与「降幡愛」相关的搜索结果

【新規艦船実装記念】 期間限定イベント『聖印前の同盟』での新規艦船実装を記念して1名様に『プリンツ・モーリッツ役の #降幡愛# さん直筆サイン色紙』をプレゼント！ ～参加方法～ ①@azurlane_staff をフォロー ②このポストをリポスト 期間：2026/5/30(土)23:59まで #アズレン#

我其实挺不明白的，降新房价格或者增加居民收入，应该是一个我理解的目前比较正确路线，但为什么现在还是用各种政策在扩大可购房人群，鼓励买房，鼓励贷款。是不是我有什么认知误区？

马斯克在访问路易斯安那州航天港现场 这大概是在大量摄入睾酮 这玩意是迸发性张力（雄性魅力）最牛逼的激素 查了下睾酮的作用 正面 性欲和勃起变好 肌肉量和力量上涨 骨密度提高 精力和情绪变好，抑郁减轻 贫血改善，新发糖尿病风险还降了 22.5% 负面 红细胞增多，血变黏，血栓风险上升，这条最常见也最确定 房颤、急性肾损伤、肺栓塞的概率小幅上升 血压升高 生育能力被压住，可能几个月到一年多起不来，有人回不来 睾丸萎缩，可能乳房发育，长痘，掉头发 睡眠呼吸暂停加重 一旦开始，多数人变成长期甚至终身依赖，因为你自己那套激素系统被压住了，停了就得等它自己恢复，也可能恢复不了 还有一个分水岭 补到正常水平，和打到健身健美那种超量，是两码事 马斯克是补的有点多了

爽了，AI 视频最烦的反复抽卡问题，终于被解决了！！！ 给 Fotor Agent 丢一段需求或原始素材，它直接从脚本做到可编辑的多轨成片，质量和稳定性完全是商用级！ 以前做 AI 做视频，最恶心的就是生成完以后没法改😓，数字、Logo、画面出一点问题都要重新抽卡，但它就只需要改一小段。 文字、图片、图表、数字、Logo、旁白、B-roll、滤镜、转场和音乐全部分轨： 1、画布上直接改：参数能直接选中修改，Logo 等都可以替换，连颜色和图表都能随时改。 2、时间线随便调：调整层级、拉音量、换转场，全都可以自己调。 3、支持 30+文件、10GB 素材：手机拍的素材丢进去后，他能自己抓精彩镜头、去口头语、配字幕和 B-roll。 我拿它测试了一下做一个新品上线视频。把产品图和卖点文档丢进去，它会先整理脚本和分镜，确认之后再继续生成画面、旁白、字幕，最后全部放进时间线里。这种工作流对需要频繁改稿的人真的方便很多。 而且它做 4K MG 堪称降维打击： 以前做一条 MG 动效，需要在 AE 里一帧帧抠，3-5 天起步，花几千块，改个数字、布局还得再等老久。 现在把 PDF、Excel、报告这些资料扔进去，一会就能出一版 AE 级 4K 动效，里面的数字和图表还能接着改。 我算了一下，每秒才几毛钱，30 秒的 4K 成片十几块，2 分钟也就几十块。时间从几天压到几十分钟，钱从几千压到几十，这差距太离谱了！！！ 它能落地的场景实在太多了： 1、电商上新：商品图和卖点扔进去，自动生成多尺寸广告，价格随时改。 2、SaaS 演示：录屏和功能介绍一键做成 Product Hunt 上线视频。 3、知识科普：论文、文章直接转 4K 动态信息图，做爆款科普解说。 4、数据汇报：把 Excel、CSV 做成动态增长大屏和财报解读。 5、课程培训：讲义文档直接变成整套多轨教学视频。 做产品、做电商、做自媒体或者出海的朋友，强烈建议去试一下！ 🔗：

.@saylor 在 @binance 的最新访谈中，给出了他对比特币定价逻辑和时间边界的完整推演，他认为比特币的投资机会窗已不足 10 年。 抛开他持仓 84 万枚 $BTC 的立场，视频中这 4 个基于数学和宏观环境的判断值得参考： 1. 明确的时间边界：从现在到 2035 年是最后的红利期。2035 年，99% 的比特币将被挖出。此后，BTC 的增长曲线将逐渐平缓，大约 20 年后，其年化收益将降至仅比标普 500 高 3-5 个点，超额收益期结束。 2. 下一个价格引擎：比特币货币化分为 ETF、财库储备、数字信贷和银行放贷四步。前三步已经发生，未来 36 个月的核心驱动力将是“银行放贷”——逻辑类似房地产，当银行开始接受 BTC 抵押放贷，资产价格才会被真正撬动。 3. 真实通胀的折算：普通人关注 3% 的 CPI（工业品通胀），而资金关注 15% 的“资本成本”通胀（稀缺资产的涨幅）。 AI 会让服务变便宜，但凭空变不出市中心的绝版地段和毕加索的真迹。在生产力越丰裕的时代，绝对稀缺的资产越贵。 4. 黄金的数学劣势：黄金每年约有 2% 的新增供给，这意味着储存在黄金里的购买力每 36 年会被稀释一半，而比特币的通胀最终趋零。 看懂这套逻辑，就能理解他当前发股、发债买币的底层框架。具体论述见视频👇

古代屠城存活概率 1. 躲粪坑：仅有零星正史记载，极度危险，易窒息、染病、被刺，死亡率最高。 2. 躲尸体堆：有正史案例，需忍剧痛扛过补刀，九死一生，仅适用于大屠杀现场临时伪装。 3. 躲屋顶：有明确记载，仅能趁乱短时转移，久藏必遭搜杀或纵火，存活率极低。 4. 混作俘虏/降民：部分屠城不会赶尽杀绝，会挑选工匠、妇女掳走。但命运完全由敌军决定，随时可能被二次屠杀，没有任何保障。 5. 藏棺椁/坟地墓穴：《扬州十日记》就有靠棺木避难的记载。但坟区会被敌军扫荡劫掠，墓穴空间狭小缺氧，一旦被撬开基本没有生还机会。 6. 藏在河道、水井深处：少数人依靠水下憋气短暂躲过搜查。可水里缺氧撑不了多久，敌军常会往井中投毒、投石，存活案例极少。 7. 躲地窖：大量正史与笔记佐证，古代屠城首选，存活率最高，主要风险为被指认、烟熏、封门。

周末横住了，缩量横盘，只是在等周一美股给方向。 8.74万冲高回落后，价格始终被锁在8.3万至8.5万，RSI回到50，KDJ中位钝化，MACD空头柱缩短，说明追涨力量退潮，主动抛售同样有限。 现在不是蓄力突破，也不是趋势转空，而是多空等待新的定价信号。 ETF连续七日净流入，证明机构仍在接货；但单日流入降至约1.34亿美元，只能托住价格，暂时推不动突破。 未来两天大概率继续震荡，真正的方向选择在周一美股开盘后：站稳8.5万并放量，先看8.6万，再试8.74万；跌破8.3万，则回踩8.15万至8.2万。 我的判断：短线略偏多，但没有突破8.6万之前，所有上涨都只是区间反弹，周一重点盯纳指与美债收益率，谁先打破平衡，BTC就往哪边走。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

花几百万买房，到底凭什么要普通人替房企的杠杆和烂尾风险买单？北京这次对“预售制”动真格，直接改写了房企的玩法。 北京发布商品房销售制度改革新规，要求商品房预售必须达到“主体结构封顶”，并优先推广“现房销售”，实行资金全额监管。 制预售制是把“金融杠杆”甩给了买房人过去 30 年的商品房预售制，本质上是购房者用自己的积蓄和银行贷款，提前给房企提供零利息的建设资金。一旦房企资金链断裂，承受“烂尾、延期、降配”所有代价的，全是没有任何抗风险能力的普通家庭。“主体结构封顶才许预售”，核心就是把资金风险重新拧回给房企和金融机构。 中小房企淘汰加速，高杠杆模式彻底失效“现房销售 + 预售高门槛”意味着房企必须拿真金白银垫资建房，无法再靠“拿地—预售—套现—再拿地”的滚雪球模式玩高运转。未来房地产行业将加速向国央企及高现金流优质民企集中，纯粹靠杠杆博弈的中小开发商将彻底失去生存空间。 确定性提升了，但“购房门槛/房价”会变吗？ 利好面：所见即所得，彻底告别“买图纸”时代，烂尾和品质货不对板的概率降低接近于零。 代价面：房企资金成本增加（利息、沉淀资金），这部分增加的开发成本最终大概率会折算进房价或溢价中。 预制图纸的时代该终结了，但安全感往往伴随着溢价。如果未来“现房”比同区域“期房”贵上 5%-10%，作为买房人，你愿意为了“100% 不烂尾”去多花这笔钱吗？