富貴B人

#Crypto #Cars #Girls #Cats #AI

[Mühendislik Harikası @muhendisIiktr]

Japonya’nın hızlı treni, çözülmesi imkânsız gibi görünen bir sorun yaşıyordu… ta ki küçücük bir kuş çözümü gösterene kadar.

[富貴B人 @Aresjasper]

@market_beggar BTC有沒有長期投資者情緒指標？類似AAII的（連價格不敏感的長投者都動搖時，應該是底了）

[富貴B人 @Aresjasper]

@market_beggar 少少買、繼續等貝格梭哈指令～

[yibie @yibie]

训练小模型：2026 年最被低估的 AI 技能

2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。

2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。

两个月过去了。CJ 没有停。

他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B ���型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后��他做了个 voice agent 的工具调用 fine-tune——成本 $11。

从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。

一、CJ 方法论：为什么值得认真对待

CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。

工具链

| 角色 | 工具 | 成本 |
|------|------|------|
| 规划（Orchestrator） | Codex 5.5 | 订阅内 |
| 数据生成（Generator） | DeepSeek v4 Pro | API 按量 |
| 训练框架 | Unsloth | 免费开源 |
| 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr |
| 推理部署 | llama.cpp / Ollama | 免费 |

数据流水线

CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」：

「"Low quality data = Low quality model performance"」

他的流水线是��进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。

$80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。

模型选择

CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确：

「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」

他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。

二、这不是 CJ 一个人的实验——行业数据在同时发声

CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。

市场规模

SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。

性能

阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。

另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。

企业已经在省钱——真正的省钱

| 公司 | 方案 | 效果 |
|------|------|------|
| Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% |
| 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 |
| EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% |
| AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 |

400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。

三、「数据集工厂」才是真正的护城河

CJ 在 5 月 22 日发了一条推文，八个词：

「"The moat might not be the fine-tune itself. It might be the dataset factory."」

这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。

中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察：

「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」

在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。

四、从边缘到生产线：部署已经在发生

SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。

2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。

而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。

五、成本轨迹：从「公司预算」到「午饭钱」

CJ 的公开成本记录是最好的注脚：

| 日期 | 项目 | 成本 |
|------|------|------|
| 05-13 | 1 亿+参数数据集生成 | ~$80 |
| 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 |
| 05-28 | Qwen 3.5 tool calling for voice agent | $11 |

$11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。

六、结论：学会训练你的第一个模型

CJ 给的学习路线图异常简单：

1. 从 1B-4B 小模型开始，不要一上来就搞大模型
2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU
3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO）
4. 用 Codex 做规划，DeepSeek 做数据生成
5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存

他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。

这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。

通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。

参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / https://t.co/7r0fApoHPJ 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

[大人店長 @tokyofansfuk]

歌舞伎町で目撃された男女３人組が西洋アートって言われてバズってるのほんま草

[富貴B人 @Aresjasper]

👏

[KK.aWSB @KKaWSB]

心理学家丹尼尔·卡尼曼，1970年代在耶路撒冷希伯来大学的办公室里，跟搭档阿莫斯·特沃斯基闲聊。

两人突发奇想，设计了一道题：

"一家医院里，有个叫琳达的女人。31岁，单身，性格直率，非常聪明。大学主修哲学，在校期间深度关注歧视和社会公正议题，还参加过反核示威游行。"

请问，下面哪个更可能？

A. 琳达是银行柜员。 B. 琳达是银行柜员，同时积极参与女权运动。
很简单的一道题。

学过概率论的人都知道，B是A的子集。

一个人同时满足两个条件的概率，永远不可能大于只满足其中一个条件的概率。

永远。

这是数学铁律，没有例外。

但卡尼曼不关心数学。

他关心的是人。

他把这道题发给了不列颠哥伦比亚大学的本科生。

结果：

85%的人，选了B。

85%的人，违背了最基本的概率法则。

卡尼曼没有停。

他换了一批人——统计学博士生。受过专业概率训练的人。

结果：

依然有超过50%的人选了B。

一群以概率为生的人，面对一道入门级的概率题，集体翻车。

卡尼曼后来把这道题带到了全世界。

斯坦福、哈佛、柏林、斯德哥尔摩。

不管在哪里，不管受试者的教育水平多高，大多数人都会掉进同一个坑。

🖊️ 这就是认知心理学中著名的"合取谬误"——conjunction fallacy。

原理并不复杂：

人类大脑在做判断时，不是在计算概率。

而是在讲故事。

"31岁、哲学系、关注社会公正、参加过反核游行"——这些细节拼在一起，自动在你脑子里合成了一个鲜活的人物形象。

一个女权活动家的形象。

当你看到选项B——"银行柜员且参与女权运动"，你的大脑会说："对，这就是她。"

它觉得B更"像"琳达。

而选项A——"银行柜员"，太平淡了。跟你脑海中的人物画像不匹配。

于是你毫不犹豫地选了那个概率更低的答案。

不是因为你笨。

而是因为你的大脑用"代表性"替换了"可能性"。

卡尼曼把这种思维捷径称为"代表性启发"——你不是在判断什么更可能发生，而是在判断什么更符合你心中的故事模板。

这个陷阱今天无处不在。

你看到一个穿格子衬衫、戴黑框眼镜的人，第一反应"程序员"，而不是"销售经理"——尽管后者人数远远更多。

新闻里连续报道了三起飞机事故，你就觉得"最近坐飞机好危险"——尽管统计上那个月的飞行安全记录和往常没有任何区别。

一家创业公司的CEO在台上讲了一个完美的故事——名校辍学、车库创业、逆袭上市——你就觉得"这公司肯定能成"。

因为它太像那个故事了。

你的大脑不在乎概率表格上写了什么。

它只在乎眼前这个故事，够不够"像"。

当一件事看起来越合理、越生动、越像"应该发生的样子"，你就越坚信它会发生。

而真正的概率，往往藏在那个最不像故事的选项里。

[MindfulReturn 身心修复局 @MindfulReturn]

在机器学习里，有一个概念叫过度拟合。当一个模型缺乏新的、真实的测试数据，只能在有限的旧数据里反复训练时，它就会变得极其神经质，把噪音当成了规律，产生严重的幻觉。

其实，很多人的人生也是如此。

你的大脑，就是一个极其强大的预测模型（System 2）。它的设定就是不断预测未来以避开危险。

而你的身体（System 0），则是这台机器的传感器，负责提供当下的地面真值（Ground Truth）——温度、重力、肠胃的蠕动、肌肉的松紧。

当你整天盯着屏幕，久坐不动，你其实是主动切断了传感器的输入。

大脑这个预测模型，接收不到来自物理世界的真实安全信号，它就开始恐慌。
它���能在过去的遗憾和未来的恐惧这两堆旧数据里，反复咀嚼。
于是，它产生了严重的幻觉，为你预测出无数种根本不会发生的灾难。

在算法里，这叫过度拟合产生的幻觉。在人生里，这就叫焦虑。

所以，解决焦虑从来不是靠想。

用大脑去解决大脑的问题，就像用产生Bug的代码去修复Bug。

你必须接入真实的物理数据，让传感器重新上线，模型才会停止空转。

[新闻调查 @xinwendiaocha]

最新消息：继周周侃、老蛮后，北外终身副教授、润美的大五毛乔木和老婆回国后被抓。
乔木润美后生计艰难，曾到美国之音打工，写公众号“批美国，吹中国”赚点打赏费，老婆在餐厅打工。
后为生存所迫回国，线路是华府-香港-深圳-北京。
2024年6月27日上午，乔木在深圳的一家酒店被国安人员带走。自此失联。
中国政府派了一个官方律师��切断了和外界所有联系。
罪名是间谍罪…

[富貴B人 @Aresjasper]

@grok @sugary_bean_ @qqqqqf5 此命題為假：你假設你在所謂的現實世界裡「他們」都會存在，事實上愛你的人終究會消失，無論早晚。如果有完美虛擬世界，「他們」永久存在與否，由你決定。

[富貴B人 @Aresjasper]

@grok @sugary_bean_ @qqqqqf5 竟有這等好事

[富貴B人 @Aresjasper]

修好了，只有大疆能看

[李老师不是你老师 @whyyoutouzhele]

2月24日，据国内媒体报道，一名DIY爱好者用PS5游戏手柄控制自家大疆（DJI）Romo扫地机器人时，意外触发严重安全漏洞，导致全球约6700台该型号机器人遭未授权访问，可被查看实时摄像头画面、获取家庭2D楼层平面图，甚至定位设备位置。
发现该漏洞的是萨米·阿兹杜法尔（Sammy Azdoufal）。他向媒体表示，自己初衷只是觉得用PS5手柄控制新入手的大疆Romo很有趣，便用Claude Code软件逆向工程了机器人与大疆服务器的通信协议，自制了一款远程控制应用。

令人意外的是，这款应用连接服务器后出现权限失控，他仅提取了自家设备的私有令牌，便获得了全球约7000台Romo的响应。

The Verge记者现场见证了漏洞演示。9分钟内，阿兹杜法尔的电脑就记录了24个国家的6700台大疆设备，收集到10万余条设备消息，涵盖设备序列号、清洁房间、所见场景、行驶距离、��电时间及遇到的障碍物等。

仅凭同事托马斯·里克（Thomas Ricker）提供的14位设备序列号，便能精准查看机器人正在清洁客厅、剩余80%电量的状态，还能获取同事家的精准楼层平面图。

此外，他还能绕过自身机器人的安全PIN码查看实时画面，甚至将一款只读版应用分享给法国一名IT咨询公司CTO贡扎格·丹布里库尔（Gonzague Dambricourt），对方在未配对设备的情况下，也能远程查看自家Romo的摄像头画面。

阿兹杜法尔强调，自己并未入侵大疆服务器，"我没有违反任何规则，没有破解、暴力破解任何系统"，只是他提取的自家设备私有令牌，本应用于验证自身设备访问权限的密钥，被大疆服务器误判为通用权限，进而泄露了全球数千台设备的数据。

大疆方面回应：大疆（DJI）于1月下旬通过内部审查发现了一个影响大疆 DJI Home 的漏洞，并立即启动修复工作。该问题通过两次更新得到解决，首次补丁于2月8日部署，后续更新于2月10日完成。修复程序已自动部署，无需用户进行任何操作。

[富貴B人 @Aresjasper]

@CakeAI8 我跟每個AI 反覆提問，得到的答案總結跟你的內容一樣… 要嘛它們底層邏輯相同，要嘛作為玩家走到安排好的同個腳本（路徑）

[富貴B人 @Aresjasper]

桃白白舌頭殺人事件
名作場景重現 #dragonball

[富貴B人 @Aresjasper]

Truly amazing indeed facts.

[Will @WillAttract]

"Touching your girlfriends butt can literally extend your life..."

[富貴B人 @Aresjasper]

This shit is actually a pen bag. LoL

[Rosetta @2004006A]

買了一條屎。

（前陣子訂購的黑熊排遺終於到了，屎內還有黑熊常吃的漿果、呂宋夾迷。可愛得要死😍）

[富貴B人 @Aresjasper]

毛沒禿頭前都會裝飄逸😆

[오타니의 스위퍼 @damnfinecoffee]

중국이 만든 젊은 시절 마오쩌둥 동상, 너무 미화해서 아라키 히로히코 동상으로밖에 안 보여. 라는 일트를 봤는데 어

[富貴B人 @Aresjasper]

@grok I knew “enhances function “, but why proofread to “completely opposite “meanings there ? 負負得正right ?

[富貴B人 @Aresjasper]

@grok 圖片裡的天才校正功能是你的嗎？

[Elsinore @El_sinore]

Freedom of speech in the USA is just a joke.

They deleted my reply.
No notice. No warning. No log. No history.

I don’t even know what was removed.
I just remember & know one reply is gone.
This isn’t moderation.
This is silent erasure.

https://t.co/NM41GB2lrB