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 ut_0研究録
ut_0研究録 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 ut_0研究録 的推特
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
去年就办了BG 钱包的U卡,绑定微信、支付宝,小额支付真的很方便。不仅能满足线下日常支付,线上还能充值各类会员等。 最近Bitget Wallet 和 Stellar 联手搞的 Odyssey 狂欢活动不错,消费的同时还能拿到奖励。 这次活动拿出了 $200,000 的 XLM 奖励,通过游戏积分制来瓜分,谁攒的积分多,谁分得就多! 活动已经开始,7.7结束,分四个波次不断解锁新任务。越早参与,优势越大。我把最省心的“搞钱攻略”给你们整理好了,一学就会: 整个流程其实非常简单,跟着我走这四步: 1、 点击连接 下载 Bitget Wallet 钱包,找到 Card 板块申请开卡。 2、 用卡前必须完成 KYC 3、卡片激活后,充值并完成你的第一次刷卡消费。 通过我的渠道邀请码办卡并完成首刷,就能直接拿到 5U 的现金奖励(每周四统一发放) 4、 卡办好后,日常有以下几种姿势可以疯狂刷积分: 日常刷卡消费: 线上线下、Apple Pay、Google Pay 只要消费了就给积分。 做 Stellar 链上任务: 在钱包里完成交易 XLM 等链上互动。 保持卡内余额: 资产放在卡里也能长积分。 社交媒体分享:完成社交任务也有积分。 5、把你自己的邀请码发给朋友,你和朋友都能加速积分。 ·你邀请的人成功开卡激活,你拿 5U(T+1 到账)。 ·他们消费了,你再拿 5U。 ·不仅如此,你还能躺赚他们消费金额 0.2% 的一级返佣,以及他们再邀请人的 0.02% 二级返佣! 以上为奥德赛的步骤,有兴趣的可以试试。办一个属于自己的U卡,还能撸到XLM激励,一举两得。
显示更多
0
94
15
2
转发到社区
ut妈真的好可爱……🥺🥺
0
277
9.8K
178
转发到社区
这里非常有必要讲下陆龙智@LuBall13 老爹陆弘亮的UT斯达康&软银中国的传奇故事。 陆弘亮,1954年11月3日出生; 美籍华人,祖籍浙江宁波,生于中国台湾,6岁随父母移居日本。 在东京都立城南高校毕业后,陆弘亮求学于加州伯克利土木工程专业,比校友Masayoshi Son 孙正义 @masason 大两届。 1978年毕业后,陆弘亮加入了孙正义的创业公司 — Mspeech System Inc,主营业务是卖便携式有声翻译机。 1982年3月,孙正义因病回日修养。临走前,他将自己在美国的Unison世界公司卖给陆弘亮。 Unison一度和盛田稻夫的京瓷(kyocera)合作密切,1986年与其合资成立kyocera unison公司,并力图将其上市。 天不随人愿,最终kyocera unison上市无望,陆弘亮全身而退。 1990年,陆弘亮第一次到中国大陆考察。 1991年,陆弘亮跟他在伯克利的同学兼孙正义的汉语兼职老师 Charles Xue @xuemanzi8848 薛蛮子,与陆弘亮的学弟跟合作伙伴孙正义,共同买下Peter王祖光的浙江宇通,将其重组并更名为Unitech Telecom(UT)。 同年,彼时正在贝尔实验室工作的吴鹰,携手Chauncey Shey薛村禾在新泽西创业成立了Starcom斯达康,最初的业务是做技术顾问,即人力资源外包公司。 而在吴薛两人聘请的临时工程师当中,就有在英国的雷克通讯公司做研发的Bill黄晓庆。 1994年:Bill黄晓庆加入Unitech Telecom 1995年10月6日,Unitech Telecom和Starcom各占50%股份合并成了UT斯达康;之半个月之后的10月19日,UT斯达康很快从软银那里拿到了3000万美金融资款。 1996年3月5日,UT斯达康(中国)成立。 1999年,接连多轮重注将近1.6亿美金的孙正义成为UT斯达康董事长,持股比例升至51%。 2000年3月3日,UT斯达康成功在纳斯达克上市。 2001年,薛蛮子退出UT斯达康,一把套现了1.5亿美金。 上市之后的同年,孙正义拿了9000万美金,陆弘亮跟薛村禾等人拿了1000万美金,作为双方联合成立的软银中国资本(SBCVC)的第一期基金。 卓越的伯克利,命运的齿轮就此转动。 Brilliance of Berkeley. @UCBerkeley
显示更多
It’s worth briefly revisiting the rather legendary story behind UTStarcom and SoftBank China Venture Capital. Hong Lu, born on November 3, 1954, is a Chinese American entrepreneur. His family traces its roots to Ningbo City, Zhejiang Province,China.. He was born in Taiwan, Province of China and moved to Japan at the age of six. After graduating from Tokyo Metropolitan Jonan High School, Lu went on to study civil engineering at the University of California, Berkeley, where he was two years senior to Masa Son @masason After graduating, Hong Lu joined Masa Son’s startup, Mspeech System Inc, whose core business was selling portable voice translation devices.  In March 1982, Son returned to Japan to recover from an illness. Before leaving, he sold his U.S. company Unison World to Lu. For a time, Unison maintained a close partnership with Kyocera, the company founded by Inamori Kazuo. In 1986, the two companies formed a joint venture called Kyocera Unison and attempted to take it public. The plan ultimately fell through, and Lu exited the venture. In 1990, Lu made his first exploratory trip to mainland China. A year later, in 1991, Lu teamed up with his Berkeley classmate and Masa Son’s former Chinese tutor, Charles Xue @xuemanzi8848, along with Son himself. Together they acquired Zhejiang Yutong, a company originally founded by Peter Wang(Zuguang) , reorganizing it and renaming it Unitech Telecom (UT). That same year, Wu Ying , then working at AT&T Bell Labs, partnered with Chauncey Shey to launch Starcom in New Jersey. The company initially operated as a technology consulting firm, essentially providing engineering talent as outsourced services. Among the temporary engineers they hired was Bill Huang(Xiaoqing ), who at the time was doing R&D at Racal Telecom in the UK. In 1994, Bill Huang(Xiaoqing ) joined Unitech Telecom. On October 6, 1995, Unitech Telecom and Starcom merged in a 50–50 deal to form UTStarcom. Just two weeks later, on October 19, the company secured $30 million in funding from SoftBank. On March 5, 1996, UTStarcom China was established. By 1999, after several rounds of major investment totaling roughly $160 million, Masa Son became chairman of UTStarcom, increasing his stake to 51%. On March 3, 2000, UTStarcom successfully went public on the NASDAQ. In 2001, Charles Xue exited the company, cashing out roughly $150 million. Later that same year following the IPO, Masa Son committed $90 million, while Hong  Lu,Chauncey Shey, and others contributed $10 million, forming the first fund for SoftBank China Venture Capital (SBCVC). Brilliance of Berkeley,and with that , the wheels of fate have begun to turn.
显示更多
薛蛮子再出发:布局绿色能源,迎接AI时代 从通信产业到互联网创业,我经历过一轮又一轮技术浪潮。作为UT斯达康联合创办者、做了很多年的天使投资人,我自己的投资经历,其实一直贯穿着“技术改变生活、创业者推动产业”这条线。 现在,AI带来新一轮产业变革,我决定再次出发。这一次,我和伊森一起启动一家新的绿色能源企业,目标很直白:筹备纳斯达克主板上市,把目光锁在支撑AI持续运转的基础设施上——电力、储能、算力中心。说白了,就是用华尔街的资本能力,去解AI“缺电”这个行业级难题。 AI走进千家万户的背后,是服务器一直跑,是算力不停扩,是对稳定能源的长期渴求。模型能迭代,应用能更新,但每一次推理、每一次训练,底层都是电。我这次要做的,就是把绿色能源和AI基础设施连起来:围绕太阳能、储能、算力中心,一步步推资产建设、商业合作和公司治理,让技术愿景落进具体项目里。 项目在阿根廷圣胡安省,占地1050英亩:100英亩做太阳能发电、FGS长储能、天然气等,解决24小时不间断供电;50英亩建算力中心。走资产型上市路径,向纳斯达克递S-11,这种模式下大概6个月左右就能冲到资本市场主板。 为什么是我,为什么是现在?看全球机构和科技巨头的动作就明白了: • 高盛:2026年9月判断,到2030年全球数据中心电力需求比2025年增长约170%,差不多是2.7倍;美国有些区域电网接入要等七年。需求冲得猛,电建得慢,这就是AI发展的硬约束。 • 美国能源部:美国数据中心用电从2023年176太瓦时,到2028年可能到325—580太瓦时,占全国用电比例从4.4%升到6.7%—12%,AI是核心增量。 • 马斯克早就提醒:芯片之外,电也会卡脖子。有再好的芯片,没电也跑不起来。 • 奥特曼说:AI耗电会超大家想象,核聚变、低成本太阳能都得搞,能源已经是AI长期议题。 • 孙正义搞“星际之门”,四年拟投5000亿美元建美国AI基础设施;黄仁勋说能源、计算、网络、冷却要一起设计;盖茨也认:核能+风光,才托得住AI数据中心。 这些信号凑在一起就一句话:AI越大,稳定又便宜的电越值钱。“AI缺电”不是单点问题,是发电、并网、输配、储能、工期全链条问题。谁能把这些环节组织起来,谁就把产业需求变成长期生意——这也是我再做一次的起点。 我和伊森会围着太阳能、储能、算力中心往下干,把过去投人、选项目、陪公司长大的经验,挪到能源和AI基建里。从“支持创业者”,到“自己下场建企业”,我正在打开新的一章:让绿能撑住智能未来,让老经验在AI时代再创造价值。这家奔着上市去的绿色能源企业,就这么启程了。
显示更多
0
10
15
3
转发到社区
#北京# 🌸纯新人首开 期待和哥哥的约会 🌸一碰就出水 欢迎哥哥调教 🌸纯欲天花板,全身皮肤白皙光滑 三点粉 🌸清纯优雅 楚楚动人 全身纯天然 🌸身高/ht:172cm 🌸罩杯/cup:D 🌸体重/ut:45Kg 🌸年龄:04年 🌸可甜可纯可御 推荐指数5⭐ 🌸完美腰臀比例 🐍腰🍑臀马甲线 🌸性格好,乖巧听话,不催不事
显示更多
Bitcoin Wyckoff 并不是在“预测资产”,而是在研究人性行为。 因此这个结构在 90 年后依然有效。 所谓周期结构: PSY / BC / AR / ST / UT / LPSY / SOW 这张图的解读是: 最后一个 LPSY 出现在 78K 如果突破 85K → 结构失效 如果跌破 72K → 进入下跌阶段(目标 42K) 核心观点: 👉 1930 年研究的是群体心理 👉 Bitcoin 只是同样情绪循环的最新版本
显示更多
0
26
15
6
转发到社区
最新版美国大学数学专业影响力排名(Academic Influence):普林斯顿、哈佛、UC伯克利、芝加哥、麻省理工、斯坦福、哥伦比亚、密歇根、耶鲁、纽约、加州理工、康奈尔、UCLA、布朗、宾夕法尼亚、罗格斯、石溪、威斯康星、霍普金斯、卡内基梅隆、明尼苏达、UT奥斯汀、华盛顿、UCSD、西北、普渡、UIUC、马里兰、印第安纳、纽约城市学院、俄亥俄州立、杜克、布兰迪斯、宾州州立、圣母、莱斯、南加州、UC圣巴巴拉、北卡教堂山、锡拉丘斯、达特茅斯、弗吉尼亚、波士顿、UC尔湾、犹他、罗切斯特、迈阿密、佛罗里达、凯斯西储、肯塔基
显示更多