我將參加7月3日至5日在台灣舉辦的盛大活動TRE2026🇹🇼 此前我曾兩次在 TSE 演出，但這將是我首次亮相TRE，所以我非常期待！ 如果你也會到場，請務必來我的攤位看看—迫不及待想見到大家了！ TRE2026 : 7/3 ~ 7/5 地點：台北南港展覽館2館 攤位：C-28 ＃台湾 #Taiwan#

當地時間9月2日上午，埃及總統塞西同中國國家主席習近平在開羅太陽宮舉行會談。 開羅晴空朗照。習近平和夫人彭麗媛乘車抵達太陽宮時，馬隊和禮兵列隊致敬，軍樂團奏迎賓曲，鳴21響禮炮。塞西和夫人依緹薩爾熱情迎接。 塞西為習近平舉行歡迎儀式。兩國元首共同登上檢閱台，軍樂團奏中埃兩國國歌。兩國元首分別同對方陪同人員握手致意。兩國元首夫婦步入太陽宮大廳，在兩國國旗前合影。 歡迎儀式後，兩國元首舉行會談。 習近平指出，1956年，埃及在阿拉伯和非洲國家中率先同新中國建交。兩國老一輩領導人帶領兩國人民在追求民族獨立、反對帝國主義和殖民主義的道路上並肩奮鬥，淬煉出牢不可破的深厚友誼。70年風雨兼程，培育並見證了中埃兩國關係“平等互信、友好互鑒、和衷共濟、合作共贏”的鮮明特徵。近年來，在我們共同引領下，中埃全面戰略夥伴關係實現跨越式發展。雙方在實現發展振興、增進人民福祉、捍衛國際公平正義的事業中理念相通、戰略契合。面對變亂交織的國際和地區形勢，兩國要相互支持、深化合作，不斷推進中埃命運共同體建設。 習近平強調，中埃雙方一要堅定相互支持，保持高層交往勢頭，密切各領域各層級交流合作，加強治國理政經驗交流互鑒。二要推進互利合作，加強發展戰略對接，釋放基礎設施建設、電力、農業、通信技術等傳統領域合作潛能，打造綠色能源、電動汽車、航空航天、數字經濟、現代農業技術等合作新亮點。三要促進人文交流，全方位拓展文化、教育、科技、衛生、體育等交流合作，擴大人員往來，增進民心相通。四要強化安全合作，共同打擊跨國犯罪，深化反腐敗國際合作，堅定支持彼此反恐努力，維護兩國共同安全。五要加強國際多邊協作，進一步密切在聯合國、金磚國家等多邊平台的協調和配合，攜手推進中阿、中非合作論壇建設，共同反對單邊主義和霸凌行徑，推動構建更加公正合理的全球治理體系。 塞西表示，熱烈歡迎習近平主席在兩國建交70週年之際對埃及進行歷史性的國事訪問。埃中建交以來，兩國關係保持健康穩定發展，各領域合作取得豐碩成果。埃方堅定奉行一個中國原則，致力於推動兩國全面戰略夥伴關係得到更大發展。埃方願同中方一道，密切貿易投資、製造業、基礎設施建設、金融、科技、新能源等領域合作，加強軍事安全交流，密切人員往來，造福兩國人民，助力地區發展繁榮。作為聯合國安理會常任理事國，中國在國際事務中發揮著重要的建設性作用，埃方願同中方在多邊平台加強協調配合，共同應對全球性挑戰，攜手維護國際公平正義。 兩國元首就中東局勢深入溝通。習近平指出，中方支持地區國家發展睦鄰友好關係，秉持共同、綜合、合作、可持續的安全觀，構建中東安全新架構。習近平就此提出4點倡議：一是激發地區共同安全的內生動力。堅持中東地區人民自己當家作主，反對外部勢力干涉，支持地區國家加強和平和安全對話，探討域內安全架構重塑，自主掌握前途命運。二是推進地區共同安全的綜合治理。中東熱點問題多、內在關聯性強，應當探尋綜合解決方案。巴勒斯坦問題仍是中東問題的核心，任何時候都不應該被忽視和邊緣化。三是築牢地區共同安全的發展根基。實現中東地區長治久安根本上靠發展。中方願同地區各國一道維護國際航道安全，推進發展合作，促進地區國家利益融合，逐步增進互信、消除衝突滋生土壤。四是增強地區共同安全的國際協同。聯合國憲章和國際法是處理中東事務的基本遵循。國際社會特別是域外大國要摒棄雙重標準，尊重地區國家主權和領土完整，維護地區安全穩定。要支持聯合國在地區事務上切實發揮作用。 塞西表示，埃方高度讚賞中方在中東問題上始終秉持客觀公正立場。埃方致力於推動地區局勢降溫，通過政治途徑化解矛盾衝突，實現地區安全與發展。埃及願繼續同中方加強協調，緩和中東局勢、維護中東穩定，探索地區安全架構。 會談後，兩國元首共同見證簽署共建“一帶一路”、人工智能、經貿、產供鏈合作等領域多項合作文件。雙方發表《中華人民共和國和阿拉伯埃及共和國關於進一步深化全面戰略夥伴關係的聯合聲明》。訪問期間，雙方還簽署了數字經濟、科技、教育、交通等領域20餘份合作文件。 當天中午，塞西和依緹薩爾在太陽宮為習近平和彭麗媛舉行歡迎宴會。 蔡奇、王毅等參加上述活動。

投机解码的 drafter 从来都是一个 token 一个 token 地猜。做出 DFlash 的推理公司 Inco AI 说这没必要：正确的 token 本来就在候选列表里，整块并行预测之后挑出一条连贯路径，输出不变，每次验证多赚一个完整的 token。 《DFlash 2：保持并行起草》 推理是 agent 时代的瓶颈。agent 会读、会规划、会调用工具，常常一跑就是几小时甚至几天。它们消耗 token 的速度，是聊天场景从未达到过的。而每一个 token 都要在模型上跑一次完整的前向传播。在 Inco AI，我们在构建一套面向未来 token 经济学的推理栈。这篇文章是一次预览。 我们的团队 1 月发布了 DFlash（论文： SGLang、vLLM、TensorRT-LLM 和 llama.cpp 里。NVIDIA 在 Blackwell GPU 上用它测到了最高 15 倍的吞吐；Google 报告在 TPU 上每秒 token 数提升 3 倍；CoreWeave 生产环境的 Kimi K2.7 Code 端点（Artificial Analysis 上该模型最快的端点）默认就跑 DFlash。生态已经在它之上构建：NVIDIA、Red Hat、Modal 都发布了 DFlash drafter；Meta（Muse Glimmer）、Poolside（Laguna）、小米（MiMo-V2.5-Pro）、NVIDIA（Nemotron 3.5 Lightning）随自家模型发布官方 drafter。在 Hugging Face 上，DFlash 模型被下载了超过 350 万次（截至 2026 年 8 月）。 投机解码是现代推理栈的核心组件之一。一个小 drafter 模型猜出一整块 token，目标模型在一次前向传播里验证整块。猜得好，一次前向变成多个 token；猜得差，丢掉重来。但多年来，起草本身一直是自回归的：一次一个 token。DFlash 让它也变成了一次通过：整块、每个位置，并行预测。 （演示视频：DFlash 2 在 Apple M5 Max 上用 oMLX 为 Qwen3.8-27B 起草，与自回归解码并排对比。 DFlash 2 把并行起草又往前推了一步：每次验证通过多产出 20% 以上的输出，增加的周期延迟只有约 1%，而输出可证明不变。跨基准测试的增益在 16–25%。配合今天发布的 Qwen3.8-27B drafter，SGLang 在 batch size 1 下达到自回归解码 2.7–3.4 倍的吞吐。每个位置独立预测，留下两处空间：选对 token，以及在块的末尾守住准确率。DFlash 2 把这两处都拿了回来，同时没有放弃一次性通过的设计。 现在就能跑 DFlash 2 已经跑在主流推理引擎里。 SGLang： pip install -U "sglang[all] @ git+" python -m sglang.launch_server \ --model-path Qwen/Qwen3.8-27B \ --speculative-algorithm DFLASH \ --speculative-draft-model-path incoai/Qwen3.8-27B-DFlash2 \ --speculative-num-draft-tokens 8 vLLM： pip install -U "vllm @ git+" vllm serve Qwen/Qwen3.8-27B \ --speculative-config '{ "method": "dflash", "model": "incoai/Qwen3.8-27B-DFlash2", "num_speculative_tokens": 7 }' llama.cpp： git clone cd llama.cpp git fetch origin pull/27342/head:pr-27342 git switch pr-27342 NVIDIA CUDA cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON cmake --build build -j Apple Silicon cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON cmake --build build -j ./build/bin/llama-server \ -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \ -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \ --spec-type draft-dflash \ --spec-draft-n-max 7 oMLX：下载安装支持 DFlash 2 的预构建版（ 在 oMLX 里跑 Qwen3.8-27B 加 DFlash 2： 1. 打开 oMLX 的 Model Downloader，下载 mlx-community/Qwen3.8-27B-4bit 和 incoai/Qwen3.8-27B-DFlash2。 2. 打开 Model Manager，编辑 mlx-community/Qwen3.8-27B-4bit，配置 DFlash： • DFlash：enabled • Draft model：incoai/Qwen3.8-27B-DFlash2 • Draft quantization：enabled • Runtime block size：5 • Verify mode：dflash 3. 保存设置，加载目标模型。 对的 token 早就在候选里 DFlash 每个位置独立、并行地预测。每个选择单独看都合理，但没有什么让它们彼此咬合，一个不连贯的块会在验证时被截断。近期的方法如 Domino 和 DSpark，用顺序的 Markov head 重写每个位置的完整词表分布来买连贯性。但真的需要这种昂贵的自回归纠错吗？ 不需要。证据就在 DFlash 自己的候选列表里。拿第一个位置来说：DFlash 的第一选择 85.4% 的情况下是对的，但正确的 token 99.5% 的情况下都在前 16 个候选里。即使第一选择错了，对的 token 通常也在列表上。 表 1：Recall@1（第一选择正确的概率）与 Recall@16（正确 token 出现在前 16 候选里的概率），按起草位置统计，条件是前面每个位置都正确。GSM8K 上的五层 Qwen3-4B DFlash。接受长度包含验证器产出的下一个 token。 • 位置 0：Recall@1 85.4%，Recall@16 99.5% • 位置 1：80.3%，97.3% • 位置 2：79.4%，94.8% • 位置 3：78.3%，92.6% • 位置 4：77.5%，90.8% • 位置 5：75.9%，89.4% • 位置 6：72.9%，87.8% • 接受长度：4.27（只看第一选择）；6.79（从前 16 里选） 一个总能从前 16 个候选里挑对的那个 oracle，会把接受长度从 4.27 抬到 6.79。这个差距是纯粹的选择空间。我们只需要在候选里选出一条正确的路径。 图 1：一个周期里的选择器。只用 DFlash，每个位置保留自己的第一选择；这里两个相邻位置选了同一个词，结巴在验证时死掉。DFlash 2 保留每个位置的 top 候选，选择器在候选之间走出一条连贯路径；这里整块都活了下来。 一个轻量的路径选择器 连贯性大体是局部的：一个候选合不合适，主要取决于它前面的那个 token，所以给相邻对打分应该就够了。DFlash 2 保留每个位置前 16 个候选，给每一对相邻候选打分。对前一个 token a 和当前候选 b： S_t(a,b) = U_t(b) + ⟨A(a)⊙H(h_t), B(b)⟩ 分数分两部分。第一部分 U_t(b) 是 DFlash 自己的 logit：drafter 本身有多喜欢 b。第二部分问 b 接在 a 后面有多顺：A 和 B 给每个 token 一个紧凑的 256 维嵌入，两个嵌入在一个上下文门控 H(h_t) 下匹配，门控决定匹配的哪些部分算数。本质上，这是对相邻候选做的低秩双线性注意力。 打分全程并行。每个位置的每一对相邻候选一次性全部算完，不需要额外的 backbone 或 LM head 前向。唯一串行的部分，是最后在预计算好的分数上走一遍：从最后一个已验证 token 出发，贪心地跟着每一步最好的后继走，采样从同样的分数里抽取，拒绝采样恢复出精确的目标分布。 表 2：只加路径选择（不加卷积）的接受长度，GSM8K 上的五层 Qwen3-4B。开销相对纯 DFlash：drafter 增加的参数、起草-验证周期增加的延迟。 • DFlash：T=0 下 4.27，T=1 下 3.78 • + DSpark 纠错：+77.8M 参数，+9.6% 延迟；4.49，4.08 • + 路径选择（我们的）：+2.0M 参数，+0.6% 延迟；4.61，4.25 选择器在 T=0 下给 DFlash 加 0.34 个 token，T=1 下加 0.47。两个设置下都超过 DSpark 的纠错，参数少约 40 倍，延迟开销低 16 倍。选择比预测便宜。而且还有空间：oracle 能到 6.79。成对打分是我们能想到的最简单的选择器，我们相信这里还有很多可探索的。 后缀衰减是个局部问题 我们还注意到上面两行 recall 都在块尾下滑。连 oracle 都在衰减：即使选择完美，准确率仍然从第一个位置的 99.5% 掉到最后一个位置的 87.8%。没有选择器能修这个，因为候选自己就不够了。我们把这个叫后缀衰减，它是 backbone 的问题。 一个嫌疑是容量：五层 backbone 可能太小，撑不住横跨整块的依赖。如果真是这样，深度应该在靠后的位置帮上最多的忙。事实也如此：3 层、5 层、15 层的 DFlash 模型在第一个位置上几乎一样，越往块尾分得越开。但深度不加区分：多十层 attention block 到处加容量，连那些没什么可赚的靠前位置也加，把 DFlash 吸引人的那部分效率磨掉了。 图 2：GSM8K 上 Qwen3-4B 的 Recall@1（T=0），条件是前面每个位置都正确。所有 drafter 在相同设置下训练；卷积模型评估时不带选择器。它的卷积增加 3% 参数和 0.7% 周期延迟；15 层模型多出的十层增加 15.2%。 我们要一个有针对性的修法，而 DFlash 的 attention 指出了修哪里。它有两份工作：读块之前的上下文，以及建模块内部的依赖。但它在第二份上花的越来越少：块内注意力占比从第 1 层的 30% 掉到第 5 层的 8%，剩下的还集中在越来越少的一小撮 head 里。所以我们把两份工作拆开：一个专用模块承担块内工作，attention 继续读上下文。 图 3：五层 Qwen3-4B DFlash 的块内注意力按 head 分布。越亮的格子代表在起草块上花注意力越多的 head；靠后的层里，块内质量收缩、集中到少数几个 head。 一个轻量的局部卷积 块内工作本来就是短程的：一个块只有 4 到 16 个 token，最紧的依赖坐在相邻位置之间。自然的算子是短卷积：两个抽头，一个在当前位置，一个够到前一个位置，权重随内容自适应。跟随 Canon Layers、Dynamic Short Convolutions 和 Convolution for Large Language Models 的做法，我们在每个 attention 和 feed-forward 子层前后插入这个双抽头动态深度卷积： Conv_k(x)_t = k_{t,0}⊙x_t + k_{t,1}⊙x_{t-1} 每个系数由一个可学习的基核加上从当前隐藏状态算出的一个小修正组成；每 16 个通道共享一个修正。第一个位置读最后一个已验证 token 的表示，之后的每个位置读它前一个的。信息穿过整块，同时所有位置仍然并行计算。 图 4：双抽头动态卷积。每个 drafter 层的每个 attention 和 MLP 子层前后各有一个。内部：每个位置把自己的表示和前一个的混合；第一个位置读最后一个已验证 token。 卷积是块局部的、无状态的，所以能无缝插进 DFlash，不用动 attention、LM head 或验证。 只加 16.5M 参数（3%），带卷积的五层 DFlash 就逼近了 15 层 DFlash，大幅减轻后缀衰减。卷积给起草-验证周期延迟加 0.7%；多十层 Transformer 层加 15.2%。第 4、5 层的平均块内注意力从 9.4% 降到 0.5%，与卷积吸收局部工作、attention 回到读上下文一致。一个只够到前一个位置的核，买回了十层额外层的大部分收益：后缀衰减大体是个局部问题。 合在一起 到目前为止，选择器和卷积是分开测的；下面的完整对比把它们放在一起。DFlash 和 DSpark drafter 是我们在对齐的设置下自己训练的，MTP 随模型发布。 表 3：Qwen3.5-4B 每请求平均接受长度。采样：thinking 开启，温度 1.0，top-p 0.95，top-k 20，presence penalty 1.5，无损拒绝采样。 • GSM8K：MTP 4.78，DFlash 4.99，DSpark 5.69，DFlash 2 6.20 • MATH-500：5.04，5.42，6.20，6.76 • HumanEval：4.84，5.43，5.80，6.28 • MBPP：4.16，4.49，4.96，5.41 • MT-Bench：3.90，4.26，4.77，5.20 • 平均：4.54，4.92，5.49，5.97 DFlash 2 在每项基准上都领先。平均下来，它比 DFlash 多 1.05 个 token（21%），比 DSpark 多 0.48。升级仍然便宜：选择器和卷积加起来，只给五层 DFlash 的起草-验证周期延迟加了 1.3%。 在 MATH-500 上，增益逐位置可见：DFlash 2 到最后一个位置都稳在 86% 附近，而每个基线在块尾都比它低 6 到 9 个点。 图 5：MATH-500 上 Qwen3.5-4B 的条件接受率，采样同上。 两个 drafter，今天发布 我们今天发布两个 DFlash 2 drafter：一个给 Qwen3.8-27B（ Meta 的 Muse Glimmer（ Qwen3.8-27B，我们对比模型原生的 MTP 路径和一个社区 DSpark drafter。 表 4：Qwen3.8-27B 每请求平均接受长度，模型默认采样、块大小 8，对比原生 MTP 路径和社区 DSpark drafter。 • GSM8K：MTP 5.02，DSpark 4.36，DFlash 2 5.46 • MATH-500：4.72，3.92，5.28 • HumanEval：3.91，3.30，4.39 • MBPP：3.99，3.51，4.79 • MT-Bench：3.74，3.01，4.10 • 平均：4.28，3.62，4.80 对 Meta 的 Muse Glimmer，我们对比随模型发布的官方 DFlash drafter 和一个社区 DSpark drafter。 表 5：Muse Glimmer 每请求平均接受长度，模型默认采样、块大小 16。DFlash 是 Meta 随模型发布的官方 drafter；DSpark 是社区 drafter。 • GSM8K：DFlash 5.43，DSpark 5.45，DFlash 2 6.57 • MATH-500：5.39，5.01，6.56 • HumanEval：4.11，4.33，5.66 • MBPP：3.74，4.02，5.30 • MT-Bench：3.52，3.59，4.42 • 平均：4.44，4.48，5.70 差距很大：在两个模型上，DFlash 2 平均比 DSpark 多出超过一个完整的 token。它也超过每个模型的官方 drafter：Qwen3.8-27B 的 MTP、Muse Glimmer 的 DFlash。换算成吞吐，Qwen3.8-27B 上达到自回归解码的 2.7–3.4 倍，Muse Glimmer 上 3.1–4.6 倍。模型卡（ 底线 agent 一个下午写出来的东西，聊天机器人要写一个月，而每一个 token 底下都坐着解码。DFlash 2 以接近自回归解码 3 倍的速度解码，每个 token 约三分之一的算力，输出相同。 七个月里，DFlash 从我们的论文变成了行业标准，超过 350 万次下载。在同一个设计内部，DFlash 2 每次通过多解码一个完整的 token，免费。那还只是服务栈的一个组件。推理离它的地板还很远。 在 Inco AI，我们在构建一套端到端的服务栈，把这个地板继续往下压。DFlash 2 是第一块。两个 drafter 今天发布在 Hugging Face。 如果你在规模化地服务 agent，想在你的栈里评估 DFlash 2，或者想为你跑的模型（包括你自己的微调）要一个 drafter，写信给我们：contact@inco.ai。 我们也在招人。如果你想一起构建这套栈，联系我们。 把候选连起来。起草，继续并行。 脚注：Modal 的 Speculation Is All You Need 指出，投机解码是对低延迟服务最重要的优化。我们是他们工作的超级粉丝，感谢他们自 DFlash 发布以来的支持和讨论。 本文引用格式：@misc{inco2026dflash2, title={DFlash 2: Keep Drafting Parallel}, year={2026}, month={August}, url={ 原文： #DFlash# #投机解码# #LLM推理#

罗永浩点评野人先生，说比钟薛高难吃多了，网友点评，贾国龙疯狂私信野人先生：不要回复，不要回复，不要回复。 之前也去吃过一次，当时排了很长的队，当时排了很长的队。本着“排队必有诈”的直觉，脱离队伍，走到前台看看他们究竟在忙什么。 结果发现一共4个店员：一个收银，一个做冰淇淋，一个负责加配料，还有一个拿着抹布不停地擦拭制冰机。机器明明已经擦得锃光瓦亮，这货还在那机械性地反复擦。懂了，他们是故意磨洋工让顾客排队，制造火爆的假象呢，瞬间没有吃的兴致。

8/26/2026 忙了一天的园子，手上还带着土和草的气味，晚上坐在火边，一杯酒，一轮月，湖面把灯光轻轻托着🌕🍷🔥 李白说：举杯邀明月，对影成三人。 月不解饮，影只跟着自己。 可今晚并不觉得缺谁。火是一个人，酒是一个人，月是一个人，加起来刚好够。 凤凰传奇唱：我在仰望，月亮之上，有多少梦想在自由地飞翔。 昨天的事，风一吹，也就干了。 生命潮落潮涨，真正能留下的，常常只是眼前这一小块——火在跳，月在亮，园子里刚种下的、刚收完的，都还在呼吸。 看见的，是这一晚的火与月； 看不见的，是这一天在土里弯腰的力气。 瞬间的，是杯里那一点酒； 永恒的，是你愿意把自己交还给这片 #结界# 的心❤️ 有你的远方就是天堂。 今晚的远方并不远，就在后院，就在月亮底下。 #阳光牡丹姐# #诗意生活# #月下独酌# #月亮之上#

我把笔记本电脑支在餐桌上，耳机戴好，摄像头已经打开。 公司临时通知居家开会，我穿着宽松的家居服，下面只套了一条薄薄的短裤，盘腿坐在椅子上。屏幕里几个同事的脸一个个跳出来，领导开始念今天的议程。 “……本周项目进度汇报……” 我正听得认真，忽然感觉椅子被轻轻晃了一下。 一只毛茸茸的脑袋从桌布下探出来，眼睛亮亮的，像只讨糖吃的小狗。 是他。 我男友，刚刚还在客厅沙发上玩手机的那个。 他从桌下抬头看我，声音软得几乎听不见：“宝贝……我想要……” 我用脚轻轻踢了他一下，眼神警告，嘴巴却还得对着麦保持平静：“嗯，这个方案我同意，可以继续。” 他委屈地抿了抿嘴，却没有退开，反而整个人钻到了桌子底下。 我心一紧，立刻把麦克风静音，低头用气声骂他： “你疯了？我在开会！快出去！” 他从下面伸出手，轻轻握住我的脚踝，声音又软又黏，带着点撒娇的鼻音： “就一小会儿……求你了……我好想你……你今天一天都没理我……” “走开！现在不行！” 我正要再踢他，他却忽然把我的椅子往前轻轻一拉，让我的下半身完全被桌布挡住。下一秒，他温热的手掌已经顺着我的小腿往上摸，隔着短裤轻轻按在我腿心。 我整个人僵住了。 屏幕里领导还在说话：“……小李，你那边有什么补充吗？” 我强迫自己抬起头，声音尽量平稳：“没、没有，我这边没问题。” 可桌子下面，他已经把我的短裤边缘往旁边拨开，湿热的呼吸直接喷在我光裸的皮肤上。 “……不要……”我又一次用气声警告，手指死死抓住桌沿，“真的会出问题的……你快出去……” 他却像没听见一样，轻轻舔了一下。 那一下又软又热，直接落在最敏感的地方。 我差点叫出声，立刻把嘴唇咬得死死的，腿下意识并拢。可他的手温柔却坚定地分开我的膝盖，整张脸埋了进来。 “嗯……好香……”他在下面小声说，声音闷闷的，像只偷到肉的小狗，“宝贝……让我舔一会儿好不好……我保证不出声……” “你……你给我……停下……” 话还没说完，他的舌头已经顺着缝隙慢慢往上舔，又软又湿，每一次都故意擦过那个最敏感的小点。我感觉自己腿心一下子就湿了，热热的液体被他卷走，又被他更深地舔进去。 屏幕里领导忽然点名：“小李，你看起来有点红，是不是网速卡了？” 我心跳快得要炸，勉强扯出一个笑：“没、没事……可能房间有点热。” 桌子下面，他听见我说话，居然变本加厉，舌头整个贴上来，又吸又舔，发出细微却清晰的水声。我死死咬着下唇，脚趾都蜷起来，一手还得假装在键盘上打字，另一只手却不受控制地伸到桌下，想推开他的头。 可他却把我的手握住，轻轻亲了亲我的掌心，声音软得不像话： “别推我……求你了……就让我舔到你舒服……好不好……我好想听你叫……” “谁……谁要叫……一点感觉都没有……你快点停……” 我嘴上还在硬，身体却已经开始发抖。他像是被我这句话刺激到了，忽然含住那颗已经肿胀的小核，轻轻吮吸，舌头同时快速地弹动。 我眼前一花，腿一下子夹紧他的头，差点整个人从椅子上滑下去。 “小李？你那边怎么突然没声音了？” 领导的声音从耳机里传进来。 我慌忙把麦克风打开，声音却带着明显的颤：“对、对不起……刚才……网络卡了一下……” 桌子下面，他完全没有停，反而更卖力地舔弄，发出细碎的、满足的呜咽声，像只终于得到奖励的小狗。每一次舌头卷过，都带出更多湿滑的水声。我能感觉到自己已经完全湿透了，液体顺着他的下巴往下滴，可我还是死死咬着牙，不肯发出一点声音。 “……真的……一点感觉都没有……”我用气声对他说，声音却软得发颤，“你……你再这样……我就……真的生气了……” 他从下面抬起头，嘴唇亮晶晶的，眼睛湿漉漉地看着我，声音又软又委屈： “可是你身体已经在抖了……宝贝……你在骗我……对不对……” 说完他又埋下去，这次更用力、更深，舌头直接往里探，模仿着抽插的动作一下一下地顶。 我感觉小腹一阵发紧，快感像电流一样窜上来。屏幕里会议还在继续，我却已经快要控制不住自己。 一声细小的呜咽终于从喉咙里漏出来。 我立刻把麦克风静音，整个人几乎瘫在椅子上，死死捂住自己的嘴。 他却像得到了最大的鼓励，舔得更卖力，边舔边小声撒娇： “叫出来……求你了……我想听……就叫给我一个人听好不好……” 我摇着头，眼泪都快被逼出来了，嘴里却还在硬撑： “……没有……一点感觉都没有……你……你是不是……还在外面……根本没舔到……” 下一秒，他忽然用手指轻轻拨开，舌头整根伸进去，又深又重地舔。 我整个人猛地一颤，眼前发白—— 会议还在继续。 而我已经彻底说不出话了。

1992年7月，周恩来总理的妻子邓颖超因病离世，谁知，邓颖超去世前，用尽全身力气，从喉咙里挤出两个字，不禁令人为之动容，邓颖超说了什么？让所有人感动不已。 邓颖超躺在病床上，呼吸已经非常微弱。守在床边的秘书赵炜握着她的手，感觉到那手指轻轻动了一下。她立刻俯身凑近。 邓颖超的嘴唇又动了动，喉咙里发出一丝几不可闻的气息。赵炜听清了，是两个字：“……骨灰。” 赵炜愣了一下。关于身后事的遗嘱，邓颖超之前已经明确交代过多次，包括遗体火化、不保留骨灰、不搞任何仪式。为什么在最后时刻，她吃力地重复这两个字？ 李鹏同志匆匆赶来时，赵炜低声转达了这两个字。李鹏走到床边，邓颖超的眼睛微微转向他，似乎还有话想说，却再没有力气发出声音。李鹏俯身，郑重地说：“邓妈妈，您的意思我们明白。骨灰的事，一定按您交待的办，撒到海河、黄河，还有您战斗过的地方。” 邓颖超的目光似乎安定了一些，但眼神里依然有一种未尽的不安。 几天后，处理身后事的工作开始了。工作人员整理遗物时，在邓颖超书桌抽屉深处，发现了一个普通的信封，里面是她亲笔写下的几行字，日期是两个月前。内容与已知的遗嘱大体一致，但在关于骨灰的部分，她加了一行小字：“撒放时，不必告知具体地点与时间，不必让人跟随。融入山河，便是最好的纪念。” 赵炜看着这行字，忽然明白了病床前那声“骨灰”的未尽之意。邓颖超不只是要大家执行撒放，更是希望这一切静悄悄地完成，不要因为她的骨灰，再劳动任何人，再形成任何形式的关注。 李鹏得知后，指示完全遵照这最后的补充。没有通知媒体，没有组织人员，只由两位工作人员带着那个最朴素的白色骨灰盒，在指定的日子分别前往。 在天津海河边，天色未亮。工作人员轻轻将骨灰撒入流水，河面只有微微的涟漪，随即恢复平静。黄河岸边，风有些大，骨灰随风飘散，迅速融入黄土与波涛。最后一处是她早年工作过的山区，骨灰撒在一片松树林下，泥土很快吸收了细微的痕迹。 整个过程，没有任何仪式，没有留下任何标记。 后来，当人们问起邓颖超同志骨灰的具体下落时，得到的回答始终是：“已遵照遗愿，融入她深爱的山河。” 除此之外，再无更多细节。 那最后时刻挤出的“骨灰”二字，连同抽屉里那行小字，成了一个彻底的交代——她不仅要将自己归还给大地，更要让这归还本身，不留一丝痕迹，不扰一人安宁。

prompt： 真人实拍短视频风格。人物全程使用预设角色#1# 的脸部、发型、身材和身份特征参考 HL8o9-CaUAAoGFn ；角色#1为成年人。全程只穿预设服装##3# HL8o9-CaUAAoGFn ，加丝袜 ，精致五官、带着装饰眼镜 ，脚穿深紫色高跟鞋。气质为俏皮50%、克制性感50%，姿态自信轻盈，性感但不夸张。 音乐为124 BPM、4/4拍Deep House与Dance Pop融合舞曲。以小角度侧身—回正和S形重心摆动作为贯穿律动。 00:00–00:02：身体以约30度侧身起势，重心落在右髋，双手自然停在腰侧。面部表情：放松的浅笑。眼神：先看镜头，身体侧转时视线短暂移向侧面。 00:02–00:04：保持右侧重心，左手掌心向上缓慢送向镜头，右手沿腰线抬到肩侧。面部表情：嘴角轻扬。眼神：先跟随左手，掌心到位时抬眼直视镜头。 00:04–00:06：左手沿原路收回，右手从下巴旁经过形成短暂面部框景；髋部缓慢换到左侧。面部表情：带一点俏皮的抿笑。眼神：手经过脸侧时跟随手指，定点时重新看镜头。 00:06–00:08：肩膀先向右转动，腰胯晚半拍跟随，身体侧转约45度；随后从肩侧完成回眸。面部表情：转身时自然，回眸瞬间变成自信微笑。眼神：先离开镜头，再在重拍从肩侧捕捉镜头。 00:08–00:10：顺着回眸惯性转回正面，双手下降到腰侧，身体完成一次小幅、连贯的胸廓至腰部波浪。面部表情：放松，嘴唇短暂微启。眼神：柔和而稳定地直视镜头。 00:10–00:12：身体从波浪最低点回正，右手指尖轻点脸颊，头向左侧倾斜；左手在身体侧面柔和打开。面部表情：突然露出明亮笑容。眼神：脸颊点触时看镜头，带有轻微挑眉。 00:12–00:15：右手从脸颊滑到下巴下方形成托脸姿势，左手掌心向前，重心落到右髋形成优雅曲线；最后一拍身体微微前倾并静止。面部表情：克制自信的微笑。眼神：稳定锁定镜头，结束前轻轻眨眼。 镜头与构图：9:16竖屏，中景至中全景，稳定机位。00:06–00:08回眸时做约4%的平滑微推，00:12–00:15缓慢回到原景别。背景为现代卧室或简洁更衣空间，柔和顶部聚光配低亮度暖色轮廓光，背景保持干净虚化。 排除：人物身份漂移，换脸，五官变化，发型变化，服装变化，配饰变化，身体部位特写，夸张挑逗动作，深蹲，跪地，多人，分身，多手多指，缺指，手指粘连，额外肢体，关节反折，腰部扭曲，比例失调，动作僵硬，身体波浪断裂，转身瞬移，视线失焦，表情僵住，嘴型异常，头发闪烁，衣物穿模，镜头抖动，突然推近，背景变形，模糊，低清，噪点，文字，字幕，水印，logo。

准备把 Codex 100 刀退回 20 刀了。之前 Codex 做的任务，我转回来用 Max 和其他灵活的 API 来调用K3、GLM-5.2和DsV4flash去顶。 主要我现在用 Codex 最核心的理由，除了日常修修电脑之外做的就是调研赚钱的单子，但我现在已经把 Codex 的调研任务平移到 Proma 加 K3 来执行了。目前还没测试完，感觉上应该问题不大。 对于复杂的 Agent 任务架构的设计，以及长流程的执行这两块，我还是最倚重于 K3 的。能力显著 GLM 5.2 之上，更有宏观大局感，同时有一点 Opus 4.8 的设计力和 GPT 的多模态。算是我这么一个非码农、非前端，主要在调研和 Agent 任务这块最倚重的开源模型了。在我眼里，K3 除了写作不行以外，其他方面我确实是把它当做 Opus 4.8 替代品看待的。 而且虽然说我爱说K3写作不好，但主要也是和期待中的水平相比没有亮点，至少日常它在调研和文档写作这块还是很好的。 反过来说，我觉得 GPT 5.6 sol有点魔怔的防御性动作，对token和时间都是过度的消耗。最近我的感觉就是，这 GPT 的 Luna，严谨的调研活儿我不敢让它干，Terra ，我之前有实打实的在任务里看到过它像睁眼瞎一样没有全局观念、瞎执行，自顾自地就放过了有问题的结果，同样的事情5.5 high和5.6 sol从来就没犯过一次错。而如果全让Sol 干吧，额度消耗速度又太快。Tibo老哥如果不重置，其实这5xPro也根本就不经用；你嫌慢想提提速，这 100 刀也就是分分钟用完。 而如果8月再往上升级 GPT 6 呢，首先，我是不觉得 OpenAI 现在有能力调出一个真正牛逼的文科模型（就像是老 Opus 或者是 Fable ），已经彻底不抱希望了。 那么如果是单纯强加强开发能力呢，我这种用户来说好像也已经无感了，Coding对于我们普通人来说，真的已经开始出现溢出了。 秋天是降本增效的好季节啊。

玄学提示： 租房一定要净化磁场！ 长期出租的房子，留有每 租住者的气息，有好的也有坏的，气场比较混乱。 长期出租的房子，就像一个被无数过客踩踏过的能量场。 第一，物理清洁是基础。 用加了粗盐的水拖地，盐在民间习俗里有“吸晦”一说，科学上也能改变局部的离子环境。重点是角落和门口，那些地方最容易堆积滞留的能量。擦完门窗后，开窗通风至少半小时——让穿堂风把积攒的“旧气”带走，这是最朴素也最有效的置换。 第二，声音是很好的清场工具。 不用刻意诵经，你可以用铜钵、风铃，或者只是用手机播放稳定的颂钵音频。从房间最深处开始，依次向外走动，让声波的震动打散空气中凝滞的“场”。声音能打破那些无声的沉闷，让空间重新“活”过来。 第三，用气味锚定新的频率。 点燃鼠尾草或雪松，烟熏每个房间，烟会顺着气流钻进衣柜、床底，把附着在物体表面的残留情绪“中和”掉。如果不方便燃烟，煮一锅陈皮加柠檬皮的水，让蒸汽带着清冽的香气弥漫全屋——气味是记忆的载体，当你换上属于自己的味道，空间就开始听你的了。 第四，给你的“居住起点”一个仪式。 搬进去的第一晚，开一盏暖黄的小灯，不关，让它亮一整夜。光是最轻柔的“宣示”——你在告诉这个空间：“现在是我在这里生活了。”然后坐在屋子中央，安静地待几分钟，在心里跟自己说一句：“旧的故事到此为止，从今天起，这里只承载我的节奏。” 其实，净化磁场最核心的一点是：你相信你有能力重置这个空间。 当你带着清晰的意图去打扫、整理、布置时，你不是在驱逐什么“不好的东西”，而是在重新定义你与这个空间的边界。久而久之，房间会回应你的频率——你平和，它就安稳；你明亮，它就通透。 真正的好磁场，不是没有杂音，而是你能在这片空间里，清晰地听见自己的声音。房子是租来的，但每天呼吸的空气、入睡前的安宁、醒来时的神清气爽，是你自己的。花一点时间做这件事，不是矫情，是善待自己。 从今天起，这个房间，只承载你的故事。🌿