wellback000

@blmario669 什么风险？被帽子找的风险。 hehe。 你去Q吧

如果你肉身在国内，尤其你还是一个啥也不太懂的小白，不建议自建 vps。 自建 vps 虽然相对稳定可靠，但从风险上看，相对于你直接买机场导入客户端的方式要高很多很多。 这个风险，自行理解吧😂

Codex 最强剪辑插件 HyperFrames 视频版教程来了 轻松学会后，一小时手搓任何视频，闲鱼挂单月入过万不是梦

温斯顿·丘吉尔曾用砌砖来对抗抑郁症。他在肯特郡的乡间别墅里一砌就是好几个小时。他还加入了砌砖工工会。1921年，他撰文阐述了这种方法为何奏效。心理学界又花了75年才追上这一发现。 他将自己的抑郁症称为“黑狗”。几十年来，它如影随形。他对抗抑郁的方法听起来很简单，做起来也确实如此：一块接一块地砌砖，一小时又一小时地砌。 丘吉尔在《斯特兰德杂志》上发表的一篇长文中详细阐述了这一理论。他写道，以思考为生的人，不能仅靠休息来修复疲惫的大脑。他们必须调动自身另一部分——那部分能驱动双眼和双手的部分。木工、化学、装订、砌砖、绘画……任何能让身体投入到大脑无法独自解决的问题中的活动。 现代心理学将此称为“行为激活”。这是目前研究最广泛的抑郁症治疗方法之一。抑郁症会设下行为陷阱：你感到难受，于是停止行动；行动减少，就更难获得愉悦感；情绪恶化又让你进一步减少行动。这个循环不断收紧，直到你窒息其中。 行为激活从行动层面打破了这个循环。你先安排好活动，即使你全身心都不愿意。付诸行动会带来微小的回报：墙壁变得更笔直，画作逐渐填满，凌乱的房间变得整洁。这些微小的回报会慢慢重塑大脑。行动在先，感觉随后。 华盛顿大学的研究人员于2006年对此进行了验证。他们研究了241名重度抑郁症成年患者，并对比了三种治疗方法：行为激活疗法、常规谈话疗法和抗抑郁药物。对于抑郁症状最严重的患者，行为激活疗法的效果与药物相当，且优于谈话疗法。2014年对26项试验中超过1500名患者的研究综述也证实了这一结果。 像砌砖这样的体力劳动在此基础上还起到了额外的作用。它排除了“反刍”——即在抑郁最严重的时期，那些循环往复的消极念头会让人精疲力竭。砌砖需要双手操作，且能带来逐块砖的反馈：每块砖都是笔直的或歪斜的。一小时后，你能清楚地看到自己砌了多少墙。再也没有空间让那些消极念头在脑海中反复咀嚼了。 乔治·麦克（George Mack）在帖子中写道：“抑郁症讨厌移动的目标”，这句诗意盎然。而其背后的科学原理则更为精辟：抑郁症讨厌那种心系别处的大脑。

开源的 AI 短剧全流程自动化平台， 支持从文本剧本到最终成片的视频自动生成 🔗 github.com/chatfire-AI/hu…

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板 结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样 讲师的原话 - 2024 年大家都在 cosplay Llama2 - 2025 年的主题是「怎么训得不崩」 - 2026 年的主题是「怎么扛住长上下文」 下面是 2026 年开源 LLM 的标准模板 你训自己的模型可以直接抄 【架构层 已经收敛的 7 件事】 1）Layer Norm 挪出残差流（pre-norm） 原版 Transformer 把 LN 放在残差里 几乎所有现代模型都挪到外面 原因：keep your residual stream clean 梯度反传更稳 2）RMS Norm 替代 LayerNorm LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙 丢掉之后 flops 只省 0.17% 但运行时省到 25% （瓶颈在数据搬运 计算反而次要） 3）所有 bias 项全删 跟 RMS Norm 一个道理 系统层省内存搬运 4）激活函数用 SwiGLU 或 GeGLU gated linear unit 几乎所有现代模型都用 Llama 系 / Qwen / Mistral 用 SwiGLU Google 系（Gemma / T5）用 GeGLU 区别极小 选哪个都行 5）位置编码用 RoPE 2024 年之后基本统一了 原理：把每对维度按位置旋转一个角度 让 inner product 只依赖相对位置 6）Transformer block 串联（不是并联） GPT-J / Palm 试过并联 现在基本被放弃 串联的实现优化得太好了 并联省的那点系统开销不值得损失表达力 7）Layer norm 可以「撒」 哪儿不稳就在哪儿加 LN attention 之前能加 之后能加 两边都加（double norm）也可以 现代模型很多这样做 【超参数 已经收敛的 5 个数】 1）feedforward 维度 / hidden 维度 - 非 GLU 模型：4 倍 - GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵 要保持总参数量） - Llama 系：3.5 倍 - T5 1.0 试过 64 倍 后来 T5 1.1 改回标准 别学 2）head 数 × head 维度 ≈ hidden 维度 几乎所有模型都遵守 T5 是为数不多的例外 3）模型纵横比（hidden / 层数）≈ 100 太深 pipeline parallel 难做 太宽 表达力受限 100 这个数字是系统约束 + 表达力的平衡点 4）vocab size 单语模型：30K 左右（早期 GPT-2 那种） 多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围） 现代基本都是后者 5）weight decay 仍然普遍使用 但研究发现它在 LLM 里干的事其实是优化器干预 让你最终能收敛到更深的最优点 跟你想的「防过拟合」没什么关系 所以别因为「单 epoch 不会过拟合」就把它关掉 【稳定性 三个救命 trick】 训练大模型最怕中途 loss 突然飙升 然后 NaN 全军覆没 现代模型用三个 trick 防这件事 1）Z-loss output softmax 的 normalizer 容易爆 加一个 (log Z)² 的正则项 让 Z 始终接近 1 DCLM / Olmo 都用 2）QK norm attention 的 Q 和 K 在矩阵乘之前各加一个 LN 让 softmax 的输入永远是单位尺度 multimodal 圈先用起来 现在所有大模型都加 3）Logit soft cap（仅 Google 系） attention logit 用 tanh 硬封顶 Gemma 2/3/4 都在用 但会损失一点点性能 慎用 【Attention 两个新趋势】 1）GQA（Grouped Query Attention）几乎统一 原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h GQA 共享 K 和 V 但保留多个 Q 表达力几乎不损失 推理成本砍掉 80% 现在所有要做生产部署的大模型 没有不用 GQA 的 2）局部 + 全局 attention 交替 处理长上下文的新方式 Cohere Command A 起头 现在 Llama 4 / Gemma 4 / Olmo 3 全在用 比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token 比纯 SSM 更稳 比纯 full attention 便宜得多 （Qwen 3.5 做了变体 把 sliding window 那 3 层换成 SSM） 收尾一句 如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」 不需要重新发明，直接抄 如果你只是想看懂 GitHub 上那些 modeling_xxx.py 这一份足够你不再被术语吓住

兄弟们！Google 刚刚更新了Code Wiki！ Google 直接把开发者最头疼的“读代码”瓶颈，一键干掉了。 他们刚刚发布的 Code Wiki，让任何一个代码仓库Github都能瞬间拥有一个永远最新、结构化、 智能可聊的 Wiki。 核心三招狠活： - 自动扫描仓库，代码一改文档就实时更新，再也不用担心文档过时 - Gemini 驱动的智能聊天，直接把整个 Wiki 当知识库，回答问题还能超链接跳到具体代码行 - 自动生成架构图、类图、时序图，点一下就能从解释直达源码 新手第一天就能上手，老代码没人维护也能秒懂，大库小库通吃。 Google 自己都说：“读现有代码是软件开发里最大、最贵的瓶颈之一。” 现在，这个时代终于要结束了。 公共仓库已开放预览：codewiki.google 你觉得 Code Wiki 会不会成为下一代代码理解标配，把“读代码”从痛苦变成享受？

中国的一位女开发者 用ClaudeCode做了一个音乐电台Agent 起名叫Claudio 是一个24小时在线的AI电台主播 蒸馏了她十四年的歌单 从歌单、到界面交互、到审美，都很棒 Claudio的声音也很有磁性 会介绍音乐 会根据日程安排和时间选择播放什么音乐 整体非常有调性 让人看到“去APP化”、全民高定agent服务会是未来可能的方向 #ClaudeCode #VibeCoding

自己在做海外社媒的时候，发现了几个底座型产品。 1.统一挖掘需求的 2.批量提交外链的agent 3.seo+geo 4.自动营销，自动发布社媒 5. 多平台的ads 自动优化 几乎每一个项目都会用到这些东西。

【Codex 真的牛！】 还在剪映里一帧一帧手动抠视频？ 醒醒，AI已经把剪辑效率卷疯了 我只在 Codex 里敲了一行字，装上 HyperFrames 插件， 一句话就能生成想要的任何视频。 动效、转场、字幕、配音全自动，不满意继续打字改就行，秒出新版本。 还可以批量生成。 下面这个视频是我让codex生成 【人类编程进化史】的视频，太酷了～ 用会 Codex，你就真正打开了 AI 内容创作的新世界大门。 我强烈建议所有自媒体人、内容创作者都要学会codex，这套玩法真的能把效率直接拉高十倍。 还有更多玩法，以后分享哦～

卧槽，刚发现币安不光能冲电话费，还可以冲苹果卡、谷歌支付、奈飞甚至pubg手游... 这些品都是币安自己采购的还是找的合作方 我们公司做虚拟充值的，也有一些CDK 充值很适合卖 这个业务该找谁对接🤔

@hanking66 重装不重装都不显示btc行情了。

血泪教训：千万别删除富途牛牛，重新安装你将再也看不到币圈行情😅😅

有个工具悄悄干掉了好几个付费软件 Voice-Pro，开源免费，一键安装 它能做什么： 听三秒声音，克隆任何人的声音 把任意 YouTube 视频变成 100 种语言的配音版 人声和背景音一键分离 实时变声，边说边变 这些功能加在一起 放到 SaaS 平台上卖，每个月至少 $100 起 Voice-Pro 全部免费 代码全部开源 一个韩国小团队做的，成立才一年 8000 个 star 大多数人还不知道它的存在 现在知道了👇

200块创业卖手机壳，年入3000万：小众赛道打法！

做油管视频副业搞钱的都懂😭 下载油管视频、消人声、转字幕、翻译、多语言重新配音 以前手动一套折腾半小时，还频繁翻车浪费时间 挖到开源神器 Voice-Pro 直接封神✨ 扔个YouTube链接全自动一条龙搞定： ✅一键下载油管视频 ✅高清智能去人声 ✅精准语音转录字幕 ✅100+语种一键翻译 ✅原声克隆自动配音 全程本地离线运行、完全免费、不用联网，隐私超安心🔒 从前半小时的活，现在2分钟搞定！ 做多语言账号、搬运二次剪辑、靠油管副业变现效率直接拉满，省下超多时间专心搞收益☕ GitHub直达👉 github.com/abus-aikorea/v… 靠油管做副业、做自媒体变现的一定要冲！ 有没有被剪辑流程搞崩溃的？还有啥好工具大家可以评论区推荐一下

史上最强的image-2提示词合集 生图，原来如此简单。 github.com/YouMind-OpenLa…

Google TPU被视作未来云业务最强的增长点之一，2026年出货量预计为300 万片。那这么大的需求，参与生产的厂商和环节有哪些呢？ 📕芯片设计（ASIC Design） Broadcom $AVGO — TPU 8t 训练芯片 MediaTek 联发科— TPU 8i 推理芯片 $GOOG — 架构定义 + 软件协同 📗 晶圆制造 $TSMC （N3 现役 / N2 规划中） 📦 先进封装 $TSMC CoWoS-L（主力）+ ASE/SPIL（补充） 📔高带宽内存（HBM） Samsung — HBM4 主力供应商 SK Hynix — HBM3E 现有供应 Micron $MU — HBM4 爬坡中 📒网络与互联（Networking） Google 自研 — Virgo switch ASIC （核心） Marvell $MRVL — 网络 ASIC Lumentum $LITE — OCS 候选供应商（采样中，未确认） $AAOI / $COHR — 光收发器潜在受益方（无直接 TPU 供应关系披露） 📁 存储（Storage） DDN — Managed Lustre 10T 后端（EXAScaler） Google — TPUDirect Storage / Hyperdisk

自建AI中转站成本计算 VPS 一台 5美元一个月 域名 10美元一年 下面程序都不要钱，随便选一个 New API - 开源中转程序不要钱 One API - 开源中转程序不要钱 All API Hub - 用于管理多个中转站的仪表盘工具。 Sub2API - 逆向工具，可将官方网页订阅或特定服务转化为标准 API 格式 客户端，不要钱，随便选一个 Lobe Chat 功能最丰富的 AI 客户端。 Chatbox 桌面端和网页端工具。 NextChat 适合个人快速部署的轻量化开源 UI。 Cherry Studio 支持多模型，桌面客户端 买下面账号一枚就行了 OpenAI Anthropic 这样搞下来，你就自己能稳定使用，还不会保留自己的隐私，也不会被人骗。

@0xMoon 腾讯想偷就偷走了。

2021年5月2日 我第一次下载了钱包 那时候不知道如何保存助记词 我把助记词和私钥发在了朋友圈私密相册🤣

@0xMoon 找腾讯的员工看一下。