【第1集】为了给没用的丈夫保住工作，我被上司单独叫去“摄影棚”。 本来说好只拍写真……结果当着丈夫的面，上司把我按在沙发上强行插入骚逼。 新频道成漫/AI短剧R18免费看！→ #AV# #NTR# #绿帽# #人妻# #上司# #出轨# #强制# #撮影#

最近有跟很多人聊 AI，发现很多人其实分不清推理和训练是什么。 1️⃣ 推理（inference）：模型答题 你每天用的 ChatGPT、Claude，基本都停在推理这一层，说白了就是你向一个已经训练好的模型发请求、它给你回复的过程。 模型的权重早就在训练阶段固定死了，你输入一段 prompt 进去，它做一次前向计算，吐出结果。可以直接把它当成一个服务端，请求和请求之间互不通信、互不影响。 2️⃣ 预训练（pre-training）：从零造一个大脑 这是整个大模型诞生里最重、也最关键的一步。一般会拿几十 TB 的数据喂给一个随机初始化的网络，让它反复学预测下一个词，一次训练动辄几个月，烧掉巨量的 GPU 卡和电费，最后产出一个基座模型（base model）。 它对硬件的要求很变态，几千张顶级 GPU 得物理上挤在同一个机房，用 InfiniBand 高速互联连成一台超级计算机，因为每次训练都要同步梯度，这也是为什么HBM贵的原因。 预训练造出来的模型其实还很难用，它只能保证闷头续写(输出token)，你问它一个问题，它可能给你顺手反问三个类似的问题出来。 3️⃣ 后训练（post-training）：把大脑调教成助手 从只会续写的基座模型，需要通过后训练才能变成好好跟你聊天、帮你完成任务的助手。 它是一个很长的工序，把预训练之后所有继续改权重的工序都装进去，主要有以下几种方式： 1.SFT：监督微调，喂人工写好的问题和好答案，教它按指令回答 2.RLHF / DPO：用人类偏好数据对齐，让它知道哪种回答更受欢迎、更安全，Anthropic 那套 Constitutional AI 就是这一支的变体 3.推理训练 RLVR：拿数学对不对、代码跑不跑得通这种能验证的奖励，专门练它的推理链。后训练的数据量和成本比预训练小好几个数量级，但一个模型好不好用、听不听话、安不安全，主要是这一层练出来的，不是靠参数量堆出来的，比如gpt风格明显就更加严谨、claude会更发散。 同样是训练，预训练拼的是算力和资本，后训练拼的是数据质量和调教手艺。 4️⃣ 微调（fine-tune）：特定化调整 这是普通公司和个人唯一玩得起的训练。微调就是拿一个已经预训练好的模型，用你自己私有小规模的特定数据再补一补，让它适配某个行业、某类任务、某种风格。上面说的 SFT 其实就是微调的一种，只不过大家平时说微调，更多指自己拿开源模型 Llama、Qwen 在自家的私有数据上接着训。 早期微调要动全部参数，成本还是挺高的，个人和小公司玩不起。后来有了 LoRA 这类参数高效微调，把原模型冻住，只训一小撮新增的低秩参数，便宜到一张显卡、几十块钱电费就能跑一次。 所以你听到某公司说我们训了个垂直领域的大模型，先别急着膜拜，大概率是在这一层 LoRA 了一下。

这篇讨论稿的三个作者都是经济学背景，一个老外两个香港人，去研究国内学生使用生成式 AI 对学习成绩的影响。很好瞎扯撞我枪口上了。 不能因为你们写的只是Discussion Paper就能不严谨，也不能因为是发布在 CEPR 有学术门槛，就一定多专业。摘要上面清楚写着2.6 万学生都被完整追踪了 30 个月。打开你们的 paper一看：2025 年 6 月下旬，在中国中部某省的一个县做问卷，覆盖： 26,811 名学生 7 到 12 年级 5 所初中、4 所高中 约占该县初高中学生的 90% 没覆盖的主要是偏远农村、难以追踪的学生 几个关键数据样本并不一样： 月考数据：26,811 人，30 个月 作业数据：18,345 人，20 个月 县统考数据：8,466 人，18 个月 中考/高考数据：8,341 人，核心上只有 2025 年 1 个月。哪来的2.6 万学生都被完整追踪了 30 个月。这些中部地区的样本数据能代表中国中学教育吗？ 论文从 2022 年 9 月开始画 AI 采用曲线。图上早期比例很低，不是说很多人 2022 年就在用，但仍然有一小撮学生被算作已采用生成式 AI。（论文里提到老师让学生核对 AI 工具注册日期，但作者也承认无法观察学生是否真的核对。问题是：注册日期不等于实际使用日期，更不等于开始用 AI 写作业的日期。。。） 那问卷到底怎么问的？学生是否把联网搜索、拍照搜题、智能批改、聊天机器人都混在一起？国内 22 年的时候很多 AI 产品都在早期更别说 AI 教育了，甚至豆包是 23 年 5 月才有了联网搜索功能，小猿口算 25 年上线 AI 功能。 真的是跨行业谁都能写论文指点江山谁都能带节奏。

不得不说现在SOTA模型的智能水平确实超过了大部分人类。 背景是我下午在思考一个问题：为什么咸鱼之王这种粗糙的小游戏能赚这么多钱？ 因为我没玩过小游戏，平时玩游戏也并不会氪金，所以对这个问题毫无头绪，下面是AI的输出，我觉得非常有道理，同时我也相信这些认识的深度超越了大部分人类对这件事的认识。 ---------- 咸鱼之王这种小游戏为什么这么多人玩？粗糙不是缺点，粗糙是设计。 你的隐含假设是错的。 这个问题里藏了一个假设：游戏好玩 = 画面精致 + 玩法复杂。这是核心玩家的视角，但核心玩家只占游戏市场的一小撮。 咸鱼之王的目标用户画像：30-50 岁，可能是工地午休的工人、带娃间隙的宝妈、等外卖单的骑手。他们对游戏的需求和你完全不同。 从第一性原理拆：人为什么玩游戏？ 把所有花哨的东西剥掉，游戏提供的底层价值就三个： 1. 低成本的多巴胺 咸鱼之王的核心循环：点一下 → 数字变大 → 奖励弹出来 → 再点一下。这个循环 2 秒就能完成一次。短视频是划一下获得一次多巴胺，咸鱼之王是点一下获得一次。 精致 3A 大作呢？你得先学操作、理解剧情、打 30 分钟才能获得一次成就感。多巴胺的获取效率差了一个数量级。 对于碎片时间用户来说，等电梯的 30 秒、蹲厕所的 3 分钟，他不需要沉浸感，他需要的是立刻、马上、现在就爽一下。 2. 数值成长的幻觉 你的角色从 100 攻击力变成 10000，从青铜变成王者。现实生活里，大部分人的成长是缓慢甚至停滞的。游戏里的数字增长提供了一种现实中很难获得的确定性正反馈：你投入就一定有回报，不存在办公室政治，不存在怀才不遇。 越是现实中缺乏掌控感的人，越容易在数值成长里找到满足。这不是智商问题，是心理需求问题。 3. 社交货币 咸鱼之王在微信小游戏生态里爆发，天然带社交属性。排行榜上你比同事高一名，群里分享一下你的稀有角色。炫耀和比较是人类最古老的社交驱动力。 精致游戏反而没有这个优势，因为你身边的人不一定玩同一款 3A 大作，但微信小游戏人人都能点开。 粗糙为什么反而是优势？ 这里有一个很违反直觉的机制： 精致游戏：心理门槛高，觉得要认真对待；花 300 块买断，决策很重；安利成本高，别人要下载 App；打到一半退出很可惜。 粗糙小游戏：心理门槛几乎为零，随便点点；花 6 块抽一次，感觉不是钱；微信里点一下就能玩；随时放下随时捡起。 粗糙 = 轻 = 没有心理负担。用户不会觉得我在玩游戏，他觉得我就是随便点点。这个心理差异极其重要，因为很多人对玩游戏是有负罪感的，但随便点点没有。 氪金逻辑：6 块钱的心理学 不氪金的人通常会算账：花这个钱值不值？ 但咸鱼之王的付费设计精准打击的是不算账的时刻： 你差一点就能过关，弹出一个 6 元礼包。6 块钱，一瓶水的价格，你不会启动理性分析系统，手指比大脑快。 你连续登录 7 天，第 7 天给你一个超值奖励，但要花 1 块钱领。你已经投入了 7 天的时间成本，沉没成本谬误会替你做决定。 排行榜上你被朋友超过了，花 12 块就能追回来。损失厌恶比获得感强 2 倍，这是诺贝尔经济学奖验证过的结论。 每一笔都很小，小到不触发你的理性防线。但 1000 万用户每人花 6 块，就是 6000 万。 一句话总结 咸鱼之王不是一个游戏产品，它是一台精准的多巴胺贩卖机，披着粗糙游戏的皮，底层跑的是行为心理学和微交易经济学。 你不玩、不氪金，是因为你有更高效的多巴胺来源和更强的理性防线。但对于几千万碎片时间充裕、现实正反馈稀缺的用户来说，这 6 块钱买到的确定性快乐，比现实里任何东西都便宜。

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#

马斯克起诉OpenAI的官司还是败了，这个倒是没有一点意外。 几次庭审虽然没有直播，但很多媒体都拿到了旁听席位，会有完整的问询记录流出，全程追完之后，只能说马斯克输得不冤。 从PolyMarket的盘口也能看出，庭审前马斯克打赢官司的概率最高能够接近45%，庭审后就降低到了30%左右，说明两边证词对完账，主要还是对马斯克不利。 双方的代理律师也完全符合各自的风格，马斯克的律师跟马斯克一样高举高打，特别具有攻击性，同时金句频出——或者说密集爆典——让我记忆深刻的是他向陪审团这么提问： 「想象一下，你们正在山里徒步，需要过一座独木桥，这时有人指出，那座桥的建造材质是山姆·奥特曼的真相，你们还会过桥吗？」 😳 对于法官来说，律师的脱口秀效果当然不是一个加分项，相比之下，OpenAI的律师更善于利用对方证词的漏洞。 比如马斯克申请传唤的证人、同时也是给他生过4个娃的特斯拉早期员工希冯，让她出示OpenAI早期承诺保持非营利结构的邮件。 而OpenAI的律师做了更多的功课，完成了一次非常精彩的局部反转，他让希冯同时承认了，在试图掌权OpenAI失败之后，马斯克开始疯狂挖OpenAI的人，包括我们现在都很熟悉的Andrej Karpathy，甚至想让山姆·奥特曼投奔特斯拉干AI⋯⋯ 整体下来的感觉就是，马斯克想要建立的那套叙事，也就是OpenAI被一小撮人给密谋窃取了的剧本，很难成立，因为这个指控必须由严密的一套计划支撑，而且还得成功欺骗所有利益受损方，但马斯克拿不出来足够的证据。 你不能说一家公司的经营方针变了，就是被掉包了，你也不能说山姆·奥特曼及其「党羽」的人品不行，所以他们就是窃国大盗，包括马斯克本人的成功在这次官司里也成了负资产，有法学专家表示： 「他是这个星球上最聪明的人，财力雄厚，律师成群，所以他要说自己在长达数年的时间里被系统性的欺骗了，这怎么可能呢？」 🤣 而且很不凑巧的是，马斯克原本准备好的说辞，和现实版本正好冲突了，他说OpenAI和苹果的「勾结」是影响恶劣的垄断，会断送其他AI公司的发展机会，但实际上在另一个案件里，OpenAI正在起诉苹果对合作的支持不力，根本没有给ChatGPT导流⋯⋯ 微软的CEO纳德拉也是被传唤的证人之一，他的证词基本上对最终的结果盖棺定论了，他说在微软从2019年开始投资OpenAI，直到2023年ChatGPT大火，马斯克都从来没有联系他表示异议。 所以，法官的判决意见并不在于马斯克是对是错，是这起诉讼的发起时间太晚了，晚到「司马昭之心路人皆知」，马斯克是在报复，而法庭不能为了取悦他的私心，就毁掉一家正在蓬勃发展的公司。

【AI去衣】口交模型--杨幂/田薇曦 #Ai去衣# #Ai脱衣# #Ai换脸# 接入GPT5.0模型，上传照片即可，自带各种动作模板 更新Ai5.0视频去衣模型，支持视频去衣，图片转视频 链接使用：

AI时代真的会诞生无用阶级吗？ 很多人担心，AI普及后普通人会变成无用阶级。其实真相没那么简单。过去几千年资源有限，靠劳动和分工定阶层，所以赫拉利才会说，未来大部分人会失去劳动价值。 但所谓无用阶级，只是新旧时代切换的阵痛。未来物资几乎零成本，旧的阶级规则彻底失效，最后拼的不再是能力，而是欲望。 大部分人会沉溺AI带来的廉价快感废掉，少部分人自律控欲、借力AI升级自己。普通人想翻盘，别依赖集体、多练独立成事能力，打开跨学科认知，别害怕试错，主动往前走就行。