約好今天要去樹林秀泰看電影 叫我陪他去廁所 我以為是因為電影太恐怖了 怎麼一到這個狹小的空間裡面 心跳猛的加速 他甚至親了我幾下就開始把我裙子掀開 我盡可能的降低我的音量 在這隨時都會有人進來的地方做著這件事 真的太羞恥又太刺激了… #他說下次要體驗樓梯# #你們有推薦的地方可以跟我說嗎#

一定要远离白嫖的女人 我兄弟去年认识一个女的，32岁，长得挺好看，我听说第一次见面就约在商场，吃饭花了600多，吃完她又说想买件衣服，我兄弟又花了1200。 第二次见面她带了两个闺蜜，四个人吃饭花了800，全程没提AA，我兄弟不好意思说，买完单那女的还说下次去吃日料。我兄弟跟我说这事，我说你别再见了，他说人家可能就是习惯了这样，不一定是故意的。 后来他没听我的，处了3个月，给他花了4万多，吃饭买衣服买包买护肤品，有一次那个女的说想要个3000多的吹风机，我兄弟说这个月手头紧，她当天晚上就不回消息了，第二天把我兄弟微信删了。 我另一个朋友更惨，他女朋友跟他在一起2年，他每个月给她转5000零花钱，给她租的房子每月3500，给她买了个2万多的包，后来发现她同时跟另外两个男人也在一起，那两个男人也在给她花钱。 你们身边有这种白嫖的女人吗？

臨時來姐姐家住 發現姊姊好像沒有餵飽姐夫 決定偷偷色誘他 沒想到姐夫超好用⋯ 害我一直高潮 難怪餵不飽一直要一直射 我說下次還要來找他 我已經不行了🥺 想看我色誘姐夫：點愛心轉發 想當姐夫的留言：想要❤️

本来是约一个大学生弟弟的，都开好房间了，结果他说他要陪他妈妈出门逛街，叫他爸爸来和我做，本来我都是拒绝的，但是最近真的是性欲难耐，还是叫他爸爸过来了，结果他爸爸实在是太猛了，不仅粗大，还是弯弯的，持久强，直接就被干迷糊了，然后稀里糊涂就内射了！！下次叫他们父子以前上阵。

去年夏天，他和朋友去夜市吃烧烤。 隔壁桌上，一个男的在往死里踹自己女儿。 小姑娘六七岁，坐在地上不躲不跑也不哭。就那么坐着，像已经习惯了一样。 旁边没人管。有人看了一眼，低头继续吃。 朋友看不下去，上去一把把那男的掀翻了。男的爬起来要动手，朋友又给他放倒了两次。 男的报了警。 警察来了，先问那男的：你女儿？男的说是。然后问朋友：你是谁？朋友说我是路人。 最后带走的是朋友。 法院判了：故意伤害罪，轻伤二级。免了刑事处罚，但罪名成立。 朋友不服，说我是救人。 法官说：你可以制止他，但不能打他。 那男的上诉了，嫌判得太轻。案子发回重审。朋友现在等着第二次开庭。 那个女儿从头到尾没说过一句话。没人知道她现在在哪。 朋友说：下次再看到这种事，我打死也不上了。 谁让他救的？

一上車就發現它有點不安分 偏偏主人還一副很鎮定的樣子 看得我都忍不住想笑 本來想說乖乖等到了再幫他解放 但他說自己已經忍了一個禮拜 我突然覺得不先處理一下好像不太行 只好先在車上吃點甜甜的棒棒糖 順便幫他降降溫 不然我真的很怕我剛要享受 他就下課 畢竟我可是很期待這次約會的 #結果他還是給我三分鐘下課# #下次那種一個禮拜不尻尻的先別來#

“是跑步出汗还是脱水？”🏃🏻‍♀️📷 今天，我的学长邀请Yoshi一起跑步，问他要不要和我一起挥汗如雨。结果，他最后却起了色心，把Yoshi带回房间做爱。他们轮流做爱，非常激烈，到处都是精液…… 📷📷“下次再一起跑步吧，”他说。 免费视频高清完整版已上传平台:

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

信任成本和名片化增信： “一场真金白银投入的friendtech” @dotyyds1234 ，龙王。sat1按我的算法我亏了30e左右，但bio他带我赚了个相当不小的数字。我身边不少人因为他喊了，直接往bio塞。我当时有多信他呢，我round 2塞了很多，round2.5涨价了还继续塞，场外群一个不出，捏到上bn开盘浇完解锁的。一把掏出了我的翻身钱。小机会更不用说，他曾经分享过背k线找小市值壳，我完整的按他说的思路背了四十个小币k线，之后开始买壳，每天起床（国内中午11-12点）看看持仓选个涨起来的卖掉。如此往复也不是一笔小收入。讲的再大一点，10.11他的便宜货思维，在那天的窗口期你可以跟开超市一样买海量的小市值壳子，不带杠杆的收益是3-5x。你觉得我会怨恨他吗？不会的。他的名字在我认为他擅长的领域就是增信。他确实减少了我的投资成本，放大了我的收益。我不想和大家吵fomo，拉盘，博弈问题。你都来这里了，要允许大家在一个相对任何互相规则和道德的地方玩就行。 @luyaoyuan 喊过plasma存钱，研究过一个项目叫card，喊我买过低位eth。我都赚钱了，每一个倍数都让人开心，那么laolu下次call一个项目，我天然性的历史归纳总结他选项目眼光高，减少我的初始决策成本，效率优化成先上车再研究。 我还有个炒美股的朋友叫umi，23年就认识了。他玩土狗的水平比99%的人强，自bome时代按M砍下利润后转型去了美股做投研，通过聊天归纳，他选的票2-3三个月后我才会说服自己接盘上车。那么他的美股水平我相信，我能提供给他的只有吃加速。 比如说我97-100$梭哈了第一次intc，连杠杆带期权。我们俩这三年下来没少挣钱，他发现的早，我敢重仓。2u的trump他发给我，我当时在打麻将，麻将都不打了直接跑出门提币梭哈一条龙。他说：该我挣钱。 我还有个炒山寨的朋友叫辉哥，老粉丝也都知道。我和辉哥老是相互cx，十次有七次冲高了不太赚钱。我俩相互没什么怨言，他总是勉励我要一直有信心。我俩冲出了moodeng，冲出了pepe。24年辉哥cx我土狗都是：如果这个xx上不了100M，我以后再也不给你推了。我记得是sol链上一个猫？他总是充满信心。 认识很多大哥，很幸运都蛮照顾我。都在各种角度帮了我不少。有时候没那么懂，也慢慢学会更早一点听劝。 子曰：君子不器。做投资不可避免要接触人，要筛选契机与信息。你的修养决定了你怎么看待人，解读信息。多有一些中肯的身边人，多看一些事实与理性，不要泡在情绪中，一直赚到钱晚上睡得着觉是第一。 “人与人拉开差距的是专注，执行力。再下一步是学养与修养。”

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。