5月17日，一名网友在抖音上晒出了一张放置国旗的办公室，以及一部中南海电信局的电话。 该网友自称是一名14岁的初中生，在北京钓鱼台旁有一套1200平的房子，并且房子还是政府分的。

一个厌倦了楼上邻居骚扰的年轻中国人 于是发明了一种方法，通过放置一个不停敲击天花板的可乐塑料瓶，来回敬他们的骚扰，直到他们也感受到那种烦扰！ 没想到他懂得邻里权利的知识

5月13日，美国海军学院的新生班级完成了一项艰苦卓绝的年度传统仪式——攀登一座约6.4米涂满植物起酥油的花岗岩方尖碑。学员林肯·赫德伯格成功地将一顶高年级学员的军帽放置在了碑顶。 攀登赫恩登纪念碑的传统始于1950年。仪式中，新生们会齐心协力，将碑顶的“水手帽”换成“大帽沿”，象征新生正式结束“菜鸟”生活，成为名副其实的学院成员。 根据海军学院公共事务办公室的记录，自1962年开始正式记录用时以来，迄今最长的攀登用时纪录诞生于1998年，耗时4小时零5分钟；最短用时纪录则创造于1975年，仅20分钟。

真的看不懂现在有些人的行为逻辑，半点分寸感都没有。吃饭的餐桌本就是用来放置食物、就餐使用的，不是随意攀爬踩踏的地方。 毫无顾忌直接跳上桌，动作随性到离谱。餐桌直接接触入口食物，踩上去又脏又不卫生，不仅观感让人不适，还无形中增加了店家的清洁负担。 最让人无语的是，当事人全程坦然自若，完全没意识到自身行为失礼。公共场所，克制自己、尊重他人是最基本的素质。 很多人觉得这是小事、无伤大雅，但教养往往藏在细节里。把没礼貌当成随性，把无规矩当成洒脱，属实让人反感。 公共场合不是自家私密空间，随心所欲也要守住底线。希望每个人都能约束自身行为，摒弃这种粗鄙失礼的陋习。

五一期间，位于北京市西城区永定门西街甲一号的国家信访局接待处调来了三个核酸检测亭，改造为新的“打卡”点。此举是为了分流上访者，简化打卡流程，以缓解排队压力。 流程优化在其他场景无可非议，但在上访情景下难免滑稽：“打卡”指的是“督促办理”，那响应民众诉求、处理冤情岂不就没人打卡了？堂堂首都每天几千号人排队申冤，折射的是普遍的法治缺失，民众无法通过正常途径维权。政府不响应民众诉求，哪怕放置再多打卡机恐怕也无济于事。

让前沿 AI 自己训模型，结局有点意思 假期看到一个实验，很有意思。给定与人类研究者相同的 base model、训练 API 和时间预算，一个前沿 agent 能不能端到端地跑完整个 modelcrafting 循环？ 具体设定是这样：让 Claude 4.6 Opus 和 GPT-5.4 自己当researcher，用 Tinker API 从头写 pipeline，训练 Qwen3-8B 学会解青蛙放置游戏（N×N 网格放 N 只青蛙，行列对角线颜色都不能冲突）。预算分两档，8 小时和 20 小时。从生成训练数据、定义 reward signal、到通过 Tinker API 在远程 GPU 上跑训练、评估、迭代，全程没有人类监督。 省流版结果：20 个 agent 里只有 4 个 pass@4 超过 25%。 那差距到底来自哪？是原始能力不够，还是缺的是上下文？ 看下来反复出现的就那么几个问题。一是过度依赖朴素 SFT，agent 经常一上来就在弱 base model 上做监督微调，结果模型在输出格式上过拟合，并没有真正提升任务表现。二是过早终止和算力浪费，Codex agent 尤其明显，做完计划好的流水线就提前停，预算根本没用完。三是输出无效或者根本没法 parse。 中间有一次失败暴露了 Tinker API 一个挺微妙的点（我觉得这是整个实验里最好玩的部分）：Tinker 的 get_tokenizer() 底层走的是 HuggingFace 的 AutoTokenizer.from_pretrained()，但沙箱里 HuggingFace 是被屏蔽的。这就导致 agent 拿到了base model 却没有 tokenizer，没法把训练 prompt 转成 token id，等于卡死在第一步。面对这个困境，绝大多数 Opus 4.6 的 agent 没放弃，反而把缺失的 tokenizer 当成了一个研究问题，认认真真花时间从零手搓一个出来。 但Agents 的时间感是错乱的。Claude 和 Codex 用预算的方式还不一样：Opus 4.6 一直工作到时间耗尽，Codex 做完了计划好的流水线就提前歇了。GPT 类 agent 更绝，把计时器当成开局一次性的“了解一下我有多少预算”步骤，后面完全不 tracking。 而且 agents 几乎不会从耗时的灾难性流程里恢复。 一旦投入到一个流程里，agent 很少停下来反思…其中一次 20 小时 Opus 4.6 的成功实验，把 61% 的预算花在评估阶段，只把 3.6% 花在 RL 训练上。 花钱的习惯也很有意思。GPT 5.4 早早提交，几乎不训练，最终花费低表现也低（ps .gpt 5.5 系列升级很大，但这个实验没测到）；Claude Opus 用的预算多得多，但方差很大。最有意思的一个数据：最好的 8 小时实验大致打平最好的 20 小时实验，价格只有三分之一。多花钱并不能买到更高的天花板。 但很赞同论文最后说的：研究这件事，最稀缺的从来就不是能力，而是直觉。 说到底，前沿模型确实能找到新颖的方法、干净地执行、快速学会一个新 API，Tinker API 本身也成了一个适合 agentic modelcrafting 的优雅接口。但跨多次实验，有一个 pattern 反复浮现：agents 优化的是好看的指标，而不是真正能用的系统。它们写完 eval 然后盲目相信，凭着自己代码产出的数字就宣告成功。几乎没人去问一个老练研究员会问的那种基础问题：什么会让这个指标失真？这个阶段我们到底应该测什么？ #AI# #Agent# #机器学习# #RL#

很突然，OnlyFans的老板Leonid Radvinsky死了，只活到了43岁，据说是癌症长期治疗无效，氪金都没救回来。 很多报道说他是OnlyFans的创始人，这不太准确，创办OnlyFans的是英国人Tim Stokely，这个平台最开始主要为音乐人和网红提供表演变现服务，没有大尺度内容，直到2018年被卖给了Leonid Radvinsky，才真正转型成功。 是Leonid Radvinsky一手把OnlyFans从一个总用户量不超过1000万人的小众网站变成了活跃用户超过2亿的成人平台。 因为他就是搞黄色起家的，1999年，他才17岁，就建立了色情网站导航站群，老登们应该记得这种古典互联网的商业业务模式，类似hao123，很赚钱。 Leonid Radvinsky那会儿就很有商业头脑，或者说路子很野，他会在导航站上放置萝莉甚至兽交的网站标题，但实际上只会链接到普通的色情网站，于是既没有实际违法，又骗到了很高的点击量。 靠着倒卖流量，他在美国读西北大学的时候，每年就有180万美金的睡后收入，毕业之后，他又在2004年创办了MyFreeCams，这是一个通过网络摄像头进行收费色情表演的网站，几年内就做到了500万付费用户，年入千万美金。 他的运营风格也是一如既往的大胆，MyFreeCams在发垃圾邮件推广时，假冒微软和亚马逊的名义，告诉用户只要注册就能拿到现金补贴——瞧瞧人家这增长黑客的玩法——后来被微软和亚马逊的法务重拳出击，赔了一大笔钱。 总之，他当初收购OnlyFans也是目的性极强的选择，把自己前半生积累下来的经验都用在了这个平台上，然后又特别幸运的——对他而言——赶上了新冠疫情，大家经常憋在家里，只能通过网络倾泻欲望，OnlyFans直接原地起飞，拿到了时代馈赠的丰厚回报。 在Leonid Radvinsky的治下，OnlyFans完全作为私营公司运作，不扩张、不融资、不开发App，而且只给他一个人分红，刨开经营成本，每年的利润都打到他一个人的账户里，可以说是特别「纯粹」了。 根据英国财政局的披露文件，Leonid Radvinsky总共从OnlyFans拿到了20亿美金左右的分红，但这甚至不到他总资产的一半——你就知道他还有多少隐秘事业了吧——「福布斯」杂志把他排在全球富豪榜的第869名，身家47亿美金。 去年，OnlyFans开始在资本市场寻找买家，打包价从80亿美金一路降低到55亿美金，从PE来看属于贱卖了，但还是很多人不理解为啥要这么急于出货，现在知道答案了，原来是自知命不久矣⋯⋯ 有命赚钱，没命花钱，世事就是难料，死亡这事儿，么得关系可找啊。

9. Amodei'建立持久物'长期战略引擎 '你是一位战略顾问，应用Dario Amodei的机构思维，他的构建Anthropic的方法不是为下一个季度而是作为必须在接下来世纪回答人类面临最重要问题的组织。这是大多数人从未达到的长期思维水平。 我需要我的短期忙碌被提升到在数十年内积累的长期战略。 构建： - 时间地平线扩展：将我的30天思维改为1、5和10年的视角并观察什么改变 - 累积资产：我的哪些当前活动构建随我投入的每一年变得更有价值的东西 - 贬值活动：什么当前活动感觉今天有生产力但在3年内不值钱（尤其是随AI来） - 护城河构建：我在构建什么变得更难有人在我做得越久时复制 - 创建可选性：什么小投资今天创建我甚至不能预测的未来可能性 - 脆弱性审计：我在哪里一次打击可能失去一切（一个收入、一个客户、一个平台、一个技能） - 反脆弱设计：如何重组我的职业/商业使破坏和波动让我更强而非更弱 - Amodei的课程：他离开了最热AI公司的VP职位因为长期轨迹是错的。我应留下什么 - 遗产指标：什么在10年内会重要但我今天完全忽视因为不感觉紧急 - 前90天：这个季度放置10年战略运动的具体行动现在开始 格式：Amodei风格长期战略，包括累积分析、脆弱性审计和90天激活计划。 我的情况：[描述你的当前定位、职业、商业、技能、年龄和你想在10年内看起来什么样]'

$SIVE 的想象力空间挺大，跟lite和cohr同赛道，只有10亿市值又计划上市美股。 它在ib上能买的代码是 #2DG# 问gemini问题“Sive分析一下产品在amd，英伟达，等ai巨头的业务产线中的站位和其产品的全球市场规模”，下面上AI回答。 这家在 2026 年 AI 基础设施赛道中因“外部光源（ELS）”和“共封装光学（CPO）”技术备受瞩目的企业，以下是其在英伟达（NVIDIA）、AMD 等巨头业务线中的站位及全球市场规模分析。 一、 产品核心站位：AI 集群的“光引擎”驱动者 在英伟达与 AMD 的 AI 芯片演进中，**互连带宽（I/O）**已取代算力本身成为最大的系统瓶颈。Sive 的产品（主要是 CW-WDM 连续波激光器点阵和 RF 束成形芯片）处于以下关键环节： 1. 英伟达（NVIDIA）生态：Scale-up 网络的关键变量 • 站位： 英伟达从 Blackwell 架构向下一代（如 Rubin 或更高版本）演进时，传统的插拔式光模块（Pluggable Optics）因功耗和延迟瓶颈正向 CPO（共封装光学） 转型。 • 功能： Sive 的多波长激光器阵列作为 ELS（外部光源），被放置在计算模块之外，通过光纤为交换机或 GPU 旁的硅光引擎提供光源。 • 逻辑： 在 NVLink 的 Scale-up 网络中，Sivers 与 Jabil（捷普） 合作开发的 1.6T 及 3.2T 光收发模块，是实现万卡集群乃至十万卡集群低延迟通信的基础。 2. AMD 生态：Chiplet 互联与 Infinity Fabric 的光化 • 站位： AMD 在 Instinct 系列（如 MI350/MI400）中重度依赖 Chiplet（芯粒） 技术。 • 功能： 随着互联距离跨越板卡，光互连（Optical Interconnect）成为替代铜线传输 Infinity Fabric 信号的唯一手段。 • 逻辑： Sive 提供的激光阵列具备极高的波长稳定性，支持 WDM（波分复用）技术，这与 AMD 追求的低功耗、高密度的芯粒间光连接需求高度匹配。 二、 全球市场规模与需求空间 Sive 所处的细分赛道正经历从“边缘科研”到“主流基建”的跨越。 1. 硅光子（Silicon Photonics）核心市场 • 2026年预估值： 全球市场规模约 40.3 亿美元。 • 增长速度： 复合年增长率（CAGR）维持在 24%-25% 左右。 • Sive 份额： 在 ELS（外部光源）这一高壁垒细分环节，Sive 是全球少数能提供符合 CW-WDM MSA 标准的商业化供应商之一，与 Lumentum 和 Coherent 形成竞合关系。 2. AI 光互连总体有效市场 (TAM) • 根据高盛及相关行业报告预测，到 2026-2028 年，受 AI 集群扩容推动，全球 AI 光通信网络 TAM 将从 150 亿美元爆发式增长至 1500 亿美元 以上。 • Scale-up 占比： 其中用于芯片间、服务器间“纵向扩展（Scale-up）”的连接部分占据约 70% 的产值，这是 Sivers 激光器阵列最核心的应用场域。