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 根本優奈
根本優奈 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 根本優奈 的搜尋結果
女優: #北野未奈# 發行日期: 2024-07-12 番號: HMN-573 新上任專橫女社長,與年輕部下有婚外情,被看不起的邋遢大叔發現,威脅強上!被大力暴操抽插後,男友的力度根本沒有感覺,主動到大叔的垃圾窩,再操到流連忘返,成為大叔的母狗肉便器‼️
顯示更多
0
1
176
25
轉發到社區
AV男優有多難熬?入行四年的他告訴你! 即便現在資訊透明,很多人告訴你AV男優非常難熬,剛入行的時候不只工作不穩定,而且根本沒辦法和女優打炮—如果你認為那都是資深男優想要獨占工作的鬼話,那來看看這位AV男優四年級生的告白,讓他說說碰到了什麼狀況?現在過得好嗎?
顯示更多
今天拍這套好喜歡🔥頭頭根本擋不住好色🙈拍完整個房間都是色情交配的味道...讓人意猶未盡🥴很多好作品等不及要跟大家分享,預計八月陸續上架OF和FansOne,大家要鎖定R🔞XIE唷😘 最新消息會優先在✈️頻道公開,快加進來👇🏼! 聊天群有日常分享也別錯過!
顯示更多
0
6
191
8
轉發到社區
出席第81屆聯合國大會裁軍與國際安全委員會(聯大一委)中國代表團團長、外交部軍控司司長孫曉波8日在一般性辯論發言時說,美國執迷於絕對戰略優勢,持續通過“核共享”“延伸威懾”打造核聯盟,嚴重破壞全球和地區戰略穩定,在軍控和防擴散問題上奉行“雙重標準”,這是多邊軍控進程失速、國際防擴散體系受損的根本原因。
顯示更多
1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下? 不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 —— 訓練留在雲端,推論回到本地。 2/ 關鍵突破一:FP4 改寫遊戲規則 70B 參數的模型,用 FP16 要 140GB 記憶體; 換成 FP4 → 只要 35GB。 一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。 精度損失?用 QAT(量化感知訓練)幾乎可以忽略。 3/ 關鍵突破二:Memory Wall 正在被打破 LPDDR5X 頻寬不夠? •Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s •LPDDR6(2027)頻寬再翻倍 •NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構 桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。 4/ 關鍵突破三:你根本不需要 data center Data center 解決的是: ✅ 訓練 frontier model(兆級參數) ✅ 服務全球數十億用戶並發 個人需要的是: ✅ 一個跑得動 70B–200B 模型的本地大腦 ✅ 隱私、低延遲、不用月費 這兩件事根本是不同問題。 5/ 投資啟示 💡 •HBM 仍是訓練端王者(SK Hynix、Micron) •但邊緣推論晶片 + 高頻寬 LPDDR/統一記憶體會是下一個十年的新戰場 •NVIDIA DGX Spark、Apple Silicon、AMD Strix Halo、高通 X Elite —— 都在卡位 未來不是雲端 vs 桌面,是雲端做訓練,桌面做你的 AI。
顯示更多
#近觀中國【習近平:中俄是搬不走的好鄰居、拆不散的真夥伴】應中國國家主席習近平邀請,俄羅斯總統普京將於5月19日至20日對中國進行國事訪問。# 目前,中俄關係處於歷史最好時期。回望兩國關係發展歷程,元首引領始終是中俄關係高水平發展的最大優勢與根本保障。這些年來,習近平主席就中俄關係作出一系列戰略指引。
顯示更多
馬斯克哭喊「慈善被偷」,結果陪審團甩他一巴掌:早知情還拖這麼久?AI界這出鬧劇,簡直是「我捐錢你賺錢」的終極反轉劇。 X上熱議炸鍋。@De_Kyros直言:「陪審團根本沒碰使命背叛,直接以時效殺了案子。時機就是一切。」 @i_can_fix_bugs補刀:「Musk主張Sam Altman把非營利OpenAI轉營利,陪審團當庭判敗訴,法官立刻確認。」 @TheCBIJ報導:「陪審團認定OpenAI未違反非營利使命,馬斯克指控優先利潤而非人類利益,被駁回。」 @grok也點評:「這是加州時效規則,馬斯克早知情,2024年才告已過期。」 各方觀點拉扯:有人說馬斯克當初就同意營利,輸了控制權才翻臉;也有人嘲OpenAI拿捐款卻變商業巨頭。 @teshen8lin笑稱:「TOO LATE 😂 陪審團說你告太遲!」 @Donald_from_HI確認:「奧克蘭法庭不到兩小時就判OpenAI勝訴。」 @SpacingOut01總結:「純技術性勝訴,OpenAI與Altman不負責任。」 《網戰》老編看法:這案子表面是時效輸贏,骨子裡卻戳破AI大佬的偽善面具。馬斯克捐3800萬當初心非營利救人類,OpenAI卻轉身擁抱微軟資本,變身百億估值怪物。奧特曼反咬馬斯克想獨攬大權、自己也早知情,雙方證詞互撕得難看。說到底,AI不是誰的玩具,而是全人類命運。法律只判時效,道德卻永遠缺席。馬斯克上訴或許還有戲,但這場鬧劇提醒我們:再偉大的初心,碰上利益也得跪。網戰老編只想問一句——當AI真正超越人類時,誰還記得當初那句「造福全人類」? 網友們,你覺得馬斯克會上訴翻盤,還是這案子就此畫句點?
顯示更多
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。
顯示更多
0
51
980
166
轉發到社區