与「DSP」相关的搜索结果

一块榴莲千层蛋糕，保质期居然长达 9 个月？？ 这两天董宇辉新品牌“禾与春时”首发的猫山王金枕榴莲千层（16 分钟卖光 15 万单）因为“9 个月保质期”吵上热搜（#董宇辉蛋糕检测报告多达60多页## 阅读破 1490 万）。有人拿它跟山姆的冷藏千层拉了张实拍配料表对比图，还用大红圈把底下一串化学名圈了出来，质疑是不是“科技与狠活”；品牌方则直接甩出了 62 页的 SGS 检测报告。 普通吃瓜群众谁有耐心去逐字核对糊图的配料表和 62 页报告？ 正好蚂蚁百灵刚发了原生多模态模型 Ling-3.2-flash（官方称已落地灵光 2.0，总参数 560B、单步激活 25B，支持 1M 原生长上下文，主打复杂图文理解与视觉反馈自检），我直接打开 Ling Studio 网页端，把这张打满红圈的网传配料表对比图和 SGS 核心指标丢给它，让它生成一张「深色系单文件 HTML 一图流鉴定卡」，顺便看看它会不会掉进红圈的节奏里。 【测试环境与配置】 • 测试入口：Ling Studio 在线网页端（左上角确认模型为 Ling-3.2-flash）。 • 工具配置：关闭联网搜索/时间/天气插件（纯靠模型原生多模态读图与推理），开启思考模式，最大推理生成长度 262144。 【实测第一轮：它从糊图里看出了什么？】 原本我以为第一版生成的 HTML 样式多少会有点错位，结果它第一把直出的深色系鉴定卡（直接内置在 Preview 预览窗里，自动分了 01~06 六个模块，右上角甚至自己写了个“🖨️ 打印/存为 PDF”按钮）排版居然一次成型，完全没崩。更让我意外的是这两点： 1️⃣ 一眼戳破“红圈添加剂”的伪命题：网友红圈重点圈出来的那个名字吓人的「羟丙基二淀粉磷酸酯」，它直接对比左右两栏配料表指出：“两边（禾与春时与山姆）都有『羟丙基二淀粉磷酸酯』→ 不是决策差异点！红圈成分是口感稳定剂（防冷冻解冻出水），不是防腐剂。” 所以这波还真不能算翻车，它本质上是用 -18℃ 冷冻链 + 杀菌工艺 + 隔氧包装做出来的速冻甜品（果肉 ≥50%，适合冷冻囤货），而山姆是 0~4℃ 冷藏即食（果肉 33%，适合大分量尽快吃完）。 2️⃣ 极强的“反幻觉”克制：原图右边山姆那一栏被网友画的大红圈挡住了净含量和保质期，而且最底下有几行压糊的重影错字。很多模型遇到这种图会自己脑补瞎编，但 Ling-3.2-flash 直接在表格里诚实标了「图中未显示」，并在表底主动写了一行小字：“右栏底部小字分辨率不足，未采信”，同时声明无联网条件下未核验 62 页报告原文，仅按摘要呈现。 【初版版面有什么不足 → 第二轮反馈怎么改？】 虽然第一版逻辑和样式都很稳，但从直接截图分享的角度看，初版 Preview 渲染画面还有两个可以打磨的细节： • 初版版面不足：一是初版把 01~06 六个模块做成了纵向长页面布局，高度超出一屏，手机端一屏截不完（见图3）；二是焦点成分的定性结论融在文字段落里，缺少一眼就能看懂的视觉标签。 • 反馈与微调：第二轮我直接针对渲染结果让它收紧版面，它用时 63 秒把原本 6 个纵向长模块重构成了三栏紧凑布局（控制在 100vh 一屏内看完），还主动把「羟丙基二淀粉磷酸酯」的国标分类（GB 2760 / INS E1442 变性淀粉）做成了显眼的红绿胶囊标签——「质构·口感稳定剂 ✓」「防腐剂 ✗」，并加上了一句金句总结：“名字长 ≠ 防腐剂，与保质期无因果关系”（见图4）。 【真实体验判断：值不值得用？边界在哪？】 • 能打的地方：据官方介绍，Ling-3.2-flash 采用 7∶1 混合注意力架构，在 DesignArena 的 Image-to-Frontend 前端生成评测拿了 1238 分（注：官方披露在 Hopper GPU、约 30K 上下文及 DSpark 投机推理加速特定条件下解码均值达 280 tokens/s）。实测下来，这个 1238 分确实没水分——直出单页 HTML 的审美和结构完成度很高，尤其是「看不清的糊字宁可标『未采信』也不瞎编」这点非常讨喜。 • 客观边界：一方面，无联网条件下模型仅对用户提供的图文与报告摘要做结构化呈现，不能替代专业检测机构或人工对 62 页原始报告的最终复核；另一方面，官方也坦诚指出，目前模型在长程跨应用任务状态维持、复杂三维空间推理及 3D 细节保真度上仍有客观差距，在线网页端也不直接内置官方演示里的 Blender 等外部软件环境。 搞了半天，所谓“9个月保质期千层蛋糕”根本不是加了防腐剂，而是把千层做成了「-18℃ 冷冻速食」。如果是你，你会买这种能冻大半年、果肉 ≥50% 的冷冻千层，还是买冷藏 3 天内必须吃完的现做千层？👇

🌕#2026清歌踏月# 人氣投票期中前八名公開！ 想讓你推登上公車廣告或是ibon列印合作嗎？ 趕快按下他的專屬訂閱就能完成投票唷～✨ 📌活動介紹： 📌可洛斯獎項介紹：

CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

เปิดการประชุมรัฐมนตรีแรงงานอาเซียนอย่างเป็นทางการ ‘จุลพันธ์’ ย้ำพร้อมผลักดันสร้างมาตรฐานกลางในการรับรองทักษะฝีมือแรงงาน เพื่อเพิ่มรายได้ให้แก่แรงงานอย่างเป็นรูปธรรม 26 ส.ค. 2569 กระทรวงแรงงาน ภายใต้การนำของ นายจุลพันธ์ อมรวิวัฒน์ รัฐมนตรีว่าการกระทรวงแรงงาน เปิดฉากการประชุมรัฐมนตรีแรงงานอาเซียน ครั้งที่ 29 และการประชุมอื่น ๆ ที่เกี่ยวข้อง (ALMM) อย่างเป็นทางการ ณ โรงแรมดุสิตธานี กรุงเทพฯ โดยมี 11 ชาติสมาชิกอาเซียน คู่เจรจา +3 (จีน เกาหลีใต้ ญี่ปุ่น) และองค์กรระดับโลก ร่วมกำหนดทิศทางทุนมนุษย์กว่า 357 ล้านคน ซึ่งมี นายอนุทิน ชาญวีรกูล นายกรัฐมนตรีและรัฐมนตรีว่าการกระทรวงมหาดไทย ให้เกียรติเป็นประธานในพิธีเปิดและกล่าวต้อนรับผู้เข้าร่วมประชุม นายจุลพันธ์ อมรวิวัฒน์ รัฐมนตรีว่าการกระทรวงแรงงาน เปิดเผยถึงโรดแมปสำคัญที่ประเทศไทยจะขับเคลื่อนในฐานะประธาน ALMM ตลอดวาระ 2 ปีข้างหน้าว่า กระทรวงแรงงานมุ่งยกระดับมาตรฐานการรับรองทักษะฝีมือแรงงาน (Skill Certification) ให้ได้รับการยอมรับในระดับสากล เพื่อดันรายได้แรงงานให้สูงขึ้นอย่างเป็นรูปธรรม ผ่าน 3 เสาหลัก คือ หลักสูตรฝึกอบรม มาตรฐานฝีมือแรงงาน และศูนย์ความเป็นเลิศอาเซียน พร้อมกันนี้ ได้เดินหน้านำร่อง หนังสือเดินทางทักษะดิจิทัลอาเซียน (ASEAN Digital Skills Passport : DSP) ควบคู่กับการเสนอ AI Governance Framework เพื่อคุ้มครองตลาดแรงงานและกลุ่มบัณฑิตจบใหม่จากผลกระทบของเทคโนโลยี ปรับตัวชี้วัด (KPI) การฝึกอบรมให้เน้นการได้งานจริงและรายได้ที่เพิ่มขึ้น รวมถึงจับมือเอกชนทำ Job Matching ป้อนสู่อุตสาหกรรมแห่งอนาคต เช่น EV, Data Center และ AI #พรรคเพื่อไทย# #จุลพันธ์อมรวิวัฒน์# #กระทรวงแรงงาน# #การประชุมรัฐมนตรีแรงงานอาเซียน#

NVIDIA released Nemotron 3.5 Lightning for long-running agent execution. - 30B total / 3B active parameters, with up to 1M tokens of context. Ready for commercial use. - Local deployment: NVIDIA ships BF16 and much smaller NVFP4 checkpoints, lists 1× DGX Spark or 1× H100 for single-GPU deployment, and also lists RTX 5090 among supported hardware. - NVIDIA then adds multi-token prediction, DSpark and DFlash speculative decoding, plus NVFP4 quantization to push generation speed further. - NVIDIA claims up to 4× output speed; on PinchBench, 86% accuracy and 30% faster completion than Qwen3.6 35B at similar accuracy.

一台 GB300 NVL72： → 72 颗 GB300 (Blackwell Ultra) GPU + 36 颗 Grace CPU。 → 单卡显存：GB300 288 GB HBM3e → 整机柜总显存：72 × 288 GB ≈ 20.7 TB → NVLink 总带宽约 130 TB/s → 全机柜通过 NVLink 5 连成统一内存池，可以视为一张拥有 20TB 显存的“超大 GPU”。 DeepSeek-V4-Flash-0731 核心规格： →304B 参数（0731 仓库包含 DSpark speculative decoding 模块） → 基础模型 284B → 13B activated → 1M context → 官方权重为 FP8 + FP4 Mixed 加油 OpenCode !

DeepSeek-V4-Flash can now run 2× faster locally with DSpark! ⚡️ DSpark enables V4-Flash-0731 GGUFs to generate ~1.4–2× faster with no accuracy change. DeepSeek-V4-Flash-0731 can reach at 120 tokens/s. GGUFs: Guide:

DeepSeek-V4-Flash-DSpark has now completed the r0b0bench core-subset protocol on 2× NVIDIA GB10. ⚡ Quality • GSM8K: 95.0% • HumanEval pass@1: 90.9% • ARC-Easy: 96.0% • IFEval lightweight: 79.5% • BFCL multi-turn: 75.5% Performance • Dedicated C1 decode: 79.2 tok/s • Aggregate output throughput: C1 86.9 · C2 145.9 · C4 239.3 · C6 337.8 tok/s • TTFT mean: 221.9 ms • ITL mean: 68.9 ms Long context Needle retrieval passed at 25%, 50%, and 90% depth across a full 1,048,576-token context. ✅ 0 infrastructure errors ✅ Runtime gate passed ✅ 5/5 canaries passed ✅ Package-backed, reproducible result freeze ✅ Valid for publication These are measured results—not projected capabilities or marketing claims.