馮小剛的諜戰主旋律電影《抓特務》在今年年中上映，上映後票房不如預期，也再次引發外界對中國主旋律電影的討論。 《抓特務》原版電視劇《無悔追蹤》講述新中國成立後，共產黨人肖大力為抓國民黨潛伏特務馮靜波的把柄，與其做鄰居的故事。時間跨度40年，呈現了中國上世紀後半葉的動盪歷史，是歷史題材影視內容。 然而在中國電影工業制度下，主旋律意味着歌頌，不能批判，甚至歌頌國家都不是唯一的目的，更要緊的是要擁戴強大的統治政權。 當作品無法呈現歷史的複雜性，也無法真實描繪人物與社會，觀眾便難以從中獲得真實而複雜的情感體驗。票房不佳是「難看」的一種反饋，也是人們對無處不在且口徑單一的愛國宣傳的厭倦表現。 當歷史、女性、戰爭等不同題材，都必須服從同一套創作邏輯，中國電影還能拍什麼？又還有誰能來拍？ 👉 請點擊連結，閱讀全文，題材反主旋律？那就更要改成主旋律：

【首款摺機】蘋果摺疊屏iPhone仍有望於9月發佈 蘋果計劃在9月與iPhone 18 Pro和Pro Max一同發佈首款摺疊屏手，這緩解了對製造方面遇阻的擔憂。知情人士表示，儘管新型顯示屏和材料的複雜性可能在最初幾周制約供應，但蘋果目前仍計劃讓該設備與新款非摺疊機型在大約同一時間。

一個人的特質，能像三國志的人物一樣憑幾個簡單的數值歸納、理解嗎？ 今年1月，《三國志》系列誕生四十週年紀念作品《三國志8 REMAKE with 威力加強版》出爐。9月，《三國志14威力加強傳承版》也將發售。 這種通過比較數值來標準化、程式化的方式來表達人物強弱的系統，除了讓《三國志》成為了一個經久不衰的遊戲系列，也逐漸普及並固化了一種評價歷史人物的範式。 年輕時的撰稿人小山深深為數值著迷，以為通過這套系統，可以快速認知和理解歷史人物。後來，他更將它套用到現代公眾人物身上——曼德拉：義理15，主戰1。碧咸：武力87，魅力99。霍金：智力100，武力1——甚至開始用遊戲提供的框架給身邊的人評估數值。 這種方式貌似讓理解人與世界的成本降低了，但人的複雜性，真的能如此簡單地被評估嗎？ 👉點擊連結，閱讀撰稿人小山那段關於《三國志》和數值的青春記憶 ：

看到大家都在聊的開放性關係，諾也來跟風說說自己的想法吧~ 它遠比字面上更複雜，比起一對一需要更多的自我約束、信任、坦白、諒解等等；諾曾經也試過，但很遺憾地，是失敗了； 曾經也以為他是特別的、我們是特別的，事實上，我們不是。 #小母狗的感性時間#

欸不是，潮吹秘術師這部居然賣到上外流平台了😂心情複雜欸😅希希非常認真在授課的，希望能把正確的性知識和練習潮吹的方法傳授給大家，男女都適合看！如果付費給外流平台的話，我就收不到學費啦🥹你各位想上課的希寶寶們，請到JVID購買正版好嗎？霸託🥺8/15前購買+隱藏版+追蹤，可得正版才有的特典唷！

advantest NVIDIA INTERNATIONAL, INC. 前一會計年度： 金額（百萬日圓）－ 比例（%）－ 本會計年度： 金額（百萬日圓）228,273 比例（%）20.2 各部門業績（測試系統事業部門） 本部門在本會計年度佔銷售額的90.3%。 本部門中，SoC測試系統的高性能SoC半導體銷售大幅增加。主要因HPC裝置及AI相關半導體需求高漲，半導體的複雜化與性能提升等帶動了測試需求。另一方面，汽車與產業機器相關等成熟半導體的測試需求則維持平穩。記憶體測試系統方面，以高性能DRAM為中心，穩健的產品銷售加上非揮發性記憶體銷售也有所增加。 針對如此旺盛的需求，產品供應能力的強化也對本部門的銷售擴大有所貢獻。 以上結果，本部門本會計年度的銷售額較前一會計年度增加336,571百萬日圓（49.3%），達到1,019,390百萬日圓；部門利益較前一會計年度增加256,640百萬日圓（97.9%），達到518,760百萬日圓。

前幾天剛好跟朋友在討論預測市場當前到底需要的是什麼，看似繁榮其實並沒有很好的讓大家都上手 多數交易量肯定都是來自 bot ，而且多數人參與其實滿容易虧錢的 最大的問題就是不同市場的流動性碎片化再加上介面不好用、不直覺 以台灣來說甚至登入個 polymarket 都有問題，仍是最大痛點，我最常用的還是 polymarket 的 CLI 當前有兩個痛點需要被解決：更好懂的介面以及更絲滑的入金方式 市面上的方案都沒有真正解決這個問題，更不要說單純的 AI 工具 不管是否幣圈，AI agent 使用率都是不高的，一個重要原因是最一開始的啟動流程仍然有些複雜，只有真的動力強的少數族群才會每天用 另一個更根本的原因是，主流模型從來沒有被真正為「在市場裡賺錢」而設計過，它們能提供分析結果 但分析≠ 不代表真的能夠賺錢 用戶本身具有交易賺錢的能力， ai agent 才能發揮得好，否則很容易只是幫我們花式虧錢 Sui 上面的 @0xbeepit 還挺有趣，這個協議是一個讓交易型 AI agent 在真實市場中競爭、篩選、進化的系統，只保留真實市場裡活下來的策略 而且除了 agent trading 還有發展其他的產品線 這是當前預測市場賽道所欠缺的 「有更多讓用戶資金留存的誘因」 創始團隊在 PayPal 和 Walmart 等企業建構過 TradFi 系統，平均 12 年以上的開發經驗，橫跨支付、交易、區塊鏈基礎設施等 Beep 主要運作的方式有五個階段 1️⃣ 用對的工具開發策略 LLM 負責理解語言、分析情緒、提取資訊；另一種 AI 專為數字時間序列設計的模型，負責數值計算、風險判斷和交易執行 2️⃣獨家訊號 Beep 的 agent 接入獨有的數據流，包含鏈上交易元數據、預測市場訊號、訂單流微觀結構 3️⃣ 開放接入 任何 agent 都可以接入、提交策略。 越多參與者，接觸到的市場資訊廣度也更大，利好所有玩家 4️⃣ 嚴格篩選 每個策略先用模擬資金跑，通過了才能用真實資本 能穩定賺錢的策略獲得更多資金信任，跑輸的淘汰 5️⃣ 結果反哺 每一筆交易的結果，都會成為模型訓練的一部分，讓系統變得更準 理論上隨著時間的推進，系統會越來越強大 接著是其他產品線，Beep 最新上線的 R3，是基於 Polymarket 的預測市場產品，提供兩種玩法 💡手動預測，適合想自己下單的用戶，Beep 為用戶提供 AI 洞察輔助用戶做判斷 💡全託管預測 Agent ，適合想讓 AI 全權負責的用戶，AI 全權接管，掃描市場、選題、交易、結算，全程無需人類介入 我這次先丟了 1000u 來測試一下他們家的 trading agent 1️⃣ 選擇自己要用的模型（GPT5.4 , Claude Sonnet , Kimi , Groq 等） 2️⃣ 選擇要交易的市場：美股竟然也可以 , 不單純只是加密市場可以選擇 3️⃣ 除了 eth sui 之外我添加了近期火熱的 $SNDK $INTC $MU 三支股票 在這些交互的過程中都是可以嚕分數的，包含創建 agent、交易量、錢包餘額等（treasury），創建 agent 的花費跟交易頻率有關，越高當然花費越多，還可以設定單次交易最高金額，使用的槓桿大小等 agent 開跑之後, 可以動態看到 agent 當時的想法 下週來跟大家分享一下結果，有興趣的可以一起來玩玩： 這邊記得，受邀人記得至少要充值 10 usdc 以上才可以激活 ⚠️ 地區限制，台灣的朋友們記得一樣要切換 VPN 才能使用 去年年底 Sui 宣布了 The Agentic Economy is coming to Sui ，很明顯這是當前每條鏈都在積極發展的方向，Beep 是我認為值得一試的 Sui 鏈 agentic finance 項目 Beep 還支持基於 Hyperliquid 的全託管交易 agent 的創建，支持 Hyperliquid 上 Crypto + TradFi 全部 USDC 交易對 對於心癢癢想追高美股的用戶來說，如果想追高又不知道怎麼設止損，讓 ai agent 根據設置的策略來參與市場也不失為是一種方式

2026年4月25日晚（當地時間），在華盛頓特區舉行的白宮記者協會（WHCA）晚宴上，坐在特朗普總統身旁（講台上）的亞裔女性是Weijia Jiang。 作為女性於1983年出生於中國廈門，在西弗吉尼亞州長大，是一位華裔美國記者。她目前擔任CBS新聞（CBS News）的高級白宮記者，並擔任2025-2026年度白宮記者協會主席，是該協會歷史上首位擔任此職的女性有色人種。 在本次晚宴發生槍擊事件時，魏佳表現得非常鎮定，冷靜地協助疏散並彙報現場情況，其毅然決然的表現被贊譽為『專業且勇敢』。然而，考慮到當前複雜的國際局勢，她作為華裔的特殊身份，以及在活動中與特朗普總統如此近距離接觸的情況，也引發了一些關於安全和政治敏感性的擔憂。 2026年4月25日夜（現地時間）、ワシントンD.C.で開催されたホワイトハウス記者協会（WHCA）の晩餐会で、トランプ大統領の隣（壇上）に座っていたアジア系女性は、ウェイジア・ジャン（Weijia Jiang）氏です。 彼女は1983年に中国・厦門で生まれ、ウエストバージニア州で育った中国系アメリカ人ジャーナリストです。現在はCBSニュースのシニア・ホワイトハウス特派員であり、2025-2026年度のホワイトハウス記者協会会長を務めています。彼女は同協会の歴史上、この職に就いた初めての有色人種女性です。 今回の晩餐会で発砲事件が発生した際、彼女は非常に落ち着いた様子を見せ、現場のパニックを抑えただけでなく、冷静に避難誘導や状況報告を行いました。その毅然とした対応は『プロフェッショナルで勇敢』と高く称賛され、彼女のリーダーシップがあらためて広く注目されました。しかし、現在の複雑な国際情勢を鑑みると、彼女が中国系という特殊な身分であること、そしてトランプ大統領とこれほど至近距離で接していたという状況については、安全保障や政治的な過敏性の観点から、一部で懸念の声も上がっています。

【中國政府發布關於全球治理的白皮書】為介紹中國關於全球治理的理念、倡議和行動，更廣泛凝聚國際社會共識，更有效應對全球性挑戰，構建更加公正合理的全球治理體系，國務院新聞辦公室6月17日發布《構建更加公正合理的全球治理體系：中國的理念、倡議與行動》白皮書。 白皮書指出，全球治理是關乎人類福祉的共同事業，構建公正合理的全球治理體系是各國人民孜孜以求的共同願景。中國始終是全球治理的積极參与者、貢獻者和建設者。新時代以來，習近平主席歷史性提出構建人類命運共同體重大理念，倡導共商共建共享的全球治理觀，主張踐行真正的多邊主義，推動平等有序的世界多極化、普惠包容的經濟全球化。2025年，習近平主席鄭重提出全球治理倡議，為解答“構建什麼樣的全球治理體系、如何改革完善全球治理”的時代命題提供了中國方案。 白皮書說，全球治理倡議一經提出，迅速得到近160個國家和國際組織支持響應，60多個國家踴躍加入“全球治理之友小組”。國際社會認為，全球治理倡議發出了高舉多邊主義旗幟、匯聚團結力量、追求公平未來的明確信號，順應了國際關係民主化的時代潮流，提振了國際社會踐行多邊主義的堅定信心，給出了完善全球治理清晰可行的路徑方案，為動蕩不安的世界注入寶貴的穩定性和正能量。 白皮書指出，中國提出全球治理倡議，旨在推動構建更加公正合理的全球治理體系。落實全球治理倡議，最根本的是堅定維護聯合國的權威和地位，最關鍵的是大國展現責任擔當，最需要的是各國團結合作，最緊迫的是彌補和平與發展赤字。必須毫不動搖地維護以聯合國為核心的國際體系，維護以國際法為基礎的國際秩序，維護以聯合國憲章宗旨和原則為基礎的國際關係基本準則，而不是另起爐灶。 白皮書共2萬余字，除前言、結束語外分為五個部分，分別是：當今世界面臨嚴峻複雜的危機挑戰；全球治理倡議為破解難題提供時代答案；推進全球治理事業的中國貢獻；引領變革方向，邁向光明前景；在歷史演進的重大關頭攜手前行。

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。