注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 三个月没更新
三个月没更新 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 三个月没更新 的推特
好久不见呀,宝子们,三个月没更新x啦,不知道友友有会想我的吗? 不过也别乱想, 不过也别乱想,我一直很清楚自己的界限,有需求不等于随便... #好久不见#
显示更多
我真的是给我气笑了,我都没招了推特你到底要干什么?我已经被冻结了三个账号了,都是莫名其妙,最多的一个差不多20万粉丝最小的一个三千多,还有一个两万多粉丝的,我两个月没更新了今天邮箱又收到我被冻结的通知,真的玩不了,本来就是因为心态差封号严重不赚钱不想玩的…
显示更多
忙着被操被内射呀 没时间更新呀 有剪视频的时间 还不如被多操两次呀 过段时间再一起更呀 另外有人问我为什么每年只吃三个月的药? 1、因为被男人轻易得到的东西,是不会被珍惜的。所以不如当成奖励,让他们无限期待。 2、没有避孕措施以后,再和老公之外的男人无套做爱更刺激呀~
显示更多
忙着被操被内射呀 没时间更新呀 有剪视频的时间 还不如被多操两次呀 过段时间再一起更呀 另外有人问我为什么每年只吃三个月的药? 1、因为被男人轻易得到的东西,是不会被珍惜的。所以不如当成奖励,让他们无限期待。 2、没有避孕措施以后,再和老公之外的男人无套做爱更刺激呀~
显示更多
忙着被操被内射呀 没时间更新呀 有剪视频的时间 还不如被多操两次呀 过段时间再一起更呀 另外有人问我为什么每年只吃三个月的药? 1、因为被男人轻易得到的东西,是不会被珍惜的。所以不如当成奖励,让他们无限期待。 2、没有避孕措施以后,再和老公之外的男人无套做爱更刺激呀~
显示更多
0
12
692
30
转发到社区
刚看到一个很有想象力的 AI 开源项目,居然有人在尝试给 Transformer 增加记忆模块,让 LLM 拥有原生的记忆能力。 研究了他们的论文和构想,虽然还有很多不成熟的地方,但我几乎可以确定,这是最近三个月以来,我见过的最令人兴奋的一篇 AI 论文了。 现在 Personal Agent 非常火。想必大家都已经看到了,记忆已经成为 AI 应用非常重要的一项能力。 但记忆这事,其实没那么容易做好。 1 无论是 ChatGPT、OpenClaw,还是其他 AI 产品,大家可以看看,它们实现记忆的方式五花八门,而且都有各自的局限。和我们人类的记忆方式相比,还有很大的差距。 目前很多 AI 产品的长期记忆,仍然依赖模型外部的一套系统。 简单理解,就是大脑是大脑,大脑旁边还有一个日记本。平时把一些重要的信息记录下来,需要的时候,再从日记本里寻找相关内容,提供给大脑处理。 也就是说,记忆系统和 LLM 是相对独立的。当模型需要利用过去的信息时,往往需要由 Harness 从外部记忆系统中检索相关内容,再提供给模型处理。 这也是目前很多 AI 产品采用的方式。 这种方式的问题是,它太依赖 Harness 的判断了。 用户说的哪些话值得记住?什么时候应该更新旧的记忆?等到真正执行任务时,又该从成千上万条记忆中找出哪些信息? 这些事情,目前主要还是依靠模型和 Harness 中的一套机制来判断。 但这玩意到现在也没有特别可靠的办法,任何一个环节出了问题,都可能导致 AI 明明和你聊过很多次,却还是记不住你的需求。 而且,有些信息在当时看起来并不重要,过几个月才发现很有价值。比如你曾经跟 AI 抱怨过几次红眼航班太累,但从来没有明确说过,以后不要帮我订红眼航班。 如果当时没有把这个偏好提炼出来,等下次帮你订票的时候,AI 就可能完全想不起来。 更重要的是,这套机制很难让模型真正积累经验。过去发生过什么,可以通过检索找回来。但过去的经历应该怎样影响接下来的判断和行动,还需要模型每次重新理解。 2 这也是 MemT 1.0 想解决的问题。 他们尝试直接把记忆能力融入大模型的内部架构。让模型在每次交互之后,都能够更新自己的记忆状态。 下一次处理任务时,这些积累下来的信息,可以直接参与模型的计算,不必每次都重新从外部数据库检索,再塞回上下文。 就像我们人脑一样,很多记忆都是潜移默化形成的。而当我们思考、判断或者处理问题的时候,这些记忆又会自然而然地参与进来。 我们不需要每次都把过去发生的事情重新回忆一遍,再单独整理出来,才能利用这些经验。 记忆本来就是人类智力非常重要的一部分。 那 MemT 1.0 怎么做的呢? 简单讲,他们直接在 Transformer 内部增加了一个原生记忆模块,叫 Native Memory Block。 这里稍微解释一下。Transformer 由很多层网络组成,每一层都会通过 Attention,也就是注意力机制,来处理信息。 Attention 可以让模型在回答问题时,找到当前 Context 中哪些信息值得关注。 比如,我告诉 AI,坐飞机喜欢靠过道的座位。只要这句话还在 Context 里,模型就可以通过 Attention 利用这条信息。 但如果这段对话结束了,下次又开启新对话,而且系统没有重新提供这条信息,模型通常就不知道我的偏好了。 所以,MemT 想解决的问题就是,能不能让 Transformer 除了读取当前 Context,还能直接读取过去积累的记忆? 他们在原有的 Attention 旁边增加了一套 Native Memory Block。这样一来,模型就多了一条可以直接读取历史记忆的计算路径。 当用户提出一个新问题时,新增的 Memory Attention 会根据当前输入,读取相关的记忆信息。 然后读取的结果会和原来 Attention 的计算结果合并,然后继续交给 Transformer 后面的网络层处理。 这样,模型就不需要先把过去那段关于选座位偏好的对话找出来,再重新塞进 Context,才能利用相应的信息。 而且,每次完成交互后,模型还可以继续更新这份动态记忆状态。 3 具体的技术细节我就不展开了。虽然之前也有人探索过原生记忆这条路线,但一直没有特别成熟的方案。这次看到 MemT 1.0,感觉又看到了新的希望。 当然,从目前的实验结果来看,它的记忆能力还不如成熟的外挂记忆系统。但相比之前的原生记忆方案,已经有了明显的进步。 尤其是在处理长历史信息时,推理效率和存储成本方面的优势非常明显。 我觉得这件事情特别值得期待,尤其是对 Personal Agent 来说。 大家可以想象一下,如果未来大模型真的拥有了足够强大的原生记忆能力,那它就可以像我们人类一样,在日常交流和处理任务的过程中,逐渐积累记忆,并且很自然地利用这些信息。 这样一来,Agent 就不需要每次都依赖外部系统,把过去发生的事情重新找出来,才能理解用户的需求。但我觉得,更有意思的可能性,还在后面。 因为记忆的价值,远远不止记住过去发生了什么。 我们在生活和工作中,很多能力其实都是通过长期积累的经验形成的。比如做过几次活动之后,就会逐渐知道哪些环节容易出问题,应该提前准备什么,遇到意外该怎么处理。 这些经验会直接影响我们以后做事的方式,很多时候甚至是潜移默化的。 我举个例子,假设一个 Personal Agent 已经跟着我工作了三年。它帮我整理过几百次会议纪要,而我每次都会根据自己的习惯,对内容做一些修改。 时间长了,它可能会逐渐发现,我更喜欢怎样组织会议内容,哪些信息需要重点突出,哪些细节可以省略。 当然,外挂记忆系统也可以做到这一点。但前提是,这些偏好已经被提炼、保存下来,而且下次执行任务的时候,Harness 还得准确找到它们。 如果模型拥有足够强大的原生记忆能力,情况可能就不一样了。 过去几百次的交互,可以逐渐影响模型内部的记忆状态。 下次帮我整理会议纪要时,这些积累下来的经验,就可能直接参与模型的计算,影响它怎么组织内容、怎么判断信息的重要性。 甚至一些从来没有被明确总结成文字的习惯,也有机会被模型逐渐捕捉到。 我觉得这才是最有想象力的地方。 如果未来 Agent 能够在长期交互中,潜移默化地积累经验,并且让这些经验自然地影响它的判断和行动,那每个人的 Personal Agent,都可能随着使用时间的增加,逐渐形成自己的做事方式。 当然,MemT 1.0 距离实现这一切,还有很长的路要走。但至少,它让我看到了这种可能性
显示更多
🔎0.1分的差距,57倍的价格,DeepSeek V4 Pro正式版诠释“性价比之王” 凌晨突袭,DeepSeek V4 Pro正式版把性价比玩明白了。 8月12日深夜,DeepSeek官网API文档悄然更新,旗舰模型V4 Pro从预览阶段正式转正,版本号定格为DeepSeek-V4-Pro-0813。没有发布会,没有倒计时,连更新日志都没来得及写。但数据不会说谎,这款模型用一张成绩单,把“比我强的没我便宜,比我便宜的没我强”这句话,刻在了大模型竞赛的牌桌上。 性能:距离全球第一,只差0.1分 先说硬指标。V4 Pro正式版沿用了预览版的MoE架构,1.6万亿总参数、每个Token激活490亿参数,支持100万Token上下文窗口和384K最大输出。架构没变,但后训练下了狠功夫。 最惊艳的来自Agent相关评测。在衡量AI智能体完成真实终端环境复杂任务能力的Terminal Bench 2.1上,V4 Pro拿下87.9分。全球第一的Anthropic Fable 5,为88.0分,差距仅0.1分。相比预览版72.1分,三个月跃升了15.8分。 再看其他维度。AI安全智能体基准Cybergym上,V4 Pro以83.3分压过Fable 5的83.1分。软件工程能力测试DeepSWE从预览版的12.8分飙升至62.7分,涨了近五倍,超越了Anthropic上一代旗舰Opus 4.8,为58.0分。DSBench-Hard翻了一倍多达到67.2。 这些测试有个共同点,都涉及长链路的代码修改、环境操作和工具调用,恰好是预览版最容易翻车的地方。换句话说,V4 Pro这次补上的正是大模型从“聊天玩具”走向“生产工具”最关键的Agent能力。 价格:对手的六十分之一 性能逼近Fable 5,价格呢?V4 Pro每百万Token输入(缓存未命中)3元、输出6元,缓存命中输入低至0.025元。 对比海外顶级模型,Fable 5每百万输出Token定价50美元,GPT-5.6 Sol Max为30美元,Grok 4.6为6美元。而DeepSeek V4 Pro仅为0.87美元。6元人民币的输出价格,是Fable 5的六十分之一、Opus 5的三十分之一。 0.1分的跑分差距背后,是五十七倍的价格鸿沟。在部分智能体任务中,V4 Pro与Claude、Fable等顶级模型的性能差距已缩小到约5%,但后者的价格最高却是它的45倍。 格局:大模型竞赛进入性价比时代 这次更新恰逢Grok 4.6同夜发布、Qwen 3.8-Max宣布开源。模型之争已从单一的参数比拼,转向性能、成本与商业化应用的综合较量。 DeepSeek走的是一条清晰的路,用顶级模型的性能、地板价的价格,倒逼整个行业重新思考“什么才是好的大模型”。V4 Pro与Flash版形成“高频轻量走Flash、复杂推理走Pro”的产品分层,开发者可以按需选择,丰俭由人。 当然,V4 Pro并非没有短板。在无工具调用的Humanity's Last Exam上,它跟Claude Opus 5仍有明显差距。部分开发者反馈长时间连续执行时仍会出现提前停止、任务质量不稳定等问题。此外,DeepSeek已预告将整体上调API定价,目前的低价窗口能持续多久仍是未知数。 但无论如何,V4 Pro正式版已经用实力证明了一件事:性能可以逼近全球第一,价格却可以只有对手的六十分之一。大模型的“奢侈品”时代正在被瓦解,这对所有开发者来说,都是好消息。 #AI# #DeepSeek#
显示更多
0
114
9
0
转发到社区
11.11|CPI高于预期,BTC回到7.38万附近,ETH约2065,黄金急跌后小幅反弹。今天先看承接,别急着把反弹当反转。 昨天美国10月整体CPI环比上涨0.4%,核心上涨0.3%,都高于市场预期。不过整体涨幅已经低于9月的0.6%,核心则连续三个月维持0.3%。问题在于,通胀降温的速度还是没达到市场期待,高利率压力没有解除。 立冬之后,传统五行讲究藏锋蓄势。借这个提醒自己:行情越反复,越要管住手。 $BTC 约73800美元,比原稿73000附近有所回升,但75000还没拿回来,修复只能先看一步。 下方先看72700—73000,再往下72000,强支撑观察70000—71000;上方先看74000—75000,收回来以后再看76000—77000。如果突破75000,回踩又能守住,可以提高对反弹的评价;如果72000失守,反抽也收不回来,就要防继续向下找承接。 $ETH 约2065美元,仍然在2100下方。下方看2000—2030,再往下1950—1980;上方看2100—2150,过了再看2200—2250。 2000守住只是第一步,重新拿回2100—2150,修复才更有说服力。如果2000有效跌破,就继续观察1950甚至1900。ETH还没转强,不急着喊山寨补涨。 美股昨晚标普7520.93,跌0.38%;纳指25065.87,跌0.74%;道指52231.89,跌0.30%。纳指没有完全回吐前一天的反弹,但25000附近还要继续确认。下方看24800—25000,上方25300—25500,过了再看25800—26000。 黄金也要更新:昨天急跌之后,今天亚洲时段参考报价已经回到4045美元附近,不能继续把4028当成今天现价。下方看4000—4020,上方4050—4080,再往上4100。暂时有反弹,但还需要看回踩有没有人接。 美债10年期昨天盘中曾突破5%,美国财政部日度口径为4.98%,两者不是同一个统计时点。今天美国退伍军人节,美债现券市场休市,美股照常交易,别把停留在页面上的收益率当成持续更新的实时信号。 周五北京时间21:30还有美国PPI。CPI已经打乱了反弹节奏,接下来既要看通胀,也要看利空出来以后,价格还会不会继续跌。 今天重点盯三个位置:BTC 75000、ETH 2100、黄金4000。 我的思路还是先等位置,再看量能和资金,最后才考虑仓位。BTC和ETH一起收回压力,比盘中突然拉一根更重要。 技术位仅作观察,不构成投资建议,注意仓位、杠杆和止损。 #BTC# #ETH# #Bitcoin# #Gold# #Crypto#
显示更多
刚看到 Kimi 新一轮融资的数据,这轮投前估值 315 亿美元,上一轮 200 亿美元刚交割完没多久。ARR三个月翻了三倍,其中API收入占七成以上。年初是20天收入超去年全年,这个增长速度,有早期Anthropic的味道了。 让人不禁想起这两年Kimi的变化。 Kimi其实做了两次获客: 第一次C端产品,拿到普通用户的知名度。第二次用K2/K2.5开源,拿到全球开发者的知名度。 今天回头再看,Kimi早期的C端产品未必直接贡献了今天的API收入,但它让月之暗面在模型暂时掉队的时候,仍然有品牌、融资能力和人才吸引力,可以继续投入K2。包括现在我们知道,Kimi也是很多年轻优秀AI人才的第一选择之一。 真正的转折是 K2 / K2.5 开源,赚到了全球开发者的口碑,开发者生态一下子就起来了。Cursor、Fireworks、Coinbase 这样的海外公司,开始把 Kimi 放进自己的产品和模型栈里。 不过我们当年有个担心:大客户会自部署,把 Kimi 架空。除非你成本优化领先到自部署都不划算。 Coinbase 最近的做法,多少回答了这个问题。91%的员工根本用不到原来的限额,与其限流,不如换成 Kimi、GLM 这类性价比更高的模型,再配合路由和缓存优化。缓存命中率从5%提高到60%,AI 支出砍掉近一半,token 用量还在指数级增长。这帮人没自部署,反而乖乖走云端 API 了。 所以API 收入占七成,是个挺漂亮的数据。Kimi 没有因为开源把生意送出去,反而靠开源完成了第二次分发,再让 API、托管推理和持续更新去承接收入。 放到全球比一下,Anthropic 9650 亿美元,OpenAI 8520 亿美元,智谱最近涨到万亿港币,其实Kimi的价格确实还挺便宜的。
显示更多