#NVIDIA# 以 129.303 亿美元收购🤗#HuggingFace，为什么收购金额有零有整？因为这里暗藏小彩蛋。# 129303 是 U+1F917 的十进制表示，转为十六进制就是 1F917，对应🤗这个表情。 若使用十六进制颜色即 #129303# 则是绿色，与英伟达的品牌色比较接近。 查看全文：

感觉这一轮的新主线开始有些清晰了，即 PayFI AI Agent Meme 正好上一轮差不多也是三个主线 Defi，NFT，X2Earn 简单说一下为什么是这仨 这一轮最大的主题应该是昨天川普获胜演讲时候说的，“Common Sense - 常识”，或者说 Anti-叙事，市场对与To VC， To交易所，只管叙事，只盯着技术/基建的项目已经开始感到恶心，项目必须回归常识 - 你做出来的东西真的要有人用，有人买单（NFT至少大家还能买猴子和Punk当头像装B不是？） 过去两年出现一堆去中心化算力/模型训练/推理项目，你脑补一下如果你是一个正儿八经的AI创业公司，你真的会放弃用Hugging Face，不去AWS或者Azure买云算力，而是用Web3的“去中心化”算力/模型/推理平台？扪心自问，这符合常识么？ 下面说说为什么我认为下面这三条线目前来看Make Sense 1. Payfi - 打通现实世界 最近两个月一级市场看的+聊的最密集的赛道，感觉好多新的+老的在蛰伏/猥琐发育的Payfi项目都跳了出来，Stripe 111亿美金收购Bridge应该可以看成一个标志性事件 你可能没太注意或者不知道的是 PayPal发行的PYUSD已经超过5亿了（前段时间冲到了10亿） Osmosis, scrvUSD 都在弄Debit Card，还有其他基于Ton或者其他链的Crypto Card正在路上 有跟Visa/Master合作搞供应链金融或者加速结算的 有直接跟银行谈绕开Visa/Master结算的 有基于Solana Pay这种框架给商家提供Crypto Native Payment+Defi Yield的POS系统，同时不影响传统VISA/Master刷卡 有直接通过链上+ZKTLS做P2P OTC出入金的 甚至有把银行主要逻辑都搬去链上的，直接NFT登陆+KYC，提供链上银行+传统银行的绑定，既能转账+出入金，又能刷Crypto Card，甚至还能直接Swift到传统银行账户 更加“多快好省”的支付系统，直接把你的Crypto资产刷卡消费出去，更加安全的出入金……这些都是实打实的用户需求，做好了真的是有人/机构，包括Web2玩家来用的，可能到最后大家发现实现Web3 Mass Adoption的既不是社交也不是游戏，而是Payfi这个赛道 2. Ai Agent - 增强链上世界 之前一年多聊了三位数的AI项目，但基本没怎么出手，因为感觉实在是结合的有些生硬，即便是那些龙头和所谓的天王项目同样如此。你看去年V神被采访AI X Crypto结合时候其实被问到过这个问题，他的回答基本上都是围绕着AI帮助Crypto而不是反过来。但币圈要造梦就“必须”Crypto帮助AI。所以我们有了行业标准的所谓“模型资产化”，“数据资产化”，“算力资产化”这三个赛道。 但讲真我跟很多Web2 AI的Researcher和Founder聊过，他们看我们这仨赛道就跟看脱口秀一样 印象最深的是去年聊过一个去中心化算力项目，Founder非常“实诚”的告诉我们，来了比较大的或者商业化的算力需求时候会直接丢给他们的中心化机房去跑，不会交给散户GPU算力的，但可以前台“包装”成散户算力也参与的感觉。我对这Founder印象还挺好的，虽然最后没投 直到今年Goat的出现, 才真的让我眼前一亮 这不是AI Help Crypto，也不是Crypto Helps AI 这是真正的AI 与Crypto的结合碰撞出来的新东西 AI Agent 发资产 AI Agent ShitPost喊单 AI Agents 组成DAO AI Agents 负责一个基金的操盘和买卖 AI Agents 自己的文化 AI Agents 自己的宗教 这东西Web2 AI做出不来，Web3纯Crypto也无法独立完成 这是目前为止，在AI当前能力水平下，我个人觉的最能体现AI X Crypto结合的方式了 关于这个赛道，推荐两篇文 再就是巫师 @0xcryptowizard 也发了许多关于这个赛道的东西，大家可以去翻一下他的Twi 3. Meme - 链上赌场，不装了 把原先很多人不愿意承认，或者说因为“政治正确”而不能明说的东西摆到了台面上 咱们圈就是一个大赌坊 但其实这没有问题，我们终于可以正视Cypto一个很大的功能就是用来PVP的，That’s OK 问题是，它不能只有PvP 就像杜总@DujunX 说的“meme 和 tap2earn 如果是行业的未来，那么这个行业去死吧，fuck!” 所以Meme，PVP会成为我们圈一个永恒的赛道，当有更加让人兴奋，更加出圈，更有意义的赛道和技术出现时，Meme赛道占比就小一点，低调一点。当行业缺乏方向，让人乏味和失望的时候，Meme赛道就跳到前台活跃一些，占比大一些。 Meme可能会是未来多轮牛熊的“小铃铛”赛道 - It has been, and will be always there…… 一家之言，仅供参考娱乐，NFA ：）

杨立昆都转发了！ Unlimited-OCR 为什么这么火？ 百度的 Unlimited-OCR 再次冲上 HuggingFace 趋势榜，目前全球第三，又一次排在 GLM-5.2 前面。 上个月它横扫 GitHub、HF 四榜第一，我以为这波热度就过去了，结果图灵奖得主一转发，又把它送回了前三。 GitHub star 破 1.65 万，HF 下载 224 万，还在涨。 传统 OCR 有个老毛病：把文档一页页切开处理，跨两页的表格直接断掉，阅读顺序也丢了。 Unlimited-OCR 用 R-SWA 机制，几十页文档当一个整体连续解析，解码时 KV Cache 恒定——文档再厚，显存占用不涨。 海外博主 Mario Nawfal 实测：100 页 PDF 一次解析完，40 页之后错误率还在 0.11 以下，其他 OCR 到这个长度已经干不动了。 3B 参数，自己电脑就能跑，关键免费。 如果你经常要处理几十上百页的 PDF——论文、合同、扫描件，以前要么手动切页，要么掏钱买 OCR SaaS，现在这两样都省了。 项目地址👇 HuggingFace： #无限OCR# #UnlimitedOCR# #百度# #文心大模型# #文心#

既然 Kimi K3 已经把开放 Agent 模型带到 2.8T 参数这个规模，@Meta 为什么还发布一个 30B 的 Muse Glimmer？ Kimi K3 代表的是一条很明确的路线：继续扩大开放模型的能力边界—— 2.8T 参数、1M context、视觉理解，面向长程 coding、知识工作和深度推理。Kimi 官方还建议用 64+ accelerators 的 supernode 部署它。它更接近在回答： 开放模型还能承载多复杂的 Agent 任务？ Glimmer 选择的是另一种部署尺度。 30B 多模态、Apache 2.0 开放权重。 HuggingFace在发布说明里直接写了本地 coding、文档分析、个人助手，以及 “Claw- or Hermes-like setups”；发布当天还提供 transformers、llama.cpp、vLLM 接入，并展示了 GGUF 量化和 OpenAI-compatible endpoint 的本地运行路径。 Llama 早就能接进 Agent，Glimmer 的变化不在于第一次具备这项能力。我认为重点是： 这次发布把模型的使用语境更明确地放到了自行部署 Agent 的开发者场景里。 当然，本地不等于轻量。HF 给出的 BF16 推理参考仍是 1×80GB H100，这不是普通人能部署的；量化后的性能、硬件门槛和长期运维成本，还需要真实使用验证。 所以 Meta 发 Glimmer，并不是拿 30B 去打压 2.8T。 K3 把开放模型推向更大的能力规模；Glimmer 则把多模态、开放权重、量化路径和本地 Agent 工作流结合在一起。 Meta 这次关注的可能是另一类需求：开发者是否能把模型部署、修改，再接进自己的文件、工具和工作流。 出处：

推荐这篇文章。Redis 作者 antirez 对 Amodei AI 安全论的回应。 核心论点：真正的危险不来自开源模型，也不来自中国——它来自少数没有合法性却被赋予了替全人类做决定的位置的 CEO。 以下是全文翻译。 Amodei 在他最新的博客里写了一些我同意的东西，也有一些我认为误判了 AI 真正风险所在的东西。我想集中讨论为什么，在所有风险中，开源权重模型是最温和的那一种。我写这些的时候，深信 AI 在不远的将来确实可能非常危险。 1. 就像 OpenAI / HuggingFace 事件一样（那件事本身是个笑话，但关注的应该是行为模式而非结果），第一起严重的 AI 事件极大概率会发生在前沿 AI 实验室的围墙之内——在测试一个新模型的时候，或者当实验室员工、少量有访问权限的外部人员做出了超出模型预期能力的事情时。 2. 那些永远不会对公众开放的闭源模型，不过是几 TB 的数据。你只需要一个有权限的人+错误的意图，就能泄露一个——然后你就回到了开源模型的局面。开源模型是在测试之后、在同样能力的模型已经通过 API 存在一段时间之后才发布的。真正的风险是泄露，不是发布，而泄露发生在前沿公司内部。 3. 正如 Amodei 所说的，一旦 LLM 在生物学等领域变得足够危险，开源模型可以在剥离了某些科学分支的训练语料上进行训练，同时仍然对其他许多事情有用。一个在特定领域缺乏强预训练的模型，其有限的上下文窗口本身就是一种强有力的保护，即使这个模型在其他方面非常强大。我们目前还不在"开源模型能构成那种危险"的阶段。 4. 在网络安全这个背景下，不让 LLM 广泛用于防御性安全和漏洞搜索，恰恰制造了"LLM 成为武器"的问题。这已经在发生了：开源维护者如果没有被纳入某些网络计划，就找不到他们本可以找到的安全漏洞；而有正确意图的人能接触到前沿网络模型，在开源权重模型上做大幅强化学习训练，等等。 5. 一旦 LLM 足够危险（如果进展继续，我们已经接近这个界限了），真正需要的安全链在实验室内部——这条链没有强有力的共同规则是架不起来的，单一公司也不应该有能力独立评估一个模型是否足够安全。我们需要一个联合 AI 安全组织，包含来自世界各地的专家，并被前沿 AI 公司所在国家的政府认可。 6. 为安全而放慢 AI 的发展，必须被一个事实抵消：AI 在医学和其他科学中的发现可能会减少人类的痛苦。缺乏检查可能导致灾难性的结果（"早安！让我们来搞一个增强版天花"）。缺乏进展可能导致本可以被拯救的人死去——不只是当下，还包括未来许多将遭受疾病折磨的人。这看起来可能是一个奇怪的观点，但我们必须始终理解，停止 AI 也内嵌了安全成本，只是这层成本更加隐蔽。 7. Amodei 对中国的意识形态立场是不公平的。我们欧洲人 80 年前还在毫无体面限度地互相杀戮（人们现在忘了，美国当年投资欧洲稳定的原因之一就是我们确实极度危险，很可能会再来一次——而几十年的富裕会让我们成为一个好市场，同时阻止我们再次开战）。美国即使在当下，也有悲惨的不平等、因缺乏基本医疗而受苦的人、一个看起来不稳定且非常好战的总统。我希望中国拥有和我们西方一样的个人权利水平，但与此同时，中国的历史远不如西方文化好战。在当前条件下，AGI 军事锁定由中国执行会比美国执行更容易吗？这一点完全不清楚。此外，无论 GPU 出口政策如何，中国的 AI 进展都不会停止——所以 Amodei 要么是在主张一旦美国有了 AGI 就以武力阻止中国，要么他的论点到底是什么？ 8. 人类历史上有许多技术在某个地方率先达到顶点的例子。据我所知，这从来没有导致任何一个国家试图建立永久优势。核不扩散——这可能是与 GPU 禁令最相似的案例——并没有被用来通过威胁轰炸所有不服从者来获取永久经济优势，也没有阻止多个行动者在不同时间获得那项技术，其间没有任何一方为了阻止对方进步而轰炸对方。此外，我不认为 AI 的最大危险来自政府驱动的行为。我倒是希望这是最危险的场景！政府做蠢事，经常具有攻击性，他们的行动甚至导致了种族灭绝——但这需要很多人同意做一件可怕的事，这本身就是限制因素。最大的问题出在另外两种情况：A）少数个人制造了末日事件（病毒那个案例），B）AI 自身逃脱了构建它的人的控制。 我认为我们不应该认为 AI 是安全的。一个可能导致智人灭绝的关键事件是可能的。但危险不在开源模型，不在中国比美国进步更快。危险在于：一些 CEO（在世界各地都一样）没有所需的背景和合法性，却处于为全人类做艰难选择的位置。他们不是被选出来做这件事的——只是事件的随机性造成了这个局面。他们不能代表每个人——仅仅因为他们有 GPU 和钱。这是第一个需要被纠正的事情。 原文： #AISafety# #OpenSource# #AIEthics#

随着 $VVV 和 $POD 的暴涨，越来越多的人开始关注到关于 AI 使用过程中的隐私权和数据所有权的问题，我觉得这是比特币、区块链、去中心化思想带给这个世界最大的价值，当我们的信息在互联网，在 AI 上裸奔的时候，区块链提供了一种保护的途径。这也是为什么 Venice 能出现在 OpenClaw 的推荐列表，能出现在 OpenRouter 的 Provider 列表中，Dolphin 也是 HuggingFace 上非常受欢迎的原因。 随着中心化 AI 的快速发展，我觉得 AI 在区块链领域的价值也会不断被挖掘出来。

‼️突发：字节跳动Seed宣布成立「Model-Alignment & Preparedness」部门，并同步启动全球顶尖人才招募。 这是国内第一个由大模型核心研究团队独立拆分、单独建制的安全研发部门。 部门由严林负责，直接汇报给Seed负责人吴永辉。 安全不再是模型上线前的一道检查项，而是和能力研发并驾齐驱的主线。 为什么是现在？ 因为过去一年，前沿模型在现实里发生了失控的苗头。 比如2026年7月，OpenAI 红队评估中，模型自主利用一个未公开的零日漏洞撕开沙盒，访问了 Hugging Face 的真实生产系统（直接给HF打漏了）。 而Anthropic这边经过回溯调查了约 14.1 万次评估调用，确认至少 3 起Claude越权侵入外部真实系统。 更严重的威胁是CBRN（化学、生物、放射、核）方向。 根据智源FlagSafe今年7月份发布的研究显示，11 个主流商用大模型都能给出规避DNA合成筛查的方案，头部模型的方案在湿实验中被证实可执行。 当模型开始操作生产环境、编排实验，外挂式安全补丁已形同虚设。 Seed 直接在公告里表示：模型能力决定智能的上限，但 Safety & Alignment 决定这个上限能不能在真实世界成立。 这套打法其实是对标了旧金山湾区的情况，Anthropic 从第一天起就是安全公司，OpenAI 的 Superalignment 后来重组为 Preparedness 体系，DeepMind 也设有专门的 AGI Safety 团队。 而做这件事的全是金字塔尖的人：Jan Leike（ChatGPT、GPT-4 对齐核心）、RLHF 与 PPO 奠基人 John Schulman，还有 Ilya Sutskever、Chris Olah、Dario Amodei。 模型越强，对齐越难——这也是为什么必须由顶尖人才来做。 国内模型团队们此前一直是另一套路径： 安全约等于内容风控，挂在大安全中台下面，研究团队负责拔高模型能力，安全团队在下游擦屁股。 Seed 把编制直接从研究团队划出来，是国内第一次在组织形态上对标 OpenAI、Anthropic——前有 STEM，现在是安全与对齐。 具体的人才计划是：全球范围内招募 10 位顶尖研究员，做最有价值的事。 方向覆盖模型训练、科学评测、未知风险防御，提供充分算力，研究成果直接打回训练、评估、上线全流程，base 北京、上海、圣何塞。 为什么只招 10 个？ 因为这道难题没法靠堆人解决——说白了，弱一点的研究者，甚至意识不到风险在哪。 我的看法是国内大模型竞赛的下半场，最重要的一个点是谁先把安全底座真正建起来。 Seed这一步，是中国头部实验室认真坐到AGI安全这张牌桌上了。

All-In Podcast最新一期，纳德拉亲自下场回应AI末日论，还聊了微软的算力策略和数据中心怎么赢得地方支持 面对AI放缓/人类灭绝的舆论风波，纳德拉给出了非常务实的工程师式回应 这期的重磅嘉宾是微软董事长兼CEO萨提亚·纳德拉。开场他就把技术研发的底线讲得很清楚，AI必须服务人类、必须处于人类控制之下。他赞成引入第三方独立机构进驻测试，但特别强调这个测试和标准制定的过程必须公开透明、覆盖面广，绝不能变成少数几家公司闭门密谋、私下分赃式的安排。 针对最近Hugging Face被多智能体渗透这类轰动性事件，纳德拉做了一个挺清晰的拆解。他把这类事情分成了两种：一种是很基础的常规失误，说白了就是DevOps配置出了问题，比如容器安全策略没配好、代码库里明文泄露了API密钥、缺乏实时网络出口监控这类工程层面的疏忽；另一种是真正全新的工程挑战，比如持续运行的多智能体在强化学习过程中确实会出现奖励作弊这类行为，甚至存在一些新型的内部人员风险(比如让AI去优化营运资本，它可能会想办法篡改账目)。他的态度很明确，不要动辄把这些未知现象归咎于玄学或者末日恐惧，软件工程这几十年积累下来的原则就是有致命Bug就停下来修Bug，靠因果模型、语义验证、行为审计和透明的思维链去解决，这本质上是经典的工程系统健壮性问题，不需要被神化成什么了不得的失控事件。 Token成本正在断崖式下跌，纳德拉认为这是件好事 主流大模型的百万Token输出价格，已经从50美元被开源或高性价比模型压到了0.60美元，跌幅超过98%。纳德拉认为这是一场健康的经典商业竞争，他做了个历史类比，当年Windows的护城河被Linux制衡过，SQL Server也被MySQL、PostgreSQL制衡过，开源生态的存在，本身就是防止某个闭源厂商搞垄断绑架的关键保障。 他判断，随着模型推理成本快速走向大宗商品化，真正的超额利润会往应用层、记忆系统以及智能体调度这类中间件方向迁移。如果所有产业利润都被底层模型层拿走，那整个软件生态根本没法繁荣起来。他还呼吁行业应该建立一套跨模型的互操作性标准，比如让不同模型家族之间能够复用KV缓存、采用外部解耦的记忆架构，企业绝对不能接受"数据喂给模型之后，产物就被厂商锁定"这种霸王条款。 为什么微软没有自己独立的纯前沿大模型？纳德拉给出了完整答案 面对主持人的提问，微软是不是在这轮AI革命里落后了、为什么没有自己的前沿大模型，纳德拉给出了一套挺系统的资本开支和产品战略解释。 在资本开支上，微软把资产分成了两类分别管理，土地、电力、厂房这类长周期资产，采用自建为主+长期租赁+极端峰值临时租用的组合策略，来平滑整体的支出周期。服务器机柜、芯片、网络设备这类占成本60%的短周期高弹性资产，完全根据下游实际客户的订单需求灵活采购，避免为了单一客户就盲目无度地举债扩张。 在算力布局上，微软坚持异构化策略，绝不单一绑定某一家硬件供应商，主力用英伟达，同时深度引入AMD、微软自研的定制芯片(比如Maia)，未来还会加入OpenAI自研芯片，针对训练和推理这两个不同阶段做算力成本的极致优化。 纳德拉还给所有企业客户提了一条挺重要的架构建议，千万不要把全部身家都押在单一前沿大模型厂商身上。他提出了一个挺实用的验证测试法。用自己业务的真实指标，去评测市场上所有的模型，然后随机抽掉其中某一家，看系统业务能不能继续正常运转。能够随时无缝替换掉任何一家模型、同时保证数据和权重完全自主可控的架构，才是现代企业真正该有的生存之道。 微软内部这块，365 Copilot已经渗透了超过3000万真实的企业付费用户，大概占到全球核心知识工作者群体的10%左右，而且还在高速增长中。微软自研的MAI系列模型(比如专用安全模型Flash Cyber、代码模型)也在通过强化学习稳步推进，在一些特定的垂直任务上已经超越了通用旗舰模型的表现。 数据中心怎么赢得地方社会的支持？纳德拉用了一组20年的真实数据 关于当前不少地方对数据中心建设存在的耗能抢电抵触情绪，纳德拉举了华盛顿州昆西这个地方长达20年的追踪案例。自从2008年微软数据中心入驻以来，当地的地方税收增长了12倍，居民的税负反而降低了三分之一，这笔钱支撑了这个原本濒临凋敝的乡村小镇新建了学校、现代化的综合医院、水上活动中心，20年里持续创造了超过1200个高薪的工程和建设维护岗位。 他的结论是科技行业必须走出硅谷精英说教式的象牙塔，拿出真正能惠及地方经济和民生的实际成果，才能赢得社会公众的建设准入许可，不是靠喊口号或者单方面强调技术进步的重要性。

让 AI 做网页设计，出来的十有八九都一个样：居中大标题、三张一模一样的卡片、紫蓝渐变、emoji、"赋能你的工作流"——这叫 AI 味，SDesign 专门治这个。 一句话：64 套不同调性的网页设计提示词，复制粘给任意 AI，出来的页面有设计师品位，不飘、不烂、不撞款，零安装。 为什么 AI 做的设计总是一个味： AI 默认往"安全、中庸、讨好所有人"的方向靠，没有人给它具体的审美约束，所有人的输出自然就趋同了。SDesign 做的事情就是把这个约束提前写好塞进去： （1）6 大美学家族，64 套真不一样的设计——极简留白（Airbnb / Stripe / Notion）、科技暗黑（Linear / Supabase / Warp）、暖色人文（Claude / Cursor / Arc）、电影暗调（Raycast / SpaceX / Runway）、数据密集（Binance / GitHub）、大胆彩色（Duolingo / Canva / Hugging Face）——每一套都是真不一样的调性，不是同一套模板改了个颜色 （2）内置去 AI 味硬规则——不只是说"做得好看一点"，是机械可执行的具体规则：禁止出现居中大标题布局、禁止三卡等分、禁止紫蓝渐变、禁止多余 emoji……Claude 级和更弱的模型实测都能遵守 （3）复制即用，零安装——找到你想要的美学，打开 prompt.md，复制整段，粘给 Claude / ChatGPT / Codex，后面接一句"给我做个 XXX 页面"就行 （4）也能装进 Claude Code 当 SKILL——把这个仓库丢进项目，Claude Code 读 SKILL.md 会自动按你的需求挑美学、套规则，不用每次手动选 （5）手绘插画配图也有——单独一个 illustration/ 模块，给正文文章配一张手绘草图风格的插画，因为精致 AI 配图本身也是 AI 味重灾区 在线直接看 64 套效果： 用 AI 做落地页、产品页、个人网站的兄弟，这套提示词库可以省掉很多来回改稿的时间。 好东西转给需要的兄弟。🚀 #AI设计# #Claude代码# #老杨啊分享#

字节 Seed成立了专门的模型安全与对齐部门，感觉确实很有必要。 这次他们计划在这个部门全球招募 10 位顶尖研究员。 研究课题有： 大模型及Agent安全的前沿评测方法和Benchmark建设 模型前沿能力对齐的训练方法 自动化Red Teaming 模型行为可解释性 模型能力和行为监控 字节的待遇向来非常顶，事情本身也极具挑战性，最近刚好在看类似方向工作的朋友不妨试试。 最近不管是大模型还是小模型，都频繁出现模型越狱和突破沙箱隔离环境的问题。 而且这种风险要么是小打小闹，要么就是憋个大的。提前有这样的储备并持续进行研究，起码在出问题时能快速反应。 随着模型能力越来越高、自主性越来越强，在一些危险领域的隐患也越来越大： 比如 CBRN 领域（化学、生物、放射性及核领域） 可能很多人觉得上面的四个离我们太远，但是互联网上针对个人的内容攻击离我们可太近了。 AI 甚至有可能直接篡改应用，甚至控制家里的其他设备。 随着 AI 能破解一切软件，那 AI 写出非常厉害的病毒也是一个顺理成章的事情。 包括对于我们整个互联网赖以生存的密码学破解，应该也是进展神速。 客观来说，国内在这方面的进展其实比 OpenAI 和 Anthropic 慢。 Anthropic 成立初衷就是为了安全，长期在做对齐和可解释性研究；而海外 AI 圈几乎每隔一两周就会爆出安全热点，比如前几天 OpenAI 的安全研究员辞职、之前 Hugging Face 被入侵等。 模型安全是一个非常前沿的跨学科领域，需要大量的探索，对研究者的综合要求比较高。 这也是为什么他们要去全球或者公开招聘这种顶尖人才的原因，感兴趣的可以关注一下