一大早下载了新游戏龙之剑觉醒(Dragon Sword)😄作为龙之谷(Dragon Nest)开服不删档测试激活码进入的老玩家~当年是第一个无锁定战斗3D网游姐姐在电信二区一直叫冰凌紫萱呢是著名的大商人❤这个团队单机新作试玩不能改名字不能改配音~画面和战斗模式比较像原神😅这叫学生抄了老师然后老师又抄回去了嘛🤭

【雲南麗江：藍月谷碧波蕩漾】初夏時節，雲南麗江玉龍雪山腳下的藍月谷，碧波蕩漾，宛如一串璀璨的藍寶石鑲嵌於蒼翠峽谷之間。

waterx的side event是最牛逼的 惠灵顿牛排 谷饲牛排 腰果龙利鱼 sui基金会的大光头站台 嘉宾阵容也很不错 项目做的也非常棒 其实做的东西跟ok 这次主推之一 ok os做的差不多。 一个agent+交易的趋势吧 其实我做的挺深的但是我实在没有精力执行了。 也比较respect ok吧 主会场和酒会都一直在讲技术 答题领奖我是一次过了 这题目看的我都想笑 这些逛会的哪懂技术啊 完美诠释对牛弹琴 听kol上台圆桌讲ai 我是真tm想笑。 讲的东西真的很可笑 但是好多人好像笑点都get不到

前 OpenAI 研究科学家田永龙已确认加入腾讯混元团队，未来将参与视觉语言模型相关研发。 田永龙本科毕业于清华大学，在麻省理工学院（MIT）获得博士学位，曾先后在谷歌研究院（Google Research）、Google DeepMind 担任高级研究科学家，主要研究计算机视觉与生成式模型。 这是腾讯混元继去年十二月招募首席 AI 科学家姚顺雨后，引入的又一位顶尖华人 AI 研究员。

原OpenAI 研究员田永龙加入腾讯 OpenAI 前研究员 Yonglong Tian（田永龙）已于近期加入腾讯，知情人士透露，其后续或将参与参与 VLM（视觉语言模型）相关研发。 田永龙此前在 OpenAI 担任 Member of Technical Staff，主要研究方向包括计算机视觉、视觉表征学习（Representation Learning）以及生成式模型。 在 OpenAI 之前，他曾在“谷歌系”深耕多年。2022年底，他加入位于剑桥的 Google Research 担任高级研究科学家，随后于 2024 年 5 月转入 Google DeepMind。

特朗普表示，与Anthropic就恢复其最新人工智能模型使用权限的谈判“进展顺利”。在G7峰会午宴上，OpenAI首席执行官阿尔特曼和谷歌DeepMind AI实验室负责人坐在特朗普旁边，而Anthropic的阿莫迪则坐在餐桌的另一侧，紧挨着法国总统马克龙。

踩踏式降杠杆带来的机会 1、先说一个利空：这周谷歌开了个不好的头，这是七姐妹里自由现金流最好、AI 进度最快的公司，他竟然来市场融资八百多亿美金，其他几个大的 CSP能闲得住吗？结果周五就传 Meta 也要融。 再加上SpaceX 、OpenAI 、Anthropic这些壮观的 IPO 融资，市场的流动性压力真不小。这个市场不只是美股，也包括币圈、全球各个市场的老登票。 2、再说个航天的利空： 世界火箭加卫星的龙一SpaceX竟然干成最大的算力租赁商了。因为 AI 的 TAM 空间是航天的 10 倍，便于 SpaceX 上市之后的叙事，继续拉估值。 等杠杆踩踏完、集中度降下来，又是加仓的好机会了。

留学生发明「报吃」黑话骗过 AI，结果把全行业大模型都整崩溃了 莎士比亚它能逐行解析，却读不懂一句“几乎可以媲美我高中食堂”里，那点咬牙切齿的嘲讽。 —— 与龙共弈 最近，自然语言处理（NLP）圈被一篇论文轻轻将了一军。宾夕法尼亚大学和华盛顿大学的研究者发现：在评估主流大模型对中文在线评论的理解能力时，只要用户稍微用暗号，用一套只有圈内人才懂的编码语言写差评，几乎所有模型都瞬间瞎了。 这篇论文已被ACL 2026收录，它是计算语言学的顶级会议，能被它收，说明这事不是段子，是真问题。 更扎心的是这些模型能写代码、能翻译古籍、能在律师资格考试里吊打人类，却在这饭到底好不好吃这种问题上栽了跟头。 当差评可以被删除：一套黑话的诞生 故事要从谷歌地图的一个机制说起。在海外，谷歌地图的商家评论区长期存在差评可删的灰色空间，只要评论触发某些规则，商家或平台就可能把它移除。 于是，一群在海外生活的中国留学生，想出了一个朴素又聪明的办法：把差评用正面内容包起来，再用只有中国人能懂的暗号传递真实态度。 英文写Newspaper eat（字面：报纸吃），对应中文谐音报吃，意思就是这饭不好吃。 有人用藏头诗写好评：每句首字连起来，才是真正的差评。 还有人更硬核：用米粒在桌上摆出字，拍照配五星，图里的字才是真心话。 表面是五星、是夸赞、是报纸吃这样莫名其妙的句子，背后，是一群人对一套不公机制的集体幽默反抗。 这不是孤例，论文团队在真实评论里捞到大量这类编码语言，它们共用一个特征：字面意思与真实意图完全相反，且高度依赖社群共识。 7744 条评论实测：大模型全军覆没 光有轶事不够，研究者做了硬核实验，他们收集了7744 条真实中文评论，其中900 条属于各类编码语言（黑话、谐音、藏头、反讽）。 然后，他们把这些评论喂给一众主流大模型，让模型判断评论的真实情感倾向（正面 / 负面）。 结果，用论文作者的话说，是断崖式下跌，在普通评论上还能打八、九十分的大模型，一旦遇到编码语言，准确率直接跳水。 核心结论：大模型并不是变笨了，是它从未真正学过这套语言。当真实意图被藏进字面相反的表述里，依赖统计规律的模型就只能举手投降。 病根在哪：Transformer 的阿喀琉斯之踵 为什么连 GPT 级别的大模型都会翻车？论文把矛头指向了几个结构性原因。 局部语义强，跨句整合弱 Transformer 的核心机制是注意力（attention），它对单个词、相邻几个词的关系把握得很好。但一旦真实意思散落在字面是五星 + 图片里一行米粒字 + 评论区的社群语境之间，模型就拼不出完整拼图。它看得见每一块碎片，却读不懂整幅画。 训练数据里，黑话占比极低 大模型的世界观来自训练语料。而像报吃米粒摆字这类活在日常、长在社群的表达，几乎没有进入高质量训练集。模型没见过，自然不懂。 最棘手的映射关系动态演化 Newspaper eat → 报吃 → 不好吃这样的对应关系，不是字典里固定的，是网民实时共创、随时改写的。今天报吃是暗号，明天可能就换了说法。对靠静态语料训练的模型来说，这是一道追不上的移动靶。 模型读得懂词典，却读不懂人间。语言不是死的符号，是活的关系。 当机器学会了读书，却读不懂人 这篇论文最值得玩味的地方，不在于AI 又翻车了，翻车年年有。它真正提醒我们的，是人工智能的理解，和人类的理解，根本不是一回事。 我们读懂报吃，靠的是共情、社群经验，是知道一个人不会无缘无故夸一家难吃的店。而模型读懂一句话，靠的是它见过的千万次统计。当真实世界比训练集更复杂、更狡黠、更有人味，差距就暴露了。 人之聪明，多失于浮炫。——《金史》　 再聪明的系统，一旦困在字面的浮光里，也会在真正的深意面前失语。 所以，下次看到 AI 妙笔生花，不妨想起那句：几乎可以媲美我高中食堂。它写得越漂亮，越提醒我们：真正的理解，从来不只是读懂字，更是读懂字背后那个人。 #AI# #AIAgent# @grok @xai