Jun Jiang

@aliez_ren 搜了下，我们早买的要更新vbios

@jasl9187 工作站版没砍mig

@aliez_ren @mystersu 吃尾气的那个85度已经很理想了，这gpu的温度墙应该是93度

@jasl9187 @mystersu 功耗限制到400W会好很多

@mystersu @aliez_ren 看机箱，华硕PA602机箱双卡满载一个85度一个80度，我还试过abee的机箱会过热掉卡，然后安装时候间隔两个slot

@aliez_ren 考虑下涡轮版的。双卡Workstation版满载半个小时，右侧那张卡会过热掉线（对调也一样），室温10多度都扛不住。双风扇透吹，右边卡吸的是左边卡的热风，没办法。最后拿风扇对着吹才稳。

@XCaptaincc 现在能下十年签已经是奇迹了…现在只要读计算机相关专业签证必然走审查

。。。额，机票酒店都定好了，懂王没懂为啥取消了我的签证

Hardwarecanucks actually did it! Opening 56 apps Legion Laptop vs MacBook Neo

@onevcat @kevinzhow txx 最近也在推荐这个

@kevinzhow 你们怎么都推荐…搞得我很心动啊…

迫切需要一个折叠屏手机来看代码diff…

@aliez_ren Pro 6000最便宜的时候六万出头 😂 那时候已经埋伏完了，不过下代最快也要明年晚点了，这一代会非常保值

@jasl9187 是不是应该提前布局一下 PRO 6000

跑本地大模型真令人上瘾，从最开始的用 LM Studio，Ollama，改为使用 llama.cpp，使用 Unsloth 量化的 GGUF。再到 vLLM，SGLang，KTransformers 都摸索了一遍，然后发现目前的工具其实对于 RTX 5090 (sm120) 的 FP4 支持的都不太好，虽然能运行 4bit 量化模型省显存，但都还无法利用原生 FP4 硬件加速。虽然都是 Blackwell 架构，但服务器上的 B200 和家用的 RTX 5090 区别很大，最终走向了自己修改编译 SGLang 的道路。

@xxm459259 任天堂找不到顶货是因为日本的汽车行业衰落，人家厨子的厂房可是在中国啊，垃圾站里到处是宝

任天堂：这种顶级牛货我都搞不到了，苹果还是厉害啊。

@xxm459259 To the moon，地球也配不上它们 🤓

想为了安魂曲的 PSSR 换 PS5Pro，但是我的古董款大法电视机又配不上它，如果把电视机也一口气换了，我又觉得这房子配不上了它们。卡表罪大恶极。

@xxm459259 你欠下了她闺蜜的一份感情债

坐自动扶梯的时候，没忍住捏了一下前面女生挂书包上的小玩偶，被站她旁边的闺蜜看到了，扭头对我说，你捏了这个就要当她男朋友。

@xxm459259 实际上就是因为你一毛不拔才导致人家店黄的…

刷到一个勇哥的连线切片，店主盘的铺子竟然就在我家楼下。不怪勇哥一顿劈头盖脸骂他完全不做调研，这里但凡有能活下来的刚需小餐馆，我都不会吃罗森……

We just announced new primitives for building agents. Here are 10 tips on running multi-hour workflows reliably 👇 developers.openai.com/blog/skills-sh…

@cr0ath 我用了好久了

终于开箱了 Ledger Stax 旗舰系列了，对比一下吧 📺 视频链接 -> youtube.com/shorts/hEcOnDk…

@soyis_ 的这个困惑我觉得蛮有代表性的，所以专门拿出来说一说我的看法吧。我其实之前在和《枫言枫语》一起做的一个 Podcast 里，也简单地说过一下我关于这个事情的观点，不过那时候没怎么展开。作为一名在一线摸爬滚打十多年的老家伙，说不上什么权威，而且看事情似乎也是错多对少，但还是斗胆在这里给入行不久、道行还可能比较浅的新朋友们说一说我的关于新人们在 AI 时代如何生存和成长的看法和建议吧。 这个时代，我觉得对新入行的软件工程师来说，既是利好，也是利空。 先说利空，那就是初级工程师的岗位会变得非常少，企业对他们“上手就能战”的要求也会变得非常高。以前企业可能会找不少初级工程师来做相应的编码工作，他们可能一开始并不需要理解整个代码库，也不需要理解架构选择或者更高层面（比如商业逻辑）的问题，只需要在规定的时间内把分配的任务做完就可以。而初级工程师也能够在这几年内慢慢积累经验和视野，将他们在大学里接受到的、可能相对滞后或者理论派一些的软件工程实践（如果大学里真有教有的话），追到业界水平，并真正理解软件开发这件事情到底是如何运作的，这可以提升他们对于开发的品味。所谓软件开发，其实和很多其他事情也差不多，就是一个一个的选择。这些选择通常都基于某种约束和权衡，比如说：时间和人员是否充分，结构和功能是否匹配，对细节的投入是否能换来合理的产出回报等等，并在开发时依照情况，进行技术选型/架构设计/实现路径/测试覆盖/问题修复/功能细节等等诸多选择。具有这些品位，或者是能够理解这些选择的工程师，则会一步步走向 senior 的行列，去承担更多的任务。 在这一波 Vibe Coding 的浪潮中，我观察到的更多的是，不管是企业开发还是个人开发，都是很多已经是 senior 的老家伙们在主导（虽然这也算是必然...）：他们在摆脱了实际编码的体力和时间束缚后，肆意地运用已经有的“品味”，将上面那些工程上的选择迅猛地灌给 LLM。对于这一拨人来说，实际上是一个非常十足的生产力的解放：因为他们之前的任务就是时刻做这样的选择，现在只不过从以前要把这样的选择传达给初级工程师，让他们去实现，变成了现在有一个能够时刻共鸣的叫做 LLM 的 soulmate，同时还是无休止不疲劳地实现他们的愿望万能许愿机。于是你看到了各种 10x 工程师 100x 工程师的出现，留给初级开发者们的活儿也就被抢掉了。 但是事物并不是一面的。AI 的出现，如果对于 Senior 来说是一个能力的放大器的话，对于 Junior 来说，它就是一种学习的加速器。 在我自己学习成长的道路上，其实有非常多的问题困惑我，让我想了很久都不得其解。特别是刚刚入门的那几年：搞不懂堆和栈的区别，搞不懂引用语义和值语义，搞不懂多线程为什么要加锁，搞不懂原子状态和事务的必要性，搞不懂单向数据流，搞不懂着色器语法，搞不懂为什么要 VIPER，搞不懂测试覆盖到哪儿算是OK，也搞不懂各种时区转换和字符编码，甚至一个 OAuth 或者 APNG 都要啃上一整周。但是在 LLM 之后，这一切问题都灰飞烟灭了。你甚至都不需要知道名词是什么，只要说个大概，自然会有大模型把所有细节给你解释清楚。你不需要自己再去记这些东西，也不再需要自己实现，需要的时候，这些信息甚至代码都是信手拈来。 以前一个资深工程师可能十年才能完成的成长，现在新入行的同学们，可能一两年就能搞定。而且随着模型的继续成长，有一些知识可能根本就不再被关心和需要了。除此之外，老家伙们通过多年的积累得到的经验和选择的方式，在新的约束条件下，有些可能也不再适用（像是避免过早优化，确保测试的稳定性等等，我认为其实多少已经过时），他们也需要自身知识的更新，如果跟不上变化，就很容易面临更加 AI native 的工程师带来的革命和冲击。 说了这么多，其实最核心的就是我认为初级工程师在使用 AI 的时候，一定不能只把它当作一个工具来使用。相反，你要把它当作一个真正的、和你一起进行 Pair Coding 的人。去向它请教，去向它学习，给大模型一个 SOUL，让它来扮演你导师的角色而不是代码机器。在向它许愿完成任务的时候，也让它教你如何在各种可能的实践中做出选择，让它讲明白其中的利弊得失，将它的“加速器”的一面用到极致。于是，你就可以用比前辈们更快的方式达到和他们同样的高度，然后去享受能力“放大器”的一面所带来的红利。虽然我也不知道这样的红利会持续多久，以及最终到底会为整个业界带来怎样的结局，但是如果你热爱这份事业，也热爱创造这件事情，那么一直 on boat，就一定能到达你理想的终点。

@9hills 更新了下，把实验结论整理成表了 #eval-strategies-baseline-vs-production" target="_blank" rel="nofollow noopener">github.com/jasl/vibe_tave…

@9hills 我没特别试过国内服务商，不过刚好正在学习tool use和directives，使用OpenRouter来评测各种模型（包括闭源和开源），通过工程手段可以显著提升成功率，GPT 帮我整理的笔记github.com/jasl/vibe_tave… 测评和实现代码也都在这个仓库。

最近测试了很多国内云服务商提供的开源模型（Kimi、Minimax、GLM、DeepSeek 等），大半在 tool calling上有问题，效果远差于各模型的官方API。 世界这么草台么？

@9hills 我本身想尝试一个想法：使用LLM来控制程序的运行，所以就比较自然的想到了 tool use，并且我不希望绑定到具体模型，所以就做了这个研究，起初的成功率只有40%不到，而且国外顶级那四家的规则也略有不同，但是烘托了很长时间气氛后，目前简单调用做到了94%，极端也在70%。

@daimajia 我这里 opus 4.6 在代码量一万行左右的时候就已经失控了…充满幻觉。 GPT 5.2 xhigh 的表现在七万行左右规模依旧保持优秀。但后者问题是工具调用不稳定，非codex环境失败率较高，也因为这原因不适合GUI和前端开发。

用了一天 Claude Opus 4.6 thinking ，简直太强了。感觉比 Opus 4.5 智商又上了一个台阶。检验模型能力最好的指标在我看来就是写代码，写项目，越强的逻辑，越复杂的上下文，对大模型的考验越大。想想我们的大模型还在 ddos 奶茶店，请大家喝奶茶花的钱，买点卡，给工程师涨涨工资不好吗。🤷‍♂️🤷‍♂️🤷‍♂️