我的第一本實體寫真產出啦✨ 這次規劃了跟Furuke上不一樣的內容 喜歡的人可以填預購表單唷！ 《Haruka晴-【蛇鳞】實體寫真預購單》 👉 希望能讓你們也感受到毒蛇的魅力🥰 也謝謝一直支持至今的各位❤️ 只要有預購就送色色明信片唷😳 #毒蛇# #nikke# #勝利女神# #妮姬# #cosplay#

🌹Niu x 瑪麗蘿絲🌹FF40新刊預購開始♡ 瑪麗蘿絲寫真順利產出啦⸜(* ॑ ॑* )⸝♡ 掐指一算3年沒出cos角色本了（你還是coser嗎 這次的瑪麗蘿絲本大家喜歡可以支持～ 過年前FB粉專因為工商被紅標真的很鬱卒₍ᐡඉ ̫ ඉᐡ₎ 預祝大家平安順心開心過年(｡>ㅿ<｡)⸝⸝⸝♡︎ #marierose# #瑪麗蘿絲#

#現貨# #原味襪襪# 好臭！！真的超臭🆘 但真的越聞越過癮耶！沒想到漂亮女生也有腳臭！😝 臭襪子還在唷～～趕緊私訊帶走 久久產出一雙的臭襪襪✌️ #原味內褲# #白襪# #蘿莉# #女王# #腳臭# #不洗襪子# #射鞋# #打手槍# #自慰# #髒襪# #女神# #正妹#

【技術成疑】Anthropic算力吃緊，OpenAI迎來可乘之機 Anthropic PBC早前宣布因安全風險須限量推出新型號Mythos，但有人質疑此舉是否出於產能不足。外部分析則認為Mythos 的能力未乎宣傳預期，情況受業界關注。Anthropic產能不足，正透過合作與擴充算力以追趕OpenAI 等對手。

今天是今年的最後一天了🥺 時間過的好快 謝謝大家今年的陪伴 苔苔明年也會繼續努力產出更多角色⁄(⁄ ⁄ ⁄ω⁄ ⁄ ⁄)⁄ 希望大家明年也能繼續陪著我走下去🥰 大家今天都打算去哪裡跨年呢？ 這個月也是P 網最後一天囉🥰 剩最後幾個小時 想要獲得完整套圖可以點擊網址 👉

閒聊 Intel EMIB-T 封裝的 2H27 新款 Google TPU（Humufish）。以下根據我的產業調查： 【EMIB-T 90% 良率，該怎麼看？】 1. 基於 Intel 已經有穩定生產 EMIB 的經驗，開發中的 EMIB-T 技術驗證良率達到 90%，是很正向但也合理的訊號。 2. Intel 把 FCBGA 設定為 EMIB 生產（組裝）良率的比較標竿。目前業界 FCBGA 的生產良率約在 98% 以上。 3. 從良率角度，90%→98% 難度高於從開案 → 90%。此外，技術驗證良率與成品生產良率也是兩回事（特別是 Humufish 仍有規格未定案）。所以我雖正向看待 Intel 先進封裝長期發展，但中短期內仍會謹慎關注 Intel 如何面對這些挑戰。 【從 90% 到 98%，表面上才差個幾%，Google 會在意嗎？當然會】 1. Google 近期詢問過台積電，自行投片 Humufish 的 main compute die（由 Google 自行設計），與讓聯發科代為投片相較，成本可節省多少。 2. Google 與聯發科的合作一開始（8t）就是採 semi-COT 模式。聯發科的 mark-up 主要來自自行設計部分，所以 Google 是否親自投片 main compute die，不是聯發科獲利成長趨勢的觀察重點。 3. 但從 Google 連投片相關的 pass-through mark-up 都想看看能不能省，代表 Google 的成本控管態度，已從過去的好好先生，變成錙銖必較的精算者，原因在於要跟 Nvidia 直接競爭，所以具備成本優勢的 Google 當然會在意 EMIB-T 生產良率。順帶一提，台積電對 2026 年 5.5-reticle CoWoS 的生產良率目標，也是 98% 起跳。 【台積電的立場】 1. 我的理解是，台積電仍在評估 2H27 要分配多少先進製程產能給 Humufish，原因在於：(1) 仍想爭取後段封裝訂單（但目前看很難，這是 Google 有意為之的策略）、與 (2) 尚在評估後段 EMIB-T 實際產出，避免稀缺的先進製程資源被錯置。 2. 影響 Humufish 後段有效產出的關鍵，包括 EMIB-T 與載板，要追蹤這件事必須兩個一起看。 3. 在 Humufish semi-COT 方面，台積電也是傾向讓聯發科投片main compute die，除了兩家公司關係好外，關鍵是聯發科是台積電第三大先進製程客戶（2025年），若 TPU 訂單有變化，以聯發科的規模，較容易協助台積電做投片組合調整，扮演一個稱職的緩衝角色。

說到搬運，我想分享一個小故事。 幾年前，腦哥在製作 Bitfinex 放貸影片時，特地跑來問我，能不能致敬我當初在 Medium 上發表的那篇文章標題：「用 300 萬創造每月 6 萬被動收入」。他說很喜歡這個文案，想借用這個格式，問我會不會介意。 我當然說不會，儘管拿去用。 當下對腦哥這個舉動印象就很深刻。那時他還只是個小 YouTuber，就算他沒問我，我也覺得無所謂，畢竟文章和影片是完全不同的創作形式，更何況致敬的只是標題而已。 後來他成為中文圈數一數二的 YouTuber，我一點都不意外。 因為會在意內容產權的人，大多都是真正認真的創作者。 我出道至今被抄襲過無數次，本身對抄襲這件事就非常反感。生涯中僅有的兩次公開靠北其他 KOL（包括這一次），都跟搬運有關。 Master 專業黑我已經很多年了，誰都知道他就是想引戰收割流量而已。早年帶單失誤的部分，我早就公開說明過很多次。而且我早就不靠流量賺錢，他繼續臭也完全影響不到我，我是真的懶得理他。 但這次我決定跳出來，是真心對搬運這件事感到憤怒。 圈內真正用心產出的好內容創作者本來就沒剩幾個，剩下這些珍貴的養分，還要被自己人搬運消耗，整個生態只會越來越乾。 在我看來，任何不尊重其他內容創作者的 KOL 都是垃圾，真的沒什麼好說的。 自媒體時代，優質流量就是錢，偷別人的內容就等於偷錢。把別人在 Threads 上嘔心瀝血寫出來的文字，搬到 X 這裡來領老馬的低保，就是純純的垃圾行為。 希望大家以後看到搬運的內容，不要再點讚、不要再轉發，直接檢舉就好。 流量是創作者唯一的回報，給對人，這個圈子才有未來。

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。

【大宗商品】中國黃金產量下滑 投資者對金條、金幣需求上升 根據中國黃金協會的數據，受安全檢查和停產影響，2026年第一季度中國黃金產量出現下滑。受原料產金下降7.08％的影響，中國國內原料和進口原料共計生產黃金按年下降3.27％至136.23噸。