拿老百姓交的税款，倒贴钱改变本地的人口结构。 这不仅成了官方项目，甚至还捧回了一座公关大奖。 这个项目的名字毫无掩饰，就叫“堪萨斯州托皮卡西班牙裔化”（The Hispanicization of Topeka, Kansas）。 娜塔莉·温特斯在《战情室》把这套操作掀了个底朝天。 他们把广告一路打上了《华尔街日报》、《华盛顿邮报》、全国广播公司（NBC）和西语电视网 Telemundo。 招募方案直白得近乎荒唐：只要是西班牙裔，搬去堪萨斯州的托皮卡就发补贴，明摆着要用公款改写当地的人口结构。 这笔钱地方官员批得极其痛快。 7 比 0，全票通过，直接划出 30 万美元税款。 账目拆得清清楚楚： 23 万美元发搬迁奖励； 5 万美元做求职匹配平台； 剩下的 2 万美元，拿去做迎新礼包、城市导览和融入项目。 动用公款按族裔定向发钱买人，连温特斯都在节目里 ，这在法律上根本站不住脚。 当地纳税人还在每天埋头交税。 他们交上去的钱，却被官方拿去改写他们脚下的社区。

🐳 DeepSeek 刚开源了 DeepSelect，大模型里“从海量候选中挑出前 K 个”这一步，比 PyTorch 自带的 torch.topk 快 2 到 20 倍。 它是给 DeepSeek 稀疏注意力 DSA 和采样器用的 TopK 内核，而 DSA 就用在 DeepSeek V3.2、V4 和 V4.1 上。仓库昨天才建，今天就发了 1.0.0。 稀疏注意力的思路是每一步只看最要紧的那部分 token，挑哪几千个就靠 TopK；生成时从约 12.8 万的词表里采样，也要先挑出前 K 个候选。 DeepSelect 把这两个场景分别做了优化：批大小、词表大小随便设，K 最多到 4096，每一行还能单独设长度上限，接口同样返回 values 和 indices 两个张量。默认开着 NaN 检查，发现坏数值直接终止程序。 如果你在做推理框架、抠每一步的开销，可以拿仓库自带的基准测试跑一遍对比。 GitHub：