最新可用的 chatgpt business 促销码和脚本 脚本-开发者-控制台-粘贴运行 --- (async function generateUSTeamLink() { console.log("⏳ 正在获取 Session Token..."); let accessToken; try { accessToken = (await fetch("/api/auth/session").then(r => r.json()))?.accessToken; if (!accessToken) throw new Error("Token 为空"); } catch (e) { return console.error("❌ 获取 Token 失败，请确认你已经登录了 ChatGPT 网页版"); } const payload = { plan_name: "chatgptteamplan", team_plan_data: { workspace_name: "workspace", price_interval: "month", seat_quantity: 2 }, billing_details: { country: "US", currency: "USD" }, promo_code: "TechAheadUS", // 美区实测促销码 checkout_ui_mode: "hosted" }; console.log("⏳ 正在绕过网页端，生成美国区专属打折付款链接..."); try { const resp = await fetch("", { method: "POST", headers: { Authorization: `Bearer ${accessToken}`, "Content-Type": "application/json" }, body: JSON.stringify(payload) }); const data = await resp.json(); const url = data?.url || data?.stripe_hosted_url || data?.checkout_url; if (url) { console.log("=========================================="); console.log("✅ 链接生成成功！请点击或复制下方长链接在浏览器打开：\n"); console.log(url); console.log("\n=========================================="); } else { console.error("❌ 生成失败，请检查梯子是否为全局美国节点，或促销码是否过期。原始返回：", data); } } catch (e) { console.error("❌ 网络请求失败，请检查网络环境：", e); } })();

如果你运行一个 NVIDIA H100 集群，并且希望训练任务能真正跑完，那么你必须有大约 5% 的算力冗余：而这相当于每个月有超过 100 万美元的芯片“闲置”。 这个结论来自一项在 11 月发布的研究：基于 1,056 块 GPU、持续 2.5 年、累计 1,170 万 GPU 小时的运行数据。这是目前公开领域中，对 H100 可靠性规模最大的一次分析。 成本之所以这么高，原因在于：每块 H100 出现“不可纠正内存错误”（uncorrectable memory errors）的概率，是 NVIDIA A100 的 3.2 倍。NVIDIA 为应对错误设计的恢复机制（例如行重映射、错误隔离）原本是按 A100 较小规模设计的，在 H100 上不仅触发更频繁，而且失败率也更高。单节点可用性大约是 99.3%，听起来还不错，但一旦把它扩展到数百个节点、再叠加一个月的运行时间，整体成功率就会显著下降。 论文中最有价值的数字其实藏在推算里：如果单节点可用性从 99.3% 提升到 99.9%，所需的超额配置（overprovisioning）可以减少 2.5 倍。这正是为什么行业开始把“硬件可靠性”当作“软件问题”来解决——这是一个纯粹的经济驱动。

最近公司 领导 和我聊起面 向对象（OOP）和设计模式。并说想要在公司中推广设计模式。但是我表示了 反对。 我想聊聊我为什么不喜欢设计模式，以及我信奉的软件 “设计模式”。 说实在的，我其实没看过 GoF 那本设计模式的书。以后也大概不会去读。但是设计模式的大名还是有听过 我之前在 Vue 团队写 Vapor 模式时。发现 Vue 的响应式系统确实使用了 OOP，但主要是出于性能上的考虑。当优化达到一定层级之后，哪怕是引擎层面的微小实现差异也会影响性能。所以我们选择 OOP，是因为它带来的优化便利，并不是因为我们想要套用某种具体的设计模式。 * Vue 的源代码中 ReactiveEffect、Dep、ComputedRefImpl 这些类的存在，是因为 V8 的 hidden class / inline cache 对固定形状的对象优化更好。 （如果理解有误，欢迎指出） 我在入行的初期学过 OOP，大约是 8 年前的事了，已经很久了。但是过去这几年，我逐渐觉得设计模式并不太适合 Vue 3 + TypeScript 的开发。如果不是为了性能优化，我现在也很少使用面向对象。我会这样看，一部分原因是受到了像 Anthony Fu (antfu) 这些人的影响。 * GoF 是 1994 年的 C++/Java 世界的产物。如今语言进化了，很多模式从"需要刻意设计"退化成了"语言原生特性"。 这就是为什么 antfu、Evan、Anthony Fu 那一派人不太谈 GoF。不是反对它，而是它已经融进语言里了，再单独命名反而显得笨重。 “ 模式之所以叫模式，是因为语言没原生支持它，你得手动重复实现。” 去年我读了一本关于如何更好的编程的书，我很快就爱上了它。我试着推荐给我的推友们，结果发现推友中已经有不少人读过了。而且也很喜欢！ 这本书是《软件设计的哲学》(A Philosophy of Software Design) 我特别喜欢书中对复杂度的阐释方式，现在仍会时常翻阅。 我的 CLAUDE.md 提示词里也用了这本书的概念： - 深模块（Design Deep Modules） - 消除错误（Define Errors Out of Existence） - 向下沉淀复杂性（Pull Complexity Downwards） - 不同层不同抽象（Different Layer, Different Abstraction） 这边篇幅有限，就不展开这几个概念了。如果感兴趣的话，我可以之后仔细写写我自己的理解。 让我疑惑的问题： 设计模式如今还被使用，似乎更多是一种沟通时的共同语言。但是我们是否真的按照它的模式来设计代码架构呢？ 它作为大家交流的语言和思想的工具如今是否还是合适的选择。是否落后，又是否有着与时俱进的新选择呢？ * 写了好多，以上都是我自己的主观想法，可以随便聊 🤗

和Quant Alex @StochAlex07 讨论： SABR Theta与Spot Theta+Vol Theta+Cross Theta的异同与应用，以及SABR模型自洽性分析。 **English Summary of the Chat** **SABR Theta vs Spot Theta + Vol Theta + Cross Theta** The conversation between **Alex Wu** (white bubbles) and **Jeff Liang** (green bubbles) is a technical discussion focused on **SABR Theta versus Total Theta** (i.e., Spot Theta + Cross Theta + Vol Theta), model self-consistency, PDE residual, and the correct definition of SABR Greeks. ### Key Points Discussed: 1. **SABR Gamma = Spot Gamma** (first major question, raised by Jeff) Jeff asked whether SABR Gamma (\(\partial^2 P / \partial F^2\)) is identical to Spot Gamma and whether it includes the dependence of \(\sigma_B\) on \(F\). He also provided the full chain-rule expansion of SABR Gamma in terms of Black-76 Greeks. Alex confirmed the understanding and **later affirmed in code** that this is exactly how SABR Gamma is implemented in their system. 2. **SABR Theta vs Total Theta and Model Self-Consistency** (main topic, led by Jeff) Jeff shared a clear 3-point understanding: - SABR Theta is computed directly via the SABR approximation formula to obtain \(\sigma_B\), then applying the Black-76 chain rule: \(\partial P/\partial t =\) BS_Theta(\(\sigma_B\)) + BS_Vega \(\cdot \partial\sigma_B/\partial t\). - Total Theta is the exact decomposition from the SABR PDE (Spot Theta + Cross Theta + Vol Theta). - When the model is **fully self-consistent** (Residual = \(\partial P/\partial t + \mathcal{L}P = 0\)), SABR Theta = Total Theta; otherwise the difference is the unexplained PnL caused by the approximation error in the Hagan formula (especially pronounced in long-dated, high vol-of-vol, or high-skew options). 3. **Practical Implication – Theta Decomposition Decision** (comment by Alex) Alex noted that whether to perform Theta decomposition depends on the risk-management approach: - Without decomposition → use SABR Gamma vs. dP/dt. - With decomposition → SABR Gamma maps to Spot Theta, Vanna to Cross Theta, and Volga to Vol Theta. **Overall Tone**: The discussion is highly technical and collaborative. Jeff drives the conversation by asking clarifying questions and presenting a well-structured 3-point summary of his recent study. Alex provides confirmations, practical insights, and code-level validation. Both participants demonstrate a strong command of SABR model nuances, particularly the relationship between approximation error, PDE residual, and real-world risk management.