学深度学习一上来就 import torch，模型能跑起来，面试官问一句反向传播里梯度怎么传的，支支吾吾答不上来。 TrenTorch 的路子是不用 PyTorch，只靠 NumPy 从零写一个自己的深度学习框架，它照着哈佛 CS249r 课程的 TinyTorch 重做了一遍，还往前推了一段。 一共 20 个模块分四部分，先是张量、激活函数、层、损失、自动求导、优化器、训练循环这 8 块基础，接着卷积做图像分类。 GitHub： 第三部分是分词、词嵌入、多头注意力和 Transformer，最后写出 GPT 式的语言模型。第四部分讲推理，性能分析、量化、KV 缓存加速，优化器一路做到 AdamW、Lion、Muon。 每过一段会解锁一个历史里程碑复现，拿自己写的框架跑经典模型。装好自带一个 tren 命令行，进度和测试都在里面管。 20 个模块作者说小到能一口气读完，我觉得比刷文档踏实，想真正搞明白框架底下在干什么的可以照着敲一遍。

🐳 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：

传承科学薪火 赓续报国初心——唐河县科技馆举办两弹元勋科学家精神主题活动Carrying forward the torch of science and continuing the original aspiration of serving the country - Tanghe County Science and Technology Museum holds a theme activity on the spirit of the two-particle experts

8月6日贵州毕节、云南楚雄等地举行火把节，游客与群众围篝火载歌载舞欢庆。 On August 6, Torch Festival celebrations were held in Bijie, Guizhou, and Chuxiong, Yunnan, where tourists and locals danced and sang around bonfires in celebration. #Torch#

♻️ 真香！DeepSeek 公开的 DeepJIT，让 GPU 算子编译一次就能在多用户、多进程、多台机器之间共享复用，英伟达显卡和华为昇腾 NPU 走的是同一套接口。 仓库 9 月 8 号才建，挂在 DeepSeek 官方 GitHub 账号下，只有头文件，引进 C++20 项目就能用。 跑大模型时不少自定义算子是运行时现编译的，一个进程编一遍、一台机器又编一遍，卡一多，光等编译就把启动拖慢了。 DeepJIT 的做法是给每份编译产物算一个缓存键，源码、引用的头文件、编译器版本、编译选项都算进去，结果放进本地或分布式文件系统上的共享目录，别的进程、别的节点命中了就直接加载，不用再编。 用 PyTorch 的也不用额外折腾，默认跟着当前的 CUDA 流或 torch_npu 流走，通过 pybind11 就能接进来。目前只支持 Linux，按历史记录预热缓存、直接从 Python 传源码编译这两项还在开发中，暂时用不了。 编一次到处用，集群越大，省下的等待时间越多。 GitHub：

日本外资酒店最大的建设浪潮时期 这个时期，还在当下，但是进入了尾声。 酒店是一个国家国运的晴雨表，这么说虽然有些夸张，但也是事实。 人为什么要住酒店，因为流动。 无论是商业往来的流动还是旅游观光的流动，一个国家经济活跃、国际往来增加，旅游业繁荣，最先感受到的就是酒店行业。 反过来讲，一个国家经济衰退，战争或者政治封闭，国际关系恶化，酒店的入住率和客单价往往也会迅速反应出来； 其实，酒店比普通的房地产更能反映出真实的经济。 住宅的租金可以很多年不变，写字楼也可以空着，只有酒店今晚的房价，入住率，几乎每天都在重新定价。 某种程度上讲，酒店还能反映资本对于这个国家未来的判断。 当一个国际机构愿意花几十亿甚至上百亿买酒店，他买的绝对不是今晚的入住率，而是未来十年二十年这个国家游客数量、房价上涨、城市吸引力、汇率上升、消费能力、旅游政策以及这个国家本身的稳定性。 当前，是日本历史上自二战以来，最大的外资酒店建设浪潮时期。 这股浪潮始于2000年，而且预计要持续到2030年。 为什么是2030年呢？ 因为日本入境游到达6000万人次，就是终极承载量，以及所有的外国头部酒店品牌入住日本为标志。 伴随着酒店热的背后是日本这一轮入境游真正开始加速，大约可以从2000年前后算起。 2000年，访日外国游客只有475.7万人。 2013年，第一次突破1000万人。 2016年，突破2000万人。 2018年，突破3000万人。 2025年，第一次突破4000万人，达到4268万人。 从475万人到4268万人。 25年，接近9倍。 中间除了新冠疫情导致的三年异常中断之外，日本入境游的大趋势几乎一路向上。 拿今年的7月份来说，访日外国游客人数为3442100人，同比增长0.1%，创下历年7月份的最高纪录。 包括韩国、印度尼西亚、墨西哥等在内的17个市场均创下历年7月最高纪录。其中，台湾地区市场更创下单月历史最高纪录，首次突破70万人。 核心是：即使是在大陆游客暴跌56.1%的情况下，依然实现了增长。 我预测今年日本全年入境游与去年基本持平，甚至有可能增加，背景是大概率中国游客减少500万人次的情况下。 如果不受中日关系的影响，以及不受国际地缘政治冲突的影响，日本入境游到2030年实现6000万人次，是可能的。 在日本入境游的推动下，过去20年，几乎所有的国际酒店品牌都在不断入住日本，本土酒店集团也是迅速发展，比如APA，东横Inn，Super hotel，星野集团等等。 每一家入住日本的国际酒店，背后都往往都站着一家日本大型开发商。 比如三井不动产。它先后参与引进了： Mandarin Oriental Tokyo，2005年开业； The Ritz-Carlton Tokyo，2007年开业； Four Seasons Hotel Tokyo at Otemachi，2020年开业； Bulgari Hotel Tokyo，2023年开业； Waldorf Astoria Tokyo Nihonbashi，预计2027年开业。 再看东京建物。 2014年，把Aman第一次带进日本：Aman Tokyo； 2028年，Raffles Tokyo计划开业； 2029年度下半年，SEN/KA TOKYO by The Crest Collection计划开业。 再看三菱地所。 2007年，The Peninsula Tokyo； 2017年，Ascott Marunouchi Tokyo； 2028年，日本第一高楼TORCH TOWER计划引进Dorchester Collection。 这不仅是日本第一家，而是Dorchester Collection的亚洲第一家酒店。 再看森大厦。 2003年，六本木Hills引进Grand Hyatt Tokyo； 2014年，虎之门Hills引进Andaz Tokyo； 2023年，Hotel Toranomon Hills开业； 2024年，麻布台Hills又引进Janu Tokyo。 而Janu Tokyo更有意思，这不是日本第一家，这是Janu这个品牌在全世界的第一家酒店。 还有积水House。 严格来说，它并不是传统意义上的“三井、三菱、住友”式财阀开发商，但在日本高端酒店领域同样非常重要。 它参与推动过一系列Marriott系高端酒店，包括The Ritz-Carlton Kyoto、W Osaka、The Westin Yokohama等。 尤其是京都Ritz-Carlton，是国际顶级酒店从东京、大阪向日本核心旅游城市扩张的一个非常典型的案例。 三井不动产、三菱地所、森大厦、东京建物、积水House……这些日本最聪明的房地产公司，为什么都在抢国际顶级酒店？ 难道他们真的只是为了赚那几十间、几百间客房的钱吗？ 当然不是。 因为对于大型开发商来说，酒店从来不只是一家酒店。 一家安曼、一家宝格丽、一家四季、一家半岛、、、放进一个大型城市综合体之后，它提升的是整栋楼甚至整个区域的价值。 如果说住宅看人口，写字楼看企业，商场看消费。 那么酒店看的就是流动！ 一个国家真正繁荣的时候，就是人、钱、企业和资本都愿意往这里流动的时候。 现在走在东京的街头，无论是旅游密集的台东区，还是繁华昂贵的中央区，一座座酒店正在拔地而起。 当前，日本人口已经低于1.2亿。但全世界来到日本的人，却从一年475万变成了4268万。 从4268万到6000万，这中间还有1700多万人的增量。 这些人来了以后，总要有地方睡觉。吃住行游购娱都是刚需。 这，可能就是未来几年日本酒店最大的故事。

HuggingFace 独立研究者 AuroraAI-Research 把语言模型压到了 8 万参数——训练是在一台小米手机的 CPU 上完成的。 《Aurora-80K：一个现代微型语言模型》 Aurora-80K 是 AuroraAI-Research 发布在 HuggingFace 上的微型语言模型：正好 8 万参数，Apache 2.0 许可，整个权重文件只有约 0.3MB。作者称这是 Aurora 系列的新起点，用来取代之前那些"低效的旧模型"，更大尺寸的版本已在路上。 最有意思的是词表设计。8 万参数的模型通常只能用几百词的词表，它却塞进了 4096 词表——靠分解表示：嵌入层拆成 64 个 cluster 向量和 64 个 sub-token 向量，相加组合出全部 4096 个词。128 个向量就顶起一张 4096 宽的嵌入表。 输出层同样分解。推理时先预测 cluster（64 选 1），再在 cluster 条件下预测 sub-token（64 选 1），两级合起来就是完整的 4096 词表概率。输入输出两头都省。 架构是现代配置的极简版：2 层 Transformer、hidden 64、SwiGLU 前馈、RMSNorm、ALiBi 位置编码配 256 的注意力窗口、4 头注意力。评测数字：Wikitext-2 BPB 3.2902，BLiMP 52.31%，Arc-Easy 26.05%。 训练数据是 fineweb-edu 按教育分 4 分以上过滤出的约 4000 万 token，跑 2 个 epoch。训练设备是小米 14T Pro，钉在 4 个 Cortex-X4 CPU 大核上，算上预处理和 tokenizer 训练，全程约 6 小时。 适合玩极限压缩、或者想研究"现代架构缩到最小长什么样"的人。仓库里权重、tokenizer、 齐全，装个 torch 就能在 CPU 上跑。AuroraAI-Research 主页还会更新更大的尺寸。 原文： #Aurora80K# #TinyLM# #开源模型#

THORChain 回应 Bitget 称，network halt 仅用于保护协议整体安全，并非针对特定地址或单笔交易的选择性冻结机制。 此前 Bitget 在 9 月 24 日遭遇约 3.875 亿美元安全事件，部分被盗资金随后经 THORChain 跨链转移；Bitget CEO Gracy Chen 因此要求 THORChain 拒绝为已确认的攻击者地址提供服务。THORChain 还表示，在今年 5 月其自身遭遇约 1070 万美元攻击时，攻击者地址同样未被列入黑名单，并强调协议按设计保持无许可。

THORChain出来辟谣了。 官方最新声明—— 社交媒体上出现多个假冒账号，散布"退款""空投""补偿计划"等不实信息。THORChain目前没有任何此类计划，任何相关说法都是冒充或误导。 初步调查显示，此次事件未造成用户资金损失。团队仍在与THORSec及外部安全伙伴共同调查。 此前THORChain确认Asgard金库遭攻击，损失约1070万美元。 每次安全事件后，骗子比官方还忙。看到"补偿""空投"字样的，先回官方账号核实，别二次被收割。

THORChain被黑客攻击，损失约1000多万美元价值的资产，根据ZachXBT和链上追踪： 受影响的链包括，BTC、ETH、BNB、Base4条链。 涉及资产，约36.85 BTC（价值约297万美元）；约3443 ETH）价值约777万美元；少量BNB。 黑客主要通过THORChain的Vaults（金库）和Router合约抽走资金，然后跨链转移/兑换。 当前进展是， THORChain团队已紧急暂停所有交易和签名操作（防止进一步损失）；RUNE代币价格短期下跌超过10%。 这是典型的跨链桥/流动性协议安全事件，属于DeFi常见风险点。