投机解码的 drafter 从来都是一个 token 一个 token 地猜。做出 DFlash 的推理公司 Inco AI 说这没必要：正确的 token 本来就在候选列表里，整块并行预测之后挑出一条连贯路径，输出不变，每次验证多赚一个完整的 token。 《DFlash 2：保持并行起草》 推理是 agent 时代的瓶颈。agent 会读、会规划、会调用工具，常常一跑就是几小时甚至几天。它们消耗 token 的速度，是聊天场景从未达到过的。而每一个 token 都要在模型上跑一次完整的前向传播。在 Inco AI，我们在构建一套面向未来 token 经济学的推理栈。这篇文章是一次预览。 我们的团队 1 月发布了 DFlash（论文： SGLang、vLLM、TensorRT-LLM 和 llama.cpp 里。NVIDIA 在 Blackwell GPU 上用它测到了最高 15 倍的吞吐；Google 报告在 TPU 上每秒 token 数提升 3 倍；CoreWeave 生产环境的 Kimi K2.7 Code 端点（Artificial Analysis 上该模型最快的端点）默认就跑 DFlash。生态已经在它之上构建：NVIDIA、Red Hat、Modal 都发布了 DFlash drafter；Meta（Muse Glimmer）、Poolside（Laguna）、小米（MiMo-V2.5-Pro）、NVIDIA（Nemotron 3.5 Lightning）随自家模型发布官方 drafter。在 Hugging Face 上，DFlash 模型被下载了超过 350 万次（截至 2026 年 8 月）。 投机解码是现代推理栈的核心组件之一。一个小 drafter 模型猜出一整块 token，目标模型在一次前向传播里验证整块。猜得好，一次前向变成多个 token；猜得差，丢掉重来。但多年来，起草本身一直是自回归的：一次一个 token。DFlash 让它也变成了一次通过：整块、每个位置，并行预测。 （演示视频：DFlash 2 在 Apple M5 Max 上用 oMLX 为 Qwen3.8-27B 起草，与自回归解码并排对比。 DFlash 2 把并行起草又往前推了一步：每次验证通过多产出 20% 以上的输出，增加的周期延迟只有约 1%，而输出可证明不变。跨基准测试的增益在 16–25%。配合今天发布的 Qwen3.8-27B drafter，SGLang 在 batch size 1 下达到自回归解码 2.7–3.4 倍的吞吐。每个位置独立预测，留下两处空间：选对 token，以及在块的末尾守住准确率。DFlash 2 把这两处都拿了回来，同时没有放弃一次性通过的设计。 现在就能跑 DFlash 2 已经跑在主流推理引擎里。 SGLang： pip install -U "sglang[all] @ git+" python -m sglang.launch_server \ --model-path Qwen/Qwen3.8-27B \ --speculative-algorithm DFLASH \ --speculative-draft-model-path incoai/Qwen3.8-27B-DFlash2 \ --speculative-num-draft-tokens 8 vLLM： pip install -U "vllm @ git+" vllm serve Qwen/Qwen3.8-27B \ --speculative-config '{ "method": "dflash", "model": "incoai/Qwen3.8-27B-DFlash2", "num_speculative_tokens": 7 }' llama.cpp： git clone cd llama.cpp git fetch origin pull/27342/head:pr-27342 git switch pr-27342 NVIDIA CUDA cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON cmake --build build -j Apple Silicon cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON cmake --build build -j ./build/bin/llama-server \ -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \ -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \ --spec-type draft-dflash \ --spec-draft-n-max 7 oMLX：下载安装支持 DFlash 2 的预构建版（ 在 oMLX 里跑 Qwen3.8-27B 加 DFlash 2： 1. 打开 oMLX 的 Model Downloader，下载 mlx-community/Qwen3.8-27B-4bit 和 incoai/Qwen3.8-27B-DFlash2。 2. 打开 Model Manager，编辑 mlx-community/Qwen3.8-27B-4bit，配置 DFlash： • DFlash：enabled • Draft model：incoai/Qwen3.8-27B-DFlash2 • Draft quantization：enabled • Runtime block size：5 • Verify mode：dflash 3. 保存设置，加载目标模型。 对的 token 早就在候选里 DFlash 每个位置独立、并行地预测。每个选择单独看都合理，但没有什么让它们彼此咬合，一个不连贯的块会在验证时被截断。近期的方法如 Domino 和 DSpark，用顺序的 Markov head 重写每个位置的完整词表分布来买连贯性。但真的需要这种昂贵的自回归纠错吗？ 不需要。证据就在 DFlash 自己的候选列表里。拿第一个位置来说：DFlash 的第一选择 85.4% 的情况下是对的，但正确的 token 99.5% 的情况下都在前 16 个候选里。即使第一选择错了，对的 token 通常也在列表上。 表 1：Recall@1（第一选择正确的概率）与 Recall@16（正确 token 出现在前 16 候选里的概率），按起草位置统计，条件是前面每个位置都正确。GSM8K 上的五层 Qwen3-4B DFlash。接受长度包含验证器产出的下一个 token。 • 位置 0：Recall@1 85.4%，Recall@16 99.5% • 位置 1：80.3%，97.3% • 位置 2：79.4%，94.8% • 位置 3：78.3%，92.6% • 位置 4：77.5%，90.8% • 位置 5：75.9%，89.4% • 位置 6：72.9%，87.8% • 接受长度：4.27（只看第一选择）；6.79（从前 16 里选） 一个总能从前 16 个候选里挑对的那个 oracle，会把接受长度从 4.27 抬到 6.79。这个差距是纯粹的选择空间。我们只需要在候选里选出一条正确的路径。 图 1：一个周期里的选择器。只用 DFlash，每个位置保留自己的第一选择；这里两个相邻位置选了同一个词，结巴在验证时死掉。DFlash 2 保留每个位置的 top 候选，选择器在候选之间走出一条连贯路径；这里整块都活了下来。 一个轻量的路径选择器 连贯性大体是局部的：一个候选合不合适，主要取决于它前面的那个 token，所以给相邻对打分应该就够了。DFlash 2 保留每个位置前 16 个候选，给每一对相邻候选打分。对前一个 token a 和当前候选 b： S_t(a,b) = U_t(b) + ⟨A(a)⊙H(h_t), B(b)⟩ 分数分两部分。第一部分 U_t(b) 是 DFlash 自己的 logit：drafter 本身有多喜欢 b。第二部分问 b 接在 a 后面有多顺：A 和 B 给每个 token 一个紧凑的 256 维嵌入，两个嵌入在一个上下文门控 H(h_t) 下匹配，门控决定匹配的哪些部分算数。本质上，这是对相邻候选做的低秩双线性注意力。 打分全程并行。每个位置的每一对相邻候选一次性全部算完，不需要额外的 backbone 或 LM head 前向。唯一串行的部分，是最后在预计算好的分数上走一遍：从最后一个已验证 token 出发，贪心地跟着每一步最好的后继走，采样从同样的分数里抽取，拒绝采样恢复出精确的目标分布。 表 2：只加路径选择（不加卷积）的接受长度，GSM8K 上的五层 Qwen3-4B。开销相对纯 DFlash：drafter 增加的参数、起草-验证周期增加的延迟。 • DFlash：T=0 下 4.27，T=1 下 3.78 • + DSpark 纠错：+77.8M 参数，+9.6% 延迟；4.49，4.08 • + 路径选择（我们的）：+2.0M 参数，+0.6% 延迟；4.61，4.25 选择器在 T=0 下给 DFlash 加 0.34 个 token，T=1 下加 0.47。两个设置下都超过 DSpark 的纠错，参数少约 40 倍，延迟开销低 16 倍。选择比预测便宜。而且还有空间：oracle 能到 6.79。成对打分是我们能想到的最简单的选择器，我们相信这里还有很多可探索的。 后缀衰减是个局部问题 我们还注意到上面两行 recall 都在块尾下滑。连 oracle 都在衰减：即使选择完美，准确率仍然从第一个位置的 99.5% 掉到最后一个位置的 87.8%。没有选择器能修这个，因为候选自己就不够了。我们把这个叫后缀衰减，它是 backbone 的问题。 一个嫌疑是容量：五层 backbone 可能太小，撑不住横跨整块的依赖。如果真是这样，深度应该在靠后的位置帮上最多的忙。事实也如此：3 层、5 层、15 层的 DFlash 模型在第一个位置上几乎一样，越往块尾分得越开。但深度不加区分：多十层 attention block 到处加容量，连那些没什么可赚的靠前位置也加，把 DFlash 吸引人的那部分效率磨掉了。 图 2：GSM8K 上 Qwen3-4B 的 Recall@1（T=0），条件是前面每个位置都正确。所有 drafter 在相同设置下训练；卷积模型评估时不带选择器。它的卷积增加 3% 参数和 0.7% 周期延迟；15 层模型多出的十层增加 15.2%。 我们要一个有针对性的修法，而 DFlash 的 attention 指出了修哪里。它有两份工作：读块之前的上下文，以及建模块内部的依赖。但它在第二份上花的越来越少：块内注意力占比从第 1 层的 30% 掉到第 5 层的 8%，剩下的还集中在越来越少的一小撮 head 里。所以我们把两份工作拆开：一个专用模块承担块内工作，attention 继续读上下文。 图 3：五层 Qwen3-4B DFlash 的块内注意力按 head 分布。越亮的格子代表在起草块上花注意力越多的 head；靠后的层里，块内质量收缩、集中到少数几个 head。 一个轻量的局部卷积 块内工作本来就是短程的：一个块只有 4 到 16 个 token，最紧的依赖坐在相邻位置之间。自然的算子是短卷积：两个抽头，一个在当前位置，一个够到前一个位置，权重随内容自适应。跟随 Canon Layers、Dynamic Short Convolutions 和 Convolution for Large Language Models 的做法，我们在每个 attention 和 feed-forward 子层前后插入这个双抽头动态深度卷积： Conv_k(x)_t = k_{t,0}⊙x_t + k_{t,1}⊙x_{t-1} 每个系数由一个可学习的基核加上从当前隐藏状态算出的一个小修正组成；每 16 个通道共享一个修正。第一个位置读最后一个已验证 token 的表示，之后的每个位置读它前一个的。信息穿过整块，同时所有位置仍然并行计算。 图 4：双抽头动态卷积。每个 drafter 层的每个 attention 和 MLP 子层前后各有一个。内部：每个位置把自己的表示和前一个的混合；第一个位置读最后一个已验证 token。 卷积是块局部的、无状态的，所以能无缝插进 DFlash，不用动 attention、LM head 或验证。 只加 16.5M 参数（3%），带卷积的五层 DFlash 就逼近了 15 层 DFlash，大幅减轻后缀衰减。卷积给起草-验证周期延迟加 0.7%；多十层 Transformer 层加 15.2%。第 4、5 层的平均块内注意力从 9.4% 降到 0.5%，与卷积吸收局部工作、attention 回到读上下文一致。一个只够到前一个位置的核，买回了十层额外层的大部分收益：后缀衰减大体是个局部问题。 合在一起 到目前为止，选择器和卷积是分开测的；下面的完整对比把它们放在一起。DFlash 和 DSpark drafter 是我们在对齐的设置下自己训练的，MTP 随模型发布。 表 3：Qwen3.5-4B 每请求平均接受长度。采样：thinking 开启，温度 1.0，top-p 0.95，top-k 20，presence penalty 1.5，无损拒绝采样。 • GSM8K：MTP 4.78，DFlash 4.99，DSpark 5.69，DFlash 2 6.20 • MATH-500：5.04，5.42，6.20，6.76 • HumanEval：4.84，5.43，5.80，6.28 • MBPP：4.16，4.49，4.96，5.41 • MT-Bench：3.90，4.26，4.77，5.20 • 平均：4.54，4.92，5.49，5.97 DFlash 2 在每项基准上都领先。平均下来，它比 DFlash 多 1.05 个 token（21%），比 DSpark 多 0.48。升级仍然便宜：选择器和卷积加起来，只给五层 DFlash 的起草-验证周期延迟加了 1.3%。 在 MATH-500 上，增益逐位置可见：DFlash 2 到最后一个位置都稳在 86% 附近，而每个基线在块尾都比它低 6 到 9 个点。 图 5：MATH-500 上 Qwen3.5-4B 的条件接受率，采样同上。 两个 drafter，今天发布 我们今天发布两个 DFlash 2 drafter：一个给 Qwen3.8-27B（ Meta 的 Muse Glimmer（ Qwen3.8-27B，我们对比模型原生的 MTP 路径和一个社区 DSpark drafter。 表 4：Qwen3.8-27B 每请求平均接受长度，模型默认采样、块大小 8，对比原生 MTP 路径和社区 DSpark drafter。 • GSM8K：MTP 5.02，DSpark 4.36，DFlash 2 5.46 • MATH-500：4.72，3.92，5.28 • HumanEval：3.91，3.30，4.39 • MBPP：3.99，3.51，4.79 • MT-Bench：3.74，3.01，4.10 • 平均：4.28，3.62，4.80 对 Meta 的 Muse Glimmer，我们对比随模型发布的官方 DFlash drafter 和一个社区 DSpark drafter。 表 5：Muse Glimmer 每请求平均接受长度，模型默认采样、块大小 16。DFlash 是 Meta 随模型发布的官方 drafter；DSpark 是社区 drafter。 • GSM8K：DFlash 5.43，DSpark 5.45，DFlash 2 6.57 • MATH-500：5.39，5.01，6.56 • HumanEval：4.11，4.33，5.66 • MBPP：3.74，4.02，5.30 • MT-Bench：3.52，3.59，4.42 • 平均：4.44，4.48，5.70 差距很大：在两个模型上，DFlash 2 平均比 DSpark 多出超过一个完整的 token。它也超过每个模型的官方 drafter：Qwen3.8-27B 的 MTP、Muse Glimmer 的 DFlash。换算成吞吐，Qwen3.8-27B 上达到自回归解码的 2.7–3.4 倍，Muse Glimmer 上 3.1–4.6 倍。模型卡（ 底线 agent 一个下午写出来的东西，聊天机器人要写一个月，而每一个 token 底下都坐着解码。DFlash 2 以接近自回归解码 3 倍的速度解码，每个 token 约三分之一的算力，输出相同。 七个月里，DFlash 从我们的论文变成了行业标准，超过 350 万次下载。在同一个设计内部，DFlash 2 每次通过多解码一个完整的 token，免费。那还只是服务栈的一个组件。推理离它的地板还很远。 在 Inco AI，我们在构建一套端到端的服务栈，把这个地板继续往下压。DFlash 2 是第一块。两个 drafter 今天发布在 Hugging Face。 如果你在规模化地服务 agent，想在你的栈里评估 DFlash 2，或者想为你跑的模型（包括你自己的微调）要一个 drafter，写信给我们：contact@inco.ai。 我们也在招人。如果你想一起构建这套栈，联系我们。 把候选连起来。起草，继续并行。 脚注：Modal 的 Speculation Is All You Need 指出，投机解码是对低延迟服务最重要的优化。我们是他们工作的超级粉丝，感谢他们自 DFlash 发布以来的支持和讨论。 本文引用格式：@misc{inco2026dflash2, title={DFlash 2: Keep Drafting Parallel}, year={2026}, month={August}, url={ 原文： #DFlash# #投机解码# #LLM推理#

顶流男星官宣结婚那天，微博瘫痪了半个小时。 热搜前十里有八个词条和他有关。 所有媒体都在祝福这场童话般的爱情。新娘年轻、漂亮，是当红小花；新郎是红了二十年的国民偶像，事业如日中天。 可就在所有人沉浸在这场盛大婚礼的时候，圈内却有另一个消息悄悄传开了——陪了他二十二年的经纪人，在婚礼前一个月离职了。 没有欢送会，没有告别声明，没有合影留念。 就像从来没有出现过一样。 很多年后，有人说，那场婚礼真正离开的不是一个经纪人，而是一个陪他从地下室走到领奖台的人。 故事要从二十二年前说起。 那一年，男孩十八岁。 刚参加完一档选秀节目。 没有拿冠军，没有签大公司，也没有资本撑腰。节目结束后，其他选手接广告、上综艺、签影视约，只有他一个人窝在北京六环外的出租屋里，每天刷着招聘网站，生怕自己哪天彻底失业。 而另一边，一个三十岁的经纪人刚刚离开上一家公司。 她在圈里混了很多年，捧过几个小艺人，但都没成功。年龄越来越大，履历却始终平平无奇。公司给她最后一次机会，让她从一批新人里挑一个重点培养。 会议室里坐着十几个年轻男孩。 有人会唱歌，有人会跳舞，有人长得比他更帅。 可最后她偏偏选中了最不起眼的那个。 后来很多人问她为什么。 她从来没正面回答。 有人说她眼光毒。 有人说她赌对了。 但无论如何，从那一天开始，两个人的人生彻底绑在了一起。 最初的几年并不浪漫。 甚至有些狼狈。 为了争取试镜机会，她带着他一家家公司跑。为了见导演，他们在停车场等几个小时。为了省钱，两个人经常坐最晚一班高铁回北京，在候车大厅熬到天亮。 有一次试镜结束，导演当着所有人的面说： “长得不错，但没特点。” 男孩强撑着笑。 回去的路上却一句话都没说。 经纪人陪他坐在便利店门口，一人吃了一碗泡面。 她对他说： “再试一次。” 后来很多年过去，他拿影帝的时候还记得那碗泡面。 只是没人知道。 终于，在出道第五年，他等来了第一部爆款电视剧。 一夜之间，全网都在讨论这个年轻演员。 广告、综艺、代言、采访接踵而来。 所有人都以为他的时代来了。 只有他和经纪人知道，真正危险的时候才刚刚开始。 红了以后，诱惑会比机会更多。 有人想签走他。 有人想利用他。 有人想把他变成赚钱工具。 而经纪人像一堵墙一样挡在前面。 她替他筛选剧本。 替他谈合同。 替他拒绝饭局。 甚至替他得罪人。 很多资本不喜欢她。 因为她太难搞。 但男星却越来越依赖她。 有一次采访，主持人问他： “圈里你最信任的人是谁？” 他想都没想： “她。” 主持人笑着问： “比女朋友还重要？” 他说： “我没有女朋友。” 全场大笑。 没人把这句话当回事。 可后来大家才发现，从十八岁到四十岁，他身边真的没有公开承认过任何一个女人。 除了那个经纪人。 随着时间推移，他们越来越像一个整体。 无论颁奖礼还是发布会，经纪人永远站在离他最近的位置。 他一个眼神，她就知道他要什么。 她一句话，他就知道下一步该怎么做。 这种默契持续了二十多年。 久到很多人已经忘了他们最初只是艺人与经纪人的关系。 直到那个年轻女演员出现。 她二十五岁。 漂亮、聪明、事业上升期。 两人合作一部电影后传出绯闻。 起初大家都不信。 因为这么多年，关于男星的绯闻太多了。 可这一次不一样。 三个月后，两人官宣恋情。 一年后，宣布结婚。 整个娱乐圈都轰动了。 就在所有人忙着送祝福的时候，一个细节开始被媒体注意到。 男星结婚的整个过程，经纪人从未露面。 既没有参加求婚。 也没有参与婚礼。 甚至连名字都没被提起。 记者去问工作室。 得到的回复很简单： “她已经离职了。” 这句话像一颗石子掉进湖里。 圈外人没什么感觉。 圈内人却全部沉默。 因为所有人都知道，她陪了他二十二年。 二十二年是什么概念？ 一个孩子从出生到大学毕业。 一个普通人从毕业到中年。 而她把人生最好的二十二年，全都放在了同一个人身上。 后来她彻底消失。 不接受采访。 不开社交账号。 没人知道她去了哪里。 几年后，男星拿到终身成就奖。 站在领奖台上，主持人问： “如果只能感谢一个对你人生影响最大的人，你会选谁？” 所有人以为答案会是父母。 会是妻子。 会是粉丝。 可男星沉默了很久。 久到现场都安静下来。 然后他说： “有一个人陪我走过最难的时候。” “没有她，就没有今天的我。” 主持人问： “她今天在现场吗？” 男星抬头看向观众席。 那里坐满了人。 可他的目光却停留在某个空着的位置上。 几秒钟后，他笑了笑。 轻声说： “不在。” “但她应该知道。” 那天晚上，这段视频传遍全网。 所有人都在猜他说的是谁。 而那个已经离开娱乐圈很多年的女人，据说正在南方某座城市的海边散步。 没有助理。 没有保镖。 没有闪光灯。 就像一个再普通不过的中年女人。 二十二年前，她亲手把一个男孩送上星光大道。 二十二年后，她悄无声息地退出了他的世界。 从始至终，她没有解释过一句。 而关于他们的关系，也永远停留在那个没人敢问出口的问题里。 他们到底只是经纪人和艺人。 还是比那更深一点。

我的男友孙哥(二） 为什么要他这样叫。我不知道。也许是因为我想要一种不一样的关系。不是粉丝和偶像，不是金主和女明星，不是任何一种我经历过的。 也许只是因为，我妈叫田心爱。我想让一个人叫我的时候，带着我妈名字里的那个意思。 也许什么原因都没有。 特纳里费的丽兹卡尔顿，落地窗对着大西洋。我睡觉不能有光。一丝都不行。 这是从小的毛病。拍戏的时候，剧组给我的房间永远要额外处理。有时候是遮光帘，有时候是黑色垃圾袋，有时候是胶带。 他的助理用黑胶带把整个房间封起来。窗框、空调指示灯、插座的小绿点，全部贴死。每天要重贴，因为下午玻璃太烫，胶带会掉。 两个女孩负责这件事。她们试出来早上贴最牢。 我知道她们叫什么。一个叫小林，一个叫阿雯。 他不知道。 泰德公园的公路边，我们停下来看日落。助理搬了玫瑰花，开了香槟。云海很美。 我说，不过不如青海德令哈的日落。 我说完才想起来，他是青海人。 他没有说话。 我不确定我是不是故意的。也许是。也许我想看他听到家乡名字时的反应。他没有反应。或者说，他的反应是没有反应。 这个人很奇怪。他可以为我包下一整层酒店、一整架飞机、一整个电影院，但他不会因为一个地名而动容。 夜里我们在山顶看星星。零下十五度，穿着棉袄还是冷。 我说，许个愿吧。 他问我许了什么。 我没告诉他。 我许的是：让我知道，他是真的喜欢我，还是喜欢2007年那张照片。 我说要彩礼。三千万，人民币。打给我爸景国庆，我妈田心爱。 他说好。 他说好的时候，我在看他的眼睛。我想从里面找到一丝犹豫。 没有。 转完以后，我妈回了两个字：收到。 我把手机递给他看。他看了一眼，没说什么。 有一次我问他，你知道我要这些东西的时候在想什么吗。 他说什么。 我说，我在想，你会不会有一次说不。 他说不会。 我说，那就没意思了。 我说这句话的时候是认真的。 一个永远说好的人，你不知道他的底线在哪里。你不知道他是爱你，还是爱“说好”这件事本身。一个从不拒绝的人，他的每一次答应都是廉价的。 我想找到那条线。 不是为了越过它。是为了知道它在哪里。 知道了，我才能安心。 马尔代夫，索尼娃贾尼。 no news, no shoes。我放心了。 晚上我们交换前任。像两个王朝在核对年号。 他说了几个名字。我说了几个。 有一个人我没提。他也没问。 但我知道他知道。 我背上有一个纹身。面积不小。是那年纹的。 洗不掉。试过一次，太疼了，比纹的时候疼十倍。后来就留着了。 每次他从背后抱我，手一定会碰到那个位置。他从来没有问过那是什么。 我想，他大概早就知道了。 他那份东西——我知道他做了背景调查。四十几页。认识三个月的时候做的。 我不生气。 我也查过他。不过我的方式比较原始：我去翻了他前女友曾颖的社交账号。翻了很多次。 后来她发现了，把访客记录截图发了出来。 这件事后来成了证据。 1月2日，索尼娃贾尼，他向我求婚。 戒指是1月1日早上决定要买的，助理坐水上飞机去马累取的，下午才到。装在酒店信封里。 我打开看了一眼。 我说，钻戒太小了。 我说完就后悔了。不是因为我不在意大小——我在意。是因为我看到他的表情变了一下。很快，不到一秒，就恢复了。 我说，没事，以后补个大的。 他笑了。 那天晚上我问他，你为什么对我这么好。 他说因为我喜欢你。 我说，那你以前对别人也这样吗。 他说没有。 我信。也不信。 一个等了十八年的人，他喜欢的到底是你，还是等待本身？当等待结束，他还剩下什么？ 有一天早上我醒得很早。天还没亮。 我坐在露台上，对着海。整个海是黑的。 我在算日子。 算什么日子——算我的卵巢还剩多少时间。算促排的窗口期。算如果要代孕，最晚什么时候必须开始。 我三十七岁了。 AMH 值每年都在降。医生说过，再拖下去，可能连取都取不出来。 他出来了，问我怎么起这么早。 我说，你回去睡吧。 他在我旁边坐了一会儿。不知道说什么。后来他回去了。 我继续算。 北京。抽血。 月经周期第二天，早上六点出门。冬天，天还没亮。 空腹。八管血。 激素六项、B 超、AMH。 我一个人去的。 不是没人陪。是我不想让人陪。医院的走廊里全是女人，有的挺着肚子，有的抱着孩子，有的和我一样，空着手，空着肚子，等着叫号。 没有人认出我。我戴着口罩和帽子。 抽完血出来，外面天亮了。我在医院门口站了一会儿，想找个地方吃早饭。空腹太久，有点晕。 后来我在一家麦当劳吃了一个麦满分。 那些检查的费用，走的是他助理的月度汇总。几千块。他大概批得很快，不会看明细。 我没有告诉他我在做这些。不是隐瞒。是觉得没必要。这是我的身体，我的卵子，我的时间窗口。他只需要在最后出现就行了。 去洛杉矶之前，他说要在香港买房。 他发了十几套给我看。都是助理挑的。视频里有一套在半山，能看见维港。 我都不喜欢。 不是房子不好。是我不知道自己要什么样的房子。我在北京有房，上海有房，但没有一套是我自己选的。从小到大，所有重要的决定都是别人替我做的。 本文纯属虚构，如有雷同实属巧合

日本顶级牛郎罗兰的一天，比女生还精致 日本最红的顶级牛郎罗兰，能让无数富婆心甘情愿为他一掷千金的核心原因，根本不是长得帅会撩。 说出来你敢信，他的日常自律程度，甩绝大多数躺平打工人八条街。 每天早上9点准点爬起来，根本不存在赖床半小时刷手机的破习惯。 站在落地镜前边刷牙边捋发型，每一个动作都透着刻进骨子里的仪式感。 刷完牙第一件事不是摸手机，是仔仔细细磨指甲、涂三层护手霜，那细致程度，我身边天天做美甲的闺蜜看了都自愧不如。 完事冲一杯蛋白粉，雷打不动练一小时瑜伽塑形。 人家说的特别实在：干我们这行，脸蛋和身材就是吃饭的本钱，半分松懈的余地都没有。 练完慢悠悠吃个早饭，专门挑大太阳的时候出门晃悠。 毕竟天天后半夜才下班，能晒到太阳的时间比普通上班族少太多，他说就爱这股子接地气的烟火气。 白天别人摸鱼的时间，他全泡在健身房撸铁，半点不划水。 健身完回家洗澡做妆造，整套流程整整俩小时，从发型到配饰连指甲缝都收拾得挑不出一点毛病。 好多人说他太装，他直接怼：人靠衣装马靠鞍，你自己都邋里邋遢的，谁愿意为你花大价钱？ 他的工作从傍晚才正式启动，连轴转熬到凌晨12点是常态。 全程要保持情绪饱满，要照顾到每一个客人的情绪，半分倦怠的表情都不能露。 就这么连轴转十几个小时，他脸上的妆从来不会花，衣服永远笔挺，连头发丝都不会乱一根。 好多人之前酸他，说不就是靠脸吃软饭的吗？看完他的作息才明白，人家能站在行业顶端，靠的根本不是什么天赋异禀，是把每一个细节都做到极致的狠劲。 说真的，就这份对自己下狠手的自律程度，放哪个行业干不出点成绩啊？

宠粉我是从来都没让喜欢我的粉丝失望过呀，认识我绝对让你刺激，把亲母女俩一起压在床上换着操到精液狂射，而且摄影师还是我的亲爹来负责，这次拍的全部视频只戴了个眼罩，基本上都露脸，想看我妈跟我像母狗一样的宝贝们提前点赞留言吧，爸爸把视频全给我之后挑最长最刺激的从留言里发前两百人🎬

今天上班有点不乖…… 本来好好工作，脑子里却突然闯进一些不该想的画面 越想赶走反而越清晰，搞得我整个人都开始心不在焉了🥵 快周末了，想玩点刺激的，随机挑一位粉丝线下见面，第一个私信的附赠原味内内一条🫢

今晚这件酒红裙子，是不是把姐姐的腰和腿都勾得太犯规了…😏 一抬腿就忍不住想让人上手，跳着跳着自己都湿了… 跳了这么久，粉丝还是没涨几个，我都快对自己没信心了… 你们再不来救救我，我今晚就要一个人在被子里委屈到天亮了～ 📷我挑一个最会哄人的，单独发点更刺激的给你哦…📷 💋

尘埃落定。 那我也聊聊我申请原创走过的弯路吧。 我是2020年注册推特的，开始不爱用，觉得不好用，经常不登录，有一次一登录，妈呀，怎么十多万粉丝了……我都不知道咋回事。 可能我不登录的时候平台给推过？ 然后就有仿冒账号，为了举报和证明自己，我很早就认证了，成了付费的蓝V。 粉丝一直稳步上升。 没改算法之前，我也是有收益的。当时就不多，每两周300左右美元。 当时看大家晒收益就很高，我去看了几个人的主页，粉丝量并没有我大啊，帖子的浏览量也没有我多啊…… 为什么？ 就这么想了下，也就过去了。因为那个时候对待X的态度，还是有空了看一眼。X的内容都是微博先发了后，这里挑几个重复一下。 最多微博违规的，我X里发一下，要不然人心里憋屈……微博小红书都太不自由了。尤其六月那天，国外id在微博不能发图，我生气也没办法。 即使这样，X还是排在微博和小红书后面。 突然X说要改算法了，我看了邮件，说8月就可以申请了。我当时看了下自己的流量，完全满足，就没在意，还准备着领钱呢。 那个时候我们在美国陪娃毕业旅行呢，平时玩得也累，微博和朋友圈就够我发的了，X几乎顾不上。 到了7月中旬，我们要回悉尼了，我看了下自己后台的数据，怎么不够资格了……我还是有点担心的，就问grok怎么办。 Grok说我需要养号。 我问怎么养。grok给了我一个具体的步骤： 1，先停发贴文一周； 2，定位好自己的内容，建议不要擦边； 3，一周后每天发帖1-3个，内容紧贴自己的定位。 我就这么照做了。 结果第五六天的时候，我就发现流量断崖式下跌。 我忍不住，就发了几个帖子。 然后就回悉尼了，因为8月还有之前的收益，所以我也没太在意，也没想着怎么改变。 但那个时候，我已经发现很多人活跃了，我搞不懂他们为什么关注那么多人，经常评论里打得火热。 我当时想：我做的是内容，我才不要谁都关注呢，我才不花时间去跟一堆陌生人说些有的没的的话呢。 所以那个时候，我只关注了200来人，我看系统老提示让我关注猫神，我点开一看，还是个美女，粉丝不少，心里还有点女人的嫉妒与傲慢，偏就不关注。 还有个女的，文字很是了得，我明明喜欢她的文字，但我就是不关注她，偷偷看她的贴文……女人的那种小心眼和狭隘，让我越来越孤立。 这孤立不是别人给的，是自己作的。 我努力做视频，✍🏻原创，爆了好些个帖子，可是后台一看，浏览量很高，但是转换率极低极低。 我想不通，就又问grok。他说每天发帖子不要太多，太多没意义，要针对自己的定位，每天发3-5贴就可以了。 可我发现流量还是那样，浏览量高，转化率极低。我的流量从500k+一路滑倒420k左右……我慌了。 太丢人了吧，我30万粉丝，怎么可以这样？！ 我就留意看了几个收益高的人，发现他们关注了好多好多人，发现他们经常晒发帖量，我就疑惑了，这怎么和grok说的不一样。 然后我就问了@lixinbao_X ，他很仔细耐心地给我解释了，也教了我方法，多加好友，多发帖，发帖最好能引用别人的，这样给别人带去流量的时候，也增加了自己的发帖量，甚至增加了自己的话题。 于是，我开始发奋了。 我要是拿不到收益，很丢人的，真的。 图2可以看得出来从9月中旬，我开始尝试发力了，我开始加很多蓝v，一般我加他们，他们都会回加。 那个时候我30万粉丝量，蓝v粉丝只有1500，对1500，你们随随便便一个账户都有1500的蓝v朋友。 那时候我发帖量还是上不来，回帖一天400条左右，已经觉得很累人了。我知道回帖不算数，但你回了别人，他们在时间线上看到你，就会回复你，增加了浏览你的时长，而且你的回复出现的次数越多，看到你的人也会越多，大家都在找蓝v加，所以，基本看见你的，也都会主动加。 就这样，我努力了两周，前一周是摸索加一半力量的努力。后一周，就是整个人挂在X上，一醒来就在刷，放手机睡觉前的一秒也是在刷。 我的转换率还是很低，1%, 2%的样子，到最后两三天，能达到2.6%。仍然是很低，但还是让我一点一点拿下了。 当然，我后来不仅关注了猫神，还关注了很多美女，漂亮的，有才的，我都怀着谦逊的态度，与大家做朋友，积极互动，然后才有了今天。 文字太长。没耐心看的，我给个省流版： 放下骄矜，广交朋友，加了好友不要取关。 多发帖，多互动。 每天至少20天主帖很必要，还是要有自己的内容。这样别人好给你回复，好转帖你的。 最后，希望我的弯路能给大家一点经验教训。