与「Predict」相关的搜索结果

This is how HOUND smells a market. Market data enters as raw signal. HOUND normalizes it into a feature vector, projects it across 32 synthetic odor channels, activates 971 receptor slots, generates a scent fingerprint, compares it against memory, then decides what deserves attention. Market data → Feature encoding → Synthetic odor → 971 receptors → Scent fingerprint → Memory → HOUND response. The point is not to predict the next candle. It is to give market behavior another sensory representation, so changes, similarities and unfamiliar patterns become easier to notice. Try here :

Roadster event update We've been tracking the weather closely with local meteorologists, but given the severe conditions predicted & because this event can only be held outdoors, we've made the difficult decision to reschedule. New date is October 15. Additional details to follow

很奇怪，最近推特上，Xtony，蛋挞，风寻@0xfengxun 交易员们怎么不聊Btc 区间涨跌了。 我现在短线上关注的是 crypto-十二 @nideshier Nameless @Nameless_btc 短线跟朋友一起买了Pump 、gram 、Marscoin Gala 在Predict下了罗马尼亚胜。 时间很琐碎，很忙~~还要做Arcus

Feeling the AGI/ASI, few observations 1. Opus 5.5 really gives strong vibes of AGI (maybe not fully there, but we're very close, like 80%-90%). For example, few breakthoughs in training humanoids are needed. We need to move this intelligence into physical world. 2. I don't think Anthropic has discovered any magical formula. 3. Which means, SpaceXAI, Google, and others will soon follow. This prediction is based on the amount of compute they already have + additional compute being added all the time. 4. Never was more confident that Anthropic, SpaceXAI, Google, OpenAI, likely Meta, basically all big US AGI labs will have proper AGI in 2027. 5. And from there we'll move quickly to ASI territory (likely also in 2027). It looks like few GW of compute are enough for strong AGI, now imagine what we will able to do with 10-20GW of compute which are rapidly coming online. And then with 100GW-200GW... 2027 will be an utterly insane year.

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。

An NVIDIA GPU is a high-yield asset. An H100, bought on the secondary market in Sep 2025 for ~$19k: Resale today: ~$20.5k Net rent earned: ~$13.5k Total: ~$34,000, +76% in 1 year. A B300, bought in Jul 2026 for ~$54k: Resale today: ~$51k Net rent earned: ~$14k Total: ~$65,500, +21% in under 3 months What allows these assets continue to earn? Resale value has held as rental rates have increased and demand has grown across all hardware generations. Resale rates have held within −5% to +7%, while Ornn's H100 index is $2.91/hr, +49% from a year ago, and our new B300 index tracks at $11.32/hr, up 66% from June. H100 marketplace utilization is 87% today. B300 is at 90%. Ornn's forward curves predicts that in 2 years, by Sep 2028: H100 ~$63,500 (+227%) B300 ~$186,000 (+244%) NVIDIA Hopper and Blackwell hardware both hold incredible residual value.

.@JensenHuang DISMANTLES Geoffrey Hinton’s AI doomerism: “All of his predictions have been WRONG. Enough predictions.” “Don’t think for a second just because you’re an alarmist that you’re doing a social good.”

⚽️ 9月23日亚运男足＋美职联3场足球预测 📋 9月22日4场综合复盘，两项综合：37.50% 📊 胜平负：2/4，50.00% 📉 让球方向：1/4，25.00% 我历史最低的胜率。竞彩亏了1200，大姨妈都亏出来了。 英锦赛简直是魔鬼场，垃圾联赛以后最多下200了，今天看看亚运队能不能回回血。 1⃣ 中国亚运队 — 阿联酋亚运队（亚运男足） 📊 胜负：中国亚运队胜 / 防平 🧭 让球：中国亚运队（-1）让平 / 让负 ⭐ 🎯 比分：1:0｜1:1｜0:0 📈 总进球：0球、1球、2球 ⚔️ 核心判断 中国队前两轮保持不败，防守表现更加稳定，近年正式交锋也占据优势。阿联酋只有取胜才能保留晋级希望，后程压上可能给中国队留下反击空间；不过中国队打平即可出线，比赛更可能低比分胶着，净胜两球支撑不足。 2⃣ 日本亚运队 — 泰国亚运队（亚运男足） 📊 胜负：日本亚运队胜 ⭐ 🧭 让球：日本亚运队（-2）让平 / 让胜 🎯 比分：3:0｜2:0｜3:1 📈 总进球：2球、3球、4球 ⚔️ 核心判断 日本队前两轮打入9球且保持零封，东道主优势、阵容深度和整体控制力均更突出。泰国虽然同样取得两连胜，但防线稳定性不及日本。 双方均已提前出线，轮换可能影响比赛节奏 重点关注日本净胜两至三球。 3⃣ 西雅图海湾人 — 皇家盐湖城（美职联） 📊 胜负：西雅图海湾人胜 / 防平 🧭 让球：西雅图海湾人（-1）让平 / 让负 ⭐ 🎯 比分：1:0｜1:1｜2:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 两队积分接近且近期状态都不理想，但皇家盐湖城已经连续12轮联赛不胜，客场表现和阵容完整度更加不利 西雅图拥有主场与恢复条件优势，不过近期连续战平且进攻端存在缺员，主胜可以优先，让一球则明显偏深。 ⚠️ 以上仅代表赛前分析与个人观点；理性参考。 Predict最近在上海跟xhunt应该有一场会议，临近的朋友可以去参加参加哦。 这两天在跟一个大神沟通，看能不能要一下他的计划。

10月7日｜BNB Chain Super Meetup🇸🇬 2026 年，BNB Chain 的足跡遍佈全球🌍 我們在紐約、香港、邁阿密、洛杉磯、東京、台灣、首爾等地和builders進行了更緊密的交流 而新加坡這一站，將以空前規模登場。 感謝所有贊助商加入，讓這場盛會得以呈現給大家： @fourdotmemezh、@bpn_network、@Aster_DEX、@brevis_zk、@UnitasLabs、@Hertzflow_xyz、@NeoSoulAI、@UTechStables、@VenusProtocol、@lista_dao、@awscloud、@predictdotfun 無論您來自社區、機構、項目方還是行業建設者， 相信每一位來賓，都能在這個夜晚碰撞出最不一樣的火花🔥 立即報名，鎖定席位👉