📢小編報報📢⁣ 粉絲朋友近距離看到成員挑戰「甩麵任務」 是不是一次非常難得的經驗 期待之後再透過其他活動與各位相聚 #AKB48TeamTP# #TeamTP# #TTP⁣⁣# #浪LIVE# #TP才藝訓練班# ⁣ #一小時挑戰# #甩麵達人#

📢小編報報📢⁣⁣ 謝謝粉絲朋友熱情參與 五月份的TP才藝訓練班 也請繼續關注下次的開班時間唷 #AKB48TeamTP# #TeamTP# #TTP⁣⁣⁣# #浪LIVE# #TP才藝訓練班# ⁣⁣ #一小時挑戰# #KPOP# #舞蹈女神#

🈯 译文贴在原文旁边，对照着读英文进步最快 支持 Chrome、Firefox 和 Edge 看英文资料想边读边学，现有的翻译扩展都不太顺手：整页翻译一按，原文没了，遇到译得别扭的地方想回头核对还得再切一次；划词翻译又只能一小段一小段来，读起来断断续续。 Pair Translate 是把译文附在原文旁边显示，两份并排着，读原文卡住时眼睛往旁边一瞟就过去了，不用中断阅读节奏。这也是学语言时最推荐的对照读法。 翻译服务能自己挑，Google Translate、Bing、DeepL 都支持，也能接 ChatGPT、Claude 和 Gemini，遇到长句和专业内容用大模型翻质量明显更好。Chrome、Firefox 和 Edge 三个浏览器都有。GPL-3.0 协议。 不遮住原文的翻译，才是真的在帮你读懂。 GitHub：

前陣子去德國旅遊，拍了一堆照片想說來剪成紀錄影片，但用純照片剪輯出來的質感…是真的有點無聊。 所以我就想說，不然直接用 Grok Build 來幫我全自動剪輯做看看，沒想到最後做出來的效果特別好。 這影片裡，只有一小段是我自己錄的，其他畫面我都只有提供照片，Grok Build 直接把照片變成影片，讓整部片生動了起來，同時又保留了旅遊紀錄該有的真實感。 甚至連全部照片的素材整理、挑片、節奏安排、BGM，都直接幫我處理完了。 從頭到尾我只說： 「幫我把資料夾內的素材做成一部有質感的紀錄片，不要太誇張，要保持真實。」 不到10分鐘，影片就做出來了。 不是我一直在吹，Grok Build 現在真的很好玩。把生圖、生影片能力整合進 Agentic 工作流程裡，回應速度也非常快，我已經升級成300U的Heavy了，光是內建的影片生成工具就值回票價了。 相比之下，GPT 目前只有生圖，Claude 甚至連官方的生圖功能都還沒有，要走向更全面的 AGI，我認為生圖與AI影片還是需要的。 @elonmusk 真的有遠見，xAI從一開始就積極發展生圖跟AI影片是對的，Grok Build 絕對是目前多模態Agentic的王者。

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#

从0开始学美股：交易时间篇 最近从0开始研究美股，光是"什么时候能买"这个问题就把我卡了好几天。研究明白之后发现真没那么复杂，整理成几个我当时最困惑的问题，给同样懵的朋友参考。 Q：美股为什么只能晚上买？ A：因为纽约交易所的开盘时间对应咱们的晚上。常规交易时间是北京时间21:30到凌晨4:00（夏令时），冬天往后推一小时。交易所没开门就没法撮合，跟A股9:30才能买一个道理。 Q：那盘前盘后呢？我看有人说白天也能操作？ A：盘前盘后确实能交易，但参与的人少，买卖价差很大，波动也剧烈。我理解就是在一个没什么人的菜市场买菜，卖家随便喊价我也没得挑。新手没必要去趟这个浑水。 Q：那我岂不是每天都要熬夜盯盘？ A：不是，大多数券商都支持提前挂限价单，白天设好自己能接受的价格，晚上开盘自动撮合，第二天早上看结果就行，根本不需要守着。 Q：限价单是什么意思？ A：就是我告诉券商"这个股票到了我设的价格你再帮我买"，没到就不成交。不会出现市价单那种"随便多少钱都帮我买了"的情况，对新手更安全。 Q：所以结论是什么？ A：美股交易时间是晚上，但我不需要活在晚上。白天挂单，睡前瞄一眼，完事。"只能晚上买"这件事根本不应该成为迟迟不动手的理由，我之前就是想太多把自己卡住了。 搞懂了，没那么复杂，继续学。

吉姆·西蒙斯这个人你可能没听说过，但他干了一件挺离谱的事：用数学把1亿美元滚到了1300亿。而且他用的那套方法论，核心就浓缩在MIT一场一小时的公开讲座里，完全免费。 普通人炒股，很多时候靠的是论坛帖子、市场情绪，或者一种说不清道不明的“感觉”。但西蒙斯不一样，他靠的是方程。靠这套东西，他做到了连续三十年、年化收益66%，这数字不是拍脑袋的，是真实战绩。 那场讲座真正值钱的地方，不是什么励志鸡汤。它把文艺复兴科技公司最底层的逻辑拆开了给你看，大概就这么几条： · 找到人眼根本看不出来的统计优势； · 只在数学明确给出信号的时候才动手； · 同时跑大量小仓位，从来不押重注赌一把； · 信号一弱就果断止损，不拖泥带水； · 靠长期复利，持续迭代系统。 这些听着不算什么交易小技巧，而是现在所有AI交易机器人背后，真正该保留的那套原则。 1988年，想玩这套东西，门槛高得离谱。你需要五十个博士、几百万美元的硬件设施、好几年的数据和工程积累，还有那些普通人根本接触不到的定制数据源。 但到2026年，情况完全不一样了。 现在一个人、一台笔记本、用Claude Code，花七天时间，每个月二十美元的API成本，就能搭出一个能跑的版本。可以做跨资产的模式识别，能在噪音里抓信号，能自动执行，还带大规模风控。 周末的实操方案也很直接： · 周五晚上，把西蒙斯那场讲座看了，把里面提到的信号全记下来； · 周六，打开Claude Code，用历史价格数据搭一个回测框架，挑三到五个核心信号跑一遍； · 周日，去Polymarket、Toobit或者Alpaca开模拟盘，先验证策略，别急着上真钱。 到了周一，只投你亏得起的仓位。一百块、五百块，都行。重点根本不是一开始能赚多少，而是你得先走通这个流程：验证、迭代、复利，最后才是放大规模。 这可能是历史上头一回，一个普通人和文艺复兴交易员之间的知识差距，被AI工具压到这么小。 真正的分水岭，不是看谁听过这场讲座，而是谁看完之后，真的把它变成了一个可运行的系统。

宁愿自己的老公去嫖娼,也不准去打台球!台球美女助教的套路到底有多深? 现在不少已婚女性都愁得睡不着觉，宁愿老公天天去足疗店洗脚，甚至找小姐,也死活不肯让他单独去台球厅，因为那里的美女助教杀伤力比小姐猛太多。毕竟找小姐只是身体不忠,如果被美女助教套路了,那就是身心的双重出轨了! 你别以为是她们小题大做。 现在台球厅的美女助教，清一色二十出头的年轻小姑娘，长得漂亮嘴还甜，身材好会打扮，精致程度比不少高端足疗店的技师还讲究。 你刚握杆站不稳，她直接凑到你身后，软乎乎的手覆上来帮你调姿势，俯身的时候头发蹭过你胳膊，笑着跟你唠两句家常，心跳直接给你整得突突的，恍惚间连初恋的感觉都找回来了。 情绪价值给你拉得满满当当，不少男的打两小时球，魂都被勾走一半。 你以为人家是来陪你练球的？背后藏着一套赚得盆满钵满的完整产业链。 这行门槛低得离谱，会点基础打球姿势就能上岗，钱还多到你不敢想。 初级助教陪打一小时就收89块，要是一个月能上满130到150个小时的钟，普通助教月入8千到1万2都是常态，顶级的高级助教，月入直接能冲到五六万。 她们每天一睁眼就发朋友圈报今日在岗，站在球厅门口迎客，只有客人点你才有收入。 为了攒熟客，她们加完微信天天主动嘘寒问暖，变着法约你过来打球，技术好不好根本不重要，会接话、会哄人开心才是核心竞争力。 可你以为这就到头了？藏在情绪价值背后的，全是精心挖好的灰色陷阱。 不少球厅直接拿美女助教当擦边噱头，用暧昧话术、亲昵互动把你哄得晕头转向，诱导你一遍又一遍来充卡消费。 杭州之前就有个务工的小伙子，常去台球厅找同一个助教陪打，前前后后花了一万多，俩人聊天一直暧昧得不行。 那天他顺着氛围随手碰了下助教的屁股，对方当场直接翻脸，张嘴就要5000块赔偿，砍到2000私了没谈拢直接报警，最后小伙子直接因猥亵被行政拘留。 这种先钓鱼再讹人的套路，门店和助教直接把钱分了，所有风险全让消费者自己兜着。 更离谱的是，有些黑台球厅直接把场子改成了风月场。 明着暗着打广告说988元就能“包一杆进洞”，付了钱就能进包房挑人，再加钱就能陪你喝酒拥抱，直接付5000块甚至能把助教带出店随便玩。 要是碰到不肯付天价账单的客人，他们直接动手逼你掏钱。 这些乱象搞的那些真的想好好教球的正规助教根本活不下去，天天被客人骚扰，收入越来越低，好好的行业全被蛀虫搞臭了。 说到底这行变味，核心就是边界模糊加上监管没跟上。 台球厅现在大多走体育经营备案，不归娱乐场所的严格监管范畴，刚好卡在规则的空白地带钻空子。 出事了门店直接把锅全甩给助教和客人，自己撇得一干二净。 就连各大流量平台也在推波助澜，刷到的全是美女助教陪打、加微信有福利的暗示，靠暧昧引流成本最低，来钱最快。 本来是个正儿八经的绅士运动，现在被这帮人搞得乌烟瘴气，早就偏离原本的样子了。 你身边有没有碰到过类似的离谱事？你觉得台球厅请美女助教陪打，到底算不算正常经营？

AI 行业在中国有一个挑战：怎么在一个被免费喂大的市场，让人重新习惯付费获得服务？ 字节最早把 AI 商业化的期待放在大众消费上，沿用移动互联网的老办法：先做大规模，再变现。2026 年豆包每天已有超 2 亿人使用，一边接入电商和生活服务、让人对话下单，一边推订阅收费——但两条路进展都有限。 问题在于，大多数购物是为了快乐，而不是省时间。AI 擅长替人筛选、总结，但拼多多创始人黄峥 2017 年就说过，购物更多是 “非目的性” 的——像逛商场，没目标，看到有意思的就买，浏览、比较、被推荐打动、慢慢挑，这些行为本身就带来快乐。他将购物比作迪士尼，大多数人不会想让 AI 代替自己逛迪士尼乐园。 大多数人也不像研究 AI 的工程师一般忙碌，愿意花钱省时间。不然也不会每天 8 亿多人刷两小时抖音，4 亿人刷快手，1 亿多人刷小红书。 据我们了解，豆包每天产生的电商交易额只有一千万元左右。对于一个每天有 2 亿活跃用户的平台而言，这并不算高。 豆包也在筹备付费版，但让大众为数字服务付费更难。 QQ 音乐、起点、爱奇艺花了很久，才让上亿人习惯为正版音乐、网文、长视频付费。可字节又用流量优势和更强的推荐技术，用免费的番茄小说、红果短剧，和汽水音乐（点两个广告就免费），颠覆了网络小说、短剧、音乐市场，快速蚕食腾讯等公司的份额。 连效率工具，国内都拼免费：当 Zoom 靠付费视频会议一年净赚 10 亿美元的时候，钉钉、飞书、腾讯会议长期免费开放核心功能，企业不必为基础工具付费。连高薪的金融分析师都自嘲说，腾讯视频开满一小时，金融业的标准做法是换个人发起。 大模型竞争更让订阅难上加难——DeepSeek 免费、开源，很多场景里效果已经够好，后来者再想靠 “更聪明一点” 收费，就得证明自己好得足够明显。 Seedance 让行业看到了 AI 赚钱的希望，但还没有证明这是一条可持续增长的路。 据我们了解，Seedance 的收入增速有所放缓；快手的可灵的 ARR 增长也在 5 月初冲到 5 亿美元后放缓。目前两家公司都有短剧外的新客群，但要让更多行业进入 AI 视频生成，还需要模型性能继续提升。能训练大模型的英伟达处理器依然是稀缺资源。 接入了 Seedance 的即梦，高峰期的日活跃用户数在 250 万左右，它的目标是成为新一代的大众内容消费平台。但目前，使用这款产品的主要仍是专业内容创作者。 字节面对的，也是所有大公司投入 AI 绕不开的问题。AI 算力中心已经烧掉数千、上万亿元的投资，它们怎么变成钱。Seedance 证明视频生成有高毛利，但它还需要走出短剧行业；豆包有庞大的用户规模，却难以产生有意义的收入；AI 编程的对手则是全球最领先的 Claude Code 和 OpenAI Codex。