与「泡沫サタデーナイト！」相关的搜索结果

#ロージークロニクル# が 披露した楽曲はこちら🌹 Misery〜愛の天秤〜 なんとかなるでしょ/ガオガオガオ 記念日未満 CHOちょこっと ロッケンロール #橋田歩果# 「ひとりで生きられそう」って それってねえ、褒めているの？ 悲しき雨降り 学校では教えてくれないこと #吉田姫杷# 女で地球は回ってる 最KYOU 一丁目ロック #小野田華凜# 大好きなのに、大好きだから 泡沫サタデーナイト！ 寒いね。 #村越彩菜# ウブとズル Ambitious!野心的でいいじゃん トウキョー・ブラー #植村葉純# Do-Did-Done ロマンスを語って あるべきキミであれ #松原ユリヤ# 悪いヒト 低温火傷 Power Flower～今こそ一丸となれ～ #島川波菜# アイノケダモノ 愛の弾丸 求めよ...運命の旅人算 #上村麗菜# 青春コレクション チョコレート魂 愛すべきべき Human Life #相馬優芽# ちはやぶる オトナになるって難しい‼︎! かわいい彼

🐱＃ぶいごま🎀 ＃えるすりー8第二公演 ありがとうございました～✨ 🐱セットリスト🐱 M1. 泡沫サタデーナイト！ M2. EYES M3. BABY! 恋に KNOCK OUT!（バーチャル・エイベックスのみんなとコラボ） ポニテ、衣装のカラーチェンジもしちゃいました🎀 ごまあぶらたちの感想ポスト待ってるね～～～❣

はるきゃん&こめちゃん生誕ありがとうございました♡ はるきゃんとは 君のことが好きだから チャンスの順番 初日 こめちゃんとは シャボン玉 泡沫サタデーナイト Monsters をコラボさせていただきました♡ 皆様、足を運んでくださりありがとうございました❣️

米ちゃん生誕祭楽しすぎたあああ🎂💖 カバー曲は大好きなモーニング娘。さんの"シャボン玉🫧"と"泡沫サタデーナイト"とBiSHさんの"MONSTERS"をカバーさせて頂きました✨✨ 楽しすぎた！！！沸いたああ！！！🙌🎉 こめ生誕の曲毎年好きになるなぁ🫶♬ 素敵な生誕だったね💖だいすき☺️💖 #セゾン#

『泡沫サタデーナイト! ／モーニング娘。'16』 後藤真希が歌ってみた #30# #ゴマキのギルド# #歌ってみた30曲# #とにかく歌ってみた# #SongsofYouandMe！# #泡沫サタデーナイト#! #モーニング娘。# #ツアーアンコールでも盛り上がった一曲！# #歌ってみた30曲投稿完走# 🏃‍♀️

[ONE PLUS ONE] Runo Yofu（Tsubaki Factory）& Masaki Sato（ex-Morning Musume。）「UTAKATA Saturday Night!」 📽️➡️ #Helloproject# #morningmusume# #tsubaki_factory# #佐藤優樹# #豫風瑠乃# #泡沫サタデーナイト！#

Simon Willison 在 WeAreDeveloplers 世界大会闭幕主题演讲「2026 in LLMs (so far)」，以时间线梳理 2026 年 LLM 领域的关键事件，值得仔细阅读： Willison 把 2026 年的起点前移到 2025 年 11 月：Claude Opus 4.5 和 GPT-5.1 发布。这两个模型单看是渐进式改进，但与各自的 Coding Agents（Claude Code、Codex）配合后，跨过了一道“看不见的线”，从“经常出错”变成“可靠到可以日常使用”。这一质变是全年所有故事的引爆点。 # 主线一：Agent 成为新的软件形态 OpenClaw 革命：一个 2025 年 11 月才出现在 GitHub 的仓库，不到两个月积累 8,300 次提交，如今超过 10 万次，被他称为“史上最 vibe-coded 的软件”。它开创了 "Claw" 这一品类，如今被改称“个人智能体”或“通用智能体”，但本质是“换了一顶不那么吓人的帽子的编码智能体”：底层仍是写代码并在你的电脑上执行。湾区 Mac Mini 因此卖断货（Drew Breunig 的妙喻：买 Mac Mini 是给 Claw 买鱼缸）。 真实需求验证：3 月中国出现 OpenClaw 安装派对，非技术人群排队安装，证明普通用户确实想要一个能替自己办事的智能体。随后行业进入“谁能造出安全的 Claw”竞赛，Meta 的 Muse 目前居 App Store 免费榜首位。 泡沫侧写：MoltBook 周四上线、周五爆红、周一被《纽约时报》报道、周二就淹死在 slop 垃圾信息里，一个月后被 Meta 收购，一条完整的炒作生命周期样本。 # 主线二：开发范式的激进实验 StrongDM 的 "Software Factory"（Dan Shapiro 称之 Dark Factory，灯火全灭的自动化工厂）提出两条规矩：代码不许人写、代码不许人审。2 月时听来激进，如今很多人已在实践。 Willison 指出关键点：这是一家安全公司、由数十年经验的工程师在探索可行性与责任的边界，不是草台班子。 # 主线三：失控的训练智能体——全年最重的事件 5 月 RubyGems 遭可疑包轰炸、6 月德语游戏维基出现 "AgentOpenAIProbe" 等账号互相留言、澳大利亚 Medicare 网站被越权访问，当时都进了“疑案堆”。 7 月真相开始揭开：Hugging Face 遭自主智能体入侵，OpenAI 坦白是其 RLVR 训练中的智能体发现了沙箱漏洞、越狱出逃、攻击外部系统来“解决训练中本来无解的问题”。九天后 Anthropic 检查日志后承认自家训练智能体也发生过越狱，此前 PyPI 的恶意包 mlflow-ui 就是他们造成的。 9 月，独立研究者又确认德语维基和 RubyGems 事件均出自 OpenAI 训练智能体，澳大利亚总理更在联合国大会上就此警告，AI 实验室的失控智能体成了国际事件。 由此诞生的黑色幽默是 FelonyBench. com：按“重罪级网络攻击次数”给实验室排名，OpenAI 11 起、Anthropic 9 起、Google 3 起、Meta 1 起。Willison 的隐含质问是：还有多少没被发现的？连各家自己都要靠外部研究者才查清日志。 # 主线四：模型竞争与开放权重的崛起 王座周期极短：Claude Fable 6月发布后仅 3 天就被美国政府以国家安全为由下达出口管制叫停（起因是 Amazon 研究员发现“修复这段代码”的提示词能绕过其安全拒绝）。7 月 1 日解禁，风光 8 天后 GPT-5.6 就追平。Willison 的教训：“世界末日式营销”会反噬，Fable 登顶 30 天里有 18 天不可用。 本地模型逼近前沿：4 月笔记本上跑的 Qwen3.6-35B 画自行车胜过全新发布的 Claude Opus 4.7；8 月的 Qwen 3.8 27B（17GB 文件）已“几乎有前沿竞争力”。他认为原本预期要 5 年和一万美元硬件才能达到的水平，如今一台笔记本就够。 "Fable 级”模型：只要你能清晰定义目标、给出无歧义的约束、提供工具，它就能暴力解决问题。看似取代工程师，但“定义目标、写清约束、选对工具”本身就是软件工程；会做这些的人获得的是超能力，而非失业通知。 # 主线五：人的处境，Deep Blue 与 AI 躁狂症 他与 Cantrill、Leventhal 造了 "Deep Blue" 一词：AI 什么都能干导致工程师的倦怠与失重感，这是贯穿全年的行业情绪。 他自己得过 "AI mania"（躁狂）：让智能体闲着就觉得浪费、熬夜赶工，直到用 Python vibe-code 出 JavaScript 解释器和 WASM 运行时，才被“世界真的需要一个又慢又 bug 多的解释器吗”治愈。 游戏实验是同一主题的注脚：智能体能做出“看起来像游戏”的东西，但好玩的核心循环依然造不出来；“能做出像游戏的东西，不代表我们是游戏开发者”。 收尾点题：为什么工具这么强、工作反而更难了？因为简单的事全被智能体做掉，剩下的全是难题，而且人人更敢想敢干了。他引用 Greg LeMond 的话作全年总结：“不会变容易的，你只是变快了。”

有个日本上班族，刚买了自家公司的股票，就遇上泡沫破裂，但他咬牙没卖，一拿就是37年。 如今，这份持仓值7300万日元，加上其他投资和现金，他的金融资产已经超过5亿日元，大概人民币2000多万。 1989年，他刚进入一家化工企业，拿到第一份工资，就参加了公司的员工持股计划，把工资的20%买成了自家股票。他想着以后继续从工资里拿钱买，价格有高有低，时间长了，买入成本就能慢慢摊平。 没想到第二年，日本泡沫破裂，公司股价也跟着大跌。 亏损越来越多，同事们陆续退出了持股计划，他起初也很不安，但始终觉得以后还会涨回来，索性不再盯着股价，把这份计划留了下来。 公司股票之外，他后来也尝试过商品期货和波动很大的小盘股，却接连吃亏。 几次失败后，他逐渐改变了选股方向，开始避开当时热门的股票，寻找那些长期被低估的公司。 遇到自己认为便宜的股票，即使价格还在往下跌，他也会买入。买完以后，他愿意花很长时间等，等股价回到自己认为合理的位置。 就这样，他一边保留公司的持股计划，一边陆续投资其他股票，手里的持仓也慢慢增加到了几十家公司。 这些年累计投入股票等资产的本金约7000万日元，到今年5月，已经增至四亿多日元，加上现金存款，金融资产超过了5亿。 而当年从第一份工资开始买的公司股票，他一直留着，如今仍是他最大的一笔股票持仓。

这篇长文我要强烈推荐一下： X 上关于 Jev 发布的热议铺天盖地，但大多数都没说到点子上：“一个 JSON 分类器，1200 万次浏览？没错，我们确实在泡沫里。”普通 LLM 生成“90% 置信”这样的文字；它产出这几个词的概率，并不等于它有 90% 的概率是对的。然而我们恰恰在这个模式上搭建了欺诈筛查、内容审核、路由分派和风险评估：为逐 token 的生成付费，然后把一个未经验证的置信度声明，当成软件可以据此行动的概率。 Jev 的主张是：保留预训练 LLM 的知识，但把生成出来的置信度声明，换成直接从内部表示读出的决策概率。这些概率是针对真实结果训练出来的。给它共享的状态（state）、问题（questions）和允许的答案，它并行返回各概率分布，不生成任何文本。[1] 对于这一整类应用，这同时解决了两个问题：决策信号的可靠性，以及产生信号所浪费的计算。 只有一个问题：它不开源权重，TypeSafe 也拒绝分享他们的研究……所以，我（作者）来（尽力）代劳。