与「64」相关的搜索结果

这是好事儿？10 月 1 号开始，国内要对购房贷款进行补贴了。 补贴对象为首套刚需房，面积不超过 120 平，房价不超过 150 万。 可享受的补贴贷款规模最高 100 万，给于 1% 的补贴，最多 5 年。 政策暂时试运行 1 年。 举例👇👇👇 买个120 平房子，总价 150 万 贷款 100 万，国家一年补 1 万，总补贴 5 万。 100 万贷款，等额本息还款，按 30 年期算，一个月 4490 块，利息 61.64 万。 本来要还 30 年，国家补 5 万后，大概少还 11 个月，还 29 年零 1 个月。 这会刺激到年轻人买房么？🤔

特别的惊喜来了，这次参与 @axisrobotics 人赢麻了！ 这次在Sonar上打新共2472名参与，目标1,000,000U，最终以2,394,209U超募完成。分配比例大致为41.77%，也 也就是说你参与 100U，最后真正大概分配 41.77U。原来Tge释放10%变成了25%，外加额外的 Community Bonus。 这个Bonus 不是一个固定比例，而是根据你的原始 commitment 动态变化： 100U → 约 24.97% Bonus 1000U → 约 21.2% 2472U → 15% 5000U → 约 9.82% 10万U → 接近 5% 很明显，这套机制是在照顾小额参与者，多号的赢麻了！ 例如 100U 按目前 41.77% 的 pro-rata 算，最终 allocation 约 417.67 AXIS，再加 104.28 AXIS 的 Community Bonus，TGE 释放 208.7 AXIS。也就是说200M 开盘就能回本，剩余的能领6个月工资。 2472U 则对应约 10,324.91 AXIS allocation，Bonus 约 1,548.74 AXIS，TGE 释放约 4,129.96 AXIS。250M回本，剩余的能领6个月工资。 小额的优势在 Bonus 比例，大额的优势在绝对 allocation。 另外，最终还是要等结算后的真实 pro-rata 才能确定最终拿到多少，官方规则也是超募后按比例分配，多余 USDC 自动退回。 这套机制的核心不是“无脑梭哈”，而是 commitment 越小 Bonus 越高，越往大额走 Bonus 越接近 5%；而目前 41.77% 的 pro-rata，才是决定最终实际拿多少 AXIS 的第一变量。

Anthropic 放出了 Sonnet 5.5 的完整跑分，最抢眼的一行是 Terminal-Bench 4.0：Sonnet 5 是 10.3%，Sonnet 5.5 是 70.6%，一代之内涨了将近七倍，还超过了 Opus 5.5 的 66.4%。 几个关键数字： OSWorld 2.1 电脑操控：57.0% 到 80.1%，Opus 5.5 是 81.8%。 GDPval-AA 职场知识任务：1844，Opus 5.5 是 1846，GPT-6 Sol 是 1487。 图表识别 Chartography：15.6% 到 61.6%，Sol 是 53.6%。 价格 $2/$10，和 Sonnet 5 一样，是 Opus 5.5 的一半。 很多人看这张表最大的误区，是以为 Sonnet 5.5 已经全面追平 Opus 5.5。脚注里有三处要读： Terminal-Bench 上 Sonnet 用的是 max 档，Opus 用的是 xhigh 档，档位不一样。 独立机构 Artificial Analysis 自己跑出来是 64%，比官方低。 FrontierCode 上 Sonnet 是 46.2%，Opus 5.5 是 54.4%，Sol 是 49.3%，Sonnet 在这一项排在两者后面。 这张表真正讲透的一件事是：便宜的 token 不等于便宜的任务。max 档下，Sonnet 5.5 每个任务要输出约 19 万 token，比 Opus 5.5 还多约六成。独立测下来，最高档的单任务成本已经超过 Opus 5.5。而且拉满也不一定更强，FrontierCode 上 xhigh 是 52.1%，max 反而掉到 46.2%。 所以同样用 Sonnet 5.5，一律拉到 max 的人，账单可能比用 Opus 还高；按任务选档的人，才吃到它便宜的那一半。 你上一次选模型，是看跑分表，还是看自己任务的账单？挑一个真实任务，high 和 max 各跑一遍，对比 token 和结果，再决定。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

Subfrost 最新推出 DIESEL 代付 Gas 费功能！ 无需提前准备 BTC，钱包通过中继方（Relayer）构建 PSBT 原子交易，直接用 DIESEL 结算网络手续费。告别资产卡死困境，比特币 L1 DeFi 体验再进化！赶紧体验极速交互！ 极致解决痛点！👍👍👍

【《纽约时报》：21世纪最佳电视节目100部】 《纽约时报》发布“21世纪最佳100部电视剧”（The 100 Best TV Shows of the 21st Century）榜单，评选范围涵盖2000年1月1日至今播出的所有电视剧集。该榜单由500多名明星演员、剧集运作人及其他电视从业者共同投票产生，排名有先后之分。 在超过500名参与投票的人中，既有伊丽莎白·莫斯、亚当·斯科特、布莱恩·科兰斯顿、萝丝·拜恩、科尔曼·多明戈和杰森·贝特曼等演员，也有达蒙·林德洛夫、莉娜·邓纳姆、莉娜·韦瑟和诺亚·霍利等剧集主创。 榜单显示，《绝命毒师》位居榜首，《火线》和《广告狂人》分列第二、三位。《继承之战》与《伦敦生活》跻身前五。《权力的游戏》《副总统》《我为喜剧狂》《抑制热情》《亚特兰大》进入前十名。具体排名如下： 1、《绝命毒师》 2、《火线》 3、《广告狂人》 4、《继承之战》 5、《伦敦生活》 6、《权力的游戏》 7、《副总统》 8、《我为喜剧狂》 9、《抑制热情》 10、《亚特兰大》 11、《办公室》(美版) 12、《发展受阻》 13、《都市女孩》 14、《胜利之光》 15、《六尺之下》 16、《办公室》(英版) 17、《美国谍梦》 18、《我可以毁掉你》 19、《切尔诺贝利》 20、《王冠》 21、《白莲花度假村》 22、《迷失》 23、《归来记》 24、《朽木》 25、《守望尘世》 26、《黑镜》 27、《风骚律师》 28、《兄弟连》 29、《基和皮尔》 30、《人生切割术》 31、《幸存者》 32、《安多》 33、《醍醐灌顶》 34、《富家穷路》 35、《真探》(第一季) 36、《匹兹堡医护前线》 37、《太空堡垒卡拉狄加》 38、《国土安全》 39、《守望者》 40、《混沌少年时》 41、《路易不容易》 42、《绝望写手》 43、《浴血黑帮》 44、《马男波杰克》 45、《幸福谷》 46、《大城小妞》 47、《双峰：回归季》 48、《纸牌屋》 49、《正常人》 50、《公园与游憩》 51、《善地》 52、《唐顿庄园》 53、《怪奇物语》 54、《传奇办公室》 55、《不安感》 56、《救援高手》 57、《蒂姆·罗宾逊短剧：还不快走》 58、《查普尔秀》 59、《笔写青春》 60、《窥视秀》 61、《鲁保罗变装皇后秀》 62、《慢马》 63、《幕后危机》 64、《安东尼·波登：未知之旅》 65、《东城梦魇》 66、《彩排》 67、《使女的故事》 68、《黑钱胜地》 69、《安东尼·波登：无国界》 70、《盾牌》 71、《怒呛人生》 72、《鱿鱼游戏》 73、《巴瑞》 74、《熊家餐馆》 75、《足球教练》 76、《某人某地》 77、《摩登家庭》 78、《费城永远阳光灿烂》 79、《傲骨贤妻》 80、《约翰·威尔逊的十万个怎么做》 81、《后翼弃兵》 82、《更美好的事》 83、《火线警探》 84、《地球脉动》 85、《英国烘焙大赛》 86、《幕府将军》 87、《保留地之犬》 88、《嗜血法医》 89、《驯鹿宝贝》 90、《体育老师笑传》 91、《大祸临头》 92、《罪夜之奔》 93、《第11号站》 94、《头号外交官》 95、《豪斯医生》 96、《奔腾年代》 97、《废柴联盟》 98、《先见之明》 99、《吉尔莫女孩》 100、《丑闻》

SpaceX has introduced a new website for its AI training clusters in Tennessee/Mississippi. New info: • Tesla Megapacks will provide 3.3 GWh to Colossus 2, enough to power Memphis for two hours, making it America’s largest grid-connected battery pack. • SpaceX has invested millions of dollars in sound walls, silencers, and next-gen turbines with advanced quieting technologies. • Since joining the community in 2024, SpaceXAI is investing more than $90 billion in the region. Estimated 2026 tax revenue will be $60M+ • 7,500 local jobs supported • SpaceXAI is investing $360 million, at no cost to the city, in a clean water recycling plant. It is designed to process up to 10 million gallons of wastewater a day and would offset ~3.64 billion gallons a year from the Memphis Aquifer. • In Memphis, SpaceXAI is investing $35 million in a 150 MW substation to support MLGW and another $20 million in a second substation. Both come online at no cost to MLGW or homeowners. • Temporary power is coming off. Under an agreed order with the Mississippi Department of Environmental Quality, all remaining temporary turbines must be removed by July 2027. SpaceXAI is already taking units offline and expects to complete removal well ahead of that deadline. Website:

非官方数据推算：Bitget 这次被盗的 3.516 亿美元，大概相当于八个月利润 先说结论： Bitget 的被盗事情出现后，我就把 Coinbase、Bybit 和 Bitget 的数据放到一起交叉计算，估算出 Bitget 目前一年的利润大概在 5.3 亿—5.5 亿美元，这次涉及的 3.516 亿美元，相当于全年利润的 64%—66%，换算下来大概就是 7.7—7.9 个月。 以上数据都是我个人的估算，不代表是官方数据。 以下是我推算的过程： 2025 年 Bybit 被盗约 14.6 亿美元，当时 Ben 公开表示，这笔钱大约相当于 Bybit 一年的利润。所以可以把 Bybit 在上一轮行情中的年利润先放在 14.6 亿—15 亿美元附近。 然后用 Coinbase 的公开财报调整一下现在的市场环境。 Coinbase 2024 年交易收入是 39.86 亿美元，到了 2026 年第二季度只剩 5.99 亿美元。按照第二季度年化，大概是 23.96 亿美元，相当于 2024 年的 60.1%。 也就是说，如果用 Coinbase 的收入变化代表交易所现在赚钱能力相对 2024 年的变化，那么 Bybit 当年的约 15 亿美元利润，放到现在大概还剩： 15 亿 × 60.1% = 9.02 亿美元 接下来再比较 Bybit 和 Bitget 现在的规模。 TokenInsight 统计，今年第二季度整个交易所市场成交量约 16.5 万亿美元。 Bybit 市占率 9.81%，对应成交量约 1.62 万亿美元。 Bitget 同期成交量约 9,840 亿美元，相当于 Bybit 的 60.8%。 两家的业务结构还比较接近，Bybit 第二季度约 75% 的成交量来自衍生品，Bitget约 79% 。 最后就是： 15 亿 × 60.1% × 60.8% ≈ 5.48 亿美元 如果按照 Bybit 实际被盗的 14.6 亿美元计算，则是： 14.6 亿 × 60.1% × 60.8% ≈ 5.33 亿美元 因此我姑且把 Bitget 目前的年利润暂时估在 5.3 亿—5.5 亿美元。 对应这次 3.516 亿美元的损失： 3.516 ÷ 5.48 = 64.2% 也就是大约 7.7 个月利润。 即便考虑两家手续费、返佣、营销成本和员工成本存在差异，给最终结果上下浮动 20%，Bitget 年利润大概也就是 4.3 亿—6.6 亿美元。这样计算，这次损失对应的利润时间大概在 6.4—9.8 个月。 所以目前用公开数据去推，我会把这次 Bitget 被盗理解成 损失了大约八个月利润，这个金额放到 Bitget 自己过去的市场投入里可以得出的结论： Bitget 当年和 Messi 合作期间，曾经宣布投入 2,000 万美元做营销活动和用户奖励。这次损失的 3.516 亿美元，相当于 17.6 个这样的 2,000 万美元营销计划。 所以 3.516 亿美元用在 Bitget 自己过去几年的品牌投入里，已经是一个非常夸张的数字。 从这个角度来说，这次肯定不能算“小损失”。所以目前这个损失程度，我更愿意形容成，已经伤筋，但暂时还谈不上动骨。 希望 Bitget 可以安稳渡过这次事件，早日开放提款。这种对于交易所的攻击，说不定又是那谁谁谁了。