FI𝕊HΞRY Isla

[Peter Pang @intuitiveml]

https://t.co/Co7vCLvCpu

[溴化锂 @0x88FFA357]

我从去年暑假就想做这个东西了
自动下载砸壳，只需要一部iphone 6s。

[mem0 @mem0ai]

https://t.co/cQ9EO2FSzc

[Sisyphus Labs @justsisyphus]

it is great that @AnthropicAI finally admits us through their new feature 'ultracode'
... which is our 'ultrawork' and 'atlas'

after banning 3rd party clients because of us

what a great release of opus 4.8!

and thank you for celebrating our 60K Stars!

[paulwei @coolish]

同时观察美股5000多支股票，能看到什么？
昨晚做了个所有美股板块轮动趋势的可视化面板：
https://t.co/PUD9b1cihw
作为一可视化观察学习市场的的新视角来抛砖引玉。

如果把股票的不同板块，比喻成人的五脏六腑，
这有点像用医学放射科CT扫描，
像观察肿瘤发展转移动态一样，去可视化看市场变化。

代码开源：https://t.co/EoM23fg8W3

视频介绍⬇️

[Megabits ❄️ @Megabits_mzq]

所有 Mac 用户都应该安装

[fin @fi56622380]

华为τ scaling定律营销策略，无非是more than moore的广义摩尔定律的另一种说法而已

作为芯片架构师，我更感兴趣的，还是芯片密度提升，ppt上41%能耗提升和12.7%性能提升，到底是怎么实现的

看完了论文，感觉华为这次创新，本质上是用设计复杂度高 + 高制造成本 + 超前散热，一定程度弥补了工艺差距

-----------------

1. 华为芯片堆叠带来的等效密度提升，是虚假宣传还是真的，是不是工艺突破？有没有实打实的好处？

等效密度提升的来源，是两片芯片用hybrid bonding技术绑在一起，投影面积理论上能减小一半，但第一代不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠(密度155->238)，等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155->292）

这2026第一代等效密度从 2025 年 155 MTr/mm² 跳到 2026 年 238 MTr/mm²，时钟频率也提升了12.7%，功耗比提升41%，表面上看似乎和工艺突破没有什么区别，但有一点重要区别就是leakage power华为从头到尾没有提，只要工艺节点不变，gate leakage、junction leakage 不会因为 3D stacking 自动改善

2030年到2031年的等效密度突变，大概率是来自于2层堆叠到3层堆叠，正如2025到2026年的等效密度突变，时钟频率突变，来自单层到2层折叠

所以从leakage没提这个事来看，这个2031年等效1.4nm，和工艺节点上的突破没有联系。

本质上是用设计复杂度高 + 高成本 + 超前散热 + 超前部署advanced packaging，一定程度弥补了工艺差距

-----------
那么这样看起来虚假的等效密度提升，有用处吗？好处在哪里？

有的，设计上topology折叠，原来要跑几毫米的水平走线，折叠后变成了几十微米。降低了super buffer/bus的长度，降低了clock tree的深度（clock depth -42%、clock wire -28%），clock skew也带来了改良(-25%)，这对动态功耗的改善是实实在在的。部分critical path的缩短，也让时钟频率的上升更容易

所以ppt roadmap上performance的提升，从2025年到2026年上升了12.7%，大部分都是来自于时钟频率的上升（12.7%）

所以好处基���上是topology拆分电路逻辑设计上带来的提升

��然没有实质上的工艺提升，华为芯片堆叠带来等效密度提升的trade off代价在哪里？

三个代价：散热超前发展，设计复杂度高，制造成本变高

最大的代价就是热密度的同步上升，理论上logic on logic都是CPU execution发热最严重的区域，这部分折叠起来相当于功耗密度直接翻倍，但算上41% power efficiency改善，功耗密度仍只比非堆叠方案高40%左右。所以第一代只能对最关键的部分做折叠，大概只占全芯片面积的53%。

所以散热技术也被逼的超前发展，直接上毫米级的MEMS风扇，做micro-cooling fan。

另外的代价就是设计复杂度的变高，critical path的折叠，哪个部分的logic能折叠，折叠之后又会带来从前端到后端的巨大变化要推翻重来

现有的所有EDA工具也不可能支持3D topology，论文自己也承认，full-scale LogicFolding需要全新的3D-native EDA toolchain，把多层stacked dies当作单一连续设��实���处理。哪些logic能折叠、折叠后的inter-die timing closure怎么做，Physical Design（PD）也是难点

制造成本也会更高，被迫超前部署advanced packaging封装，1.5~2um的hybrid bonding + logic on logic都是很有挑战需要显著更高的成本
以前一层wafer做一次光刻；现在两层wafer分别做光刻再bonding，加上hybrid bonding的overlay控制（论文要求<0.5μm）、TSV、KOZ keep-out zone、冗余修复、良率乘法损失，每颗芯片的制造成本和测试成本都要显著上升

--------------------------

2. Tau scaling这个说法，scaling的到底是什么，这个scaling技术路线是不是一次性的design topology红利？潜力如何？持续进步的空间在哪里？

τ Scaling的核心主张是：用时间常数τ替代几何线宽作为全栈优化目标，在器件、电路、芯片、系统四个层级分别压缩特征延迟

��式本身没有任何新物理。"关注瓶颈延迟"是所有架构师都在做的事情。整个行业都知道互联RC是延迟瓶颈，TSMC每一代工艺都在用low-k dielectrics/semi-damascene等手段降RC。把一个众所周知的优化方向包装成"定律"是显然的营销宣传手段，本质是More than Moore的广义摩尔定律的另一种说法

抛开marketing，华为目前所谓RC delay的改善，本质上是芯片堆叠之后，topology距离缩短，让匹配的effective RC都变小，不是RC工艺常数

至于scaling的意思，是能持续发展的一条roadmap。这里的持续改善路径指的是，全芯片堆叠的层数越来越多，从25~30年的2层堆叠，到31年开始的3层堆叠，以后甚至会考虑4层堆叠

第一代折叠技术甚至不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠(密度155->238)，等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155->292）。2031年的roadmap之所以会出现一个阶跃，就是因为那是从2层折叠到3层折叠的时间点。

但需要注意的是，这个scaling方法的边际效应是逐渐缩小的，折叠成双层的收益是100%，2->3层的收益就只有50%，如果2035年再从3->4层堆叠，收益就只有33%了

另外随着堆叠层数变高，上面说到的三个挑战，散热，设计复杂度，成本，都是越来越大

---------------------

3. 华为的芯片堆叠，是不是TSMC/AMD已经有的hybrid bonding技术？华为做到的是cache on logic，cache on cache，还是logic on logic，logic on logic最大的散热问题是怎么解决的？

是已经有的技术没错，但同时也是把现有技术指标做到了领先也是真的，3D堆叠本身不是新技术，TSMC的hybrid bonding量产还是6um，华为论文给出Kirin 2026的hybrid bonding pitch是1.5μm

我在刚刚看到华为的堆叠消息之后，第一反应也是怀疑和AMD的3D V cache类似，它主要把 SRAM cache 叠在 已经有的L3 cache 区域上，通常会避免直接堆在最热的 CPU execution logic 上，就是避免散热问题，毕竟SRAM 的功耗密度和热点特性���high-activity logic 不一样，如果最热的logic on logic堆叠，散热恐怕会碰到困难

但看了更多��据之后，clock buffer -56%、clock depth -42%、clock wire -28%，这些只有在core内部的clock distribution被重构时才可能发生。纯SRAM stacking不会碰core内部的clock tree。另外如果只是cache on cache，大概率是不需要单独MEMS微型风扇额外散热的，证据普遍都指向logic on logic方式

华为这个技术的精妙之处在于，logic on logic 折叠之后热密度并没有翻倍，而是因为topology的好处，能耗下降了30%，这样热密度只上升了40~50%

而第一代没有完全把整个最热的execution logic 100%堆叠起来，论文也明确说selectively applied along key critical paths，只是大概53%有选择性关键路径会堆叠起来，可能颗粒度都没有那么好，只是IP堆叠在IP上，那么热密度上升也许能维持在20%以内

但这条道路继续前行，超前发展的散热就成了必然，现在是MEMS微型毫米级的主动散热风扇，紧贴处理器传导效率高，和华为手机一样，散热堆���特别足，而且技术领先同行。

以后怕是要把HBM7/8的微��道散热技术提前用起来了，毕竟HBM7/8要上24+层堆叠，华为很可能要在提前用上下个世代的散热技术了

-------------------------

4. 从架构角度来说，最重要的问题，华为41%的power efficiency（能耗比）提升，到底是怎么实现的？为什么AMD的3D V cache没有这么大的提升？

首先确定41%的定义。论文只说"SoC performance-core power efficiency improved by 41%"，没有给出benchmark名称、Voltage/Freq点、温度条件、功耗边界。但PPT roadmap上有一个关键线索：ISO-Power Performance的数字，2025年是2.75，2026年是3.1，提升12.7%

这个时钟频率提升12.7%完全一致，可以理解为，同功耗的性能提升是12.7%，绝大部分是时钟频率提升带来的

至于能耗比上优化的猜测是，LogicFolding缩短critical path → 在固定Vdd下Fmax从2.75GHz提升到3.1GHz → 这意味着在原来的2.75GHz频率下，有了约12.7%的timing headroom → 这个空间在iso-performance模式下可以换成更低的Vdd

另外的能耗比的提升，可能也来自于电路折叠之后，cache hit latency的下降。从业界经验来看，一般L2/L3 cache hit latency下降10%，CPU整体性能会有至少5%的提升

ppt里显示SRAM latency下降30%，估计会有一部分转化为cache hit latency的下降

AMD的3D V cache没有这么大的提升，主要是因为AMD的底层logic die并没有重新设计，3D cache的延迟latency不仅没有减小反而加大，只是增加了cache大小，收益不如latency下降那么明显。

另一方面，clock skew的下降,critical路径变短，造成电路timing变好，意味着华为可以使用更低的vdd（猜测甚至能低7~8%），以及路径缩短所带来的RC的下降(考虑到clock buffer -56%、wire -28%、SRAM pJ/bit -24%这些数字，比如C_eff下降10~15%合理)，再加上clock tree的整体缩短和下降，确实是有可能在部分Voltage/Freq点做到同性能下，做到30%的功耗下降的，而30%的功耗下降换算过来就是41%的power efficiency

对比苹果和高通，每一��手机芯片在iso-power下单核性能一般提升10-20%，iso-performance下功耗一般降30-40%，这是V/F曲线的特性决定的，所以从经验上���说，数字是对的上的。

所以这个power efficiency（能耗比）的提升，从现有的数字上来说可以从topology推导出来是合理的，可能真的和工艺节点没有太大关系

----------------------------

5. 这个技术路线有没有可复制性，其他家会不会效仿？

短期内不会大规模效仿，因为性价比和风险收益比来说不好。长期来看，这个方向所有人都在走，只是名字不一样

华为做LogicFolding的根本驱动力是制裁，工艺节点被卡在7nm，只能在封装，散热，和设计层面想办法弥补。华为也为此付出了不小的代价：散热成本，设计复杂度，以及制造成本更高（包括良率）。这是一个被逼出来的路线，不是一个自然选择

其他玩家在用TSMC就能做到正常的经济迭代，是没有必要冒着这个风险，去超前迭代散热技术和设计复杂度的

长期来看，Intel的Foveros、TSMC的SoIC、AMD的MI300的3D stacking都在朝��一个方向走。如果继续追最先进节点的经济性持续恶化，那么"固定一个成熟节点+3D topology optimization"的路线会越来越有吸引力

散热方面，MEMS微型风扇和微流道也会成为未来HBM散热的主流

-------------------

总结一下，华为这次的创新，绝对是值得尊重的，在制裁环境下，用极高的设计复杂度和成本，在一个被锁定的工艺节点上大胆重新设计，榨出了一次大的topology红利，虽然它有天花板。每多加一层的边际收益递减（堆叠1->2层, 2->3层, 3->4层，提升百分比变小），leakage无法解决，散热越来越难，3D EDA工具链更是全新的挑战。

但这个Tau scaling不是一条可以走十年的指数增长路径，每次爬完一个台阶，下一个台阶更难爬，而且台阶更矮收益更小，华为以后想缩小差距，还得再想想靠什么其他的路线

[Jukan @COMPUTEX @jukan05]

Huawei's latest announcement carries real significance, because China has, in effect, shown the direction in which advanced technology needs to move. And it has done so in cutting-edge semiconductors, no less.

China has long been a follower. In semiconductors, Western technology played the role of the pioneer, while China was preoccupied with simply keeping pace.

But by banning EUV exports to China, the U.S. manufactured a bottleneck at the lithography tool — and in doing so, it effectively forced creativity onto China.

To circumvent the sanctions, China was pushed toward approaches the West had never needed to take.

That is exactly what today's announcement represents.

Where Nvidia co-designs memory, packaging, and logic to optimize TCO at the system level — doing it rack by rack — Huawei is doing the same thing at the chip level.

I'll say it again: this is a genuinely striking approach. Memory makers are already struggling with cost scaling. As linewidths shrink, the resources required to keep shrinking them — capital, manpower, time — are climbing exponentially.

So the day will come when the West, too, must make packaging, logic, and memory collaborate from the node-design stage. And it won't be far off.

China, through the paradox of sanctions, has been driven to do this ahead of the West — unintentionally.

This is what genuinely frightens me. As YMTC has already demonstrated, U.S. sanctions pushed China to skip the incumbent standard and jump straight to the next-generation one.

The result? YMTC carved out a meaningful presence in hybrid bonding — and even Samsung, the king of NAND, ended up licensing YMTC's patents.

I believe the West may well find itself licensing this Huawei technology a few years down the road. And I believe cases like these will multiply, spreading China-style standards in their wake.

[虎小象 @hx831126]

先讲一个你可能从来没听说过的人。

1930年，英国语言学家 C.K. Ogden 做了一件很偏执的事——他把整个英语词汇表研究了一遍，然后问了一个问题：如果只能留下最核心的那些词，英语还能不能用？

他的答案是：850个词，够了。

这850个词，不是随便选的，是他穷尽分析之后筛选出来的"语言骨架"。他把它们分成5类：

100个操作词（Operations）：这、那、是、有、做……就是那些让句子转起来的胶水词

400个普通事物（General Things）：名词里最高频、最基础的那层

200个可描绘事物（Picturable Things）：能画出来的具体东西，比如 door、fire、river

100个性质词（Qualities）：描述世界的形容词，比如 clear、simple、important

50个反义词（Opposites）：成对出现，学一个等于学两个

——————

然后他把这套体系命名为 Basic English，发表出来。

接下来发��的事情更有意思。丘吉尔在二战期间公开赞扬这套体系，认为它是���国推广英语教育的最佳基础。H.G. 威尔斯把它写进了《世界大战》的续集设定里，作为未来世界通用语言的蓝图。乔治·奥威尔……没有赞扬它，但《1984》里那套压缩语言"新话"（Newspeak）的灵感，正是来自对 Basic English 的深深警惕——他担心语言被缩减之后，人的思想也会跟着被缩减。

这就是这850个词的能量：支持者觉得它是桥梁，批评者觉得它是枷锁，争论了将近一百年。

但我想说的不是那场争论。我想说的是——这850个词，对今天的英语学习者来说意味着什么。

大多数人学英语，是被一本本厚厚的词汇书和无尽的考纲压着学的。CET-4、CET-6、托福、雅思……每一个证书背后都是几千个词的暴力记忆，背了忘，忘了背，从来没有真正"用"过。

Ogden 给出的逻辑完全相反：不是多，而是深。

这850个词，每一个都是高频中的高频，每一个在日常英语表达里都有不可替代的位置。当你真正把这850个词学透——不只知道它的意思，还知道它的用法、它的近义词在什么场景该用哪一个——你对英语的掌握会比背了5000个词却每个只认识中文意思要扎实得多。

这是一种截然不同的语言观：根扎得够深，枝才能生得够远。

——————

于是我做了这个网站：https://t.co/MNteHwzK9m
（准确的说我让 Codex 做的）

原版 Ogden 的资料是一本PDF，黑白的，排版像上个世纪（它确实是上个世纪的）。我想让它变成真正可以用来学习的东西。

花了不少时间（花了不少 Token ）最终做成了这样：

每一个词，都有一张完整的卡片。

卡片上有：这个词的中文释义、英文定义（用简单的英语解释英语，就像 Ogden 本人的风格）、一��真实语境下的例句，以及2到3个同义词。五个类别各有自己的颜色，一眼就知道你在学哪个区域的词汇。

每一个词，都可以听发音。

接的是有道词典的语音接口，默认英式发音，可以切换美式。点单词听一次，点例句听一次，语速比正常稍慢一点，适合跟读。不是那种机械的合成音，真的可以听。

最让我花心思的，是同义词那里。

很多人背单词的时候，同义词只是"差不多的意思"。但真正用英语的时候，difference 和 distinction 不一样，speak 和 talk 不一样，simple 和 easy 不一样。差在哪里？什么场景该用哪个？

———————

网站是免费的，不需要注册，不会收集任何信息。

直接访问就行：https://t.co/MNteHwzK9m

如果你身边有正在学英语的人，或者觉得自己英语"学了很多年但还是用不好"的，可以发给他们看看。

也许这850个词，是一个值得重新开��的起点。
👆

以上的文案也是它写的，我越来越没有用了

[猴哥｜houge.sol @HougeSol]

看完才发现，我一直看的竟然是“阉割版”光模块视频…

这个讲光模块的视频确实不错，但我一直没想明白一个事。

为什么很多人搬运视频，总喜欢把原作者内容越搬越短?

原作者是视频号 #坤元财研 一共28分钟。

后来看到另一个号搬运，直接砍成25分钟。

结果但斌再搬一次，又砍成14分钟。

然后在X上疯狂传播的，就是 #但斌 这个版本，

总感觉前面刚讲明白，后面突然就跳了。

像看电影一样，中间莫名其妙少了几段。

后来一看，好家伙。

原来���连续动了两次刀。😂

有时候最有价值的东西，偏偏就在那些被剪掉的地方，这些东西，可以帮助你理解。

推荐大家直接看这个 #坤元财研 28分钟原版。

别最后吃了半天，发现上的还是删减版套餐。🤣

#CPO #光模块 #DSP #LPO #DML #EML #CW

[Socket @SocketSecurity]

UPDATE: So far we've identified 639 compromised npm package versions across 323 unique packages in tonight’s Mini Shai-Hulud wave.

That includes 558 versions across 279 unique @​antv packages. Most were detected within ~6 minutes of publication.

https://t.co/JXJK1NT4dp

[The Kobeissi Letter @KobeissiLetter]

Risk appetite in South Korea is exploding:

Margin loans outstanding on Korean stocks are up to a record $24.3 billion.

Since the start of 2025, margin debt has surged +140% and is up +32% since the beginning of this year alone.

To put this into perspective, the value of leveraged bets on Korean stocks was ~$5.0 billion in 2020.

This also likely understates the real scale, given that many loans taken out to buy stocks are labeled under other categories.

Meanwhile, domestic investors have poured ~$25.3 billion into South Korean shares year-to-date.

Retail investors in South Korea are aggressively rushing into stocks.

[Open Design @nexudotio]

Open Design now works inside Codex.

The hardest part of AI design isn’t generating one screen — it’s keeping design intent alive as you iterate, build, and ship.

Now your agent can work with the canvas directly.
Design → code → motion, in one workflow.

Here’s a quick demo:

[Joruno @wsl8297]

想给 iPhone 发点简单通知，比如服务器状态告警、脚本执行结果，又不想把数据交给第三方、担心隐私？

试试 Bark：开源免费、轻量好用的 iOS 推送工具。用它就能把自定义通知直接推到你的 iPhone，配置简单，上手很快。

它基于苹果官方 APNs，推送及时、稳定可靠，也更省电。你还可以自建服务端、开启加密推送，把数据牢牢掌握在自己手里。

GitHub：https://t.co/mJXgpBPdW1

触发方式也很直观：一个简单的 URL 请求就能推送到手机，同时支持通知分组、自定义图标、声音等功能。

从 App Store 装好后，复制测试 URL 立刻开推，特别适合开发者和需要个性化通知的人。

[Ding @dingyi]

我现在都懒得用 tmux 了，直接用 https://t.co/0Ki7Dlwk0k 或 https://t.co/dcu76qJ7ul 更方便，适合懒人。

[seekinganythingbutalpha @ivanalog_com]

一大堆初创公司要死。

[Cell 细胞 @cellinlab]

喔艹？！ 微信读书
官方居然出了一个 Skill！

把微信读书里常用能力基本度封装了：

支持搜索书籍、查看书架、阅读统计、笔记划线、热门划线、书评、推荐好书，甚至可以拼��深度链接，直接跳回微信读书 App。

（需要更新到 10.1.1

skill 地址放评论区了👉

[宝玉 @dotey]

要做好字幕 SRT，断句最重要，其次是纠正拼写错误。这些可以借助 AI 或者 Agent 来做了。

不过前提是先生成单词级别的时间戳，这样才能在组合后拼回去，现在主流语音识别模型都支持输出 json 格式，每个单词都标注清楚start和end的timestamp。

英文断句很简单，只要找标点符号就可以切分成长度合适的。

但中文断句要难一些，中文语音用whisper生成，吐出来的是一大坨没有标点的，并且它的“word”不是一个汉字，而是几个汉字。

所以需要借助大模型去断句加标点，然后再重新对齐时间戳再拆分，就需要用一些比较复杂的代码算法辅助。当然理论上来说 Agent 也能帮你做，就是费 Token 些。

还有一个坑就是几个小时的访谈，大模型是没办法一次性处理的，需要分块，但是��块还要注意不能切分在一句话中间。

最后不一定要用 Whisper API，现在电脑跑 Whisper 模型还是足够。

如果是 Mac，推荐用 WhisperKit，支持word level timestamp，以及识别 speaker
https://t.co/SKlsFGZqAw

[思维怪怪 @0xLogicrw]

Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。它不依赖 Python 和 PyTorch，项目方称 Docker 镜像约 2.5GB，冷启动不到 2 分钟，目前主要面向 NVIDIA DGX Spark 的 GB10 平台优化。

官网模型矩阵显示，Atlas 在单台 DGX Spark 上跑 Qwen3.5-35B-A3B 可到约 130 tok/s，跑 Qwen3.6-35B-A3B 约 71 tok/s。Atlas 官网和 Hugging Face 页面称，在同硬件下，Qwen3.5-35B 平均约 111 tok/s、峰值 130 tok/s，vLLM 约 37 至 38 tok/s。

这组「3 倍 vLLM」数据来自项目方公开基准。GitHub README 写明，测试使用的是「法国首都是哪」这类短 prompt，生成上限不超过 30 个 token，temperature 为 0.1。这个口径更接近短请求、低并发、快速响应场景，也正好对应 Atlas 想打的卖点：用更小镜像、更少依赖和更快冷启动，把本地大模型服务变得更轻。

Atlas 现在仍是早期项目，真实生产场景还要看后续长文本、高并发和复杂工具调用测试。GitHub 上已有用户反馈输出质量和工具调用稳定性问题，相关 Issue 截至 2026 年 5 月 11 日仍处于 Open 状态。对开发者来说，它更像一个值得关注的新推理底座，而不是已经能全面替代 vLLM 的成熟方案。

[Vincent Logic | 信号＞噪音 @VincentLogic]

Mac 程序员必备，发现个超好用的数据库管理工具。
TablePro，原生 SwiftUI 开发的，不是 Electron 套壳，启动不到 1 秒，内存才占 80MB，比我之前用的某工具省了 6 倍内存。
支持 MySQL、PG、SQLite、MongoDB、Redis 等 18+ 种数据库，原生驱动不走 JDBC，稳得很。
最爽的是内置 AI 助手，SQL 写不出来直接让 AI 帮你生成，懒人福音。SQL 编辑器的自动补全也做得很细。
居然还有 iPhone 版！出差在外想查数据，掏手机就能搞，这场景太实用了。
安装就一行命令：
brew install --cask tablepro
免费开源，用了两个月，真心觉得 Mac 上的工具就该有 Mac 的样子。👇