我要變成神隱少女了｡°(°`•ω•´ °)°｡ #出租女友# #彼女お借りします# #rentagirlfriend# #ichinose# #ichinosechizuru# #水原千鶴# #七海麻美# #更科瑠夏# #桜沢墨# #租借女友# #bunnygirl# #腿控# #cosplay# #cosplaygirl# #ユニフォーム# #cosplaysexy# #腿奴# #兔女郎# #コスプレ# #コスプレーン#

妇产科有哪些毁人三观的故事？（被知乎删除的一篇文章！） 母女二人一起怀孕，前后隔了几天来检查. 问了问，人家也不避讳，都是女儿老公弄的。 妈妈以为自己都快绝了，结果不小心竟然真怀上.•要流.…女儿是要正常生…… 母女俩还都互相知道，其乐融融.是阿姨自己说出来的，和姑爷已经爽了四五年，女儿和他谈恋爱还没结婚时，有次仨人喝多了，就一不小心⋯.滚到一张床上了。 自打那以后仨人就没羞没臊快快乐乐生活在一起，期间他和女儿正式领证结婚。 阿姨说她都五十出头这个年纪了，每个月那个量虽然规律、但也只剩下很少一点，和他从不采取措施，这么久啥事也没； 女儿倒是只能小心翼翼一直避孕，每次姑爷在阿姨身上反而更爽更刺激更卖力~ 没想到女儿认真开始着手开始备孕，阿姨自己竟然也几乎同时中招…… 阿姨说的时候是一脸自豪炫耀滴表情。 ——知乎匿名用户

來自竹科的軟體工程師🧑‍💻 ———— 🧑‍💻：不知道這樣要妳留點門縫 妳會不會更興奮😜 ：興奮是興奮 但是好羞恥…從來沒有這樣尺度全開過 🧑‍💻：那這樣看來我成功讓妳有了初體驗 ：希望這個初體驗會是一個好的回憶(///▽///) 幸好過程中都沒有人經過不然我真的會社恐 發作 也留下了溫熱的豆漿在我的妹妹裡面🥴 #尺度無死角# #想知道更多的就來底下#

AI民科公认早买早享受的东西是什么？ 对我来说。 YES: Claude Max ，大内存 Mac，4K 显示器，人体工学椅，升降桌，好路由器，大容量固态，Pro6000 工作站.......... NO:健身房会员，旅游，以及任何“活人”才需要的东西。 坐在原地更舒服，跑得更快，加载更少的东西就是好东西。 我这对享受的定义，就是把自己更高效地焊死在椅子上。 早买早享受，早焊早舒坦。 还有，我喜欢只穿上装办公。 随时方便模拟螺旋。

最近，风华高科因RC/RS系列0402、0603晶片电阻订单激增，暂停部分新订单。 虽然只是是贴片电阻吗，但重要的，这是，高端、小尺寸、高一致性被动器件，的供需失衡信号。 0402 / 0603是封装尺寸。它既可以是MLCC，也可以是贴片电阻、电感、EMI滤波器。AI服务器真正需要的，是“小尺寸下还能维持高频、高一致性和长期可靠性”的器件。 AI的VRM复杂度提升、PDN越来越复杂。于是系统开始大量消耗：高频MLCC、小尺寸电阻、高频电感、钽电容、HSC。 这些器件单价不高，但属于“缺一个，整机就无法出货”的东西。 AI服务器里的需求本身是分层的。最核心的位置，比如GPU核心供电、HBM附近、ASIC substrate附近，仍然高度依赖：Murata Manufacturing、TDK Corporation、Taiyo Yuden。因为这里要求极低ESL、极低ESR、高频响应和长期可靠性。 但AI服务器并不只有核心位置。PSU、BBU、NIC、SSD、光模块、交换机，同样会消耗海量0402/0603。重要的是，AI正在先抽紧最顶级MLCC产能，然后压力开始向中高端0402/0603扩散。 最近大火的MLCC和0402电阻看起来是不同器件，但背后共享的是“小尺寸精密制造能力”。包括精密印刷、烧结、AOI检测、高频测试、超小尺寸良率控制、精密材料处理。 这和HBM产业链很像。最开始缺的是HBM，后来CoWoS、ABF、substrate、电源、散热、测试一起开始紧张。MLCC现在也开始出现类似现象。 真正最容易缺货的，往往不是最顶级料号，而是“能量产、能过验证、还能部分替代”的中高端规格。 2018年被动器件超级周期就是典型案例。当时车规MLCC先缺，高频小尺寸规格先涨，随后0402/0603全面涨价。因为一旦高端规格开始缺货，客户就会提前备货、长单锁产能、替代采购、超额下单，最后整个产业链一起紧张。 现在AI行业，可能正在重复这个过程。 更重要的是，这种紧缺会向二线供应商传导。当Murata Manufacturing、TDK Corporation、Taiyo Yuden 优先保障AI服务器和车规客户后，订单开始向：Vishay Intertechnology、Yageo Corporation、Bel Fuse Inc.、Fenghua Advanced Technology 溢出。 AI数据中心，正在把整个电子产业重新拉回“工业品逻辑”。从GPU，到HBM，到光模块，到电源，再到0402电阻，整个链条都在同时变紧。 这可能意味着，被动器件行业，正在进入新一轮量价周期。甚至可能是超级周期。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

【抽奖】 固态硬盘，酷态科充电器等你来拿——懒猫微服送福利！！（第一轮） # 懒猫微服：最易用的AI Agent小龙猫，龙虾爱马仕不再折腾。 # LightOS随时随地vibecoding，解锁移动编程最终形态。 **各位大佬们，懒猫微服又来送福利了！！！** **送固态硬盘！送酷态科10号充电器！送懒猫微服优惠券！！！** - 一等奖：价值1200元【西部数据固态硬盘1TB】+懒猫微服499元现金抵扣券*2 - 二等奖：价值199元【酷态科10号充电器】+懒猫微服 499元现金抵扣券*5 - 幸运奖：进群每日抢红包，手气王得好礼（添加微信：lanmaoweifu） **所有奖品的中奖用户都需要提前进群才算中奖有效** --- 拥有懒猫微服，你不仅可以拥有最易用的AI Agent小龙猫，龙虾爱马仕不再折腾。还能解锁移动编程最终形态，LightOS随时随地VibeCoding # 小龙猫 还在为玩AI助手头疼？复杂的环境配置、繁琐的命令行操作、频繁报错、升级就崩、Token消耗高！这些所有痛点，小龙猫AI助手一次性全部解决！ 无需任何技术基础，不用敲代码、不用折腾插件、不用反复调试，1分钟就能一键上线专属AI助手，完美兼容OpenClaw小龙虾、Hermes爱马仕两大模型，是个人日常使用、团队高效协作的全能AI工具！ # LightOS ·  纯正 Linux 桌面，5 分钟极速装机，裸机级流畅体验！ ·  一键内网穿透，远程秒连，随身专属高性能云服务器 ·  AI 云端编程，移动端无缝接力，编码效率拉满 ·  轻量强隔离虚拟化，多系统随心跑，资源开销更低 ·  多网络模式加持，IoT、智能家居轻松组网 ·  读写自由 + 安全防护，文件系统兼顾灵活与稳定 ·  智能快照回滚，大胆测试，系统崩溃一键复原 LightOS，全场景开发利器，赋能每一位技术创作者！ --- **本次活动我们将送出精美礼品和懒猫微服大额优惠券，更有京东分期免息，是最佳入手时机** # 活动共2轮 活动时间： 第一轮：2026年5月26日-5月29日 开奖时间：5月29 日（周五）晚20:00，群里开奖 - 一等奖：价值1200元【西部数据固态硬盘1TB】+懒猫微服499元现金抵扣券*1 - 二等奖：价值199元【酷态科10号充电器】+懒猫微服 499元现金抵扣券*2 第二轮：2026年5月29日-6月3日 开奖时间：6月3日（周三）晚20:00，群里开奖 - 一等奖：价值1200元【西部数据固态硬盘1TB】+懒猫微服499元现金抵扣券*1 - 二等奖：价值199元【酷态科10号充电器】+懒猫微服 499元现金抵扣券*3 # 抽奖玩法 1.在评论区任意留言，也可以交流自己对AI Agent和移动编程的想法 2.添加微信进入懒猫微服交流群lanmaoweifu 备注暗号：X # 抽奖方式 本次抽奖依据名单统计，使用懒猫微服商店中的抽奖工具开奖，公平公正，结果第一时间公布在微信群。（需加微信进群） # 领奖方式 通过微信群联系工作人员领奖，中奖后进群无效。 参与抽奖的大佬请务必进入懒猫微服任意交流群。（需加微信进群） # 特别提醒 1. 必须进入交流群才能获得中奖资格 2. 中奖用户需提供参与活动截图 + 主页截图作为验证凭证 3. 中奖优惠券仅用于小程序购买，不与京东分期优惠叠加，不可用于 LC-03 基础款 # 购买渠道和优惠 1. 添加微信 lanmaoweifu 即可 获取懒猫微服内部资料和专属优惠 2. 京东搜索「懒猫微服」下单，京东6.18免息正在进行中， 最高可享6期免息（16G+4T,48G+0T,48G+2T） 3. 全球包邮，UPS 红牌到家 4. 懒猫零元购： * 每移植一款应用到懒猫商店可得百元红包 * 原创应用奖励翻倍 * 撰写一篇攻略可得 50 红包 * 多移多得，无上限 5. 关注 “懒猫微服”抖音，小红书，视频号账号，来直播间学技术，还送好礼 # 延伸阅读： 懒猫微服官网： 京东购买链接（支持 7 天无理由）： 「前世今生」介绍文章： 开发者文档： 创始人博客： 创始人 X： @manateelazycat

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。

一位退役海军上将警告称，不明飞行物可能受“更高层次的非人类智能”控制。 蒂姆·加劳德特是美国研究不明空中现象的权威专家之一，他表示自己看过一些“数据视频”，视频显示飞行器能够在海洋和大气层之间无缝穿梭，速度远超已知的人类技术水平。 “我知道我们意识到存在着某种更高层次的非人类智能，它操控着这些现象的运动。” 来源：福斯科新闻

中国高校早在2023年就开始严管，如国防科大、西安交大等知名985/211高校也曾令其学生签「保证书」，以翻墙罚款15000元行政处罚等话术教育 按照这些公告的统一口径，“翻墙”是指通过虚拟专用网络（VPN）技术规避国家网络监管，突破IP封锁、内容过滤、域名劫持、流量限制等，非法访问境外网站的行为。这里“墙”指的是“国家公共网络监控系统”-GFW（The Great Fire Wall of China），俗称中国国家防火墙 包括这类校园网多数采用深信服产品，辅助校园网管理员对违规使用校园网翻墙的学生进行识别，更讽刺的是SSL VPN为深信服提供的EasyConnect还卸不干净

【要点精选】 🟩 Odyssey 推特 @OdysseysEth 在讨论市场泡沫时，我更倾向于绕过“泡沫”这一带有预设立场的词汇，转而从“杠杆与叙事破灭”的角度分析。市场由人构成，而人脑是预测机器，依赖从历史中总结的模式形成叙事——例如“房价永远涨”或“AI改变世界”。 这类叙事一旦成为共识，便会催生加杠杆的行为，因为确定性感知鼓励风险承担。 叙事与杠杆相互强化：人们因相信某个宏大故事而加大投入，市场反身性也奖励早期追随者。例如，AI领域目前正围绕“颠覆世界”的叙事展开，OpenAI等公司基于未来预期规划巨额投资，而非当前实际收入。这种依赖叙事的杠杆模式，与过去科网股或加密货币牛市的逻辑相似。 泡沫破灭的拐点往往出现在叙事与硬约束碰撞之时。例如币圈“永恒牛市”的消散，与Luna、FTX等事件触发的硬约束相关。当前加密货币市场中，以以太坊等为储备的“飞轮”叙事似乎动力不足，可能面临下行循环；而比特币尚未出现同类杠杆消散的迹象。 因此，识别市场风险的关键不在于“泡沫”标签，而在于观察支撑杠杆的叙事是否坚实，以及其与现实的约束是否临近冲突。 🟩 Zhen Dong 推特 @zhendong2020 在技术发展的早期阶段，往往难以判断哪个环节能捕获最大价值。 以航空业为例，飞机发明初期，实际盈利主要来自货运和飞行员培训，而非预期的客运；无线电行业也曾面临类似困惑——究竟是硬件制造、内容创作还是广播服务更具价值？类似的不确定性正出现在当今的AI和加密领域：是基础设施（如英伟达）、平台（如以太坊）、应用（如稳定币）还是传统机构（如贝莱德）将成为最终赢家？ 历史表明，易于理解、能直接体验的技术（如民用航空）更易形成共识，而复杂领域（如核电）则可能延缓价值发现。投资者需持续观察技术演进中的权力转移和需求变化，警惕泡沫，主动思考变革中的价值流向，而非简单套用过往模式。技术突破的方向与商业价值的落脚点，往往需要时间才能真正显现。 Q、Crypto市场是否真的存在泡沫？rebalance（再平衡）的动机是什么？ 如果没观察到泡沫，为什么减仓Crypto而非AI资产（如特斯拉）？【Peicai Li 推特 @pcfli】 🟩Odyssey 推特 @OdysseysEth Rebalance的核心不是预测泡沫，而是基于市场周期视角和现金作为“看涨期权”的价值变化。 在5月初，决定逐步增持现金至目标水平，这不是因为判断市场会跌，而是现金在周期中的隐含价值上升。 决策是灰度化的——在“全卖”和“不卖”间找到平衡，而非依赖泡沫信号。即使AI领域有泡沫迹象，这也只是加速调整，而非唯一理由。Crypto的波动更多是市场正常涨跌，并非系统性泡沫破裂。 🟩Zhen Dong 推特 @zhendong2020 《Bubbles and Crashes》这本书的核心观点是，泡沫的形成往往伴随着两个关键要素：大量缺乏经验的新手涌入，以及一个具有极强吸引力和想象空间的宏大叙事。 关于“新手”与“叙事”： 当年的ICO和NFT热潮吸引了大量圈外人，是一群被“财富自由”、“社区归属”等叙事吸引进来的非传统金融市场的参与者。然而，反观当前的比特币市场主要的买家是像MSTR这样的上市公司、ETF背后的机构基金、对冲基金等专业投资者。因此，从“新手入场”这个关键指标来看，BTC目前很难被定义为泡沫。 关于AI领域的泡沫迹象： AI的情况则更符合书中的描述。它是一个全新的领域，所有人从某种意义上都是“新手”，而它的叙事天花板极高——被认为将彻底改变人类社会。调查也显示，大多数投资者认为AI存在泡沫，分歧只在于泡沫何时破裂。 关于Crypto内部的杠杆风险： 在Crypto领域，风险点与上一轮周期不同。现在的风险更多集中在DeFi领域，这些协议相互关联，容易形成“A爆仓导致B出现坏账”的连锁反应。但关键在于，这些活动所持有的核心BTC资产相对较少，更多是围绕稳定币和DeFi代币本身。 因此基于“新手涌入”和“系统性杠杆风险”这两个维度，可见BTC目前尚未出现典型的泡沫特征。我们进行rebalance操作，更像是一种基于周期位置的、前瞻性的现金管理优化，而不是针对一个已确认的、即将破裂的Crypto泡沫所做的紧急避险。 Q、在识别市场泡沫时，相对于杠杆率这种传统指标，你们是否更倾向使用“叙事框架”这类定性方法？【Peicai Li 推特 @pcfli】 🟩Zhen Dong 推特 @zhendong2020 《Bubbles and Crashes》中提供了一个评估泡沫的综合框架，强调叙事的不确定性和新手进场是泡沫形成的关键指标。 这个框架列出了多个特点，如叙事是否易理解、能激发情感共鸣、以及技术解决周期长等，资产若符合这些特点就更容易产生泡沫。例如，比特币不符合这些特点，因为新手进场不多，而特斯拉则被作者视为高分泡沫案例，但实际未崩溃，显示框架基于归纳法，并非绝对准确。 杠杆率是新手进场的强相关指标，因为新手更可能使用杠杆，但它只是框架中的一个因子。作者认为因果性最强的是新手大量入场，而框架更全面，能帮助识别泡沫风险，但需注意其局限性，避免过度依赖。 🟩Odyssey 推特 @OdysseysEth 更倾向于将泡沫视为叙事驱动的估值偏离内核价值，而非归零。资产价值有层次：从清算价值到成长股价值，再到抽象叙事，叙事可能转化为价值，但也可能空洞。 定量指标如杠杆率只是一个思考视角，本质是定性；因为定量依赖假设（如折现率或增长率），不同视角无法直接比较。用现金流折现时，微小假设变化会导致结果巨大差异，因此定量只能在特定视角内对比。 杠杆率作为指标有用，但需结合其他因素重整化，避免单一维度判断。最终，泡沫识别应关注估值与内核的区间，强调多视角思考，而非追求绝对定量标准。 Q、在比特币和Crypto领域，如何识别最佳杠杆的视角？以及AI领域类似杠杆该看哪些数据？ 在AI和Crypto仓位上的有何调整计划？【Peicai Li 推特 @pcfli】 🟩Odyssey 推特 @OdysseysEth 在比特币和Crypto领域，识别最佳杠杆需要观察金融创新模式的涌现，例如等待“狂乐模式”出现，具体关注融资规模、利率和债务水平等指标。 AI 可能会从其融资规模、利率以及整体债务水平等方面入手。Crypto领域可能会看最有潜力的趋势模型像Spider或者储备公司。 仓位方面无调整计划，保持约20%的现金比例，认为即使面临熊市，其深度和持续时间有限，因此维持现状是合理的。整体上，我倾向于等待市场自发显现机会，而非主动预测或调整。 🟩Zhen Dong 推特 @zhendong2020 当前现金比例约20%，其余风险资产按市值配置。考虑到王川警告的AI泡沫和可能延长的熊市周期（如5-10年），有意向增加现金比例以备抄底，但犹豫不决，因为对持有资产仍有信心，担心过早卖出错过上涨机会。期权若行权可将现金提至25%，但价格不理想。 因此，在持有现金过少和卖出过早的风险之间权衡，暂时保持较高风险仓位，并对流动性改善抱有幻想。 这反映了如何在长周期中维持现金比例的挑战，需避免过早打光子弹，同时应对潜在行业下行风险。