註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 成单展示
成单展示 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 成单展示 的搜尋結果
#成单展示# 老板当场说"跟她试试"认可度挺高!女生白上衣配粉裙子清爽利落、脸蛋精致长发披肩腿又细又直很抓眼,到早了就附近瞎逛也不催。老板突然说要开半小时会5点才得空,女生秒回那我等等吧你开会我在旁边多别扭超会共情。老板快散会前叫她准备刚好无缝衔接,这种拎得清的真心可贵。
顯示更多
#成单展示# 双方会合成功老板很满意!妹子浅色上衣搭配休闲裤清纯大方、五官精致笑容温柔腰细腿长很撩人,准时到达酒店守时又听话。老板提出酒店位置近我们马上让女生调整目的地更便捷,提前确认房间号询问电梯权限避免尴尬。我们从行程规划到门禁核实全程把关,靠谱服务才是硬道理!
顯示更多
#成单展示# 女生白色水手服配粉色百褶裙JK制服风爆棚、锁骨精致皮肤白净长发披肩很撩人,准时抵达在门口外面等着配合度满分!老板下楼后没看到人我们立刻说明女生在门口外侧,实时协调位置引导双方顺利碰面。这种二次元穿搭的妹子最难得,水手领蝴蝶结少女感拉满第一眼就心动了,JK制服真的绝了!
顯示更多
#交友展示# 男生说"挺好的妹妹",机场接人这单成了!女生白色T恤配牛仔裤清爽干净、长发披肩气质温柔很耐看,飞机提前到了我们立刻确认有没有托运行李。男生开车过来,我们实时同步位置,男生停好车后我们引导双方在航站楼碰面。找到后直接一起出去玩了,男生夸挺好的女生,这种异地接机最考验协调能力
顯示更多
之前做LLM推理芯片架构探索的时候,我把四大AI推理ASIC公司的架构都翻过一遍。Groq、SambaNova、Tenstorrent、Cerebras。前三家的思路虽然各有侧重,但底层逻辑都在同一个框架里:片上大SRAM + dataflow架构 + 确定性调度,核心差异在NoC拓扑、内存层级、编译器抽象这些维度上展开。 Cerebras是里面让我真正被震惊到的一家,而它却这四家里马上第一个拿到IPO结果的。 这家公司的选择比其他三家都激进一个量级:不做芯片,直接做整片wafer。 单颗WSE-3,21.5cm × 21.5cm的整片晶圆,90万个PE通过scribe-line stitching在物理上连成一片连续的silicon。这个工艺是Cerebras和TSMC联合定制的,把原本用于晶圆切割的窄条改造成跨reticle的金属导线,让所有reticle在物理上拼接成一整块芯片。(配图二展示了单颗WSE-3内部结构:左半边是整片晶圆的reticle网格和scribe-line拼接,右半边放大了单个PE的微架构。) 单个PE的结构极简:8-wide FP16 SIMD计算核,48KB本地SRAM直连,没有cache层级,所有数据访问都是确定性的单周期。加上一个5端口路由器(N/S/E/W + loopback),相邻PE之间的通信延迟也是单周期。关键在于,跨reticle边界的mesh在物理参数上和reticle内部完全一致,编译器和runtime完全不需要感知reticle边界的存在。 从LLM推理的视角看,这个均匀性的价值非常大。 LLM推理的瓶颈在decode阶段。每生成一个token,模型权重要被完整读取一次,计算量却很小,典型的memory-bound场景。GPU集群在这个环节的核心问题是数据搬运:HBM带宽有限,多卡之间还要经过NVLink → NVSwitch → InfiniBand → Ethernet四层互联,每一层带宽和延迟都差几个量级,编程模型必须显式处理每一层的拓扑边界。 Cerebras的做法完全绕开了这个问题。单片wafer内部fabric带宽27 PB/s,权重从外部的MemoryX存储集群通过SwarmX流入wafer后,在PE之间按数据流模式传播执行,同一套placement和routing算法跑遍整片wafer。(配图一展示了这个系统级架构:MemoryX参数存储集群到SwarmX互联fabric,再到底层最多2048台CS-3节点,权重广播和梯度规约的数据流方向一目了然。) 90万个PE各自带48KB SRAM,合计约42GB片上存储,每个PE对自己本地SRAM的访问是单周期确定性的,PE间通信每跳single-cycle,延迟和曼哈顿距离成正比。对于推理场景,前提是weight streaming的编译器能把权重有效地分配到对应的PE上,这42GB分布式片上SRAM的聚合带宽远超GPU的HBM方案,没有cache层级带来的访问不确定性,没有跨芯片搬运的开销。 回到我自己的体感。做推理芯片架构的时候,NoC拓扑和内存层级的权衡花了大量精力,因为芯片边界是硬约束,跨芯片通信的成本和片内通信之间永远存在断层。Cerebras的做法等于从片内通信的角度消除了这个断层,代价是整条制造和封装链都要重新定义。 这也解释了Cerebras的工程取舍。所有架构创新集中在wafer内部,scale-out方向直接复用100GbE + RoCE的以太网生态。wafer内27 PB/s对比跨CS-3的SwarmX在Tbps量级,几个数量级的差距全部交给商品化网络承担。推理场景下单wafer内部的带宽和延迟优势可以直接转化成token生成速度。 OpenAI选择和Cerebras合作做推理,从架构层面看逻辑是通的。大规模在线推理需要低延迟、高吞吐、确定性时延,这三点恰好是wafer-scale架构在片上通信均匀性方面的结构性优势。 但这套架构也有几个结构性的问题值得正视。 良率和成本是绕不开的。整片wafer做单颗芯片,任何一个reticle的缺陷都影响整体。Cerebras靠冗余PE和路由绕行来应对,但冗余比例和良率数据从未公开过。一片wafer的制造成本本身就远高于切割后卖单颗die的模式,叠加23kW、15U的单系统功耗和体积,部署密度和TCO在大规模推理集群的经济性上面临考验。 最关键的是KV cache的容量瓶颈。42GB片上SRAM看起来很大,但长上下文推理场景下KV cache随序列长度线性增长。以Llama 70B为参考,FP16下128K上下文的KV cache就要吃掉约40GB,即使做KV cache量化,长序列场景下的容量压力仍然显著。片上放不下的部分必须依赖MemoryX做外部存储,数据要经过SwarmX回传,这条路径的带宽在Tbps量级,和wafer内部27 PB/s的差距意味着长序列场景下decode速度会被外部带宽卡住。这可能是Cerebras在推理场景面临的最核心的架构约束。
顯示更多
0
45
270
47
轉發到社區
🎮社交金融 当社交信号(Social Signal)能直接触发链上执行,当代币发射能被「编程」设计,Web3 社交才真正开始释放其独有的金融爆发力。 Dapital @trydapital 【核心】: 将社交信号与链上执行无缝融合的 DeFi 交易体验。 很多人第一次注意到一个资产,其实不是因为研究报告,而是先在社区里看到别人讨论。Dapital 做的就是把这种社交发现直接变成原生的 DeFi 交易体验。社交信号和链上执行融合进同一个产品里,让观点、讨论、跟单和组合展示都在一个带有金融属性的社交网络中完成,真正让信息流同时变成资金流。 Flap @flapdotsh 官推 XHunt 排名:9231 【核心】: 支持社区激励与后续运营的“可编程”代币发射平台。 Flap 的定位是可编程代币发射基础设施,简单说就是让创作者、社区和项目方可以更灵活地发行、交易和运营自己的 token。Flap 强调 programmable launch:即代币发行后可以围绕社区激励、交易机制、创作者收益和后续运营做更复杂的设计。如果说 pump 类产品把发币门槛降到最低,那么 Flap 更像是在探索发币之后如何让代币和社区关系长期运转。 GEMINT @GEMINT 【核心】: 用链上结算重构传统集换式卡牌(TCG)的交易格式。 集换式卡牌游戏(TCG)是一个体量不小、但底层长期依赖物流和信任的市场。GEMINT 用链上结算和互动交易格式彻底重构这个市场的基础结构,目标是把传统集换式卡牌的收藏属性、稀缺性和交易属性搬到链上。它的看点在于把 Web2 玩家熟悉的卡牌消费体验,转化成可持有、可交易、可组合的链上资产。
顯示更多
🚀 Bitget CFD 跟單體驗全新升級! 看盤、跟單、管理部位 —— 所有操作一氣呵成,流暢度直接拉滿: ⭐️ K 線頁面直觀展示專家:在分析圖表時,能同步查看表現頂尖的交易專家,助你做出更明智的跟單決策。 📊 交易操作區部位管理再進化:全新的「跟單部位」專屬模組現已上線 —— 讓你一目了然,輕鬆掌控所有持倉狀況。 👉 現在就前往體驗,將你的跟單管理實力提升到全新高度! 👇公告詳情👇
顯示更多
一个 0 单的 AI Agent,和一个 100 单的 AI Agent,能力一样,客户会选谁?答案基本不用猜。这就是我最近上架 之后一直在想的问题。 原本以为把 Agent 的能力展示出来,等着别人来下单就行。 结果仔细一想,事情好像没那么简单。 一个刚上线、没有任何历史订单的 Agent,凭什么让陌生人愿意花钱雇它? 这让我想起自己之前做网站的经历。 有时候花了不少时间把功能做出来,自己用着也挺满意,结果发出去才发现,根本没几个人知道。 产品做出来是一回事,有没有人愿意用,又是另一回事。 以后 AI Agent 可能也会遇到同样的问题。 假设 上有一万个 Agent,大家都会写代码、做设计、分析数据。 客户凭什么找到你? 就算找到了,面对一个没有历史记录的新 Agent,又凭什么相信它能把活干好? 这也是我最近研究 TermiX 的 AACP 时,比较关注服务发现、任务竞价和信誉积累的原因。 如果未来 Agent 之间真的能自主接单、合作、结算,那新 Agent 怎么拿到第一单,可能会是一个很现实的问题。 毕竟谁都有第一次接单的时候,以后 AI Agent 可能不缺干活的能力,缺的是让别人发现自己、愿意给自己一次机会。 我现在也挺想看看,这套 Agent 接单的生态最后能发展成什么样。 感兴趣的朋友可以一起体验: 最后问大家一个问题,如果两个 Agent 能力差不多,一个已经完成了 100 单,另一个刚上线,你会愿意给新人一次机会吗?
顯示更多
0
76
57
0
轉發到社區
《一个 05 后,3 天 Claude Code,10 万单:深圳 AI 圈给我上了一课》 昨天去参加了“生财有术”航海家的深圳线下交流会,4个小时的交流体验下来,相对比于广州,深圳人真的好强、好卷、好厉害。 这次参会的大约有 100 人左右,现场分为 AI +不同主题的小组,每个主题大约有 12 个人左右,每个小组会分在不同的会议室,3个多小时后,每个小组总结出本小组最核心的观点,所有小组再次聚集到大会议厅,每个小组把本小组最核心的观点向大家展示,这种玩法挺新的,照顾到大家想学到不同的知识。 这次参会还有一个亮点值得一提,就是每一个新进的航海家可以随机抽取一名老的航海家,2个人有大半个小时的时间互相去了解对方有业务领域,这样就避免了新人进来不知所措的尴尬,同时也让新老成员之间有了更深度的链接。 这次聚会让我印象最深刻的就是两点: 1、一个21岁的小伙凭借刚刚用了3天的 Claude Code,做出了一个适合教师用的产品 ,客单价 9.9, 卖了10万单,收入近90万利润。 2、在我们小组内讨论出来的核心观点:AI时代,普通人最应该做的就是把自己产品化。 首先,这个05年出生的小伙,据他自己分享,初中还没毕业,对 AI 是零基础 , 他刚刚熟悉 Claude Code 三天的时间,就针对老师的需求,搞了一个叫“班级宠物园”的管理工具,在小红书上卖出了 10 万单,收入近 90 万。 在 AI 时代,大家开发产品的能力已经大大提升,很容易就能做出一款产品。但现在最缺的其实是找到客户的需求,找到创意点,这才是最重要的,也就是说,在当下的世界,只要你有好的想法,就相对更容易赚到钱。 其次,AI 时代普通人最应该做的就是把自己产品化,普通人用 AI 变现,重点不是追新的工具,而是把自己的经验、判断、方法等等,整理成可以被 AI 重复调用的系统。 比如,我们首先要做的是形成自己的知识库,将之前积累的文字资料全部分门别类地整理出来,存入 Obsidian 知识库中,形成我们自己的系统,随着你在各方面积累的越来越多,你自己的系统就会越来越强大。这个系统不单纯仅仅是一个资料仓库,而是真正在你未来的工作生活中起到很大的帮助。 举个例子说,像我平时每天都有好几个人过来问我各种各样的问题,如果单靠花时间一对一地回复,其实挺占用时间的,如果有这套系统后,可以把问题直接在我的知识库时咨询,系统就会按照我的认知给出回复,而这些回复,不像在那些外面的 AI 工具那样,只给你一些看上去很正确,但感觉又解决不了问题的回复,就比如现在的“生财有术”创始人亦仁的智能体,也就是我们大家所知道的 AI 亦仁,就是按这套逻辑去操作的。 接下来我也在努力创造这一套系统给我的付费学员去用,这样他们想问什么或者操作哪一个项目,其实只要在这个系统里面打出自己的问题即可。 所以我觉得在当下这个 AI 年代,很多事情只要你有想法,你就可以去实现,同时,在这个 AI 时代会不断出现很多很多的工具,我们也可以不着急,我们要做的就是先把自己变成一个 AI 智能体,再用 AI 来放大这个智能体。
顯示更多
HUNTC-562 🔞全裸組體操 學校體育館裡,一群青春學生被迫參加「全裸體操」課堂,從單純伸展動作開始,教練逐步要求跨腿展示、裸身彎腰、翹臀張開私處、男孩從後猛烈抽插;多人群交場面爆發,口交、騎乘位、狗爬式交錯,高潮呻吟與肉體撞擊,汗水體液四濺成一片淫亂狂歡 🎉
顯示更多
0
2
8.6K
435
轉發到社區