结算的闭环。AI Agent未来不是一个聊天助手，而是可以自主创造价值的经济体， 就是承载这一生态的核心底座。 百亿吞吐只是起点，千亿正在路上。 @justinsuntron @BAI_AGI #TRONEcoStar#

🌙 #AI月下幻想🌙# 現時刻より、月下幻想のスタートとさせていただきます！ どうか皆々様の"月とゴスロリ(gothic可)"の幻想にて、TLをgothicで彩って参りましょう✨ 現時刻～6/1 23:59 JST 今週のお題：月とゴスロリ(gothic可) 🌕🖤皆様の月下幻想をお待ちしています🌕🖤 🌙AI月下幻想運営team🌕

Here's part 2 for luna ❤️ honestly it was so hard putting the costume on and i couldnt have done it without my bestie around 😭 will get a proper shoot done for her eventually. I just tried to edit this professionally lmao ルナちゃんパート2を載せま〜す。今度の衣装は本当複雑過ぎて... マブダチがいなかったらもうお手上げになる所でした... でも着こなしたら本当見映えがね! お姫様になった気分でしてめっちゃ気持ち良かったん! (゜∇^d)!! 大月下再来发后部... 老实说这次的cos是我遇过最难穿的了... 要是亲友不在的话我就真的是投降了😂 但结终穿上了觉得自己及公主的漂亮❤️很有满足感😘 Honkai Impact 3rd Lunar Vow Crimson Love Cosplay Theresa Apocalypse Luna Kindred 崩坏3 cos 月下誓约 予爱以心 德丽莎 阿波卡利斯 月下初拥 崩壊3rd コスプレ 月下の誓い 真紅の愛 月下の抱擁 テレサ アポカリプス #honkaiimpact3rd# #hi3rd# #lunarvow# #theresaapocalypse# #cosplay#

【甲骨文还在放水，快去申请】免费梯子界的扛把子,非甲骨文莫属。最高配置可以达到4核，24G内存，200G硬盘，4G带宽。从4月下半旬开始陆续放水，只需要一张visa卡或者万事达卡，关掉梯子（必须），地址选择中国，其他的按照信用卡真实信息填写，甲骨文地区建议选春川或者圣何塞。只要运气来了，就有了。再参考vless节点搭建教程，以后翻墙就不需要花钱。搭梯子教程：

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：

GPT Image 2 Prompt： 宋代山水意境的中式国风插画，细腻的水墨勾线与柔和矿物颜料设色，银色月光洒落并映照水面，整体以浅蓝、青玉色为主调，点缀柔和粉色花枝，空气中带有朦胧雾气，河面流动倒影细腻，辅以若有若无的淡金色微光，电影感、诗意化灯光，空灵东方美学，高级国风绘本插画质感，4K 细节。 近景特写：一位年轻女子倚坐在木窗边，安静地望向窗外月下流动的江河。月光从窗外倾入室内，柔和地照亮她的侧脸、衣袖与窗框，营造亲密、含蓄而富有情绪张力的氛围。窗外是开阔的江面，波光粼粼，仿佛被月色洗过一般洁净明亮，河水向远方延展，带有轻微流动感与层层 shimmering 反光。画面需突出“室内人物近景”与“窗外广阔月夜江景”之间的对比和平衡，传达安静、思念、诗意、情感亲密的感觉。 可加入中式木窗、远山、岸边楼阁、轻舟、花枝等元素，但整体保持克制、雅致、留白感与绘本式高级审美。