我的全新官方抖音出來嘍🤩🤩 可愛的羽粉們 快快去抖音app搜尋「孟若羽」追蹤起來 這樣每天都可以看到不一樣的我喔🤭 #抖音app# #搜尋孟若羽♥️# #每天都可以看到不一樣的我唷😍#

這才是我要的版面🥰🥰🥰 久沒用推 剛打開有點刺激到 趕緊搜尋🔍劉宇寧狂按♡ 嘿嘿這不就乾淨好看了嗎～～～ 他是我老公💜💜💜

🔥X爆款！中國人高調挺台反共 1.5萬讚洗版 兩岸網友炸鍋 搜尋過去24小時，X上最熱點的一則中國內容，來自用戶@MinMin89485072的貼文。這則簡單卻震撼的表態迅速衝上熱門，獲得1.5萬多讚、1100多次轉發、2900多則回覆，觀看數超過50萬，成為華語圈最火討論。 引用內容：「我是中國人，我支持台灣🇹🇼，我反對習近平，我反對中國共產黨。」（附圖片展示台灣國旗與相關符號） 這則貼文引發各方信息與觀點激烈碰撞。支持者紛紛留言「勇敢！」「同感！」「海外華人終於敢說真話」，認為這反映了許多對中共威權不滿的情緒，強調台灣民主自由的吸引力，以及X平台言論開放的重要性。有人分享自身經歷，指出在大陸網絡環境下類似聲音被壓制，轉向X後才敢公開。 反對者則痛批「漢奸」「賣國賊」「分裂國家」，主張中國人應維護統一大業，認為此類表態受西方勢力操弄，損害民族利益。 還有中立網友從歷史角度分析，提及兩岸分治70多年、現實地緣政治、美中競爭下台灣的戰略價值，討論經濟依存與政治分歧的矛盾。 部分觀點聚焦人權議題，讚揚X作為自由平台放大多元聲音；另一些則擔憂極端化，呼籲理性對話避免仇恨。整體來看，這則內容凸顯海外華語圈對身份認同、民主與威權的深度分裂，與近期兩岸緊張氛圍高度相關。 《網言網事》老編的看法 這則貼文看似簡單一句話，卻像一面鏡子，照出當代中國人身份認同的複雜與撕裂。在全球化與資訊爆炸的時代，「我是中國人」不再是單一標籤，而是承載歷史、文化、政治多重張力。@MinMin89485072的表態勇敢，但也反映了部分海外華人對中共治理模式的不信任與對台灣民主模式的認同。 老編認為，這類聲音在X上爆紅，正是因為平台強調言論自由，與大陸嚴格審查形成鮮明對比。真理追求者不會迴避事實：台灣擁有獨立民主選舉、言論自由與多元社會，而大陸則在經濟崛起同時，面臨人權與透明度挑戰。當然，反對者也有理由，民族統一是許多中國人的情感底線，歷史淵源不可抹殺。但用「賣國」帽子扣人，只會加深對立，無助解決問題。 作為人文主義者，老編主張以事實與對話為本：尊重個體選擇，不將群體標籤化；理解兩岸民眾都渴望和平繁榮，而非衝突。AI與社媒時代，資訊流通更快，卻也易助長極端。希望更多人超越情緒，基於人性共通點思考未來。自由表達是進步起點，但理性與包容才是長久之道。這則熱帖提醒我們，華人世界多元聲音值得聆聽，而非壓制。 網友們，你怎麼看這位中國人的公開表態？如果是你，敢不敢在X上這樣發聲支持或反對？

好不容易和女優交流、「體驗」卻不如想像？ 現在資訊流通方便，哪些女優退休了以後再賣或是去哪裡可以找到女優蕉流都很容易搜尋到，不過最近也有很多人說了，雖然能和女優交手很興奮，但有些人表現得不像淫光幕裡那麼厲害、甚至有人覺得踩到雷⋯為什麼會這樣呢？

清純男孩 有著深邃眼濛 結實的腹肌 真叫人想咬一口 褲中隱約的小淘氣 等待大家一探究竟 電腦手機開啟 Pubu、rgbee 左向放大鏡搜尋OgC、百男誌、璞玉、Chuck 將會擁有95折優惠價～ 另外 Pubu在六月有超棒優惠券 快給小編買起來吧

今天GitHub又瘋了 這次看到一個很適合寫程式的人收藏的專案：CodeGraph。你可以把它想成一張「程式碼地圖」，先幫 AI 把整個專案整理好，讓 AI 不用每次都自己慢慢翻資料夾、搜尋檔案、猜哪段程式在哪裡。 很多 AI coding 工具最大的問題，不是它不會寫，而是它常常不知道你的專案長什麼樣子。就像你叫一個新同事幫忙改房子，結果他連廚房、浴室、電箱在哪裡都不知道，只能每次重新找。CodeGraph 做的事，就是先把地圖畫好，讓 AI 更快找到正確位置。 這樣的好處很直覺：比較省 token、比較少亂查檔案、回答也比較快。它不是幫 AI 變魔法，而是讓 AI 先看懂你的程式碼世界。對常用 Claude Code、Cursor、Codex 這類工具的人來說，這會是很實用的底層助手。

《從最新 13F 看頂尖投資人的共同下注：AI 不是答案，稀缺性才是》 Berkshire、Bridgewater、Tiger Global、Druckenmiller、李祿、段永平、Ackman 的動作看似分歧，但用第一性原理拆開，會發現他們其實都在圍繞同一件事配置：未來現金流最確定、競爭位置最稀缺、且能把 AI 時代需求轉化為高回報資本的公司。 13F 不能當即時訊號，但能看資本方向 13F 是延遲 45 天的持倉快照，不代表今天還持有，也看不到完整空單、現金和海外持倉。所以它不是抄作業工具，而是觀察頂尖資金思考框架的材料。 」 第一性原理 股票長期價值只來自三件事： 1. 未來自由現金流 2. 能否長期防守這些現金流 3. 買入價格是否合理 AI 只是技術變數，不是投資答案。投資答案要落到：誰擁有算力瓶頸？誰擁有分發入口？誰擁有資料和定價權？誰能把資本支出轉成高 ROIC？ 第一個共識，AI 基建鏈 這一季最明顯的共同方向，是 AI 基建。 Bridgewater 加碼 TSM、AVGO、MU、NVDA； Tiger Global 加碼 TSM、NVDA、AMAT、AVGO；Druckenmiller 也新增/加碼 AVGO、STM，並保留 TSM。 段永平最新可見持倉中，也大幅提高 NVDA、TSM、MSFT 的權重。 這裡的邏輯很簡單：如果 AI 需求繼續增長，最先被驗證的不是哪個應用最終勝出，而是整個產業都需要更多晶片、代工、記憶體、網路與電力效率。 第二個共識，平台股仍重要，但分歧加大** 大型平台股不是被拋棄，而是進入分化。 Berkshire 大幅加碼 Alphabet，李祿也把 Alphabet 放在極高權重；但 Ackman 幾乎賣出 Alphabet，轉去買 Microsoft；Druckenmiller 則退出 GOOGL、減碼 Amazon。 這代表市場不是否定平台股，而是在重新評估：誰能把 AI 投入變成真實現金流？ Google 有搜尋、YouTube、雲端和 Gemini 生態；Microsoft 有 Azure、Office、OpenAI 關係和企業分發；Amazon 有 AWS 和電商現金流；Meta 有廣告分發和 AI 推薦效率。 大家都知道平台重要，但對哪個平台的邊際回報最高，答案並不一致。 第三個共識，低估的中國平台仍被少數高手買入** 李祿重倉 PDD，段永平也加碼 PDD，同時仍持有 Alibaba。這說明中國平台沒有被全部放棄，而是被高度選擇性地買入。 中國平台公司的問題不是商業模式失效，而是折價過重：政策風險、地緣風險、消費信心和資本市場信任度，都壓低了估值。 但如果一家公司仍有高 ROIC、強現金流、低估值和長期競爭優勢，那它就會進入深度價值投資人的視野。 三位關鍵人物 段永平的組合仍以 Apple 和 Berkshire 為核心，但增量資金明顯偏向 AI 基建和中國平台。他買的不是短期熱點，而是強產品、強生態和長需求。 Druckenmiller 則代表另一種訊號。他不是長期抱死，而是宏觀輪動。他加碼 Natera、YPF、AVGO、STM，退出 GOOGL，減碼 Amazon。這說明 AI 基建仍有吸引力，但大型平台股要更挑位置與估值。 李祿最集中，也最像 Munger 系投資人。他重倉 Alphabet、PDD、Berkshire，同時新買 Moody’s、S&P Global、MSCI 這類資料與金融基礎設施公司。這些公司本質上是資訊收費站。 真正的結論 這些頂尖投資人的共同下注，不是「AI 會漲」，而是： 縮減投資數量,提⾼集中度。 重壓關鍵節點:算力瓶頸、平台入口為主!

（內含情色內容，未滿十八歲請勿觀看，病了6天，總算快好了。） 很多時候，人們情願相信自己所認知的真相，而不願意相信客觀的事實。 會用自己貧瘠的見識，去解讀一切，甚至相信情色雜誌所編造的獵豔故事。 貌似所有的「真相」，都能串連起來，彷彿自己所看到的，就囊括全部。 但事實上，所謂的合理推論，也許只是憤懣之心的扭曲，用狹隘的眼光歪解現實。 太快得出結論，難免傷及無辜。 但這也沒辦法，小確幸永遠屬於加害者。 . 「可教化」這三個字....他媽的，每次看到都很氣，都快成了條件反射了。 一個鞭刑，大家要的是伸張正義，卑微地希望法律能保護好人。 走在路上都得提心吊膽，天知道後面那台車是不是酒駕、毒駕。 別扯什麼公平正義，只要沒辦法安撫受害者，所謂公平正義，其實也只是口號而已。 熱度過了，特定人士暗戳戳的扭曲認知，沒人持續跟進，幾天後大家忘光光。 然後繼續抓性交易，簡易庭開完直接重罰。 . 同樣是一條人命，10幾年前的大遊行，幾個月內就掀翻軍法體系。 怎料到了今天，一個校園割喉案，40分鐘揭露影片，450萬人氣抖冷，卻不見強力推動修法。 其實廟堂上的袞袞諸公不分黨派，多半只會想到政治算計，無利不起早。 都說要尊重民意，我不由得打了個哈欠。 少事法可沒規定我不能介紹這位海外YTBer@MiAnZhuiZong。 我覺得我應該做點啥吧..... 沒看過的請自行搜尋。 ========================== 女孩子通通都是哄不好的角色。 聊天群正是以此為名，不要預設對手是誰，也不用太過執著。 緣份到了、相聚一刻，哄得好就是你的。 都是成年人了，早已脫離校園的青澀，晨昏定省沒啥鳥用，人家要的是尊重。 上下嘴皮子一碰很簡單，但做起來很困難。 . 茶友、妹子，陸續分享修成正果的經驗，早已算不清有幾組CP自然形成，這是好事。 沒有勉強、沒有為難，喜樂溢於言表，茶魚會笑咪咪的當個傾聽者。 而頻率不對，黯然退場的其實更多。 畢竟誰也不知道，熱度過了之後，未來會不會倒在無止盡的柴米油鹽上。 ======================== 上個月又跑去海洋那邊蹭飯，她買的料理好好吃，但缺點是外送又遲到了。 擺拍難免磕磕碰碰，跟她太熟，反而聽不得若有似無的呻吟聲。 我試圖將蜜唇跟美腿，疊出性感的形狀，但水有點多、疊不起來，計畫最終失敗了。 不小心沾濕的手，暫且先用餐巾紙擦一下，一切等吃完飯再說。（北社） . 水瓶改名字了，中社裡面有資料，請自己查閱一下。 其實水瓶一直以來，都給我很特殊的感覺，像是偶像劇裡面的萬年女二。 顏值身材固然比不過女一號，但奶是真的大，形狀也不差。 眾所周知茶魚最討厭大奶，尤其是像布丁一樣晃動的真奶。 太過用力腰都快斷了，中場休息一下，但手停不下來。 雖然很軟，但也真的很討厭。（中社） 中社另外新增琳琳，南社新增沐沐。 交友=交流，沒事的。 .

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。