temperature 这个参数，文档里写了半天没人看。 调 0 和调 0.7，你的 RAG 答案能差一个档次。 但大部分人从来不碰默认值，然后怪模型不行。

📷十二月作品（21日發售） 『魔法聖誕星』127P+2Video/ Dance “用你的體溫為我解凍，我在平安之夜等你..” "Thaw me with your body temperature. I'll wait for you on Christmas Eve..." 盒岛： Subscription： Fantia購入：

“最近天氣變冷了呢，要試試兔毛的溫度嗎？” ——『雪絨兔』 "The weather has turned cold recently. Do you want to test the temperature of rabbit fur?" ——『Snowfluff Bunny』

读知乎回答有感，浅谈一下后训练 benchmark Any benchmark will be saturated，而随着工业界后训练的发展，reasoning / coding 的 benchmark 越来越泛化 / 众包化。其实 LLM eval 一直是个草台班子，每家都可以有自己的 setting，而任何 setting 只要不被强行统一就存在操作的空间，最早可以调 temperature / top_p / length，后来可以调 harness / setting。 AA 给出了一个相对“规范”的 setting，让大家都听它的而不是野蛮生长，但这并不 make sense。只要评测非中心化就一定存在 noise，任何结果都可以是 cherry pick 后的，而 AA 官方的 95% 置信度结果就成了 judge 模型能力的标杆。 代价是什么呢？模型如果没有很亮眼的 AA 分数，即使精心打磨体感 / working / CUA，无人在意，这本质也是模型要 sell 就要迎合表面主流的评测中心化组织。 至少我们可以从每家基模厂、每个新模型的发榜看出来大家并不会被 AA 所局限，而 OSWorld v2、ALE、TB4 / TB-Sci 等 frontier 众包 benchmark 已经告诉我们：最 frontier 的能力一定是最通用的能力，而 agent 已经站在了单 domain 能力的肩膀上。 现在的职业任务分为三类，已经被 AI 训练好的，无法被 AI 训练的，还在被 AI 训练的。所有能归纳在 Computer Use 的都是第三类，而模型如何解决第三类职业任务仍需要数年的进化。 这些众包 benchmark 越来越变成第三类任务的闭包，决定了未来数个月内基模团队的优化方向，而越是 frontier 的 benchmark 就越有 noise。如果 benchmark 团队不为自己的错题率负责，只会诞生越来越多的错题 benchmark：GPQA-Diamond，HLE，充斥大街的弱模型 judge。 为了消灭 LLM-judge 所引发的不确定性，众包 benchmark 一定会越来越商业化，而 evaluation 一定会在短暂的时间内迎来大洗盘。

突然发现一个问题，Claude code的模型默认温度竟然是1！！！ 在我的认知里，编程这种工作模型的默认温度应该很低啊 于是我去问了问ai，他告诉我现在其实大家已经不怎么关注温度了，低温模型用于代码补齐已经是很久之前的旧“共识”了 现在两个sota都不支持temperature、top_p、top_k这些参数调试了，令人感叹！

一个天气 bot，用一笔 weather bet 把 $28 做成了 +$2,346 不是加密 不是高杠杆 还是天气市场 上个月： +$13,000 平均每天大概 +$400 几笔代表性交易： $13 → $4,082 $28 → $2,346 $42 → $1,059 它的策略不是单纯猜最高温 而是： 被低估的 outcome，买 YES 被高估的 outcome，买 NO 例子是这个市场： “Highest temperature in Seattle on May 6” 它买了： 61–67°F YES，投入 $210 67–73°F NO，投入 $244 模型识别到即将到来的 cold front，所以押在更低温区间 最后 61°F 成为 winning outcome 结果： YES 赚了 +$2,108 NO 赚了 +$56 这类 bot 有意思的地方在于： 它不是非要猜中一个精确温度 而是用 YES / NO，把正确的温度区间覆盖出来 所以即使胜率只有 47%，只要买到的是被错误定价的 range，整体仍然可以保持正 Expected Value 天气市场真正的 edge，可能不在“预测天气” 而在于： 找到 mispriced ranges，然后用更聪明的方式覆盖它们

Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。它不依赖 Python 和 PyTorch，项目方称 Docker 镜像约 2.5GB，冷启动不到 2 分钟，目前主要面向 NVIDIA DGX Spark 的 GB10 平台优化。 官网模型矩阵显示，Atlas 在单台 DGX Spark 上跑 Qwen3.5-35B-A3B 可到约 130 tok/s，跑 Qwen3.6-35B-A3B 约 71 tok/s。Atlas 官网和 Hugging Face 页面称，在同硬件下，Qwen3.5-35B 平均约 111 tok/s、峰值 130 tok/s，vLLM 约 37 至 38 tok/s。 这组「3 倍 vLLM」数据来自项目方公开基准。GitHub README 写明，测试使用的是「法国首都是哪」这类短 prompt，生成上限不超过 30 个 token，temperature 为 0.1。这个口径更接近短请求、低并发、快速响应场景，也正好对应 Atlas 想打的卖点：用更小镜像、更少依赖和更快冷启动，把本地大模型服务变得更轻。 Atlas 现在仍是早期项目，真实生产场景还要看后续长文本、高并发和复杂工具调用测试。GitHub 上已有用户反馈输出质量和工具调用稳定性问题，相关 Issue 截至 2026 年 5 月 11 日仍处于 Open 状态。对开发者来说，它更像一个值得关注的新推理底座，而不是已经能全面替代 vLLM 的成熟方案。

先进封装的”耗材接棒”叙事最近很热，逻辑链也确实成立。但要理解为什么材料战场会从underfill转向CMP slurry，得先搞清楚一个更底层的技术拐点。 Micro bump方案同时撞上了三面墙。第一，bump pitch缩到25μm以下时solder bridging风险飙升，良率断崖。第二，JEDEC对HBM封装高度有硬限制，每层die加上micro bump加上underfill要吃掉40-50μm，堆到16层已经是物理极限，往20层走厚度预算根本不够。第三，underfill的thermal conductivity只有0.2-0.5 W/m·K，铜是401 W/m·K，差了三个数量级。每多堆一层die，中心层的junction temperature就更难控制。三个约束的共同解指向同一件事：取消solder和underfill，让copper直接做diffusion bonding。 Hybrid bonding解决了pitch、高度、散热三个问题，但代价是把容错率压到了atomic level。Micro bump时代表面粗糙度几十纳米就能工作，hybrid bonding要求Ra降到sub-0.5nm，任何一颗纳米级的particle都会在bonding interface形成void，后续thermal cycling会把void扩展成crack。这就是CMP slurry和Cu plating additives变成新咽喉的根本原因，配方质量直接等于bonding yield，bonding yield直接等于HBM产能。 但问题是，这条耗材链上谁真正有定价权。台厂的强项一直在设备和通路端。弘塑做ECP设备、辛耘做wet process清洗、中砂做pad和diamond disc，全部围绕化学品消耗量做文章，本身不掌握配方。崇越和华立是代理通路，帮信越、Fujimi把材料送进产线。真正自研CMP slurry配方的只有达兴和长兴，体量跟Fujimi、Entegris完全不在一个量级。化学配方的壁垒跟设备不一样，设备可以逆向工程迭代追赶，配方是几十年经验数据的堆叠，一款slurry打进台积电标准制程通常五到十年不会被替换。达兴说它的CMP slurry已经应用于N2并供货Arizona，如果属实，至少过了初步验证。但”应用于”和”规模化供货”之间的距离，有时候比技术本身还远。 资金从CoWoS设备capex转向耗材opex，方向没问题。但耗材链上真正有定价权的那一段在谁手里，市场似乎还没想清楚。