与「V門」相关的搜索结果

🎶ニコニコ超会議2日目🎶 VTuber事業部ブース(第2ホールA22) にてクリアファイル配ってます🖤 昨日と同じく撮影対応可能です📸📱 ぜひ遊びに来てね〜！ #パレデミア学園# #V門#

🎶ニコニコ超会議1日目🎶 VTuber事業部ブース(第2ホールA22) でクリアファイル配ってます🤍 撮影対応も可能です📸✨️ 遊び来てね〜！ #パレデミア学園# #V門#

📢 4/26(土)27(日)#ニコニコ超会議2025# 初出展の VTuber事業部ブース(第2ホールA22)さんにて、 コスプレイヤーとして参加します✨️ #パレデミア学園# のVTuberイメージのコスプレでいるよ💗 クリアファイル配るので遊びきてね💭 どの寮のコスプレかは当日をお楽しみに🤫 #V門#

副业 AI 小店，从 9 月 1 号做到10 月 1 号，刚好 31 天 累计营业额：121895.02 RMB 利润总收入：51246.82 RMB 一个月前我真没想到， 这个最开始只是随手折腾出来的小网站 最后真能给我干到这个数 如果让我用一句话总结这一个月 互联网上很多钱，我赚的只是麻烦税 以前我总觉得别人买 AI 会员，无非就是为了便宜一点 真卖了一个月以后发现，根本不是 有人懒得研究海外支付 有人分不清 Claude、GPT、Gemini 到底买哪个 有人只想买个 X 蓝 V 有人不想折腾账号和充值 还有人上来就一句 你别跟我讲那么多，你告诉我买哪个就行 很多人愿意付钱的根本不是产品本身 而是省时间、省麻烦、省掉自己研究半天还不确定的过程 他不是不知道官网在哪，也不是完全不会自己弄 只是他觉得 我为什么要为了几十块、几百块的东西 研究半天支付、账号、地区、套餐、版本区别 既然有人能直接告诉我怎么买、买哪个、出了问题还能找到人 那我多花一点钱也无所谓 所以这一个月我慢慢想明白一件事 很多生意不一定非得有什么特别高的技术门槛 你能把别人觉得麻烦的事情 整理得更简单一点 解释得更清楚一点 处理得更省心一点 中间就已经有价值了 这也是为什么我这个店从最开始几个 AI 会员 慢慢加到现在 ChatGPT、Claude、Gemini、Grok、Codex、X、TG，还有各种海外会员 很多新品甚至不是我自己想出来的 都是客户一句一句问出来的 所以第二个月我也不准备给自己搞什么特别宏大的目标 继续找麻烦 继续解决麻烦 看看还能从这些“别人懒得折腾的事情”里面 再挖出多少生意 我的 AI 小店：

注册就能参与，不用达到之前的批发门槛 身边有需要开会员的朋友，可以通过推广带单，成交后拿对应返佣 目前的价格和返佣如下，单位都是cny： 推特蓝 V 三个月：零售 28，返佣 5 六个月：零售 54，返佣 10 一年：零售 108，返佣 15 推特 P+ 一年：零售 1200，返佣 70 TG 会员 三个月：零售 94，返佣 10 六个月：零售 128，返佣 15 十二个月：零售 215，返佣 20 注册链接： 蓝V自检/兑换链接：

你想白天遇到她还是晚上？ GPT IMAGE2.5 提示词： 9:16 竖版，白天自然光 × 古早 DV 录像质感 × 中式华服 × 日式和风室内 × 水墨花卉 × INS 随手抓拍。 一位 23–25 岁、明确成年的漂亮日本女性，正面朝向镜头，小头、小脸，精致紧致的鹅蛋脸，清晰流畅的下颌线与微尖下巴，五官精致、有辨识度，呈现真实自然的日本女性真人脸。 肌肤非常白皙、细腻、通透，呈干净的冷白瓷肌色调。脸部、颈部、肩部、锁骨与胸前肤色自然统一，在白天窗边自然光下出现轻微柔和高光，同时保留真实皮肤纹理与自然粉润血色。 乌黑或深棕色长发浓密柔顺，可采用松弛古典盘发 × 部分长发自然披散的造型，加入精致金属发簪、珍珠、小型花饰与少量流苏。几缕碎发自然垂落脸侧，但不遮挡主要五官。 妆容采用精致克制的东方时尚妆：冷灰棕眼影、自然纤长睫毛、细致眼线、淡淡桃粉腮红与水润红棕唇色。整体画面低饱和，但面部妆容保持正常饱和度，让五官依然有清晰视觉重点。 人物身穿华丽中式改良时装，主色采用墨黑、月白、冷青蓝与少量暗金，融合真丝、提花、刺绣、薄纱与传统盘扣元素。服装表面加入水墨花卉 / 墨花纹样，像黑色墨迹在浅色丝绸上自然晕染。 上身采用明显的大深 V 低领设计，V 型衣襟自然向下延伸，展现肩颈、锁骨与较多上胸线条；胸部视觉约为自然 E 罩杯，丰满但不过度夸张。服装结构完整、真实、自然。 人物采用正面半身构图，身体可轻微侧转约 10–15°，但脸部保持正面看向镜头。神态清冷中带一点俏皮，嘴角轻轻上扬，眼神自然、松弛。一只手可轻触发簪、长发或衣襟，另一只手自然停留在腰侧或画面下缘。 半身裁切固定为完整头顶至腰胯附近，人物占画面约 75%–85%，完整保留发型、真人面容、双肩、锁骨、深 V 衣襟、双臂主要部分与腰线。 背景为白天的传统日式和风室内，可见障子门、榻榻米、浅深交错的木结构、和纸灯、挂轴以及少量插花。明亮自然光从障子门或窗户方向进入室内，空间通透、安静、带真实生活感。 墨花元素通过水墨花卉屏风、挂画、花枝投影或室内装饰纹样呈现，避免直接覆盖人物身体或脸部。 画面采用白天版古早 DV 视觉语言：低灰度、低对比、轻微冷白偏色、细腻胶片颗粒与模拟录像噪点，加入轻微高光溢出、少量 Bloom 与非常克制的边缘拖影。整体不要阴暗，不要夜景感，不要蓝黑背景。 人物眼睛、五官、发丝和服装主体保持清晰，朦胧感主要作用于画面边缘与背景，使整体像白天窗边被旧 DV 随手记录下的一帧东方时尚影像。 整体呈现：漂亮日本女性 × 冷白皮 × 华丽中式改良服装 × 大深 V × E 罩杯视觉 × 水墨花卉 × 白天和室 × 自然窗光 × 古早 DV × 低饱和 INS 抓拍，清冷、华丽、俏皮、安静而有东方审美。 负面提示词： 夜晚，暗黑背景，蓝黑夜景，霓虹灯，昏暗照明，严重冷蓝偏色，大头，大脸，宽脸，圆脸，胸部过度夸张，V领过浅，高领，衣物滑落，衣物穿模，廉价古装，廉价Cosplay，墨迹遮脸，发饰遮眼，头发遮脸，塑料皮肤，过度磨皮，严重过曝，严重失焦，整张画面模糊，颗粒过大，动漫脸，CG脸，多余肢体，多手多指，背景杂乱，文字，Logo，水印。 #今日提示词# #GPT# #IMAGE2#.5

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。

刚刚看完了自己QQ记录的前半生朋友圈，给了我很大的力量，让我有信心很多，有股力量在把我拖回正轨， 过去一年亏损大概半个小目标，我原本以为二次起来后这种事情不会在发生在我身上，但是人性上头起来真控制不住，特别是阴跌给足了场内和场外补保证金和马丁加仓的时间 就是从去年底大饼10万下来那一波，本来就几十万刀在玩，结果每天阴跌几个点，让我一直补保证金，然后马丁加仓，最后6万3割肉离场。后面马上就v反7万多， 然后追高，继续画门，割肉，继续v，然后空，然后继续v，反正来来回回几个月，只要我一开进去，开多马上爆跌，开空马上爆拉，都是5-10个点的波动。 那一战后让我心脉受损，加上重度抑郁躯体化，干什么都有气无力，提不起劲，感觉就像一个电量快用完的电池，现在看了这些一下开启了充电模式，让我很亢奋，很有激情，感觉活过来了 看了看前半生的东西，再看现在的东西，虽然失去了很多，但是还是拥有很多， 按照以前的收入水平，1个月好的情况下3万收入。10年不吃不喝才360万，我就当做了10年牛马，外加中了一张500万的彩票。嗯，我还是那个幸运儿，换个思路就豁然开朗了，哈哈 接下来给大家复盘一下具体细节也劝告已经在圈内取得过大结果的主观交易的兄弟们，千万别让上头，别让自己在反贫希望从我身上吸取教训。 以后也不会给自己目标了，有赚钱机会就赚，没有就好好生活，好好睡觉才是第一位。 得重新振作起来了，一起加油吧，兄弟们。