与「絞肉姬」相关的搜索结果

这轮回调并没有彻底改变大周期，短期的反复只是主力在局部区间内做压力测试。 现在的盘面属于流动性真空期的震荡洗盘，资金没有形成单边砸盘的合力，而是通过上下画门来消耗散户的耐心。 目前短期筹码已经形成了新的平衡，上方 80500 到 81500 区间积累了大量的套牢盘和空头防守，这是短线必须关注的强压区，没有宏观利好配合很难一次性直接突破。 而下方 75000 到 76000 存在明显的买盘支撑，这里是多头的第一道护城河，主力会反复在这里托底吸筹。洗得越干净拉得越猛，跌不下去就只能往上走。 未来一周的走势大概率是在这个区间内反复绞肉，用时间换空间完成筹码的重新分配。 操作上绝不追涨杀跌，耐心做高抛低吸。短线回撤至 75000 到 76000 区域果断分批接多，反弹靠近 80500 到 81500 区间分批止盈离场。短多防守位严格放在跌破 74000，只要第一道支撑防线不破，震荡消化完抛压后就会再次向上发力。

我有个高中同学早年移民去了匈牙利，这次大选前就说欧尔班必败。 我问他为什么，他说匈牙利人民里的大多数已经意识到了欧尔班这样占着欧盟的茅坑、拉川普和他俄爹晋凉的屎，会把匈牙利人民送进绞肉机。 值得一提的是，胜选者彼得·马扎尔原本是欧尔班体系内的人（前青民盟相关人士），后来公开反水，揭腐败、讲透明，迅速把蒂萨党从边缘小党变成主流。很多原本支持欧尔班的保守选民，被他“内部人爆料”的可信度说服了。 匈牙利此次大选把欧尔班扫进历史垃圾堆，并不是左派革命，而是右派内部的“分裂+清算”版，对美国那边的 MAGA 阵营分裂和演化具有一定样板意义。

最近这行情，说实话已经不是一般的冷清，是情绪、流动性、信心一起被打趴的那种。但老玩家都懂，真正能跑出来的项目，往往不挑时间，反而专挑这种时候冒头。 这两天我重点在盯蝴蝶平台的一个龙头 meme，#分红狗头。逻辑很简单，也很直接：只要有交易，持币就有分红，不靠画饼，全链上结算；同时还有销毁机制。# 更有意思的是背景。BSC 混久了的人，一眼就能看出来，这是当年 GOUT 那拨原班人马的风格。18 天拉出 1800 倍不是运气，是对节奏和情绪的理解。现在这次明显更克制，先把社区和分红机制打牢，不急着拉飞。 社区是我觉得最加分的地方，活跃度很高，会议室几乎天天上千人，不是刷屏喊单那种，而是真的在聊共识、聊后续怎么做生态。整体氛围偏一起玩、一起推，不是纯 PVP 的绞肉机。 CA：0x9c573c93c4a25dac626fe09d6ae41d184d8f7777 社区：

刚才看到一组数据，说2025全年，整个中国银行系统只放4417亿的水。 要知道，2018年全年放了73600亿的水，平均到每个月就是6133亿。也就是说去年一年的量，还抵不过2018年一个月的量。惨不忍睹啊！ 经济数据背后都是一个个的岗位和家庭啊！这就是杀鸡取卵、竭泽而渔的后果。 人人都在绞肉机里…

#まるっと！# ラブ旅 NHK ONEで見逃し配信中💼💗 SKE48 #鎌田菜月# さんが、江戸時代から続く伝統工芸“有松絞り”の魅力を深掘り！ 江戸情緒を残す有松の町並みを歩き、有松・鳴海絞会館では絞りの実演を見学✨ さらに、絞り染めにも挑戦！ 果たしてどんな仕上がりに？

Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。 2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。 什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。 这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。 结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。 这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。 还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。 第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明 Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。 人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。 优化目标完全不同，出来的东西当然也完全不同。 所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。 为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。 这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。 第三个大变化：LLM 应用层浮出水面 Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。 大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？ 第一，做上下文工程。把相关信息整理好，喂给模型。 第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。 第三，提供专业场景的界面。让人类能在关键节点介入。 第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。 有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？ Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。 第四个大变化：AI 搬进了你的电脑 Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。 但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。 Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。 现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。 Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。 第五个大变化：Vibe Coding 起飞了 2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。 这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。 不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。 代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。 第六个大变化：大模型的「图形界面时代」要来了 Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。 Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。 现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。 大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。 最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。 Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。 但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。 他在 Dwarkesh 的播客里说过一句看似矛盾的话： > 他相信进步会继续飞速推进， > 同时也相信还有大量的工作要做。 两件事并不矛盾。2026 年系好安全带继续加速吧。