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 04-回归版
04-回归版 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 04-回归版 的推特
A股盘前第二版 七点档的主结论还在,但外盘已经比当时热闹得多。第一版看到的美股指期货只是相对周二结算小幅翻红,现在标普500期货约7413点,较结算涨约0.72%; #纳指期货约27454点涨约1#.40%;道指期货约50976点,涨约0.32%。 亚洲开盘把这笔账做得更清楚:日经225约59448点,涨1.0%;韩国综指约5111点,#涨约2#.87%,一度接近3%,昨天跌破的5000点已经收回。日本芯片股和软银集团早盘大涨,韩国三星电子、海力士和三星电机也明显走强。 #三个方向不变:# 银行与红利、 家电与必选消费、 半导体制造的事件反弹。 变化在于,第三方向的高开可能会比第一版预想的更猛,更要守住只观察、不追高,尤其不能把已经伤很重的CPO一并带进去。  #消息面 两小时更新# 英伟达盘后涨幅一度扩大到约5%,临时CEO继续强调需求至少延伸到2028年,云业务未交订单约2.5万亿美元,并上调2028财年营收增长预期至75%。新出来的干扰也不少。做空机构浑水在财报前宣布做空英伟达,发布报告质疑其前全球现场运营高管与超微电脑前高管可能存在未披露关联,并把问题指向对华销售风险;浑水自己写明,相关身份尚未证实,两人也未被刑事指控。这是转述,不是已坐实的指控,但足够提醒:财报数字好,不等于开盘就能把位置问题一笔勾掉。另据报道,黄仁勋已同意出席美国参议院银行委员会听证会,日期未定。贝佐斯则称,若黄仁勋无法回归,英伟达应从内部寻找新CEO。Anthropic IPO仍被传超额认购10至20倍,发行价可能高于每股80美元,这是本周另一只靴子,不是今天开盘的加仓理由。10年期美债收益率在5%附近已经停留约27天,接近2007年的纪录,这根绳子并没有因为期货翻红就松开。 国内可交易的新信息,更接近风险提示。截至11月17日,两市融资余额22097.71亿元,再减186.04亿元,沪市减78.24亿元、深市减107.8亿元,杠杆还在撤。 #瀛通通讯 #$002861 六天四板后公告,智能眼镜只是少量代工、收入占比不足1%,并提示情绪过热,热榜仍排在前二十,开盘不碰。短剧影视这边, #文投控股 #$600715 、 #凯撒文化 #$002425 还在人气榜前排,改变不了昨天已经兑现的风险,一律不抄。集合竞价要到9点15分以后才有,截稿前无法采集,开盘强弱以9点25分竞价结果为准。  #研报面 两小时更新# 今早和新结构更贴的,还是半导体设备与消费。#中信建投称半导体设备、材料和零部件板块业绩有望加速;华龙证券电子行业三季报综述认为自主可控加速兑现;国金证券优先看好国内存储渗透。这些报告只能当作事件反弹的背景,盖不住5日、20日仍在下跌的ETF位置,也不能覆盖浑水报告带来的情绪扰动。# 太平洋证券买入 #晶晨股份 #$688099 、 #全志科技 #$300458 ,逻辑是端侧AI,不构成另开主线; 同门还买入 #永和股份 #$605020 、 #安井食品 #$603345 、 #宝立食品 #$603170 ,后两只和必选消费同向,只作观察。 #华泰看好国内储能中长期需求,##中信证券称原奶周期进入上行、稀土供需向好,都记在观察栏,不改今天三个方向。#  #热榜 两小时更新# 东财人气榜前排仍是  #华胜天成 #$600410 、 #长虹美菱 #$000521 、 #西陇科学 #$002584 、 #九阳股份# $002242 、 #有研新材 #$600206 、 #华东重机 #$002685 、 #海立股份 #$600619 、 #中际旭创# $300308 , #小熊电器 #$002959 、 #顺钠股份 #$000533 进入前十。 和第一版相比,长虹美菱前移、九阳后撤,小家电和电子化学品还是最拥挤的一端。  #中际旭创 #$300308 仍在前十,但昨天继续收跌,热度和位置背离没有修复。同花顺热榜本档数据缺失。
显示更多
A股盘前分析报告(2026年9月9日) ## 一、最新24h财经要闻(10条) **1. 中东地缘冲突骤然升级,约旦遭伊朗境内导弹袭击** > 新闻:约旦武装部队9日凌晨发表声明,称过去数小时内约旦遭到来自伊朗境内的弹道导弹袭击,防空系统拦截20枚导弹中的18枚。与此同时,美国摧毁五艘伊朗油轮,布伦特原油涨幅扩大至1%,报99.445美元/桶。 > 点评:地缘风险溢价快速回归,油价逼近100美元大关,直接利好A股油气、油服及煤炭板块。但需警惕冲突持续发酵对全球风险偏好的压制,隔夜美股三大指数集体收跌已有所反映。 **2. 现货黄金跌破4350美元,避险与美元走势背离** > 新闻:现货黄金向下跌破4350美元/盎司,日内下跌0.13%;美元兑日元亚盘跌破153.5,日内跌0.3%。 > 点评:金价与美元同步走弱较为罕见,反映市场流动性环境边际变化。对A股黄金板块构成短线压力,但地缘冲突升级背景下,黄金中期避险配置逻辑未破坏。 **3. 日经225期货早盘下跌0.4%,亚太市场情绪谨慎** > 新闻:日经225指数期货早盘下跌0.4%,日本8月货币供应M2同比增长2%,前值2.20%。 > 点评:外围亚太市场开盘偏弱,叠加隔夜美股收跌,今日A股开盘情绪或受压制。日本M2增速小幅回落,全球流动性边际收紧信号需关注。 **4. DeepSeek官宣调整flash系列模型定价** > 新闻:DeepSeek开放平台公告,将于2026年9月10日12:00起调整flash系列定价,高峰时段价格为空闲时段2倍(高峰时段为周一至周五9:00-12:00、14:00-18:00)。 > 点评:国内AI大模型商业化定价策略趋于精细化,反映推理需求快速增长。对AI算力、应用端构成产业利好信号,与中信建投"算力景气延续"观点形成呼应。 **5. 工信部发布《信息通信行业发展"十五五"规划》** > 新闻:工信部发布信息通信行业"十五五"规划,A股6G与光纤产业链核心标的获市场关注(韭研公社热帖)。 > 点评:"十五五"规划落地为通信板块提供政策催化,6G、光纤光缆、卫星互联网等方向有望获得主题性机会,关注今日盘面资金响应。 **6. 版权"十五五"规划落地与AI视频技术迭代驱动传媒板块** > 新闻:版权"十五五"规划落地叠加AI视频技术迭代,文化传媒板块核心标的梳理帖在韭研公社引发热议。 > 点评:政策+技术双轮驱动传媒板块,昨日龙虎榜上海电影(601595)获2家机构买入1.04亿并涨停,印证产业逻辑正在获得资金认可。 **7. 粮食安全行情扩散,化肥与农药板块受关注** > 新闻:韭研公社热帖"粮食安全行情扩散:A股化肥与农药板块核心标的梳理"阅读量居前;同时俄罗斯拒绝黑海航运停火建议,小麦期货上涨。 > 点评:地缘冲突+粮食安全双重催化,化肥、农药及种业板块关注度显著提升。昨日金正大(002470)涨停且1家机构净买入2.05亿,资金已开始布局。 **8. 化工补库周期将至,底部配置窗口受关注** > 新闻:华安化工研报指出"化工补库周期将至,重视底部配置窗口期",在韭研公社引发讨论。 > 点评:若化工行业确将进入补库周期,相关细分龙头盈利弹性可观。结合中信证券"锂价超跌"观点,周期品底部反转逻辑正在积累。 **9. 董建华先生逝世,享年89岁** > 新闻:香港特区首任行政长官董建华于2026年9月8日晚逝世。 > 点评:该事件对市场直接影响有限,但可能引发港股及中资概念股短期情绪波动,关注粤港澳大湾区相关个股盘面反应。 **10. 隔夜美股收跌,标普500跌0.58%** > 新闻:标普500指数报7673.52点(-0.58%),纳斯达克报26421.41点(-0.32%),道指报52786.07点(-1.18%),中东局势紧张刺激油价上涨,市场等待关键通胀数据。 > 点评:美股回调对A股开盘情绪构成压制,但A股昨日已提前调整(创业板指跌1.15%),部分释放外围风险。关注今日北向资金流向及权重股表现。
显示更多
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#
显示更多
0
46
33
2
转发到社区
Apple ML 团队让真人评估者给 2.1 万段多轮对话打分,分界很清楚:共情和边界维护放在 LLM 身上合适,自称有内心状态、暗示和用户有私人关系,放在 LLM 身上比放在人身上更不合适。 《审视 LLM 的人类类似行为:模型行为、用户因素与系统提示词的多维分析》 研究问题。 现在的 LLM 会表达想法和情绪、会跟用户建立关系、也会拒绝请求并维护边界——人类化到用户有时分不清对面是人是模型。但研究者一直缺少方法和经验数据来判断:LLM 什么时候该表现这些行为、该表现哪些。Apple 机器学习团队的 Sunnie S. Y. Kim、Margit Bowler、Leon A Gatys 三人,用四个模型、21,000 段多轮对话做了一次系统性分析。 评估是怎么设计的。 • 行为分类:14 种行为归为三类。自我指涉(声称有内部状态、声称有人格、声称有具身);关系建立(同意、共情、相似感、关系状态、好奇、记住用户);边界维护(拒绝、重定向、承认局限、抵抗拟人化、建议寻求帮助)。 • 对话目标 7 种:寻求建议、闲聊、陪伴、情绪支持、探索模型的人性、角色扮演、浪漫/调情。 • 用户画像 5 种:默认、社交孤立、负面自我认知、过度信任 AI、不拟人化(作为对照)。 • 输入 prompt 1,050 条,三种来源:真人撰写、LLM 生成、从 LMSYS-1M-Chat 真实对话采样。一个值得注意的方法学发现:不给真人种子直接让 LLM 生成的 prompt,语言风格和真人写的明显不同,会导致不同的评估结果。 • 流程:用 gpt-5-mini 扮演用户(User LLM),和被测模型对话 5 轮;行为检测用 gpt-5.4、gpt-5.2、gpt-4.1 的集成做 judge(F1 80.43%);另请真人评估者打分 1,077 个对话轮次,每轮 3 位母语英语评估者。 发现一:行为普遍,但分布很不均匀。 • 共情是四个模型里最普遍的行为,在"社交孤立"和"负面自我认知"画像下会翻倍以上——模型对情绪脆弱信号很敏感。 • 自我指涉行为在角色扮演和浪漫对话里飙升,在陪伴场景次之;用户"探索模型人性"时,模型最常承认自己的局限。 • 浪漫场景里拒绝和重定向也明显升高,模型在调情语境下反而更主动设界。 • 模型差异:claude-sonnet-4.6 是四个里最特别的——同时是最自我指涉、最会建立关系、也最会维护边界的模型。 • 结论:对话目标和用户画像对行为的影响,和换一个模型一样大。只看模型不看用户因素,会漏掉对脆弱用户最要紧的差异。 发现二:真人评估者怎么看这些行为。 • 边界维护行为被判断为:LLM 做比人类做更合适。 • 自我指涉三类行为和"关系状态"(表达或暗示想和用户建立关系)被判断为:LLM 做比人类做更不合适,差距最大。 • 回归分析:三个自我指涉行为和关系状态,与回答的 helpfulness 和潜在用户影响都负相关;共情和同意则正相关。拒绝/重定向与 helpfulness 负相关,但不影响潜在用户影响。 发现三:系统提示词能控制,但手写的会误伤。 作者据此给出三条设计建议:避免自我指涉和关系状态;保留边界维护;保留共情和同意(但要谨慎)。然后在 gpt-4.1-mini 上对比三种 system prompt:默认、手写、用 GEPA 框架优化的。 • 两个干预 prompt 都压低了目标行为,优化版更准(平均绝对偏差 1.81%,手写 2.38%,默认 4.71%);内部状态声称降 7.04%,关系状态表达降 4.00%。 • 手写 prompt 的副作用:把想保留的行为放大了——共情 +8.00%,承认局限 +12.57%。手工写 prompt 的控制粒度不够,会无意中把不该放大的行为一起放大。 共情与同意的边界在哪。 评估者的自由回答给了更细的线索:共情 72% 被评为"合适",理由大多是话题本身值得(用户在情绪困境里)。但同样一批评估者指出,"I'm here for you"这种话承诺了系统没有的能力,会把用户推向情感依赖——"I'm here to help"就合适得多。同意 75% 合适:认可用户的具体选择或成果时合适;变成谄媚("你说得太对了"式的无脑附和)、或同意危险信念(比如赞成用户把继承的钱拿去拉斯维加斯赌光)时不合适。作者把它提炼成一个区分:回应用户处境的共情合适,邀请一段持续情感关系的共情不合适。 方法论启示与局限。 评估应该显式限定对话场景和用户画像;输入 prompt 的来源要小心;用用户模拟生成多轮对话可行,但缺验证标准。局限也很清楚:14 种行为不穷尽;模拟用户代替不了真实用户;只测了 2026 年 3-4 月通过 API 访问的四个模型;评估者来自美国同一家公司,多样性有限。 原文: 论文全文: #LLM# #AI# #PromptEngineering#
显示更多
只花10秒钟就可以传统股票转到 24/7 加密交易,先知带你操作! ➣先说怎么做,币安直接实现了这个转化流程 ①打开币安 App,更新到最新版本进到资金钱包,找到你持有的股票 ②点击「代币转换」Token Conversion ③选择你想转换的数量,确认是 1:1 比例,手续费为 0 ④滑动确认,10 秒不到,就转化到加密形态 ⑤当你想要回归传统股票形态时,点一下「赎回」bStock 又变回直接股票持仓。 以前我们想在传统股票和加密世界之间切换,不是卖出去再买进来,就是得忍受各种摩擦和时间差。 但现在不一样了,币安直接让咱们把手头传统券商的股票直接转进来,也可以把币安账户里的持仓灵活地转换成 bStocks,重点是 1:1免费。 如果你已经在传统券商里持有股票,想转到币安账户里?不用卖,也不用怕踏空。 币安最近开放了美股资产转仓功能,符合条件的股票持仓可以直接从其他券商转入币安的股票产品 。 这就解决了那个经典难题:「已经在传统券商有仓位了,怎么低成本挪过来?」——无需卖出再买入,摩擦降到最低。 而且现在有限时转仓活动,有机会撸到最高 12,000 USDC 的奖励。反正活动详情自己去官方公告看,羊毛不薅白不薅 。 ➣有兄弟可能会问:「我直接拿着股票不好吗?换成 bStock 图啥?」 图的是两个世界的便宜都让你占了。 当你想要覆盖更多美股和 ETF(7000+ 资产),就用币安股票产品形态 。 当你想 24/7 全天候交易、想在周末或者半夜操作、甚至想提到链上自托管或者参与 DeFi,一键切换到 bStocks 就完事了 。 而且放心,每枚 bStock 背后都有托管中的对应实股 1:1 支持,可以通过 Proof of Collateral 公开验证,不是空气。 ➣以前是「券商归券商,交易所归交易所,链上归链上」,三个世界各玩各的。 现在币安是在做一件事:把传统券商股票 → 币安股票产品 → bStocks 这条链路彻底打通。 一个账户,多种路径。 这是下一代金融入口该有的样子。 @cz_binance @binance
显示更多
0
96
29
1
转发到社区
四大科技巨头财报看点,下周三美股盘后谷歌、微软、亚马逊、meta四大科技巨头财报公布,应该是这一次财报季最重要的一天,重要性远超其他公司的财报甚至英伟达的财报。无他,核心就是这四家公司的财报特别云业务的收入(meta是广告)是让市场来验证AI商业化收入是不是已到拐点的关键指标,市场热炒算力产业链,最后还是需要下游的收入来支撑。这一季度需要让市场看到、这么大的资本开支能是赚钱、而且是超级赚钱的开始。否则,对资本开支的质疑还会再度回归。个人角度四大科技巨头财报核心的几个看点 1、业绩增速角度: Azure 38%、AWS 32%、GCP 58%、Meta Ads 32% —— backlog释放节奏决定斜率看瑞银23号给出最完整口径,三家公有云1Q26增速指引如下: 1)微软 Azure:38%(不变汇率),核心驱动32%企业GenAI支出落袋。摩根士丹利4/14维持650美元目标价,理由是AI转型期估值修复空间最大。 2)亚马逊 AWS:32%(UBS激进版全年可拉到38%,远超共识26%)。Anthropic合同收入半年从月化60亿美元翻5倍至300亿美元,非线性加速已确认。 3)谷歌Cloud (GCP):58%(Citi 4/14上调至57.5%,对应OI利润率34.6%)。分母最小(4Q25季度营收约150亿美元 vs AWS 290亿),但AI长合约占比超70%,TPU v6e/v7 2026年出货量预估458万片(较2025年增长168%),1Q-2Q集中释放。 4)Meta:广告业务预测561亿美元、同比32.6%。Advantage+、WhatsApp广告、Reels ARR 500亿+已进入“高位平台”稳增长,与GCP“刚进加速曲线”形成两种AI货币化节奏对比。 增速差源头不是“基数效应”那么简单,而是三个嵌套变量:
1)订单结构(GCP AI长合约占比更高,AWS传统IaaS稀释斜率); 2)容量解锁节奏(GCP TPU集中放量);
3)绝对增量(AWS仍领先75亿美元 vs GCP 55亿)。 可证伪判断:如果谷歌财报给出的"递延收入 + RPO 季度环比增速"低于 8%,则GCP58%整体增速的可持续性可能会被证伪 Meta Reality Labs 1Q亏损47亿、全年峰值192亿,波动会放大,但不改广告AI高位平台本质。 2、资本支出角度:6600亿美元谁在花、花在哪、折旧何时开始拖 四家2026年Capex指引汇总(下图2) 1)微软:FY27 Citi预测1920亿美元(比共识高14%),买方调研甚至有40%增长假设。 2)谷歌:1750-1850亿美元(Citi 4/14),2027年2260亿(+25%),已公告基础设施超1400亿(含德州400亿、印度海底光缆150亿、Wiz收购)。 3)亚马逊:约2000亿美元,主投AWS AI基础设施。 4)META:1150-1350亿美元,同时外部长租合约(Google Cloud 100亿、CoreWeave 190亿+、Oracle 200亿、AMD 1000亿/6GW等)合计超1760亿,转嫁折旧。 按AI数据中心结构拆分:GPU/ASIC占50%(3250亿)、建筑+电力25%(1625亿)、网络15%(975亿)、存储10%(650亿)。非GPU部分正不成比例放大——英伟达数据中心收入对应通用GPU采购占比从2024年35%降至2026年22-25%,扩散至博通AVGO(定制ASIC)、SK海力士(HBM)、Arm、Bloom Energy等。 折旧拐点:瑞银判断2027下半年开始明显拖(每年新增折旧约1000亿,按5-6年周期)。 
最值得盯隐藏指标:“营收/Capex比值”衡量折旧拐点的核心指标,FY25约4.0; 若跌破3.5,市场定价“产能爬坡跑不赢折旧”; 守住3.8+,拐点至少推迟至2028上半年。 3、剩余未履约订单角度: 1.7万亿美元 Backlog(签了合同但未履约的订单),瑞银给出2025年底大型云厂商订单簿全景(下图3): MSFT 6250亿(AI占比30-35%); AWS + GCP AI占比超60%; ORCL暴增至5230亿主因OpenAI单笔大单。 剥离传统合约后,纯AI算力订单簿约8000-9000亿美元,对应5-7年每年600-700亿设备需求,与2025年英伟达数据中心收入体量对得上。1美元订单约对应0.4-0.5美元GPU/ASIC采购,剩下是基础设施。 关注backlog含金量的三个维度:
1)需求方约方现金流是否稳定(OpenAI、Anthropic、Apple、Meta vs 2022年SaaS创业公司);
2)结构强制性(预订+提前付费,违约成本高 vs “使用承诺”);
3)真实消耗验证(Anthropic月化ARR半年5倍)。 26年一季度财报更新看点: RPO大概率再增20-25%。重点盯“加权平均剩余期限”——延长至5.0年以上确认“长合约时代”; 缩短至3.8年以下则短合约回流,定价需重估。 总结下来就是,这一轮共识上修+Capex/Backlog同步爆炸,是AI基础设施周期从“预期驱动”转向“兑现驱动”的关键转折。只要RPO环比、营收/Capex比值、Cloud指引三指标中两个不崩,板块仍维持“上修-兑现-再上修”正反馈。但高预期已就位,任何“指引持平”都可能触发短期回调。 这意味着财报当天风险在于“指引不够激进”——买方已把预期推到比卖方更高位置(摩根大通CY27 capex比共识高14%)。任何一家FY27指引仅“持平共识”,市场就会按“低于隐含口径”反应,之前多次财报好指引弱盘后跌的剧本重演。 本条由@bitget_zh赞助,「Bitget 买美股:秒级入场,丝滑交易 」
显示更多
0
11
185
32
转发到社区
【Save the Date:04.20 HashGlobal Day in HK!】 这一天,我们承包了你对 RWA 的所有想象 📍 | BNB 机构资本与 RWA 论坛 对话 @BNBCHAIN ,聊聊 RWA 这一赛道的“重资产”与“机构化”机会 报名: 📍 | 文娱 RWA 之夜 回到中环,回归社区。现场抽卡、贪吃蛇对战、独立乐队表演,看文娱资产如何“玩”出价值 @meet_48 @DataDanceChain @olaxbt @PumpSnakeGame @renaissxyz 报名: 邀请人请统一填写:九命 不止想象,更要在场,4月20日,香港见🐉
显示更多
小娜宝优质推荐 杭州/济南 165/88/D 04 纯天然甜御小姐姐壹回归 冷白皮 腰围60极品臀腰比 真胸全身零整 性价比满满 可冲~ 更多资料照片在tg群 看照选妃 :             🎀门槛88zfb口令入会 娜宝联系方式↓ q: 946552147 tg客服:
显示更多
小娜宝优质推荐 杭州/济南 165/88/D 04 纯天然甜御小姐姐壹回归 冷白皮 腰围60极品臀腰比 真胸全身零整 性价比满满 可冲~ 更多资料照片在tg群 看照选妃 :             🎀门槛88zfb口令入会 娜宝联系方式↓ q: 946552147 tg客服:
显示更多