註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 SGS認證生食級肉棒
SGS認證生食級肉棒 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 SGS認證生食級肉棒 的搜尋結果
保持定期檢查 享受美好性愛的同時 安全又放心 常常被問到是哪裡檢查 我固定都是到 #啟程泌尿科# 檢查跟保養 檢查基本涵蓋所有項目 #檢查結果包含正規的書面或電子檔# 所有的工作人員跟醫師人都很好👍 #SGS認證生食級肉棒# 乾淨又衛生 #定期檢查# #乾淨又衛生# #生食級肉棒# #安全的享受性愛#
顯示更多
0
74
290
0
轉發到社區
斯坦福最新研究突破:Self-Guided Self-Play 如何让 LLM 实现自我进化? 在大模型训练中,我们一直面临一个痛点:高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据,其推理能力的提升往往就会撞上天花板。 最近,来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法,试图彻底打破这一瓶颈。简单来说,这项工作让模型不仅能做题,还能自动出题、自己审题,从而在不需要更多人类介入的情况下,进一步提升后训练和微调的效果,实现模型推理能力的持续缩放(Scaling)。 现在前沿模型公司,后训练和微调的时候都会使用自博弈(Self-Play)方法 自博弈(Self-Play)的核心理念是:出题者(Conjecturer)负责出题,解题者(Solver)负责做题,两者在对抗中不断进步。在理想状态下,这个过程是没有天花板的。 但在现实训练中,这类方法通常会陷入 “学习停滞”(Learning Plateau): 出题者很快就会发现,只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目,解题者就很难解出,或者产生某种“虚假提升”。 训练退化:由于缺乏有效的监督,随着训练周期拉长,合成数据的质量迅速下降,导致模型不仅没学到新知识,反而越练越笨。 为了解决这一问题,SGS 引入了一个至关重要的角色——引导者(Guide)。在 SGS 框架下,LLM 同时担任三个角色: Solver (解题者):负责求解问题。 Conjecturer (出题者):负责生成相关的合成问题,难度需与当前目标匹配。 Guide (引导者):作为质量把关人,它负责评估出题者生成的题目质量。 Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关,Guide 会直接给出低分,强迫出题者回到高质量的学习路径上。 研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能: 真正的持续 Scaling:在长周期的训练中(训练步数远超以往工作),SGS 的累计解题率表现出了极好的缩放特性,并没有出现以往常见的性能退化。 经过 SGS 长周期自我训练后,一个 7B 参数的模型,其推理能力甚至超越了未经过此类训练的 671B 参数模型(DeepSeek-Prover-V2)。 SGS 的意义,可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变: 从单纯依赖人类标注数据的“手工作坊”模式,转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。 SGS 证明了在推理能力上,我们同样可以拥有“扩展定律”(Scaling Laws)。只要计算资源(Compute)充足,并且通过 Guide 机制守住数据质量,模型能力的提升就是可预测、可扩展的。 目前 SGS 在形式化验证领域(Lean4)已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。 我们可能正处于 又一次模型能力指数级增长的起点
顯示更多
0
55
523
98
轉發到社區
黃仁勳:十年把 AI 效能提升 100 萬倍!|GTC 柏林 2026 主題演講 2026.10.21 概述NVIDIA 创始人兼 CEO 黄仁勋在柏林 GTC 发表主题演讲。他回顾了 NVIDIA 在欧洲 33 年的发展,提出 AI 是一个“五层蛋糕”式的新制造业,并发布了 Vera Rubin 全栈 AI 工厂、DSX Pod、OpenShell 安全运行时、Hyperion 自动驾驶生态扩展、Agile ONE 参考机器人和 RTX Spark 个人 AI 电脑。 = 》他的判断是:每家欧洲企业都会成为 AI 公司。 核心要点AI 是新的工业革命:AI 是“生产智能的制造业”,按五层结构理解:能源 → 计算 → AI 工厂 → 模型 → 应用。 Vera Rubin 已全面量产:100% 液冷,无线缆,单节点组装时间从 Grace Blackwell 的 2 小时降到 5 分钟以内;性能约为 Blackwell 的 30 倍。 过去 10 年 AI 性能累计提升约 100 万倍,同期摩尔定律只能带来约 100 倍。 DSX Pod:把 NVL72 机架在供应链内完成集成、测试并装入集装箱交付,现场部署从约 4–5 个月缩短到约 1 个月。智能体五要素:模型、Harness(“外骨骼”)、沙箱(OpenShell)、知识、工具。 OpenShell + Sentry:开源(Apache 2.0)的智能体安全运行时,策略在智能体外部执行;Sentry 运行在 BlueField-4 上,提供硬件级隔离监控。 物理 AI:覆盖电信 AI-RAN、自适应放疗、Robotaxi(Hyperion)和人形机器人,需要“三台计算机”:训练、数字孪生、机器人端。 RTX Spark:与微软合作 4 年,搭载 N1X 芯片,提供 1 PFLOPS 算力和 128GB 内存,规格相当于 2016 年交付给 OpenAI 的 DGX-1。 NVIDIA 与欧洲:早期芯片 NV1、NV2、NV3(RIVA 128)都在欧洲制造:合作伙伴 SGS-Thomson,在法国 Crolles 生产,在马耳他封装。 早期最大客户是 Medion;ELSA 于 2000 年把 NVIDIA 带入工作站市场;2005 年进入 Audi 车内;2020 年与 Mercedes 合作自动驾驶。过去一年在欧洲投资近 100 亿美元,本周宣布投资 14 家初创公司,欧洲合作伙伴超过 12,000 家。 合作的欧洲企业包括 L'Oréal、Revolut、Spotify、Merck、Vodafone、Zara、Porsche、Nestlé、HSBC 等。 AI 五层蛋糕与基础设施,每一层都在增长:能源层(Schneider、Siemens Energy)、计算层(NVIDIA)、AI 工厂层(Nebius、Firebird、Cassava)、模型层、应用层(AI 原生初创公司)。预测全球约 10 万个电信站点、约 100GW 的分布式基站和数据中心,未来会演变为分布式 AI 网络。 模型层不只有语言模型,还包括生物、化学、物理、机器人动作、动画等多种模态。1GW AI 工厂造价约 500 亿美元;如果年收入按 400 亿美元计,延迟 3 个月约损失 100 亿美元收入。 全栈 AI 工厂平台硬件:Vera Rubin GPU、NVLink 交换机(72 颗 GPU 连成一个巨型 GPU,每颗 20 PFLOPS)、Vera CPU(每时钟 8 条指令,首个 LPDDR 内存系统)、BlueField-4、Spectrum-X 以太网(使 NVIDIA 成为全球最大的网络公司)、Groq 3 解码加速器。 Spectrum-X CPO:全球首款量产的共封装光学交换机,512 端口 × 200Gb/s,采用与 TSMC 合作的 COUPE 工艺。软件:AI 工厂系统软件、350 多个 CUDA-X 库(cuDNN 被比作“AI 界的 SQL”),以及多领域模型。 架构演进:Pascal(DGX-1,2016 年交付 OpenAI)→ Volta → Ampere → Hopper → Blackwell(首个机架级计算)→ Vera Rubin(处理整个智能体)。DSX 参考架构:PTC、Dassault Systèmes、Schneider Electric、Jacobs、Siemens、Procore 参与数字孪生设计;DSX Max-Q 节省 30% 电力;冷却液温度最高 45°C,采用干式冷却;2GW 规模下每天可节水 5,400 万升,相当于 18 万户家庭的日用水量。 NVIDIA 的两大差异化:通用加速计算架构(CUDA,保持一致约 25 年),以及 全栈 AI 工厂交付能力。架构“可互换(fungible)、耐用、高生产力”,可服务 CSP、新云、OEM/ODM、AI 实验室和各行业终端市场。 智能体与安全OpenClaw 开启了开源智能体浪潮,token 消耗和 GPU 需求随之激增。OpenShell 在系统调用、文件访问、网络连接三个粒度上执行策略。形式化验证保证权限不超出上限;密钥由 supervisor 保管;Sentry 可在毫秒级隔离异常智能体,并留下防篡改记录。安装只需两条命令。 前沿实验室、操作系统、网络安全和平台公司纷纷采用;Anthropic 与 NVIDIA 合作打造 Claude OpenShell 智能体。可用的 Harness 包括 OpenClaw、Hermes、OpenHands、LangChain Deep Agents,或直接用 Python 编写。 开放模型、知识与工具开放模型家族:Nemotron(语言)、Cosmos(世界基础模型)、GR00T(人形机器人)、Alpamayo(自动驾驶)、Ising(量子-经典计算)、Earth-2(物理 AI)。同时开放权重、数据和训练脚本。客户案例:AI21 与 Alice、Baseten 与 CodeRabbit、Trajectory 与 Harvey、Scale 与 Skydance、Palantir 与 Tampa General Hospital,通过后训练达到前沿水平。 知识基础:Nemotron Parse、Embed、Rerank(排行榜领先),以及用 Kumo 对结构化数据做预测(例如预测供应短缺)。 CUDA-X 工具相比 CPU 可加速 10–100 倍。 案例: - Lila Sciences:B 细胞淋巴瘤疗法设计,使用 BioNeMo。 - Siemens Erlangen 工厂:使用 Cosmos 和 Omniverse。 - Dassault Systèmes:把 Golf 车门设计改到 Tiguan 上,使用 ENOVIA、CATIA、SIMULIA。 观点:AI 不会终结软件或工具公司,工具公司会变成智能体公司。 物理 AI电信:与 Nokia 在 T-Mobile 网络上完成首个商用通话,历时近 8 年。自适应放疗:被视为一种机器人手术。Hyperion:标准传感器套件包括 14 个摄像头、9 个雷达、3 个激光雷达,由双 NVIDIA GPU 驱动。 新增 VW 厢式车、JLR、Volvo、Mercedes 下一代车型;全球每年行驶约 1 万亿英里。人形机器人:标准化形态能带动技术飞轮,欧洲在机电一体化方面有优势。 Agile ONE 参考机器人与 Agile Robots 合作,预计明年第一季度推出。 RTX Spark 与演示: RTX Spark 系列包括台式机、笔记本和工作站;DGX Station for Windows 提供 20 PFLOPS 和 754GB 内存,预计今年底上市。构建智能体的方式是“让智能体帮你构建智能体”。 演示中,Hugging Face/Pollen Robotics 的 Micro Duck 机器人由 Hermes、Nemotron 和 GPT-6 Astra 驱动,借助 FreeCAD、Blender、Isaac Sim/Lab 和 Newton 完成建模、云端并行训练、本地验证和真机部署。 关键结论AI 工厂正在从“运行模型”转向“运行完整智能体”。欧洲应成为 AI 的生产者而非消费者,每家公司都将成为 AI 公司。 行动方向:使用开放模型结合自有数据进行后训练,以 OpenShell 保证安全,借助 DSX Pod 加速 AI 工厂部署,并抓住物理 AI 和人形机器人的机遇。 $NVDA
顯示更多
今日分享: 如何保护小月龄宝宝学走路不摔到头? 保护刚学步的宝宝,确实是个精细活。最安全的做法是把重心放在改造环境上,防护装备可以作为“双重保险”,但不能依赖它。 🏠 第一步:打造“安全练习场”(最重要) 装备是辅助,环境安全才是根本。建议做到以下几点: · 消除硬角:给家里所有家具的尖角(尤其是桌角、茶几)装上防撞护角或防撞条。 · 软化地面:在宝宝常活动的区域铺上柔软的游戏爬行垫,减轻摔倒时的冲击力。 · 消除隐患:在楼梯口安装安全防护门,并确保窗户有防护栏。 🛡️ 第二步:选对防具(头盔 & 学步带) 如果地板特别硬(如瓷砖),可以考虑用头盔,但学步带(腰带)用法完全不一样。 1. 学步护头头盔 它主要防的是磕到硬物和尖锐桌角,缓冲摔倒时的撞击。 · 推荐选:360°全包裹、轻薄透气(有透气孔)、重量轻(约100g)的款式,宝宝戴着不抗拒。优先选有SGS安全认证的品牌更放心。 · 谨慎选:那种只包后脑勺的(前额侧边保护不到)、厚重闷热的,或者头顶镂空的(防不了上方撞击)最好避开。 · 注意:有的宝宝会觉得很热,或者戴着不舒服就自己扯掉,不能强求。 2. 学步牵引带(腰带) 这不是防摔头的,而是防止宝宝后仰摔倒,或者让大人不用一直弯着腰扶,能起到引导平衡的作用。市面上有些套装会带护膝,保护膝盖和手肘。 ⚠️ 第三步:特别提醒 1. 千万别用普通自行车头盔:太重还会压迫颈椎,只能买专门的婴儿学步软头盔。 2. 头盔绝不能代替看护:戴上护具不等于放进“保险箱”,一刻都不能让宝宝离开视线。 3. 允许“可控的摔倒”:如果摔得不重,不必过度紧张,宝宝需要在小磕碰中学会平衡和保护自己的本能。
顯示更多