基于 Transformer 架构的 LLM 最大的问题就是没有时间感，我觉得这是主观智能甚至是意识到重要部分，时间的连续感知和记忆的先后形成了“自我”！每次涉及到Agentic 任务我都得让模型自己使用 tool 确定操作时间，别让它靠幻觉脑补😂 不知道我这样对不对？

Meta发布Muse Voice Transcribe：实时精准转写 集成了流式语音识别、声纹分割与端点检测能力，支持在单句内无缝识别中英文夹杂，并能实时区分超过20位说话人。模型通过自回归架构与强化学习实现了动态延迟调节，在流式语音转写与说话人日志基准测试中均排在首位。 在Meta AI应用里可以使用，支持API调用。 在线体验：

想搞懂 Transformer 到底怎么运转的，翻教程不是一行代码调完接口，就是直接甩来 40 页论文。 how-to-train-your-gpt 是一本 12 章、7500 多行的教材，带着从零写出一个 LLaMA 3 那套架构的语言模型。 分词器、嵌入层、注意力、训练循环、推理引擎，每一部分都自己动手写，每行代码都注了是什么和为什么。 GitHub： 另配 28 篇专题拆细节，RoPE 怎么用旋转表达相对位置、KV 缓存省在哪、混合精度是怎么回事，都单独讲。 还有两篇走查，跟着一句话从进模型到出结果走一遍，中间每一步的数字都摆出来。 最后能训出一个 151M 参数的模型，配了 Colab 笔记本，不用自己折腾环境。 作者在开头写了句实话，说做这个是因为自己一直没吃透注意力那部分，边学边写。 学习需要一点 Python 基础，微积分和线性代数这些不用。在注意力那一章卡住过的朋友，可以从这份重新走一遍。

OpenAI 发布 gpt-transcribe 和 gpt-live-transcribe 语音转录模型 真实录音词错误率下降一半，价格便宜 25% 真实世界录音基准上，gpt-transcribe 词错误率 8.98%，同一项上 whisper-1 是 15.21% 每分钟 $0.0045，比 whisper-1 的 $0.006 便宜 25%，准确率和价格这次往同一个方向走了 v=2

Mastercard 宣布旗下 Mastercard Transaction Services（U.S.）LLC 已获得纽约州金融服务部（NYDFS）BitLicense 许可证，可在纽约开展数字资产活动。Mastercard 表示，该许可证将支持其推进稳定币、代币化存款及区块链支付和结算基础设施。（CoinDesk）

看完 Transformer 论文和科普视频，很多人还是不知道 GPT 训练时到底在跑什么代码。 这个项目从零实现了一个现代LLM，注意力机制、位置编码、LayerNorm、残差连接、训练循环、学习率调度，每个模块独立成文件，每一行代码都配了注释说明原理和意图。学完不是会调包，而是真正理解矩阵层面在发生什么。 它适合想深入 LLM原理的初学者，或者实践经验有余但底层知识有缺口的开发者，把"大概懂"进一步推进到"每一行都懂"。

#bubblebutt# #femboy# #sissy# #goon# #ass# #chastity# #trans# #cucks# #sissy# #analplay# #spanking# #gaped# #dildo# #slut# #伪娘# #肉便器# #男娘# #母狗# #露出# #媚黑# #cd# 来欣赏我的捆绑和调教技术吧