与「68」相关的搜索结果

上周财库更新： ◎上周微策略购买了 1,665 枚 BTC ($1.43 亿)。 ◎上周 Bitmine 购买了 17,362 枚 ETH ($4705 万)。 -------------------------------------------------------------------------- ◎比特币财库公司 Strategy 上周以 $85,681 的价格购买了 1,665 枚 BTC ($1.43 亿)。 他们现在持有 847,666 枚 BTC ($706.77 亿)，成本均价 $75,437，浮盈 $67.31 亿 (+10.5%)。 ◎以太坊财库公司 Bitmine 上周以约 $2,710 的价格购买了 17,362 枚 ETH ($4705 万)。 他们现在总共持有 6,001,302 枚 ETH ($161.01 亿)，成本均价 $3,337，浮亏 $39.25 亿 (-19.6%)。 -------------------------------------------------------------------------- #Bitget# 来了就是VIP！Crypto、美股、CFD，全球先机一站布局

BREAKING: Chinese illicit actors laundering funds from the $387M Bitget exploit on behalf of the alleged DPRK attackers are openly asking for support with orders in public Discord servers and Telegram channels of services they use. Notably, Alias 4 (below) was also seen laundering funds from the Kelp DAO $292M exploit earlier this year. I've observed the same pattern after multiple TraderTraitor attributed exploits, and I've closely tracked these groups. I plan to share more of my data on them in coming weeks. Currently, funds are being chain-hopped via bridges and being deposited into mixing services such as Wasabi. Alias 1 - Cc Discord: cc02006 Discord ID: 1351486674386948148 Txn: F08657EFAEAE7B58217CD17A22BF4779582E5D080C2E92E173BC239A5D828363 Alias 2 - jack Discord: jack_34808 Discord ID: 1553705721768714377 Txn: 68583D313A0CCC99F2702D61D05A242A69C86CAE09ED252B65F34B677C377F69 Alias 3 - Melon Discord: under0346 Discord ID: 1394240539108573215 Txn 1: ABE2AEF8B10057E60F8259CA2CA2CD5D71D38D254960FEEE89CB3C95A964873F Txn 2: 7BE290865901DEB1680A6D692A11392D1FDDACA0D31C48F26DCB249F2444BD6B Alias 4 - lolo / Marin TG: pvpcz TGID: 6223514198 Discord: losern Discord ID: 1024415186527985704 Txn: 8E935C19D00F40639B78BF1FD094FE48C92118F3E586AB52DF93851080CCCE15 Alias 5 - HELP ME Discord: helpme031897 Discord ID: 1554035533817188384 Txn: 7C58CAD760EBBED54F2CA4D2146D056910B7B6688B4F524396DC8807353C2379

先录一版本demo，穿越还在开发中🏗️ 中秋赏灯街道已关闭，累积已获得6800次人数入画 谢谢大家的喜欢💗 欢度国庆已更新😂提前祝大家假期愉快😂

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。

【《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》

阿里官方在正在进行的云栖大会 “智启原生 研见未来” 阿里巴巴集团 AI Native 研发实践论坛上，正式发布了「AI Native 研发范式实践手册」 68 页的实践手册，从阿里内部三个真实业务实践案例出发，讲述了不同团队研发范式演进路径中的实际探索与反思。 从这些案例中提炼出五个共性挑战：环境与验证驱动、平台能力升级、提效度量、数字员工和组织配套，尝试回答研发流程、协作方式和组织设计层面正在发生的结构性变化。 最后，进一步展开 企业级 AI 研发基础设施的技术全景：从 Harness 框架、企业知识库、工具体系（MCP / Skill / CLI），到 Sandbox 与 Coding 环境、身份与权限、生产安全 Guardrail 以及可观测能力，进而阐述让 Agent 从“能写代码”走向“可靠交付”所需要的系统性工程建设。 手册在线阅读地址

BC省选民终于有所醒悟了！把祸害多年的左棍NDP彻底赶下台！ 请BC选民站出来投票！保护我们美丽的家园！ Angus Reid Institute民调 • 调查时间：2026年9月22–24日（宣布当天及之后两天） • 样本：801名BC成年人（已决定+倾向投票者682人） • 结果（已决定+倾向投票者）： • BC保守党：43% • BC新民主党：35% • BC绿党：12% • 保守党领先新民主党 8个百分点。这是对Angus Reid此前（9月上旬）新民主党领先4个百分点的明显逆转。保守党得票率与2024年大选基本持平，新民主党则比上次低约10个百分点。