与「palantir」相关的搜索结果

2015 — You missed NVIDIA. 2016 — You missed Tesla. 2017 — You missed Bitcoin’s breakout. 2018 — You missed Amazon. 2019 — You missed Microsoft. 2020 — You missed Apple. 2021 — You missed Tesla’s second run. 2022 — You missed NVIDIA’s AI ignition. 2023 — You missed Super Micro. 2024 — You missed Broadcom. 2025 — You missed Palantir. 2026 — What are you still missing?

Alexandr Wang 说了一句让技术流创始人集体沉默的话。 “做技术的人习惯了数据说话，觉得东西更好、数字更漂亮，客户总会识货” 他直接点破：大公司不是这么运转的，政府更不是。 在那些客户眼里，感知比现实更真实。 真实的业务现状太难看了，没几个人愿意直面。 大家要的不是真相，是一套能让自己在系统里安全生存的叙事。 所以更好的产品照样被踢出局。 买方根本没在评测产品，谁掌控了感知，单子给谁。 他甚至点名 Palantir：表面是软件公司，底色是个剧团。新员工入职，真的会发一本戏剧表演书，发了整整好多年。 做企业级市场，改写现实只是一半的工作； 塑造一套客户愿意相信的说法，是另一半。 技术人最容易栽在这道坎上： 你的东西确实碾压竞品，但坐在对面签字盖章的人，自始至终连看都没看屏幕一眼。

Breaking: Renaissance Technologies just filed its Q3 2026 13F They sold 99.7% of their Nvidia $NVDA, weeks before the Jensen Huang scandal Here’s everything you need to know about its recent 13F Top 10 positions: 1. Micron $MU: $1.62B 2. Advanced Micro Devices $AMD: $1.21B 3. United Therapeutics $UTHR: $908M 4. Intel $INTC: $835M 5. Alphabet $GOOGL: $828M 6. UnitedHealth $UNH: $817M 7. Exelixis $EXEL: $747M 8. VeriSign $VRSN: $649M 9. SpaceX $SPCX: $621M 10. Corcept Therapeutics $CORT: $559M New positions: • SpaceX $SPCX: $621M • Bank of America $BAC: $351M • Goldman Sachs $GS: $245M • VanEck Semiconductor ETF $SMH: $186M • Booking Holdings $BKNG: $183M Biggest adds: • SanDisk $SNDK: +5,451% shares • Micron $MU: +619% shares • UnitedHealth $UNH: +507% shares • Advanced Micro Devices $AMD: +140% shares Biggest trims: • Nvidia $NVDA: -99.7% shares, was $1.42B • Meta $META: -99.9% shares, was $1.14B • Apple $AAPL: -99.8% shares, was $459M • Amazon $AMZN: -99.5% shares, was $546M • Palantir $PLTR: -71% shares, was $883M Full exits: • Blackstone $BX: was $185M • S&P 500 ETF $SPY: was $164M • Marvell $MRVL: was $151M • Danaher $DHR: was $145M Summary: Renaissance dumped almost all of its Nvidia, Meta, Apple and Amazon and moved the money into memory chips, AMD and SpaceX

关于黄仁勋的舆论风暴，很多人都低估了。 简中区还在吃出轨瓜，背后其实是 MAGA 内部的一场 AI 分裂战 黄仁勋，英伟达创始人，被爆婚外情时间卡在Trump和习会面之前。 爆料的做空基金老板叫Christian LaMarco，LinkedIn查不到任何信息。 时间线一拉就清楚了。 老黄采访里说China Hawk is badge of shame。班农，前白宫首席战略师，播客上说逮捕老黄。Palantir CTO开炮。MAGA收集黑材料汇总给Rubio，Rubio写memo给Trump。 Trump访华没带老黄。 上一轮走memo，这一轮直接走媒体爆料。时间又卡在习特会前。 Trump讲义气。记者问出轨，说多大点事。问带不带去APEC，说带。中期大败之后还保他，仁至义尽了。 但China Hawk不会收手。下一张牌已经摆在桌上了：那个Alice到底有没有涉及国安。出轨是私德。间谍是刑事。这张牌一旦打出来，Trump也护不住。 华人的旗帆标杆都能被弄到，他们允许穆斯林、印度人占领欧美，但绝不让华人进高层。 而且，Trump不能不挺，老黄倒下死一片。 英伟达是整个AI基建的锚。老黄要是被迫低调，像盖茨一样消声，你持仓里每一只跟AI沾边的票都得重新定价。 至于出轨，你也可以理解为：纯粹就是老黄想多卖点显卡，顺便睡了一个中间商。

嗯，硅谷万亿 AI 巨头 Palantir，招聘自家 FDE 时，给出的入职指南，竟然是 5本书，有点意思 有一本叫做《IMPRO》, 翻译过来《即兴：即兴创作与剧场》原来不止国人会把察言观色作为高级管理干部考核指标，西人也一样 隐约感觉，这些能打胜仗的经验，都是从中国智慧中提炼出来的

🚨BREAKING: Microsoft and META are aggressively cutting employee use of Claude ahead of Anthropic's IPO Microsoft has cut internal claude spend by more than 33%, nuked per-employee token budget from $100k/month to $10k/month, and forced Copilot to auto-route to cheaper models META used Claude code to build Muse, then cut active users from 60,000 to 30,000 (50% decline) after launch, and replaced it with Muse Code Palantir and Nvidia are also scaling back claude over soaring prices and data privacy fears it’s OVER…

Alexandr Wang 说了一句让技术流创始人集体沉默的话。 “做技术的人习惯了数据说话，觉得东西更好、数字更漂亮，客户总会识货” 他直接点破：大公司不是这么运转的，政府更不是。 在那些客户眼里，感知比现实更真实。 真实的业务现状太难看了，没几个人愿意直面。 大家要的不是真相，是一套能让自己在系统里安全生存的叙事。 所以更好的产品照样被踢出局。 买方根本没在评测产品，谁掌控了感知，单子给谁。 他甚至点名 Palantir：表面是软件公司，底色是个剧团。新员工入职，真的会发一本戏剧表演书，发了整整好多年。 做企业级市场，改写现实只是一半的工作； 塑造一套客户愿意相信的说法，是另一半。 技术人最容易栽在这道坎上： 你的东西确实碾压竞品，但坐在对面签字盖章的人，自始至终连看都没看屏幕一眼。

但身价百亿、前 Scale AI 创始人兼现任 Meta 首席 AI 官的 Alexandr真的是个天才，曝光了千亿软件帝国 Palantir 最隐秘的增长武器。 他在视频里极其冷峻地撕开了商业世界最残酷的一层窗户纸：
在真实的企业级市场里，更好的产品依然会输得一败涂地，因为客户脑子里的认知，往往比冰冷的客观现实还要真实。 他爆出了一个千亿巨头 Palantir 隐藏多年的核心秘密。
Palantir 之所以能把全美最挑剔的军方、政府和巨头企业吃得死死的，
是因为他们从骨子里就没把自己当成一家纯粹的软件公司，
而是把自己定义成了一家剧团加软件公司的混合体。 甚至在很长一段时间里，Palantir 会给每一个刚入职的新员工直接发一本专业的演员表演指南。 
他们教工程师和销售的不是去死背技术参数，
而是如何像舞台上的顶级演员一样去塑造气场、传递坚不可摧的信念，以及如何在走进会议室的第一秒就彻底接管客户的大脑。 这段话之所以让我印象深刻，是因为它彻底刺穿了技术人最容易陷入的自嗨陷阱。 大企业和政企客户的决策者，绝大多数根本不会亲自钻进你的服务器里去查单元测试和代码架构。 
他们面对的是巨大的采购风险和自身的前途绑定，
他们买的从来不只是软件那几行代码，而是一整套安全感、掌控感和不可动摇的信任光环。 如果你空有一身好技术，却根本不懂得如何重塑客户的认知，
你在谈判桌上就会被那些气场强大的对手降维打击。 
对方带着顶级的叙事和强大的气场走进来，在客户脑子里种下了我们才是上帝礼物的认知， 
而你抱着几张性能对比表格坐在角落，连说话都在结巴， 
那一刻，你的技术再好，在商业战场上也只是毫无意义的纸面数据。 Alexandr 也极其清醒地补了一刀：
这不是教你去搞虚假宣传和诈骗，交付真实的产品价值是你的底线， 
但认知塑造，是你在做出好产品之后必须修炼的黑魔法。 做出一流的产品只是拿到了进场的门票，
而学会如何把你的价值装进别人的大脑，才是决定你能否在商业牌桌上赢走一切的胜负手。 大家在平时做项目、谈业务或者职场汇报时，有没有吃过技术明明比别人好却输给了别人会包装的亏？

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。

$MKCAT You ape the cat. The cat buys real $PLTR. Holders get the bag back.Volume → more Palantir → more volume. They watch the charts. We watch you watch the charts. CA: 0xDe63a0596362be3a87fa5841Aea3f8DAa464e1