与「樹麗」相关的搜索结果

じゅりじゅりが出演している舞台 劇団時間制作さんの迷子、観劇してきました！！ 心が苦しかったけど、凄く良かったです。 あぁぁぁぁ 観れてよかった… 樹麗ちゃんにも早く会えるといいなー！！！ #劇団時間制作　##迷子　##樹麗#

⋱⋱オフショット📸⋰⋰ 樹(#髙松アロハ#)が起きるのを見守る麗奈(#矢吹奈子#)😴 樹は目を覚ますのでしょうか？？ そしてこれから復讐同盟はどうなるのか！ まだ見てない方は、ぜひ８話をご覧ください！ 📅毎週水曜深夜1時から放送⛓ 🔗 #サレタ側の復讐🤝🔥#

⋰ 第7話 今日深夜1時放送！ ⋱ 早乙女麗奈役の #矢吹奈子# さん 早乙女樹役の #髙松アロハ# さん 南条愛役の #青島心# さん からお知らせ📢 #サレタ側の復讐# 🤝🔥 U-NEXTにて第1話から最新話まで見放題独占配信❕ 最新話はTVerにて無料見逃し配信中❕ 🔗

10/23発売『アップトゥボーイVol.356』の表紙・裏表紙を公開📕✨ もはや弊誌の“顔”といっても過言ではない田中美久が堂々降臨！ しっとりした秋の雰囲気の中、ますます進化した美ビジュアルを余すことなく披露してくれています🍁🤎 他、乃木坂46 6期生・森平麗心、僕が見たかった青空・杉浦英恋、アンジュルム・長野桃羽＆つばきファクトリー・西村乙輝のペアグラビア、奥村桃夏、月刊PAM、石田亜佑美、佐藤優樹、NMB48・和田海佑、江籠裕奈、そしてAKB48・倉野尾成美の好評連載など見どころ満載！お見逃しなく👍

我和树姐的状态有点像，但我在自己不做事情的时候都是让 AI 来工作，最近我做了好几个工作台了，现在还在不断的完善，感谢 AI 带来的好时候。 图1. 我做了一个英伟达的全平台的价差监控，包括了现货合约和期权，AI 自动帮我找链上和交易所自动套利的机会。 图2. 我做了一个基于 Bitcoin 资金费率的自动化套利平台，现货和合约，链上和交易所，合约和期权的不同组合方式找到套利空间。 图3. 我自己搭建了一个基于期权 SELL PUT + BUY PUT 的双币套利组合，而且可以以目前 Binance 和 OKX 等交易所的双币收益做对比，整理出最佳组合。 而且这些我也都放在我自己的 Github 中，就跑本地服务器就可以，专门给我自己服务。所以我只需要有想法，其它都交给 AI 去做就行，所以现在反而每天花最多的时间就是告诉 AI 我在想什么。 一个 @Gate ，交易更多市场

投中滴滴、饿了么、小红书的朱啸虎，最新专访里说了三件狠事： > 今年可能是大模型的最后一年。等 Anthropic 和国内几家上完市，故事就讲完了。3–5 年内开源会取代闭源，模型最后就是水电煤。 > 宇树 4000 亿估值太夸张。近 200 家人形机器人公司差别很小，行业要洗三四轮，最后赢的是华为、小米、比亚迪这种有供应链的。 > 这波 AI 创业没有壁垒，他只看增长，月增 20% 是及格线。

Google 开源了 "Agent 工作负载的 Kubernetes"「AX」 AX 是为 Agent 设计的声明式编排运行时，你用 YAML 声明一个 Agent 任务，AX 负责在集群中沙箱化、配置环境、管控网络并大规模运行它。 开源地址： 它解决什么问题 项目的立论很清晰：Agent 是一种既有的编排体系都不匹配的新型工作负载。 · 它不像微服务(无状态、常驻)，Agent 会持续积累状态(对话记忆、工作区文件、工具会话); · 它不像批处理作业(跑完即弃)，Agent 大部分时间在等待，等模型响应、等工具返回、等人类审批，期间沙箱空转烧钱; · 它运行的是不可信代码，需要严格隔离；它还调用外部模型 API 和 MCP 工具服务器，需要网络与凭据管控。 架构：四个二进制 + Redis 四个二进制分工：ax(开发者 CLI)、ax-server(无状态 gRPC API)、ax-controller(调和循环)、ax-task-runner(每个任务容器内的 PID 1)。 核心原语：Task / Workspace / Model (+ Gateway) Task 是最小执行单元：带 CPU/内存限制的隔离沙箱。AX 刻意把它做得细粒度、可自由组合：一个任务可以是全部工作,也可以是任务树的根节点。生命周期用 status.phase + Conditions 表达,支持挂起(检查点保存状态)与恢复。 Workspace 是最有产品想象力的一层。它把“环境准备”声明化:列出需要的 Git 仓库、MCP 服务器、技能包,runner 在命令启动前物化好。更激进的是 generative workspace:你可以只写一句自然语言目标("搭一个 Python 3 开发环境"),首次启动时 runner 会派一个引导 Agent(Antigravity,需 GEMINI_API_KEY,默认限时 10 分钟)去实际安装工具链并验证依赖。声明一次,任意任务复用。 Model 把“用哪个模型、什么参数、密钥在哪”抽成命名资源,密钥引用 K8s Secret。轮换密钥、锁版本、调温度只需一次 ax apply。 沙箱与运行时细节 每个任务容器以 ax-task-runner 为 PID 1：启动元数据服务(端口 80,HTTP/1.1+h2c,暴露 /healthz、/readyz 和任务/工作区自省端点——Agent 不需要 SDK 就能读到自己的配置)、按绑定顺序初始化工作区、然后 fork 出 spec.command 并持续监管。命令退出后 runner 仍驻留,所以 ax ssh 和元数据服务在命令结束后依然可用。停机采用 SIGTERM + 10 秒宽限 + 强杀的两级策略。 安全模型有几处值得注意的门控：guest 服务(任意进程执行与文件读写,ax ssh 的底层)默认关闭,只在 debug: true 时开启——ax ssh 连不上未开启的任务是刻意的安全设计,不是故障;Gateway 用显式 allowlist 管控出站流量,并可向入站请求注入凭据,避免把 API key 直接塞进 Agent 环境。 路线图透露的方向 五大方向：Actor 架构深化、空闲检测自动挂起、有状态任务 fork、任务级 SPIFFE 身份做零信任 mTLS、runner 层自动采集 OpenTelemetry 遥测与结构化 Agent 轨迹。

道歉信@wang_xiaolou @anymose 首先，我承认，我犯错了。 自去年合作出现问题， 发现身边的小伙伴疑似也遇到类似情况后， 我没有第一时间前往上海， 主动寻找上海圈核心 KOL 搭桥沟通、缓和关系。 我选择了一条如今回头看， 非常不成熟的处理方式： 直接在 X 上公开 艾特知名 Web3 科普作者与社群群主，试图通过公开沟通，换取一个我能够接受的结果。 是我年少轻狂，也确实不够懂得分寸。 —————————— 第一次，是内容合作层面的提醒。 当时的矛盾， 主要停留在内容合作与公开沟通层面。 我本可以选择退一步、平息争议， 但当时的我过于固执，没有选择妥协。 —————————— 第二次，事态开始涉及圈子与资源层面。 事情发生在去年某地的 Solana 线下聚餐小局，我收到的提醒非常直接「有他，没有我。」 同时也有人提醒我：软一点一点吧！ 不要最后在圈子里混不下去，连广告和合作都接不到。 我清楚，圈内 KOL 往往都有自己的项目方与Agency合作资源。 这些关系确实可能影响一个内容创作者能够接触到的行业机会。 但即便收到这样的提醒， 我依旧没有真正意识到事情的严重性， 反而嘴硬逞强： 「有些饭，我可以不吃。」 「谁看得上几百刀的广告费啊？」 现在回头看，我确实非常幼稚，完全低估了小团体的力量。 不过我也确实，从去年开始就没有参与Solana生态了。 —————————— 这里，我客观说明一下当时的心态底色。 绝非卖惨，也从没有指望圈内合作来解决我的生活问题。 去年，我原生家庭的问题集中爆发， 长期面对债务、催收与家庭纠纷， 现实生活压力很大。 当时 MemeX 的 1 万美金激励， 对我而言，确实是重新开始人生的一笔资金。 我没法让步啊！ 但我也想明确一个点： 无论是一年前经济紧张的时候， 还是现在状态稳定以后， 我从来没有想过依靠圈内广告合作、 或者依靠谁的施舍来养活自己。 我去年的「硬气」， 不是因为缺钱所以偏执， 而是身处低谷的时候， 依然不愿意妥协、不愿意看人脸色的那份倔强。 一年前如此， 现在经济和生活状态稳定以后， 更不存在因为生活压力而求人给资源的情况。 我今天解释这些，只是为了复盘当时的心态， 不是为自己的硬刚找借口，也不是为了卑微求谅解。 —————————— 经历前两次冲突后， 非常感谢树姐 @EvaCmore 与 Beyond @0xBeyondLee 从中帮忙调解。 那时候我也主动做出了让步： 退出此前的灯塔 DAO， 不加入飞轮 DAO， 不再参与华语区 KOL 抱团， 不再参与Kaito的后续活动！ 当时我以为，事情到这里， 就可以彻底翻篇、归于平静。 —————————— 但第三次，事情又发生了变化。 这一次，已经不再只是内容分歧，也不只是圈子关系和合作资源的问题。 在这次线下活动中，现场发生了肢体冲突风险，有人出现了试图对我动手的情况，最后被在场的人及时阻拦、拉开，没有造成更严重的后果。 从我的感受来看，事情已经开始涉及到人身安全。 回头看这三次事情： 第一次，是内容合作层面的敲打。 第二次，开始涉及圈子与资源层面的敲打。 第三次，则进一步发展到了线下的人身安全问题。 事情是在一步一步变化的。 而我自己，也一次又一次选择了硬扛，没有及时停下来。 这是我现在回头看，最需要反思的地方。 —————————— 时至今日，我彻底复盘，也认真醒悟。 我今天的道歉，不是低头服软，也不是因为压力而认错。 我真正反思的是： 过去很长一段时间，我偏执地把“坚持自我”，理解成“凡事硬刚、绝不退让”。 但成年人的世界里，很多事情不必争输赢，很多矛盾也不必一定辩出对错。 懂得适时沉默，懂得适度止步，懂得体面收场，是我过去缺失的一课，也是我现在愿意认真补上的一课。 我坦然承认： 我过去处事幼稚、冲动、固执，也确实缺乏分寸，客观上让一些矛盾进一步扩大。 该反思的，我会认真反思。该调整的，我会认真调整。 —————————— 事情距今，已经过去整整一年。 这一年里，我的心态、生活和状态，都已经发生了很大的变化。 我不靠圈子里的合作生存，也没有任何卑微诉求。 但针对一些持续至今的疑问，我也想坦荡地问几个问题： 1、我是否依然无法通过KOL DAO 获得正常、平等的内容合作？ 2、我是否依然不能主动对接 Agency，争取属于自己的正常机会？ 3、我是否依然不能正常参加行业线下活动，认识同行、拓展正常合作？ 以及最重要的一个问题： 只要我试图改变现状，就继续被“敲打”吗？ 如果答案依旧是：「不可以。」 那么我只想坦然问一句： 这一切，到底还要持续多久？ 我始终认为，商业合作本就是双向选择。 有人不认可我，有人不愿意和我合作，我完全尊重，也坦然接受。 我从来没有要求任何人必须认可我，也没有要求任何项目方、交易所或 Agency 必须和我合作。 但如果时隔一年，过去的矛盾仍然持续影响我正常寻找合作、认识朋友、参与行业活动， 那么我想讨论的，其实已经不再是谁对谁错。 我不争输赢，不求偏袒，也不卑微求和。 我只是希望把这件事情说清楚： 这一页，到底什么时候可以真正翻篇？ 如果过去的事情真的需要一个“交代”， 那我也想问一句： 这一年来，我到底还需要向谁、以什么方式，证明我已经愿意翻篇？ 至于所谓的“保护费”，如果真的存在这样一笔账，那究竟应该交给谁？ 还是说， 我只要不按照某小团体的意愿生活、合作和交朋友，就永远需要为过去的事情付出代价？ 我想，这才是我今天真正想问的问题。

[RAG 论文分享] VikingRAG：匹配 SOTA 准确率、Token 成本降到 5%–32% 现有问题：RAG 高准确率依赖结构上下文与多轮交互，是 token 开销的主要来源 企业问答、法律、财报等场景的语料都是章、节、段落组成的结构化文档，结构本身就是检索线索，它指示事实归属与局部和全局的关联。 现有 RAG 方法陷入两难：不用结构（朴素向量 RAG、图 RAG、SQL-RAG）丢失导航线索，准确率低；用结构（MoDora、BookRAG、DeepRead）准确率高，但 DeepRead 要把候选文档的完整目录塞进 prompt，开销随目录规模线性增长，加上多轮交互历史不断累积，token 成本巨大。 论文地址 # 三个核心设计 1. 层次化语义存储：把结构从 prompt 搬进可查询的外部状态。 文档分块后保留所属结构节点，自底向上生成节点摘要，目录、块、摘要全部物化为 URI 可寻址对象（如 viking://Pasta/Carbonara/），祖先-后代关系编码为 URI 前缀。系统向代理暴露 Search / List / Grep / Read 四个工具，语义与结构路径共享同一 URI 空间。效果：结构 token 与实际访问的目录片段成正比，而非与完整目录成正比——直接消解 DeepRead 的线性开销。 2. 证据缺口驱动的多轮检索。 Agent 每轮判断证据是否充分，不充分则继续调用工具（轮数预算 B=15），充分即作答。设计哲学是粗定位与细验证分离：Search 锚点 → Read 查看后发现缺口 → List 相邻块 → Grep 精确命中 → Read 验证，每步把搜索空间收窄到相关子树内。 3. 经验边 + 自适应升级——让相似查询不必重复探索。 经验边从历史检索轨迹中把“Search 命中的 URI”连向“真正支撑答案的 URI”，边上存历史问题嵌入做查询时过滤；新查询沿边做条件化多跳扩展，复用路径而非重新探索（VikingRAG-E）。经验积累足够后，多数查询一轮检索即可作答——用约束感知的充分性判断器先验证证据是否支撑答案的关键约束，验证不过关才升级为完整多轮代理检索（VikingRAG-E+）。 # 实验结果：token 降至 SOTA 的零头 6 个真实结构化文档数据集（从 0.24M 词元的课程大纲到 8.78M 词元的财报），8 个基线，骨干 LLM 为 DeepSeek-V4-Pro，并在 GPT-5.5、Seed-2.0、GLM-4.7 上验证稳健性。主要结论： · 准确率与所有基线持平或更高（DeepRead 通常是最强基线）； · 基础版 VikingRAG 仅消耗 SOTA 方法的 11.6%–51.9% token，完整版 VikingRAG-E+ 降至 5.1%–32.5%，延迟同样显著更低； · 逐层消融：经验边再省 12%–33% token，自适应升级再省 19%–50%； · 可扩展性：LightRAG、HippoRAG-2 在最大数据集上 24 小时内无法完成摄入，BookRAG 在多数数据集上超时；而 VikingRAG 在文档数从“仅相关文档”增至 991 篇时性能基本稳定——因为它是按需定位，不随语料规模膨胀； · 存储方面：插入延迟与 DeepRead/MoDora 相当、远快于图方法；代价是摄入期 token 更高（为每个索引对象生成预览）；文档删除零 LLM 成本。