R.

INTJ建築家

[R. @R__masa]

推し推し

Sana🐈☁️をチェックしよう！ #TikTok https://t.co/hvAkE8eq13

[R. @R__masa]

早く来て欲しい

[Max For AI @MaxForAI]

🚨Qwen4家族首次曝光！！

刚刚，在2026年云栖大会的开幕式上，新任@Alibaba_Qwen LLM负责人刘大一恒官宣了即将到来的Qwen4家族！

包含Qwen4-Max
Qwen4-Flash&Qwen4-Plus
还有Qwen4-27B！！！

未来Qwen会训5-10T的模型

[R. @R__masa]

こういう人多いから
日本がここまでと
ダメになってしまったんだな

[L @eru07085]

開催国が日本だから度重なる不手際を日本のせいにされて日本批判が止まず、何故か日本人が謝ってる状況だけど
主催は日本ではなくOCA。管理は全部OCAなのよ。日本批判はお門違いだし日本人も謝罪する必要は全くない。
OCAに言え。

[滝沢ガレソ @tkzwgrs]

【悲報】ショートスリーパー堀大輔さん、トラブルまみれの１週間耐久配信をコナン風にわかりやすくまとめられる

[R. @R__masa]

これ
人間に食べさせるもの？

もう餌じゃん

[藤井セイラ @cobta]

ローソンの一点突破298円弁当、「日本が貧しくなった」「物価高」に尽きます。

[楚狂 @chukuang2018]

日本人是真的把日本人当日本人整啊。

[孤烟暮蝉 @guyanmuchan001]

日本小学生的伙食

[K.L @kinglinzhuhui]

Chinese high school cafeteria meals — but my kids still complain that the school food doesn't taste good. 😮‍💨

[R. @R__masa]

最近の物価は特にひどいね

[Achan @achan_5522]

愛知・名古屋アジア大会の現地取材中の同僚から、メディアセンターの食堂の写真が届きました🍜きしめん＋白ご飯で1200円。「値段のわりに量が少なくて、これではお腹いっぱいにならない」とのこと😅結局、CMGの取材チームの多くはここで食べるのを諦め、自分たちでお弁当を手配することにしたそうです🍱
実はこの同僚、大会に行く前はかなり楽しみにしていたんですが、さっき私にしばらく愚痴っていました😂
「私、杭州アジア大会も取材したんですけど、今回こんなにいろいろ不手際があるなんて、昔なら考えられなかった。だって日本だよ！日本といえば、きめ細かなサービスやおもてなし、職人気質で知られていたでしょう？今回は正直、先進国の国際大会という感じがあまりしない」……
まあまあ、気持ちを切り替えて😂 とにかく体に気をつけて、最後まで無事に取材を終えて帰ってきてね。
前方のみんな、頑張って！📸

[R. @R__masa]

日本人は先進国を自負してるから
なんと言っても無駄だな

中国現地に一か月生活してみたら
日本の食事がいかに貧乏か分かる

[News Everyday @24newseveryday]

ローソンのコーン弁当が中国で話題に＝「かわいそう」「日本人って本当に…」 https://t.co/6HXaCdGLkA

[R. @R__masa]

本質は
富の大移動

富が
真面目に働く一般人から
投資家、資本家、金持ち
そして、アメリカ様への
大移動

[絶円の借金さん。 @syakkin3]

アベノミクスとは何だったのか。

利上げが始まった今になって、やっと分かった気がする。

あれは、壮大な時間稼ぎだった。

悪口じゃなくて、最初からそういう設計だったんだよね。

アベノミクスは「3本の矢」と呼ばれる3つの要素で構成されてた。

①金融緩和
②財政出動
③成長戦略

本命は③。日本が自力で稼げる国に戻ること。ただ③は効くまでに時間がかかる。だから①と②で、それまでの時間を稼ぐ。で、時間稼ぎは本当に成功した。

・日経平均　8,757円 → 65,018円
・失業率　4.3% → 2.4%
・有効求人倍率　0.8倍 → 1.6倍

就職氷河期は終わった。株を持ってた人は資産が7倍になった。これは本当。

ただ、時間稼ぎはタダじゃない。代償がこれ。

・ドル円　80円 → 157円
・日銀が抱えた国債　125兆円 → 500兆円超（一時は国の借金の半分以上）
・金利　ほぼ0のまま10年以上
円の価値を半分にして、日銀に国債を山ほど抱えさせて、稼いだ時間が約10年。

時間稼ぎって、稼いでる間に本命が間に合って初めて意味がある。間に合わなかったら、ただの後回し。

結果的に言えば③は間に合わなかった。

だから今起きてるのは、新しい危機じゃない。10年前に後回しにした問題が、利息を付けて戻ってきただけ。

円安を止めたければ金利を上げるしかない。でも金利を上げれば、ゼロ金利を前提に組まれたローンも、会社も、国の予算も持たない。

上げても地獄、上げなくても地獄。

この二択は、時間稼ぎを始めた時点でもう約束されてた。③が間に合わなかった場合の結末として。

しかも当時より条件は悪い。円の価値は半分、日銀は国債を500兆円抱えたまま、同じ問題ともう一度向き合う事になる。

稼いだ10年で、株を持ってた人の資産は7倍になった。持ってなかった人には、時間切れの請求書だけが届く。

利上げは、時間切れの合図なんだよね。

[枫糖小猫🏳️‍⚧️ @Konekoutena]

日本这个国家已经烂完了，彻底没希望了。之所以会烂成这样，源于从小就压制人的思想

[R. @R__masa]

前提として
アクセンチュアのような規模ならば

[一ノ瀬 @consul_ichinose]

コンサルはまだオワコンじゃなかった

アンソロピック、AIの安全評価にアクセンチュア起用：日本経済新聞 https://t.co/H9MtLry6a3

[R. @R__masa]

中国において
腹一杯食べれることが
人権のひとつ

[Sharing Travel @TripInChina]

Lunch in a primary school canteen in Ningbo, China.
Students have no other choice under dictatorship.😭

[Dr.ナイフ @knife900]

歴史に学ぶと、ナチスドイツは政権を奪取した後に、宣伝省の予算を10倍にしました。ラジオや映画などを使って、大規模なプロパガンダを行いました。

政府は何のために莫大な宣伝をするでしょうか。

「内閣広報、情報発信に予算10倍　「政権宣伝へ税金投入」と批判も」
https://t.co/FhY9AZU5Wq

[rintarice🌾+cra🌏 @rintarice]

@knife900 見飽きてる方、ごめんなさい。
見たことない方、
是非みてください。
#高市内閣は裏金統一教会内閣
#戦争反対

[ModelScope @ModelScope2022]

Introducing Qwen-Image-2.1: image generation and editing in one model, with native transparency and a compact 7B visual generation component.🚀
🤖 https://t.co/ZaQGRRtyyk
🎨 Try it in Studio: https://t.co/NRAbnNBRb9

⚡ Efficient inference: KV cache reuse speeds up generation and editing while reducing memory usage, especially with multiple reference images.

🖼️ Native transparency: Generate regular or transparent images, edit transparent layers, and extract subjects from photos.

🛠️ Versatile editing: Combine up to 10 reference images, target local edits, and preserve portrait identity and product details.

✨ Refined aesthetics: Improved typography, portrait lighting, and realistic textures bring finer detail to generated images.

[R. @R__masa]

想学骑马

[whitemonkey1 @babywhitemonkey]

Xinjiang Sisters

[R. @R__masa]

このレベルは普通よ

[ono hiroshi @hiroshimilano]

中国の子どもが美味しい、そしてたっぷりの給食を食べているのを見ると、豊かな国だなあと思う。

[David Hendrickson @TeksEdge]

🤯 A localmaxxer hit ~381 tok/s on a SINGLE RTX 3090 with Qwen3.8-27B.

This developer has turned a 24GB RTX 3090 into a monster Qwen inference box - w/some creativity.

Four days ago 👉 ⚡ ~82 tok/s single-user

Then 👉
⚡ ~114 tok/s with optimized MTP
⚡ ~138 tok/s with DFlash2 + lookup drafting

Now 👉 🔥 ~381 tok/s on ONE request

How? The recipe combines ...
🧠 Qwen3.8-27B
🎮 1× RTX 3090 24GB @ 250W
⚙️ heavily optimized vLLM
⚡ DFlash2 speculative decoding
🔎 lookup-augmented drafting
📚 prefix caching
🧮 16-token verification blocks
💾 quantized KV / heads / activations

DFlash2 normally proposes 7 tokens.

The developer realized the verification block doesn't have to stop there.

If Qwen is answering from a document already sitting in the prompt, the system can fill the remaining draft positions using tokens found directly in that context.

🎯 So the target model can verify 16 tokens at once.

On a ~25K-token document reproduction task:
Previous DFlash2 👉 ~260 tok/s

Longer verification + context lookup 👉 🔥 ~382 tok/s

Acceptance:
🤯 15 of 16 tokens per verification step

That is where the crazy number comes from.

⚠️ On ordinary real-world chat prompts, the same setup is around ~133 tok/s

Still extremely fast for a dense 27B model on an RTX 3090.

The 381 tok/s mode shines when the answer largely comes from material already in context so these are best use cases
📚 RAG / document Q&A
💻 Coding assistants applying edits
📝 Quoting or rewriting documents
🔎 Extracting information from long prompts

And another optimization 👉 With prefix caching, a second question against the same 25K-token document reportedly goes from:
🐌 22.4 sec TTFT
→
⚡ 0.56 sec TTFT

Because the model doesn't need to process the whole document again.

🎯 It's specifically a mode for RAG front ends and coding agents.

Follow iamMess on Reddit or syv-ai on GitHub

🔗 Reddit: r/LocalLLaMA/comments/1vtup5s/
🔗 GitHub: /syv-ai/qwen38-27b-rtx3090

[Md Ismail Šojal 🕷️ @0x0SojalSec]

A single RTX 3090 hit 381 tok/s on Qwen3.8-27B.

DFlash2 + lookup: 138
Optimized MTP: 114
context lookup so the model verifies 16 tokens at once when the answer already lives in the prompt.

Longer verification & prefix cache: 381 tok/s
The 381 number only appears when the model is reproducing or extracting from a long prompt.
That’s the point.

Prefix cache also drops TTFT from 22s to 0.56s on the second question against the same document.

Best for RAG, document Q&A, and coding agents. Regular chat still lands around 133 tok/s.
25K-token context.