性爱小技巧：（女上位） 女上位是女生主动掌控节奏的姿势，男生平躺着，双腿自然伸直或者微微分开，女生跨坐在他的腰部，膝盖跪在床面上面对着他。女生可以把双脚踩在床单上或者放在男生大腿两侧，这样能让她更好地借力上下或者前后移动。男生双手可以自然放在她的腰上或者大腿外侧，随时帮忙支撑或者调整角度。女生双手可以撑在男生的胸口、肩膀或者床头，这样既能保持平衡，又能控制身体的倾斜程度。枕头可以垫在男生头下，让他更容易抬起头来亲吻或者低语。 温柔缠绵的时候，女生可以把身体微微前倾，让胸口贴近男生，同时用骨盆缓慢前后摇摆或者做小幅度的圆周运动。男生双手轻轻扶着她的腰，帮助她保持稳定的节奏，而不是用力拉扯。女生可以把一只手放在他的胸口感受心跳，另一只手捧着他的脸或者脖子，慢慢低头亲吻。亲吻时两人脸贴得很近，可以用嘴唇轻轻触碰和吮吸，舌头温柔交缠，同时保持眼神交流。男生可以把嘴巴移到她耳边，低声说一些温柔的话，比如「你这样动好舒服」「慢慢来，我喜欢看你这样」，或者描述她现在的感觉。女生可以把身体往前倾一点，让阴蒂更容易摩擦到他的耻骨，增加持续的刺激。动作要保持缓慢而有节奏，每一次前后摇摆都尽量让两人身体贴合得更紧，男生可以配合着微微向上顶一下，但力度要轻，避免打断她的主导感。整个过程重点是双方呼吸的同步和亲密的贴合，女生可以偶尔停下来只是前后磨蹭，男生则把脸埋在她脖子或耳边，轻轻喘息和低语，让温暖的气息传递过去。 激烈一点的时候，女生可以把双膝跪得更稳，双脚用力踩在床面上，身体开始上下套弄或者前后快速摇摆。男生双手可以抓住她的腰或者臀部，帮助她上下移动，同时用手臂力量把她往下按得更深。女生双手可以撑在男生胸口或者抓住他的肩膀，身体前后倾斜来调整角度，让进入更深或者刺激到不同位置。亲吻会更用力，男生可以突然坐起来或者把她拉低，用牙齿轻咬她的下唇再用舌头安抚，嘴巴也可以移到她耳边，用更低沉的声音说一些直接的话，比如「再快一点」「你好紧」，或者问她「这样行吗」。节奏可以从缓慢开始逐渐加快，女生可以自己控制速度和幅度，男生则配合着向上顶或者用手拍打她的臀部增加刺激。现实中很多人喜欢在这个姿势里加入手部互动，男生可以把一只手伸到两人之间，用手指揉她的阴蒂，或者女生自己用手去触碰他的身体。整个过程要随时沟通，女生可以直接说「这里好舒服」「再深一点」，男生也可以问「要不要我帮忙用力」，这样双方都能更好地享受快感，避免因为疲劳或者角度不对而影响体验。 这个姿势最大的优点是女生能完全掌控深度和节奏，也很容易保持亲吻和耳语。刚开始练习的时候建议女生先从缓慢前后摇摆开始，找到最舒服的角度后再加快速度。男生要注意不要一直用力顶，要配合女生的动作，避免让她太累。记得多用双手支撑和调整姿势，女生如果膝盖酸了可以把一只脚踩在床面上换个姿势休息一下。随时沟通角度和力度，才能让双方都舒服持久。

OpenAI 跟 Cerebras 那笔 750MW 的合同今年 1 月签的，1 月份报道的合同价值超过 100 亿美元，后来 S-1 招股书披露的 Master Relationship Agreement 总价值超过 200 亿美元（包含到 2030 年的扩展选项）。第一个产品 2 月 12 日就上线了，叫 GPT-5.3-Codex-Spark。这个产品本身就是 Cerebras 推理引擎实战表现的一份成绩单，可以从几个方面做具体判断。 吞吐方面，Codex-Spark 在 WSE-3 上跑出 1000 tokens/秒以上，标准 GPT-5.3-Codex 跑在 GPU 集群上约 65 tokens/秒，速度差距 15 倍。Cerebras 自己在 gpt-oss-120B 这个开源模型上能跑到 3000 tokens/秒，是当前所有商用推理服务里最高的吞吐。第三方 benchmark 横向对比，同样 gpt-oss-120B 模型在 Cerebras 跟在普通 GPU 推理后端的吞吐差大约 10 倍。这个 10 到 15 倍的实测差距，跟物理层面 Cerebras SRAM 21 PB/s 对比 H100 HBM3 3.35 TB/s 那约 6300 倍带宽鸿沟之间，还有几百倍的 gap，被软件栈、工作负载、batch 处理这些系统级因素吃掉了。 延迟方面，1000 tokens/秒对应每个 token 1 毫秒生成间隔，这个速度的硬件能力反过来暴露了 OpenAI 自己推理 stack 的瓶颈。OpenAI 在 Codex-Spark 上同时引入了持久 WebSocket 连接和 Responses API 重写，每次客户端服务端往返开销减少 80%，per-token 开销减少 30%，time-to-first-token 减少 50%。原来 OpenAI 的整套推理服务架构是按 GPU 推理"几十毫秒一个 token"那个延迟尺度设计的，跟 Cerebras 1 毫秒每 token 的硬件能力对不上，软件栈的开销反而成了瓶颈。Cerebras 的速度让 OpenAI 必须重做整个 web 层，硬件能力升级倒逼软件栈重构。 成本方面，Cerebras 的硬件成本优势目前还没有被公开定价验证。Codex-Spark 只对 ChatGPT Pro 200 美元/月订阅用户开放，API 定价至今未敲定。OpenAI 选择高 ARPU 订阅档而不是开放 API 定价，意味着单位推理成本仍然显著高于普通 GPU 推理服务，需要靠 Pro 订阅的高客单价摊薄 Cerebras 的硬件固定成本。如果 Cerebras 真的便宜过 GPU，OpenAI 应该敢把 Cerebras 后端的 API 价格直接公开。延迟披露 API 价格这件事，可以理解为 cost-per-token 还没真正击穿 GPU 推理的成本曲线。作为参考，Cerebras 自己的推理云上 gpt-oss-120B 定价是 $0.69/M 输出 tokens，GPT-4o 的 API 售价是 $10/M 输出 tokens，但两者模型规模和能力差距很大，不能直接对比。 但 Cerebras 的这套东西有几个关键的约束条件，框定了它现在能做什么、做不了什么。 第一是模型大小限制。Codex-Spark 是蒸馏后的小模型，被显著压缩才能跑进 WSE-3 的 SRAM。WSE-3 的片上 SRAM 只有 44GB，frontier model 的参数量远超这个容量，必须做剪枝或蒸馏才能装得下。换速度的代价是损失约 19 个百分点的模型能力，Terminal-Bench 2.0 上 Spark 约 58% vs 标准 Codex 77.3%。这是 weight streaming 在工程上仍然不够好的旁证，OpenAI 选择用蒸馏小模型而不用 weight streaming 跑大模型，说明前者目前在工程上更可行。 第二是容量限制。Codex-Spark 目前是 research preview，OpenAI 明确说明"由于运行在专用低延迟硬件上，使用受独立速率限制约束"。这个表述基本等同于承认 Cerebras 容量稀缺。750MW 全部部署完需要数千台 CS-3，对应 Cerebras 的整机产线是巨大的扩产挑战。这也是招股书里 RPO 约 246 亿美元有 85% 要到 2028 年之后才能确认收入的根本原因，硬件交付的物理速度限制了营收节奏。 总结来说，OpenAI 这笔交易对 Cerebras 是阶段性胜利，但远没到终局。技术验证层面，Codex-Spark 证明 WSE-3 在中小模型推理上确实能做到 GPU 做不到的速度，这一点产业内已经形成共识。但商业兑现层面，Cerebras 还要解两个核心问题。一是大模型推理的 SRAM 容量限制，OpenAI 用蒸馏小模型而不用 weight streaming 跑大模型，说明 weight streaming 当前还撑不起完整的 frontier model。二是规模化部署的速度，每台 CS-3 都要一片完整的 5nm 晶圆和一套非标准化的整机集成流程，年产几千台 CS-3 是相当具体的工程瓶颈。 对国产推理芯片的同行来说，这件事还有几个很具体的工程信号。 端到端延迟优化的价值正在被产业重估。OpenAI 重写整个 Responses API 说明硬件再快，软件栈跟不上的话推理体验仍然受限，专用推理芯片的价值要靠端到端的延迟优化才能完全释放。 蒸馏在产业部署里的实际重要性远超学术讨论的程度。OpenAI 这种规模都要为了跑 Cerebras 专门蒸馏模型，说明专用推理硬件 + 专用蒸馏模型这个组合是接下来一段时间的主流形态，单纯的"通用推理芯片"在竞争中会比较吃亏。 1000 tokens/秒正在成为 Agentic AI 工作流的新基准。慢于这个速度的推理硬件在交互式 agent 场景下会被边缘化，这个速度天花板对国产推理芯片是一个相当严峻的目标。 Cerebras 当前展示的能力是真实的，但商业化释放节奏被产能和工程瓶颈卡住了。研究 Cerebras 的真正关键，一是看它在 2027-2028 年能不能把 750MW 真的部署完，把 RPO 真的转成营收；二是看它能不能在 OpenAI 之外签下新的推理大客户。AWS 的 CS-3 上架是一个信号，但目前还没有第二个 OpenAI 量级的合同出现。从 G42 依赖到 OpenAI 依赖，客户质量在提升，但集中度的风险结构没有改变，只有客户组合真正分散了，估值里的风险溢价才能消化。

曾经我思考我过一个问题，毛泽东的持久战与古德里安的闪电战如果在同一个战场遇见，谁赢谁败。 当然，我们需要明确一个核心前提： 持久战是一种战略理论与全局思想， 而闪电战则是一种战术与战役层面的突破手段。 我认为，如果单纯看开局和中前期，古德里安的闪电战几乎一定会占据绝对的上风。 古德里安强调将装甲力量集中使用，配合空军，以极高的速度穿透敌方防线，切断后路，形成包围。 而在战役初期，闪电战可以在极短时间内击碎对手的指挥系统和战线防御。 如果持久战力量在初期选择与古德里安进行大规模正面决战、阵地战，结果必然是被闪电战的机械化洪流迅速摧毁。 然而，毛泽东的《论持久战》最厉害的地方，在于它的核心逻辑是。 空间换时间，人民战争，游击战与运动战结合。 如果闪电战没能在第一波冲击中彻底毁灭敌人的抵抗意志，这场战争就自动进入了持久战的节奏。 不过，如果古德里安拥有现代信息化战争能力，而毛泽东仍然使用传统持久战思维，那么古德里安会赢得非常快。 不过，历史上这场对决真实发生过，就是巴巴罗萨。古德里安在明斯克、斯摩棱斯克、基辅打出人类战争史上最漂亮的合围，俘虏以百万计——然后，输掉了战争。 原因是德军的作战半径有硬上限。离铁路终点约五百公里，坦克开始趴窝，补给跟不上。苏联的纵深大于德军的臂展。反过来看1940年的法国，法军主力未被歼灭，但政治意志先于军队崩溃，因为法国没有可交换的空间，也没有把战争降级为人民战争的意愿。 所以，我认为，决定胜负的是被打的那个社会到底是什么结构。 闪电战是在赌对方脆弱，持久战是在赌自己耐久。它们各自面对的，其实是一个关于对手性质的假设。 而持久战的第三阶段，战略反攻，形态上就是闪电战。1944年的巴格拉季昂行动、1975年北越装甲纵队冲进西贡，都是拿到了物质条件之后执行的深远突击。 毛的框架里，古德里安的闪电突袭，大概率可能是终局所必需的那件工具。

最近市场回暖，优质项目值得重新审视！ 例如 @0G_labs 这类熊市在build的项目，并且还是AI风口的基建 去年7月0G刚推出 107B的时候我写过，到现在 DiLoCoX-107B已经成为全球最大的去中心化AI模型 但是别忘记，0G 是专为 AI Agent 构建的区块链 像今年 OpenClaw 这类产品出来之后，AI 可以有长期记忆并且自动运行 但Agent 如果真的要长期在线，还需要算力、记忆力、执行等等基建 📌这个时候 0G的Aristotle 主网就派上大用场了 Aristotle 可以给 AI Agent 提供的就是三样东西：可验证算力、持久化记忆、链上结算 0g 刚好卡位在 AI 非常关键的这一环，接住 Agent 真正跑起来需要的底层 再往下看，0G 不只是主网上线这么简单 它其实是一整套东西一起摆出来的：0G Chain、Compute Network、Storage、DA 尤其是 DA 这一层，官方给的数据很猛，速度比以太坊快 50,000 倍，成本低 100 倍 非常夸张，想象一下如果真的要商用，肯定避免不了大规模的吞吐，这个时候 DA 层的重要性就出来了 因为 Agent 不是发一两次请求就结束，它会持续读数据、写数据、调模型、存记忆，还可能反复触发链上动作 再看生态这边👇 像 Ghast AI 这种产品，已经开始把 0G 的能力往上接 它本身就是 0G 原生项目，走的是链上版 OpenClaw 这条路，浏览器插件已经上线，社区也在做邀请码和积分活动 更关键的是，它不只是做一个普通助手，而是想把个人 AI 记忆变成可以沉淀、可以拥有、甚至可以交易的东西 对了，最近还有个重磅信息，ZeroStack 1.07 亿美元的 0G 代币融资协议 交易完成后 ZeroStack 预计会持有接近 21% 的 0G 总供应量 总结起来就是：上面是越来越具体的 Agent 产品，下面是算力、记忆、结算、DA 这些底层 加上最近还有资本进入，这也是 0G 现在更值得重看的地方

最近看了一篇 career advice 的长文。作者是一家 fully agent-native 公司的 founder，之前在 Scale、OpenAI、Google 都待过。 之前也跟一些行业内的研究员聊到过一个问题：如果你有小孩，在 AI 时代准备怎么教育他？确实啊，AI 把活都干得七七八八了，该让孩子学什么、卷什么？ 借着这篇，聊聊我们自己的看法/建议。 1、把注意力放在真正稀缺的资源上 那篇长文里有个细节，我觉得很真实。作者当年手里有量化的 offer，保底现金高不少，但他选了 Scale AI，因为喜欢那里的社区，也想接触不同的产品和应用。后来正是通过 Scale，他认识了做 LLM inference 的那批人，才有了 DeepMind 和 OpenAI 的机会。当年的同事，现在也成了一圈 Scale 系 founder。 回头看，这些人脉和学习机会带给他的东西，远超 quant 多给的那点现金。 他的观念是：现在拿钱比任何时候都容易。vibe-coding 时代，找个快速赚一笔的机会不难。但真正稀缺的，是别人真实的时间，是牢固的人际关系，是你做成过事之后积累的声誉。 我周围也有些朋友，之前不在 AI 圈，但这两年一头扎进来，逐渐走到更核心的位置。他们放弃了安稳打工的收入，选择在 AI 圈摸爬滚打。要的就是这些稀缺资源。 2、学会找题 AI 最先替代的，是定义清楚、可以评分的任务。学校过去训练的大多也是这种能力：题目已经有人出好了，你负责把答案做对。 但 agent 越来越强之后，真正拉开差距的会是：你能不能发现一个值得解决的问题，能不能判断该把多少时间、token 和资源投进去。 答案越来越便宜，好问题越来越贵。 所以如果问 AI 时代该怎么教育小孩，我觉得至少要让他长期待在真实的问题里。自己做项目也好，研究一个没人布置的题目也好。找题的能力不是上课教出来的，是在一次次选错、做砸和重来里长出来的。 3、用 bitter lesson 选公司 Rich Sutton 那篇 bitter lesson 说的是：通用方法加 scaling，最终会赢过任务特化的优化。这条规则拿来选问题、选公司，同样适用。 公司和职业的回报从来都是幂律分布，AI 只是把走到结果的速度加快了。现在写软件门槛这么低，谁都能搭个简单系统，真正持久的价值只会来自对足够有野心的问题的极致专注。 选公司就问两件事：它做的是不是这个问题最有野心的形态？它有没有真的解掉的可能？ 选岗位就问一件事：这个位置能不能让你直接在公司要解决的那个问题的最前沿干活？ （当然，上述说的是最理想的版本。如果暂时进不了最核心的位置，也看这个岗位能不能让你逐渐靠近核心问题） 4、最后一英里，用冲刺跑 红杉的 Alfred Lin 写过，最后 10% 是 90% 的工作量，也是 90% 的回报。 AI 把结果两极化了，因为中位数水平就是一个 agent 拿着随手写的 prompt 能吐出来的东西。价值只能来自你对某一小片问题的独特视角，或者对细节的执着。 最后一英里靠迭代。而且 coding agent 进步太快，经常更好的做法，是带着上一轮的教训，直接用下一代模型从头再来。 5、xG 和射门效率 足球里 xG（预期进球），衡量一支球队按机会质量算应该进几个球；效率，则是把机会真正转化成进球的比率。 职业生涯很长，不是每个高 xG 的机会都必须抓住。但你得先让自己站在能看见这些机会的位置。 不过人生到某个阶段是要进球的，不能光看见机会，临门一脚的效率也重要。他复盘自己的职业选择时说，大部分决定都做对了，但后悔没有在做决定前，多花一点时间收集信息。 6、researcher 是心态，不是职业 说实话，现在做 research 的门槛前所未有地低。你不需要先进入前沿实验室，才能开始做研究。先大量使用模型，再把直觉沉淀成 evaluation。 前沿实验室里研究员的日常，无非是好奇心驱动着探索新想法，跟 infra 搏斗着把想法实现，把整个系统理解到足够细以便高效 debug、再把结果的价值讲清楚，去换更多算力。 这些事，你不在前沿实验室也全都能做。 所以我越来越觉得，researcher 是一种心态，不是一种职业。这是我整篇文章最想送给大家的一句话。 世界仍然充满机会。解锁的钥匙就是找到有意思的问题，然后交付超出预期的结果。就这么简单，也就这么难。

新一代股神 SITUATIONAL AWARENESS 的 Q1 13F 来了 可能很多人要失望了，几乎没有财富密码，最大变化是从“股票 + Call 多头”变成“股票 + 大量 Put 对冲”，62% 都是 PUT, 放在 Q1 价格高位 + 战争的背景下，到也能够理解 最大的三个 Call $SNDK , $BE 和 $CRWV ，清仓了所有光 4 月份这波上涨, 他大概率也做了调整，但没有显示在文件里 这个操作肯定不能照抄，市场变化这么快，但可以学习思路，股神觉得什么样的价格是过热了 完整链接放在评论区

《Base 发布“罪己诏”：三年路线，被 Robinhood 两周打醒？》🧐 最近两周，Robinhood Chain 活跃地址快速增长，甚至突破百万级别。 相比之下，上线已满 3 年的 Base 背靠 Coinbase、拥有美国合规优势、千万级用户入口，本应该是最有机会成为普通用户上链入口的 L2。结果现在正在被一个刚上线的新链快速追赶。 这也解释了为什么 Base 生态正在频发「罪己诏」，表示开始调整方向。 过去 Base 花大量资源押注： SocialFi Creator Economy 但市场反馈显然没有达到预期。 随着 Cobie 接管 Base App，Coinbase 的战略棋局开始重置。这不仅是对过去“拼图式”发展路线的反思，更是一次对未来加密主旋律的深度探寻。 长期以来 Coinbase 更习惯于通过投资、收购成熟产品，快速补齐生态拼图。 然而这些独立的产品线始终难以形成合力。如今，Base 的目标变得清晰：不再分散扶持单一应用，而是将钱包、社交、交易、投资与内容分发深度整合，全力冲击「Super App」这一终极叙事。 这深刻勾勒出了 Coinbase 与 Binance 在基因层面的分野，两家巨头从起点开始，便选择了截然不同的扩张逻辑。👇 1️⃣Binance 的打法更像传统互联网平台：自己培养生态里的创业者。 Binance 会提前介入项目早期，提供资金、流量、市场资源，甚至帮助项目完成冷启动。 本质上是一套： 投资项目 → 输送用户 → 项目成长 → 反哺 BNB Chain → 强化 Binance 生态 的闭环。 所以 BNB 生态里很多头部项目，都带有明显的 Binance 基因，比如： StandX @StandX_Official U @UTechStables Predict fun @predictdotfun 2️⃣ Base 的打法更像典型的硅谷公司：通过资本和并购快速获得用户入口。 Coinbase 更擅长发现已经验证过的产品，然后通过收购或整合，把它们纳入自己的生态。 用户 → 社区 → 产品能力 → 生态网络，这种方式类似 Google 收购 YouTube、Meta 收购 Instagram。 优势是速度快，可以绕过早期试错阶段。 例如： Vector @VECTORDOTFUN Echo @echodotxyz Deribit @DeribitOfficial Biteye系统梳理了下图所示的几个核心赛道，对比了Base与BNB Chain目前的生态布局👇 可见，Base 真正面对的问题，并不是缺少项目，而是缺少一个能够把这些项目连接起来的统一入口。 随着竞争进入下半场，左有冲击 IPO 的 Kraken，右有刚刚证明了用户上链能力的 Robinhood，留给 Base 的窗口期正在不断缩小。Super App 最核心的能力，一个能够承载交易、社交、内容和投资的钱包入口，恰恰是 Base 目前最薄弱的一环。 收购可以买来产品，但买不来整合能力。即便 Cobie 是加密行业最懂用户的人之一，但懂用户与打造一个亿级用户的超级入口，依然是两个完全不同的命题。 Base 能不能成功，目前尚无定论，但 Robinhood 用两周时间证明了一件事：Crypto 的入口之争已经开始加速。 过往留给 Base 链三年的试错时间，未来可能只剩下几个月。