Twitter Personality AI 一周 500 万用户。 峰值 4000 美元/小时。 全部一次性 6.99 美元。 国内做 SaaS 的逻辑：上来就 99 元/月。 海外正在反向：一次性 + 病毒分享 + 动态定价。 订阅模式的死敌不是更便宜的订阅。 是「一次性付费 + 朋友推一下就值回票价」的体验。 你的产品，用户是想用一辈子？ 还是只想用一次就转给下一个朋友？

My ex-boss became my personal cum toy. 讓那個開除我的老闆變成我的賤狗。🧸💦 👤 | @Trainee__K 🇯🇵 See me ride until he filled me. ↓

1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下? 不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 —— 訓練留在雲端,推論回到本地。 2/ 關鍵突破一:FP4 改寫遊戲規則 70B 參數的模型,用 FP16 要 140GB 記憶體; 換成 FP4 → 只要 35GB。 一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。 精度損失?用 QAT(量化感知訓練)幾乎可以忽略。 3/ 關鍵突破二:Memory Wall 正在被打破 LPDDR5X 頻寬不夠? •Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s •LPDDR6(2027)頻寬再翻倍 •NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構 桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。 4/ 關鍵突破三:你根本不需要 data center Data center 解決的是: ✅ 訓練 frontier model(兆級參數) ✅ 服務全球數十億用戶並發 個人需要的是: ✅ 一個跑得動 70B–200B 模型的本地大腦 ✅ 隱私、低延遲、不用月費 這兩件事根本是不同問題。 5/ 投資啟示 💡 •HBM 仍是訓練端王者(SK Hynix、Micron) •但邊緣推論晶片 + 高頻寬 LPDDR/統一記憶體會是下一個十年的新戰場 •NVIDIA DGX Spark、Apple Silicon、AMD Strix Halo、高通 X Elite —— 都在卡位 未來不是雲端 vs 桌面,是雲端做訓練,桌面做你的 AI。

这周准备深读 J-space 。 但上手过 persona vector 和 Assistant Axis 的人都知道，线性激活的这种 model steering 的手段并不可靠。相关的研究大量时间花在 cherry pick 那些抓人眼球的 special case。 J-space 到底行不行，目前持怀疑态度。

分不清共有知识和公共知识 就设计不好Orchestrator和subagent的协作与记忆 搞不明白persona的哪部分记忆是独立维护，哪部分记忆是组织维护 信息在group流转的过程中，究竟什么要公开，什么要私密 这就涉及到一些约束限制 尤其是对外的 如果没做过销售类的SCRM业务 可能很难理解这些东西

不懂就问诶 我之前在Stripe链接上面已经提交了ID验证 但是我现在试着在Persona（APP渠道）里提交验证提示国家不支持 有没有和我一样情况的佬能教教我怎么处理吗🥺 #蓝V# #收益#

前上个月配了一台 ThinkPad X1 Carbon Gen 13，Costco 入手，价格 1600 多美元（完全自费，不走公司报销）。 它的定位非常明确：极致轻便，以及真正意义上的 “Personal Computer”。 不装 IM，也尽量不接入那些会侵入注意力、打断思绪的工具。只求保留一个有心理安全感的数字环境，可以在里面持续阅读、思考、写作和处理复杂工作。 论输入效率，它远高于手机；论便携性，它又优于 iPad Pro 加官方键盘。它与装有 IM、承担日常沟通功能的设备严格分工，绝不混用。 实际使用一个月，效果很好。 做过管理工作，或者长期需要处理复杂问题的人，应该能够理解：拥有一个不被消息、通知和他人需求随时侵入的计算环境，到底有多重要，这可能是保持头脑清醒的前提。