北京腿模 (𝟎𝟐-𝟏𝟖𝟐𝐃) 时尚芭莎签约模特 秋冬𝐌𝐃𝐂十大新人奖 𝐄𝐋𝐋𝐄风尚大典年度超模。 @MeiRiDaZuoZhan （ 详情🔎点开评论哦

23岁172长腿灰丝模特，足足泡了2个多月才拿下的小嫩模，刚开始非常害羞，吃鸡巴都不意思，在我的抽插调教下 女神逐渐变成母狗，后半程有大量互动，操了40分钟小嫩模被操迷糊了，最后让我射满一嘴 完整版主页简介电报群观看

脂包肌系列23岁172长腿灰丝模特，足足泡了2个多月才拿下的小嫩模，刚开始非常害羞，吃鸡巴都不意思，在我的抽插调教下 女神逐渐迷失

趁我睡觉偷偷隔着舞蹈服用指尖刮我小穴好不好，把丝袜腿绑起来调教我好不好，第二天睡醒看我因为小穴肿起来疑惑的时候装模装样说认真帮我看看好不好，然后再严厉的狠狠地把我骂喷好不好……

#深圳# 栀虞 𝟏𝟖𝟎𝐜𝐦 ·絕頂蜜桃臀🍑 钻石腰臀比 洋气高级 主播 車模 🎀ins网红 🎧 蜂腰巨臀酒杯腿 清晰马甲线 “The more charming, the more dangerous” “越迷人的越危险” 🐧：3893080991 ✈️客服： ✈️大群：

群里有人发了一张对比图，把2022年那一段走势和现在的走势放在一起。 群友说：哥别这样，我腿都软了，这并不好笑。 另外一位群友说：这个不好笑啊,虽然真的一模一样,上次也是这样的 这时候又有人补了一句：三万见。三万正好二十万，我们目标一致。 有人只回了三个字：天塌了。 更离谱的是，背景都这么像。 二二年俄乌冲突，二六年美伊冲突。 连打仗都这么像。

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。

真的是屋漏偏逢连夜雨，又给翻身之旅，增添了一丝阻碍。今天刷推看到铺天盖地都是关于X402协议，以及PING那一飞冲天的价格，本着重在参与的心态。 复制了PING的合约地址，打开了欧意钱包，看了一下当时的币价，想着回调能上车。由于钱包里没有USDC，就把币安的USDT换成了USDC，这时候可怕的噩梦开始了，我居然把PING的合约地址粘贴到了币安提币地址栏，也没有任何的核对，真是该死。 活生生的把这4000USDC打入到了黑洞 事后联系了币安客服，客服告知币已经转移，不再币安的控制之内。第一次发生这种事，也没有任何经验，后面联系@0xAA_Science 非常感谢🙏A哥也是百忙之中，马上给我回复，告诉我我转入的是项目方的合约地址，合约已经被弃权，转不出来了。我才知道被判死刑了，这笔钱永久在那里，看得见，却永远摸不着了。 4000U可以换2台苹果17Promax 可以空降好几个嫩模大长腿 想想还是挺难过的。 一时的大意，造成不可挽回的损失，也是自己问题。因为昨晚没有睡好，大早上又开车到另外一个城市参加婚宴，导致精神状态下降，自己犯的错，只能自己承受，好在这次是4000U不是40万U ，以后遇到这种问题就会多注意了，吃一堑长一智。 希望我的遭遇能给其他人带来一些提醒 @RiverdotInc @River4fun #Riverdotlnc# $River

长鑫存储扩产的设备供应链全景 长鑫现在合肥两座、北京一座，三座12英寸厂。合肥一厂11万片月产能，二厂8万片，北京厂7万片，加起来接近30万片，全部满产。两年涨了三倍，2024年初差不多10万片，2025年底冲到28到30万，2026年目标稳在30万。按晶圆片数算全球DRAM占比已经接近15%，但按销售额算只有3.97%，片数堆上来了，单价还在追赶。 工艺端，G4在16纳米已经量产，DDR5良率从2024年底的80%升到现在的90%区间。G5对应15纳米，2026年底量产。HBM2去年下半年就上了，比外界预期提前两年，主要供华为昇腾910。HBM3的前段晶圆产能主要在合肥和北京现有基地内部腾出来，目标月产6万片，约占30万片总产能的20%。后段的堆叠和封装由上海新建的HBM封测厂承接，2026年底投产。 产能还在继续扩。上海新厂分两期，Phase 1产能10万片，2027年初量产，Phase 2同样10万片，2028年初量产。加上现有的30万片，远期产能目标是奔着50万片以上去的。华为也在建一条10万片规模的产线，专门配合长鑫做昇腾系列所需的HBM3和LPDDR5X，2026年下半年开始全面量产。 IPO募资295亿，DRAM技术升级拿了130亿，量产线升级75亿，前瞻技术研发90亿。多家券商纪要提到其中约200亿会直接变成设备采购订单，叠加2024年712亿的存量Capex节奏，是国产设备厂未来两年最确定的基本盘。 长鑫正在进行的大规模扩产，设备采购需求非常可观。每个品类的国产化进展差异很大。 光刻是最大的对外依赖，国产化率连5%都不到。主力机器是ASML的NXT:1980Di，每小时出275片，覆盖到16纳米节点，目前还能正常采购。被荷兰管制的是NXT:2050i及以上，每小时295片，2023年9月起要许可证，2024年1月起对华许可基本停发。修正一个流传很广的说法，275到295片是1980Di到2050i的代际跳变，不是1980系列内部的迭代。长鑫往15纳米以下走，这道墙绕不开。上海微电子的28/14纳米DUV还在攻关，光刻这一环短期无解。 刻蚀占设备投资25到30%，是国产化最深的核心工艺。北方华创的ICP在长鑫产线上市占超过50%，中微的CCP介质刻蚀机做到50比1以上深宽比，专门用于HBM的TSV深硅通孔。但存储节点100比1深宽比的极端工艺，孔洞必须互相平行规整，任何偏差直接砸良率，Lam和东京电子在这个区间仍然是主力。 薄膜沉积占约25%，品类分得细。PECVD做绝缘层，PVD做金属互连，ALD做电容器的高k介电层。拓荆科技的PECVD已经批量进入长鑫DDR5和LPDDR5产线，北方华创的PVD覆盖铝铜溅射和氮化钛溅射。但DRAM电容器核心的高k ALD设备，应用材料和ASM的位置很难动，拓荆的ALD在验证爬坡中还没有大规模上量。整体看PECVD和PVD的国产化率高一些，ALD最低。 CMP只占设备投资5到7%。华海清科占国产CMP装备销售90%以上份额，12英寸Universal-300已经导入长鑫。新变量是中微4月29日刚过会的收购杭州众硅，6抛光盘架构是国际首创，效率比主流4盘方案高一截。国产CMP从单点供应正式进入双供。 清洗国产化率30到40%，盛美上海的SAPS/TEBO兆声波清洗覆盖FinFET和DRAM的16到19纳米制程。热处理40到50%，北方华创立式氧化炉打头，激光退火端莱普科技两年内国内市占从3%涨到16%，跟长鑫和长存共同开发匹配DRAM工艺的设备。这几个环节已经跑通了。 最薄弱的三个环节是量测检测、涂胶显影和离子注入。量检测国产化率个位数，KLA全球占51到54%，精测电子进了长鑫12英寸产线，中科飞测也在部分环节往里切，但高端光学检测和电子束检测差距仍然明显。涂胶显影国产化率仅4%，东京电子在大陆市占超过90%，芯源微是唯一量产替代，目前只在封装端站住了，前道关键层还进不去。离子注入同样个位数，万业凯世通累计交付40多台。弹性最大的三个环节，也是短期内最动不了的三个环节。 长存三期产线2026年一季度国产设备占比首次过50%，目标100%。长鑫设备国产化率已突破45%，但仍低于长存三期产线的水平。根源在工艺。DRAM的电容刻蚀和光刻精度对先进DUV的依赖远高于3D NAND。NAND可以靠堆层数绕过光刻瓶颈，DRAM要正面硬刚，结构性差异，跟意愿无关。 外部约束在收紧。4月22日美国众议院外交事务委员会投票通过了MATCH法案，路透社称之为"国会史上最大规模的半导体出口管制立法审议"。法案把长鑫、中芯国际、长江存储、华为、华虹一起列入covered facility，禁止ASML的DUV浸没式光刻机对长鑫出口，禁止盟国为既有设备提供维保，要求荷兰和日本在150天内对齐美方规则。主要推手是美光。一旦通过，NXT:1980Di这条最后的灰色通道就堵死了。长鑫本身还没进BIS实体清单，但设备进口其实早就在2022年10月那波18纳米以下DRAM工艺限制的笼子里。 45%的国产化率意味着长鑫在两条腿走路，海外设备保良率，国产设备保供应链安全。MATCH法案的压力反而在加速这个进程。长鑫每往国产设备多切一个百分点，对应的就是北方华创、中微、拓荆、华海清科、盛美这些公司实打实的订单增量。上海新厂分两期共20万片的增量产能，加上现有产线的持续技术升级，未来两到三年国产设备厂面对的是一个确定性极高的需求窗口。 从更长的时间尺度看，长鑫的扩产不只是一家公司的资本开支计划。它每走通一个工艺节点，整条12英寸国产设备平台就多一次被验证、被复用的机会。刻蚀和CMP已经证明了这条路径，薄膜沉积和清洗正在跟进，量测和涂胶显影是下一个要啃的硬骨头。这个验证循环一旦转起来，国产设备的竞争力会以远超线性的速度积累。

英伟达与高通猝不及防，中 国车企自研芯片纷纷登场！ 当英伟达CEO黄仁勋在CES 2025上自信地宣布"自动驾驶 汽车已经到来"时，他可能没 有意识到，他口中那些"必须 使用自动驾驶技术"的汽车公 司，正悄然将他从核心供应 商的名单上划掉。同样，高 通CEO安蒙或许也没想到， 那个在汽车座舱芯片市场占 据70%份额的巨头，在智能 驾驶领域正遭遇中国车企的 集体"叛逃"。一场由中国车企 主导的自研芯片浪潮，正在 改写全球汽车半导体的权力 版图。 01 从"买买买"到"造造造"：中国 车企的芯片觉醒 时间回到几年前，英伟达的 Orin系列还是中国高端智驾 市场的绝对王者。小米 SU7、理想L系列、极氪001 等明星车型，无不以搭载双 Orin X芯片（508 TOPS算 力）作为智能化卖点。高通 则凭借骁龙8295座舱芯片， 几乎垄断了智能座舱市场。 彼时，英伟达Orin-X单一型 号即占据中国智驾域控芯片 约45%的装机量，高通在座 舱领域的统治力更是无人能 及。 然而，转折来得比想象中更 快。2025年，中国车企自研 智驾芯片进入规模化量产元 年：小鹏的"图灵"AI芯片在二 季度量产上车，蔚来ET9搭 载自研的5nm"神玑 NX9031"芯片交付，吉利旗 下芯擎科技的"星辰一号"7nm 芯片也实现量产。甚至连一 向在智能化上"慢半拍"的比亚 迪，也在2024年启动了自研 芯片项目，推出4nm制程的 BYD 9000座舱芯片。 这场自研浪潮的导火索，首 先是成本。> 蔚来创始人李 斌曾算过一笔账：自研芯片 后，"一年可以少花几十亿人 民币采购英伟达的芯片"。小 鹏汽车为研发图灵芯片耗资 超百亿元，历时五年，其间 甚至因架构错误赔偿数亿元 推倒重来。何小鹏坦言，虽 然投入巨大，但自研芯片在 BOM成本上每颗可节约约 1200元，大规模出货后将显 著优化整车成本结构。 更深层的动机，是对技术自 主权的渴望。英伟达和高通 的芯片本质是"通用平台"，车 企只能在其框架内做算法适 配，大量算力被闲置。而小 鹏的图灵芯片专为AI大模型 设计，算力利用率比通用芯 片提升20%，最高支持本地 运行300亿参数的大模型。蔚 来神玑NX9031采用5nm工 艺，拥有500亿晶体管规模， 官方宣称"一颗抵四颗Orin"。 这种软硬件深度耦合带来的 效率提升，是外采芯片无法 比拟的。 02 英伟达的"Thor焦虑"与高通 的"融合困境" 面对中国车企的集体转向， 英伟达并非没有准备。其新 一代Thor芯片将算力天花板 推至2000 TOPS，试图以绝 对性能优势巩固地位。然 而，Thor芯片的量产时间多 次延期，引发部分车企转向 自研或国产方案。更致命的 是，Thor的"黑盒属性"让车企 担忧——一旦深度绑定英伟达 生态，未来的算法迭代将受 制于其技术路线。 英伟达汽车业务的增长"失 速"已现端倪。虽然其在AI算 力上的技术积淀短期内仍不 可替代，但市场份额的下滑 趋势明显。2025年下半年， 地平线的征程J6P开始交 付，直接挑战英伟达在 L2++市场的地位；华为昇腾 MDC平台搭载量突破100万 辆，与特斯拉自研FSD并列 成为行业标杆。英伟达在中 国市场的统治力，正从"绝对 垄断"退化为"多元竞争中的一 极"。 高通的情况则更为微妙。它 在座舱芯片市场的优势无人 能撼动，全球超3.5亿辆汽车 搭载骁龙数字底盘，中国市 场覆盖超210款车型。但在智 驾领域，高通走的是"舱驾融 合"差异化路线，主打中低端 车型的成本优化。骁龙8650 智驾芯片算力仅30 TOPS， 与英伟达Orin X的254 TOPS 相去甚远；即便是最新的 Ride Elite至尊版，约720 TOPS的AI算力也未能打开高 端市场。 中国车企的自研策略，恰恰 精准打击了高通的软肋。小 鹏图灵芯片不仅用于智驾， 还能支持智能座舱功能，实 现"一颗芯片管全车"的舱驾融 合。蔚来、吉利也在推进类 似的全融合SoC方案。这意 味着，高通赖以生存的"座舱 优势带动智驾"逻辑，正在被 车企自研的"全域融合"芯片所 颠覆。 03 从"供应商时代"到"战国时 代"：格局重构 2025年的中国智驾芯片市 场，可以用"旧王新贵的战国 时代"来形容。英伟达、高 通、Mobileye等国际巨头， 华为、地平线等本土供应 商，以及小鹏、蔚来、吉利 等车企自研力量，三方势力 交织缠斗。 一个显著的趋势是：车企自 研并非要完全取代供应商， 而是构建"自研+外购"的混合 模式。理想汽车仍在部分车 型上使用英伟达Orin X，但同 时推进自研M100芯片，预计 2026年量产；小米SU7继续 搭载英伟达双Orin X，但业内 传闻其自研的"玄戒O2"芯片 将于明年上车。这种"多条腿 走路"的策略，既保障了供应 链安全，又为技术迭代预留 了空间。 对英伟达和高通而言，真正 的威胁不在于失去某几个客 户，而在于行业规则的改 写。过去，芯片厂商定义算 力标准，车企被动跟随；如 今，车企根据自研算法需求 反向定义芯片架构。端到端 大模型、VLA（视觉-语言-动 作）模型的兴起，让"有效算 力"取代"峰值算力"成为新的 评价标准。英伟达Thor的 2000 TOPS固然耀眼，但如 果无法高效运行车企的特定 模型，不过是数字游戏。 更深远的影响在于生态。小 鹏图灵芯片不仅用于汽车， 还将搭载于AI机器人和飞行 汽车；蔚来神玑芯片未来可 能外供其他车企。一旦车企 自研芯片从"成本中心"转变为 可外供的产品线，英伟达和 高通将面临来自下游客户的 直接竞争。 Synopsys首席执 行官曾预言："更多汽车制造 商将不得不在公司内部构建 芯片开发设计能力。"这一预 言正在中国率先成为现实。 04 未来：开放与封闭的博弈 站在2026年的门槛回望，中 国车企自研芯片的浪潮绝非 一时冲动，而是智能电动汽 车产业成熟的必然结果。当 软件定义汽车成为共识，硬 件必须与算法深度协同；当 数据成为核心资产，算力平 台必须掌握在自己手中。英 伟达和高通或许曾以为，凭 借技术优势和生态壁垒可以 高枕无忧，但他们低估了中 国车企对技术主权的执念， 也高估了"通用平台"在垂直场 景中的不可替代性。 当然，这场变革并非零和博 弈。英伟达的CUDA生态、高 通的连接技术，短期内仍是 行业基础设施。中国车企的 自研芯片，更多是在"增量市 场"中争夺定义权，而非在"存 量市场"中彻底颠覆。但一个 不可否认的事实是：全球汽 车半导体的权力中心，正在 从硅谷向东方转移。 英伟达与高通没想到的，或 许不是中国车企会自研芯片 ——毕竟特斯拉早已做出示范 ——而是这股浪潮来得如此迅 猛、如此决绝。当小鹏 MONA M03的升级版悄然换 上自研图灵芯片，当蔚来 ET9以78.8万元的身价搭载神 玑NX9031驶下生产线，当比 亚迪将自研芯片铺向10万至 20万元的主流市场，一个属 于中国"芯"的时代，已然开 启。 而对于英伟达和高通来说， 最紧迫的问题不再是"如何卖 出更多芯片"，而是"如何在车 企自研的时代找到自己的新 位置"。毕竟，当曾经的客户 变成竞争对手，游戏规则已 经彻底改变。