Jack Dorsey 砸了 130 万美元，Vitalik 直接甩出 128 个 ETH，可这玩意你大概率连名字都没听过 说真的，第一次看到这组合我也愣了。两个圈内顶级大佬同时下注，结果东西火不起来，离谱。 它叫 SimpleX，一个聊天工具。但它狠就狠在： 1️⃣ 不要手机号 2️⃣ 不要邮箱 3️⃣ 不要用户名 4️⃣ 连用户 ID 都没有 注意啊，不是把 ID 藏起来，也不是哈希一下糊弄你，是压根就没有 ID 这个东西。 你再回头看那些天天喊「私密」的：Signal 要手机号，WhatsApp 要手机号，Telegram 还是要手机号。说白了，只要有手机号，银行能找到你，跟踪你的人能找到你，国家也能找到你。可 SimpleX 是真的对你一无所知。 做这东西的是伦敦工程师 Evgeny Poberezkin。这哥们之前写过 Ajv，那个每月下载量 3 亿次的 JS 校验库。技术这么牛，干啥不行，他偏要做一个服务器上根本没有「用户」的聊天工具。 门道就在这：别人给你的是「身份」，他给你的是「连接」。每段对话都是一条独立的单向管道，服务器永远不知道你在跟谁聊，甚至不知道你这个人存在。 11327 个 star，AGPL-3.0 协议，两天前刚出 7.0 beta，iOS、安卓、macOS、Windows、Linux 全平台，完全免费。 伦敦 4 个人的小团队，就这么挡在你和政府、广告商、数据库泄露中间。最私密的聊天工具，偏偏是你从没听过的那个。 🔗

2070T 的 AI 推理怪兽上线了，英伟达 Thor T5000，128GB 显存 再抽 5 台懒猫摄像头A3，评论区见！ 128GB 超大显存 · 100GB 光口组网 · 口袋级体积，本地直跑 284B 大模型，5 分钟开箱即用，数据零上云。 比 GB10 性能强一倍，功耗只要 130W，这头"怪兽"安静地趴在你桌上，替你把数据中心搬回家。 还在为跑大模型租 GPU 烧钱？云端按小时计费肉疼、数据上传有隐私风险、多人排队抢算力等到花儿都谢了？ 懒猫微服重磅新品——懒猫AI算力舱 X5，一台口袋大小的私有 AI 超算，彻底干掉云端推理的所有痛点！ 🔥 2070T 推理怪兽：英伟达 Thor T5000，Blackwell 架构，2560 核心 + 第5代 Tensor Core，AI 性能高达 2070T，比 GB10 直接强一倍 🧠 128GB 超大显存：LPDDR5X 统一内存，273 GB/s 带宽，本地直接跑 DeepSeek-V4-Flash 284B，文生图、文生视频轻松拿捏 🌐 100GB 光口无限组网：QSFP28 光口 + vLLM 多机联网，算力想扩多大就多大，几台舱一联就是超算集群 ⚡ 5 分钟开箱即用：预装 Ubuntu + CUDA 全套环境，不用折腾一整天配环境，插上电就能跑模型 🔒 100% 本地部署：数据物理隔离，不上云、不泄露，隐私安全拉满，彻底告别第三方云服务的套路 📦 自研 AI 应用零门槛：懒猫微服提供更多自研 AI 应用，不用折腾 AI 开发环境，装上就能跑，零基础上手 📱 内网穿透随时访问：懒猫微服提供内网穿透能力，出门在外用手机也能随时调用算力舱 AI 算力，口袋级 AI 超算随身带 💼 一机当两台用：接上键鼠显示器就是一台 Ubuntu AI 电脑，也可多机组网当私有 AI 超算集群 🔇 130W 超低功耗：远低于消费级 GPU 的 350W~450W，氮化镓适配器 + 静音液压风扇，安静又省电 一台懒猫AI算力舱 X5，把数据中心搬进家里，全家人的私有 AI 超算中心，从此不求人。 # 参与方式 - 关注我，在评论区留言任意内容，转发这条帖子 - 添加微信：lanmaoweifu 备注：X - 邀请您加入"懒猫微服用户交流群"，有任意懒猫微服群即可，无需重复进群 活动为多平台同步进行，最终汇总统计名单，我们将在"懒猫微服直播间"里直播开奖，抽取 5 位幸运用户各送出懒猫摄像头A3 一台！观看直播还有额外惊喜，欢迎关注【懒猫微服视频号】和【懒猫微服小红书账号】 # 特别提醒 1. 必须进入活动群才能获得中奖资格 2. 活动期间不可锁推中奖用户需提供参与活动截图 + 主页截图作为验证凭证 3. 本周五（7.31）晚8点懒猫微服视频号直播开奖 # 购买渠道和优惠 - 添加微信 lanmaoweifu 即可获取懒猫AI算力舱内部资料 - 京东搜索「懒猫微服」下单 - 全球包邮，UPS 红牌到家 - 懒猫零元购： - 每移植一款应用到懒猫商店可得百元红包 - 原创应用奖励翻倍 - 撰写一篇攻略可得 50 红包 - 多移多得，无上限 - 关注"懒猫微服"抖音、小红书、视频号账号，来直播间学技术，还送好礼 # 延伸阅读： 懒猫微服官网：[ 京东购买链接（支持 7 天无理由）：[ 「前世今生」介绍文章： 开发者文档[ 创始人博客： 创始人 X： @manateelazycat (

中秋活动来了！！9.16-9.27日 淘宝搜：花椒馒头铺 快团团同名 ‼️活动期间🍑宝全场电动玩具下单➖12%，快团同等力度！ 27号前满赠： 满128r送纹身贴1张+污字笔1支 满258r送姿势类扑克牌 满358r送福袋（内衣/道具） 27号前可换购： +9.9r得防水垫 +13.9r得丁丁挂件（随机）

神了，杨立昆 @ylecun 居然转发了百度的项目？？ 刚刷推的时候居然发现杨立昆的号里面居然有Unlimited-OCR？？ 他转发了一条介绍 Unlimited-OCR 的帖子。 Unlimited-OCR这个项目我之前介绍过。 没想到发布一个月后，还能再次冲上 HuggingFace 全球模型趋势榜第三。 目前 GitHub Star 已经突破 16.5 k，HuggingFace 下载量达到 224 万。 Unlimited OCR 真正有意思的地方，是它试图解决 OCR 长文档解析最麻烦的问题。 传统 OCR 通常把 PDF 拆成一页页处理，再把结果拼起来。 遇到跨页表格、公式和复杂阅读顺序，很容易丢失上下文。 Unlimited OCR 的做法是把 DeepSeek-OCR 的全部解码器注意力，替换成一套叫 R-SWA 的机制。 模型始终可以查看全部原始图像，但对于自己已经生成的内容，只保留最近128个Token作为工作记忆。这样一来，KV Cache 不再随着输出不断膨胀，解析到后面也不会越来越慢。 按照论文数据，它可以在32K上下文内一次连续解析数十页文档,输入超过40页后，编辑距离依然低于0.11。 在6000个输出Token时，理论吞吐量比DeepSeek-OCR高35%。 并且一个中国团队开源的3B模型，发布一个月后仍在持续获得海外社区适配并重新冲回全球热榜，还能被杨立昆主动转发。 @Baidu_Inc 你们这次确实做出了一个全球开发者愿意自己传播的东西啊

如果不想你的家庭在AI时代变得支离破碎。 请您准备好以下硬件 1.Coding plan OpenAI和Anthropic的 剩余的自己搭配。这个算弹药不算枪 但是没弹药下面全白搭 这个虽然不是硬件，但胜似硬件。 有的人离开了claude code不就是废物吗？ 比如我 2.AIPC小主机 128G统一内存是起步。可以部署一些轻量的模型 跑跑生图 whisper转录，给全家搭个知识库。哪天封号了涨价了断网了，它还能说话 也可以当个人Agent服务Server.。 3.服务器。海外的、国内的。4C8G各一台 硬盘300G就够了 你的AI创造出来的东西要挂上去啊，你说对不对？ 你还要解决一些怪怪的需求。 4.NAS. 8块硬盘 越大越好 以后是资料的时代、数据的时代、是知识库的时代。你相信我，你那个几T的硬盘真的不够用的 5.工作站 NVIDIA显存。80G起步。 模型的训练呀、微调呀。搞搞小的科研啊。生成个视频啊，搞个语音模型啊。以后开源模型越来越强大。 6.Root了的手机，安卓。一人一部用于安卓自动化 养号 批量操作 抢票签到。 7.5G备用路由器 网不能断啊 电不能停啊 还有什么软路由啊，各种各样的，反正想想都心酸。

光通信最重要的变化来了！ 眼下DSP明明还很缺，头部客户还在拼命锁产能，但整个行业已经开始研究怎么减少DSP，甚至最终把它拿掉。 这其实就是光通信下一阶段最值得跟踪的变化。 今年市场赚的是扩产的钱，接下来要开始看架构变化的钱。 先把眼前的情况说清楚。 1.6T的景气没有结束。按照我们美股投资网这次调研的估算，2027年1.6T光模块需求可能达到6000万—6500万颗，而DSP依然是供应链里比较紧的一环。 特别是1.6T DSP基本已经进入3nm时代，产能不像成熟制程那么宽松。现在大约70%的1.6T DSP订单已经被长期协议锁住，GOOGL、NVDA、MSFT、AMZN、META这些头部AI客户，因为订单规模大，而且和供应商绑定得更深，拿货优先级自然也更高。 换句话说，未来一两年1.6T该放量还是会放量，DSP该紧还是会紧。 只是站在投资的角度，这些已经不算特别新的信息了。 如果现在还每天盯着“1.6T又加了多少单”“DSP又缺了多少”，其实还是在交易过去一年市场已经反复讨论的东西。 我们反而更想往后多看一步。 为什么行业开始想办法去DSP？ 说到底还是一个老问题——电。 现在AI数据中心最头疼的已经不只是GPU够不够，而是GPU买回来以后，电从哪里来，热怎么散出去，以及整个网络为了搬运这些数据到底还要吃掉多少电。 这次调研里有一个例子很好理解。 一只800G光模块平均功耗大约25W，其中DSP可能占掉接近一半。假设因为制程差异，一颗DSP多消耗3W，看起来没多少，但一台128端口交换机累积下来，就是接近400W。 再把这个数字放到几十万甚至上百万颗加速器组成的AI集群里，事情就完全不一样了。 而且网络还在继续升级。 800G之后是1.6T，再往后还有3.2T。速率越高，电信号在PCB上传输的距离越长，损耗和功耗的问题就越难处理。 这时候再一味靠“换一颗更先进的DSP”去解决，空间已经越来越小。 NPO和CPO就是在这个背景下开始走到台前的。 2027年，我会先盯NPO NPO你可以简单理解成，以前光模块离交换芯片比较远，现在把光引擎往交换芯片旁边搬。 搬近以后，电信号不用在PCB上跑那么远，损耗下来了，DSP承担的工作自然也可以减少，功耗跟着下降。 按照这次调研的估算，NPO相比传统方案大概可以节省30%—40%的功耗。 更值得注意的是2027年。 现在大家都知道CPO是方向，但CPO的问题是想得很好，真正大规模生产没有那么容易。如果明年部分CPO交换机没办法按照原来的计划出货，那么NPO很可能先顶上去，做一段时间的过渡方案。 这次调研甚至估算，如果相关交换机大量采用NPO，按照端口数量换算，2027年对应规模可能达到1200万只左右。 1200万这个数字我不会太当真，因为这里面的假设很多，CSP最后愿意采用多少、产品能不能按时出来，都还要继续验证。 但我会记住“1200万”背后的那个变化：NPO已经不是飘在天空里的东西了。 只要明年开始看到真实订单、真实交换机出货和CSP验证往前走，市场交易的逻辑就会跟着变化。 这也是为什么2027年我会非常关注NPO。 再往后看，还是绕不开CPO NPO更像是一座桥。 真正有可能把现在光互联架构彻底改变的，还是CPO。 它走得比NPO更远，直接把光引擎进一步靠近交换芯片。距离更短，功耗自然还能继续往下降。 我们调研里给出的数据是，NPO可能节省30%—40%的功耗，而CPO在部分测试里甚至能做到60%—70%。 如果AI集群以后真的做到百万卡甚至更大的规模，这种差距最后全部都是电费、散热和数据中心容量。 但CPO也有一个问题：它现在最大的困难不是设计出来，而是造出来。 里面可能涉及上千根光纤，怎么耦合、怎么提高良率、怎么控制成本，本身就很麻烦。再加上玻璃基板、布线、打孔和先进封装，很多工艺还在往成熟量产的方向爬。 所以我们暂时不会因为CPO来了，就直接判传统光模块“死刑”。 这次调研给出的时间窗口其实挺合理：2028—2029年之前，DSP和传统光模块大概率还有自己的位置，真正明显的技术转折点可能要等到2029年前后，甚至2030年。 这中间还有好几年。 对投资来说，反而是一件好事。 因为这不是突然切换，而是一段我们可以持续观察、持续验证的过程。 到这里，选股思路也要慢慢变了 以前看光通信，我们很容易先问一句：谁的光模块卖得最多？ 以后这个问题可能要稍微换一下： 谁在控制下一代AI网络的架构？ 这两句话听起来差不多，背后的投资逻辑其实完全不同。 传统架构里面，交换机赚交换机的钱，DSP赚DSP的钱，光芯片和光模块也各自拿走一部分价值。 但到了NPO，尤其是CPO，交换芯片、硅光、光引擎和先进封装开始越靠越近。 东西一旦开始整合，价值量就一定会重新分配。 所以接下来除了LITE、COHR这些我们已经很熟悉的光通信公司，我会花更多时间去看NVDA、AVGO和MRVL。 因为它们争的已经不只是某一颗芯片，而是下一代AI网络里面自己到底能控制多少东西。 另外还有一个我会放在观察名单里的公司：INTC。 如果以后AI芯片、交换芯片、CPO一起抢先进制造和先进封装，整个产业迟早会问一个问题：TSM之外，还有没有第二套真正能用的能力？ 这次调研已经提到，部分厂商正在评估INTC的EMIB和先进制程。 现在当然还不能因为这一句话就给INTC算多少收入，但如果未来真的开始出现先进封装产能转移，那么INTC的故事就不只是CPU能不能翻身了。 接下来，就盯三件事 NPO什么时候出现真正的大规模订单，CPO什么时候跨过量产门槛，以及NVDA、AVGO、MRVL这些公司，最后谁能在下一代AI网络里拿走更多价值量。 今年光通信炒的是“量”。 下一阶段，开始看谁拿走“架构”。 $LITE $COHR #美股#

多数人觉得 OCR 卷到头了，无非拍照转文字。但腾讯混元刚开源的 HyOCR-1.5 跳出了这套路子——1B 参数纯视觉端到端模型，在 OmniDocBench v1.6 上以 94.74 分拿下端到端第一，推理速度还提了 6.37 倍。 传统 OCR 流水线要拼接检测、识别、版面分析多个模型，慢且重。HyOCR-1.5 一个模型端到端输出，还用了 DFlash 投机解码：并行猜测多条解码路径，快速筛最优结果，让推理大幅加速。在 Transformers 上快 6.37 倍，vLLM 快 2.14 倍，最后单页文档端到端推理只要 1.408 秒。原先处理百页要几分钟，现在半分钟搞定，成本跟着跳水。 更关键的是全栈开源。模型权重、训练代码、推理流程全部开放，没有 API 调用费，数据不离开本地。对天天要处理合同、发票、古籍的团队来说，这种又快又省还不泄露数据的方案，每月可能省出一个人力成本。 它的适用面也没局限在中英文。通过 Agentic Data Flow，HyOCR-1.5 扩展到了 331 种语言、古文字识别，还能做多图问答。128K 上下文窗口加上 4K 分辨率，长图、竖排文档都能直接处理，不用切块、不用额外对齐。 当然，开源不等于「无脑能用」。虽然 1B 参数消费级显卡就跑得动，但装环境、跑 Demo 还是需要一点技术底子。社区已经有热心人封装一键包，不过暂时不够傻瓜化；追求「上传即得结果」的朋友，可以蹲一下腾讯混元后续的云服务。 但我觉得，这款模型最大的价值不是技术指标——而是它把「高质量、低成本、全栈可控」这三件事同时装进了一个能跑在任何机器上的 1B 小模型中，让普通团队也能用上以前大厂才烧得起的 OCR 能力。开源给了杠杆，试错的门槛已经很低。 怎么踩上这个杠杆？👉 普通用户：关注腾讯混元公众号，先看技术细节，把云服务上线消息存下来。开发者：去 GitHub 搜 JevenYu/HyOCR，拉模型跑 Demo，立刻替换掉项目里那条慢速 OCR 管道。产品经理/创业者：拿几张你最痛苦的文档测一测速度、精度和成本，说不定下一个垂直文档处理工具的原型就出来了。