Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
David Lin
@DavidLin01
Joined June 2014
536
Following
125
Followers
466
Posts
DavidLin01
retweeted
Sean子琦
@Seanzhao1105
19 days ago
https://t.co/4gz6a6jOaK
DavidLin01
retweeted
fin
@fi56622380
about 1 month ago
AI半导体终局推演2026(I) 当新token经济学范式从GPU算力转移到HBM 本文从从GPU架构进化路线本质出发,解释这个市场长久以来担心的问题: 每个GPU的HBM内存需求为什么一定会是指数增长,为什么HBM需求指数增长不会停滞? 并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽 同时讨论了,为什么GPU的天花板被HBM的两个发展维度所决定 HBM周期性这个话题争议一直很大,乐观派认为AI带来的需求比以前要大的多,但市场主流仍然认为前几次上升周期也有需求每年20%+增长,这次又有什么不一样呢?AI不影响HBM和传统DRAM一样有commodity属性,一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。 我们可以从算力芯片架���视角,从第一性原理出发,来拆解和推演一下这个问题:为什么这次真的不一样 ------------------------------- 历史:CPU算力时代 很久以来,我们都处在CPU主导算力的时代,CPU的最高级KPI就是performance,跑的更快,所以每一代的CPU都用各种方法来提高跑分,最开始是频率上升,后来是架构演进superscaler等等 这个时候为什么DDR不需要很快的技术进步速度?比如DDR3到DDR5竟然经历了15年之久 因为这个时期的DDR的角色是纯粹的辅助,而且辅助功能极弱,以业界经验,DDR的速度即便是提高一倍,CPU的performance一般只能提高不到20%这个量级 为什么DDR带宽速度提高了用处不大?两个原因 1. CPU设计了各种架构去隐藏 DDR延迟,比如superscaler,加大发射宽度,用海量的ROB和register renaming来提高并行度隐藏延迟,一级缓存cache,二级缓存cache,削弱了DDR的带宽速度需求 2. CPU workload对DDR带宽要求并不高,大部分日常负载比如打开网页,DDR带宽是严重过剩的,甚至云端负载 也就是说,在CPU时代,DDR的带宽速度是不太有所谓的,DDR4和DDR5除了少数游戏就没啥差别,甚至JEDEC标准也进步缓慢。 另外,绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可,app的size增长没那么快,导致对DDR的容量需求也较为缓慢。 所以最近十年来,平均每台电脑上的DDR容量大概从7~8GB变成了23GB,十年只增长了3倍。 而这部分升级缓慢直接影响了营收,size容量计价是赚钱的主要方式,速度的提高只是技术升级,提高size的单价,这两个的升级需求都不大,需求主要是随着电脑/手机数量增长而增长 所以DRAM在带宽速度和容量这两个维度上,一直是都是芯片产业锦上添花性质的附属品,DDR升级带来的边际效用是很低的,跟CPU时代的最高KPI几乎没什么直接联系 -------------------------------------------- 而到了genAI 大模型为主导的新时代,计算范式转移让最高级KPI起了根本变化 GPU发展到AI推理的时代,不再像CPU那样只看跑分,最高级的KPI不再是算力TOPS/FLOPS,而是token的成本,特别是单位成本/单位电力下的overall token throuput 其次是token吞吐速度,因为在agent时代,很多任务变成了串行,token吞吐速度成了用户体验的重要瓶颈。 这也是为什么老黄发明AI工厂概念的原因:最低成本的输出最多token,同时尽量提高token吞吐速度 AI训练时代,老黄的经济学是TCO(total cost ownership),买的GPU越多,省的越多 而老黄在推理时代的token经济学是: AI推理的毛利润很可观,所以逻辑已经转换成:Nvidia GPU是这个世界上让token单价最便宜的GPU,买的GPU越多,赚的越多 最高的KPI变成了Pareto frontier曲线,在提高token 吞吐throughput和提高token速度两个维度上尽量优化 (见图一) NVIDIA 的 token factory 代际进步,其实是在把整条 Pareto frontier 往右上推,这就是是AI推理这个时代最重要的KPI ---------------------------------- 接下来是本文最重要的逻辑链,如何从token吞吐量指数型增长的本质出发,推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长 单卡GPU推理单线程batch size = 1的时代,token吞吐只有一个维度,就是HBM的带宽速度,带宽速度越高,token吞吐越大 但进入NVL72的年代,推理不再是单卡GPU时代,而是72个GPU + 36个CPU整个系统级别的token工厂,把HBM带宽和算力用满,获得极致的token吞吐量 Token 吞吐throughput的增长,依赖两个东西:同时批处理的请求数 X 每个user请求的平均token速度 也就是batch size X per user token 速度 以Rubin NVL72为例,在平均token速度是100 token/s的情况下,同时批处理1920个请求,得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW(0.12MW)的功率,所以得到单位MW能处理1.6M token/s (见图一) 所以,我们需要想方设法提高这两个参数:批处理数量batch size和per user token的平均速度,这两者相乘就是我们的最高KPI,也就是token的吞吐量 ------- 第一个参数:batch size的增长,瓶颈在HBM size 批处理量里的每一个请求req,都会自带kv cache,这部分kv cache是需要存在HBM里的,大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取,所以必须放在HBM里,比如一个大模型的层数是80层,那么每一个token的生成阶段,都需要读取80次HBM里的kv cache 随着批处理数量batch size的增长,会带来hot kv cache的线性增长 又因为这个批处理量的所有请求的hot kv cache,都要放在HBM上,这也就带来了HBM size必须要随着批处理量batch size线性增长 就��是机场接驳车,登机口尽量快的接旅客到飞机,HBM size小了,相当于接驳车size小了,就得多接一趟 结论是:批处理量的数量batch size,瓶颈依赖于HBM size的增长 --------- 第二个参数:每个user请求的平均token速度,瓶颈在HBM带宽 大模型decode阶段的速度,瓶颈取决于HBM的带宽速度,因为每生成一个 token,都要把激活的权重和kv cache 读很多遍 LPU的出现,在batch不那么大的情况下,把激活权重这个部分搬到了SRAM上,但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高,生成每一个token的速度也就越快,基本上是线性对应的 就像是机场接驳车,登机口尽量快的接旅客到飞机,hbm本身带宽速度就像是接驳车的车门有多宽,门越宽,旅客上接驳车越快 GPU的其他配置,都是在适配batch的增长以及要让token compute的速度配平HBM的增长,甚至会用多余的算力来获得部分的带宽(比如部分带宽压缩技术) —----- 在那个接驳车的比喻例子里 接驳车的车厢大小 = HBM Size(容量): 决定了一次能装下多少名旅客(也就是能同时装下多少个请求的 KV Cache)。车厢越大,一次能拉载的旅客(Batch Size)就越多。如果车���小,想拉100个人就得分两趟,系统整体的吞吐量就上不去。 接驳车的车门宽度 = HBM Bandwidth(带宽): 决定了旅客上下车的速度。门越宽,大家呼啦啦一下全上去了(Decode/生成Token的速度极快)。如果门很窄,哪怕车厢巨大能装200人,大家也得排着队一个一个挤上去,全耗在上下车的时间里了。 旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度) —--------------------------- 至此,我们从逻辑上推演出了token经济学的硬件需求第一性原理: Token throughput = HBM size X HBM Bandwidth AI推理这个时代的最高KPI,实际上是高度依赖于HBM的两个维度的进步的 如果要维持token throuput每一代两倍的增长,实际上意味着,每一代的单GPU上,HBM size X HBM BW带宽之积要增长两倍! 这也是历史上第一次,HBM内存的size可以影响最高的KPI token throughput! 要验证这个理论,可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput,和HBM size X HBM BW 放在同一个图里比较 (见图二) 可以发现,这两个曲线的走势在对数轴上惊���的一致 HBM size x HBM带宽增长的甚至要比token吞吐量更快,毕竟HBM决定的是天花板,实际上这个天花板增长的利用率utilization是很难达到100%的,也就是说,HBM size x HBM 带宽就算增长1000倍,其他算力和架构的配合下,很难把这1000倍的天花板潜力全部榨干 这条曲线不是巧合,而是系统最优化的必然解 throughput = batch × Bandwidth,这就是token factory 经济学最绕不开的第一性原理 —-------- 软件的影响呢?软件的优化会不会降低带宽的需求?降低HBM的需求? 这跟硬件是独立两个维度的,这好像在问,如果CPU上的软件优化了之后跑的更快,是不是CPU就十年不用发展了?反正软件跑的更快了嘛 这样的话,CPU厂还能赚得到钱吗?CPU想要存活下去,只有一条路可走,在标准benchmark,不考虑软件优化,每一代CPU必须要跑分更高,不然就卖不出去 GPU也是一样,软件优化如何,和自己的token吞吐量KPI每年都要大幅进步,是两回事 只要token的需求继续增长,对token throuput的追求就绝不会停止,那么对HBM size X HBM 带宽的追求也不会停止 如果HBM size和HBM 带宽��展慢了,老黄一定会亲自到御三家逼着他们技术升级,因为这就是老黄gpu的天花板,天花板要是钉死了不进步,老黄的GPU还能卖出去吗? 当然了,Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分,比如LPU就是一个很好的尝试,把Pareto frontier从另一个角度改善了很多 (右半边高token速度的部分) —-------------------------------------- HBM内存已然告别了那个随波逐流的旧时代,在这条由指数级需求铺就的单行道上,以一种近乎宿命的方式走到了产业史诗的主舞台中央 推理范式第一性原理演化到这一步,只要老黄还要卖GPU,HBM就必须翻倍,而且必须代代翻倍。这是supply side的内生压力,与AI需求无关,与宏观周期无关,与hyperscaler的心情也无关 剩下的问题,只有一个: 当需求被物理锁定为指数增长的时候,供给侧的三个玩家,会不会还像过去三十年那样,亲手把自己再拖回一次周期的泥潭?
See More
DavidLin01
retweeted
LEI
@TheMarketMemo
over 2 years ago
價量關係 首先掌握一個概念:成交量就是市場分歧——有大量的人願意賣出、同時有大量的人願意買入。 在期貨交易上,成交量可以理解為多空雙方交火之後的傷亡數量,期貨持倉量則可以理解為多空雙方對壘的屯兵量。
DavidLin01
retweeted
柴郡🔔|Crypto+AI Plus
@0xCheshire
2 months ago
10 个帮助你掌握 AI 的全新 YouTube 视频: 1. Claude Code 进阶课程: https://t.co/9UGyBOYaK8 2. 关于 AI 机遇的一切: https://t.co/1s2GaHF8Zz 3. 企业真正需要的 AI 工作流: https://t.co/gNC2LXU94L 4. 如何在 2026 年构建并销售 AI 智能体: https://t.co/gNC2LXU94L 5. 如何利用 AI 打造一人企业: https://t.co/XKh61RHJKA 6. Claude Code + Codex: https://t.co/cudhIz2vje 7. 如何开创你的 AI 网红事业: https://t.co/qtjf4VQvTP 8. 如何开展 AI 营销: https://t.co/dYBWCxw76d 9. Claude Code + Paperclip: https://t.co/3BZ0J0J2Pj 10. 如何在 30 天内借助 AI 打造盈利的个人品牌: https://t.co/AU9krXjBKL
See More
Who to follow
Alex Lee | ETHGas ⛽
@LF_DAO_AlexLee
Freedom.
668dao
@plus_niubi
When you stop, don't forget that others are still running
finnweb3.eth
@finnyanni
产品经理转全职交易员 基本稳定盈利了
DavidLin01
retweeted
Tw93
@HiTw93
3 months ago
https://t.co/x9eqpjrSuS
DavidLin01
retweeted
qinbafrank
@qinbafrank
3 months ago
英伟达老黄在GTC大会上都说了什么? 看了下演讲全文,感觉这次老黄不只是在卖芯片,而是在卖一个全新世界观:AI 不是工具,不是应用,而是人类下一个工业革命的能源+发动机。AI 是新时代的电力 + 发动机,Token工厂、AI代理智能体、物理AI 共同构成基础设施。梳理下要点: 1. 第一性原理:AI 的本质重新定义(别再当它是“聪明App”了) 老黄认为 1)AI 不是单一模型突破,也不是“会聊天”的玩具,而是像电力一样的核心基础设施。 2)每个公司都会用,每个国家都会建,不建就落后,就像19世纪不建电厂一样。 2)计算需求过去两年已增长“一百万倍”,且还在指数级加速。 老黄更是给了一个炸裂的前瞻指引,预计到2027年,仅英伟达这些旗舰芯片(Blackwell + Vera Rubin 系列)就能贡献至少1万亿美元营收。”(比之前市场预期的5000亿翻倍,时间拉长一年但金额更狠) 这已经不是简单的财报指引,是给全球CEO和国家元首的最后通牒:你们不投AI工厂,我们就帮别人建。 2. Token工厂:数据中心的新物种 老黄把数据中心彻底改名——不再是存数据的仓库,而是生产智能代币的工厂。CEO 现在要像管传统工厂一样管“代币产出率”和“单位代币成本”。英伟达通过全栈垂直整合,已经把单位代币成本做到全球最低。 这就是工业化拐点:AI 从实验室玩具 → 国家级重资产基础设施。 投资视角来看,这会让“AI基建”概念彻底主流化,能源、冷却、网络、光模块、液冷、变压器等全产业链都会被重估。别只盯着GPU,看“Token工厂”全链条。 3. Vera Rubin 平台:下一代AI工厂的完整蓝图 Rubin不是单颗芯片,是垂直整合的7大芯片 + 5个机架级系统 + 1个超级计算机*。 他的亮亮点在于: 1)Vera CPU(专为Agent优化)、全液冷、Groq确定性流式推理 + Dynamo解耦、吉瓦级工厂代币生成速度提升350倍。 2)大规模光电共封装(CPO)、硅光子,目标百万卡集群、低功耗低延迟。 老黄原话这么说:“Vera Rubin 不是芯片,而是一个巨型系统,从能源到端到端全优化。” 这其实在告诉对手和客户:英伟达已经把“AI发电厂”的参考设计做出来了,你们直接抄作业就行(当然得用我们的零件😎) 4. Agentic AI + OpenClaw:下一个十年的操作系统级革命 OpenClaw在这次GTC上被老黄定义为“AI时代的Linux”——开源、底层框架,让Agent自主调用工具、写代码、管理文件。 老黄���布NewClaw企业版平台,现场“极简养虾”demo(一键让AI代理管复杂养殖流程),象征极简部署 + 自主执行。 老黄更是明确说,今天世界上每一家公司都必须制定OpenClaw策略。同时推Nemotron开放模型联盟(语言、视觉、机器人、生物、气候等全覆盖),开放生态才是王道。 这是在逼所有企业从SaaS转向AaaS(Agent as a Service),代理框架、工具链、隐私护栏相关公司会爆。开源+企业级双轮驱动,类似于当年Android的打法。 5. Physical AI + 机器人:从数字到物理的ChatGPT时刻 老黄认为物理AI迎来爆发:不再是屏幕里的智能,而是能真正作用于现实世界。他聊到Robotaxi Ready新增比亚迪、现代、吉利等,覆盖1800万辆/年 + Uber大规模部署。 现场迪士尼Olaf雪宝机器人直接登台,展示Omniverse数字孪生 + Newton物理引擎,从虚拟直接迁移到物理适应。 老黄说机器人会成为数万亿美元市场,而物理AI是下一个大爆炸的领域。当然我们自己也需要清楚,物理世界落地比数字难100倍,但一旦起飞,体量远超纯软件。关注端到端(感知-决策-执行)全链公司。 6. 更远的下一代 + 未来场景(Feynman + 太空) 1)预告Feynman架构:Rosa CPU、LP40 LPU(推理专用)、BlueField-5、CX10网络等。 2)太空数据中心:Vera Rubin Space-1轨道AI计算机,用Omniverse建“数字孪生”太空基建。 这一次老黄呼应了老马,英伟达不只是地球算力霸主,还想做太空AI基础设施。 老黄这次演讲核心就是 AI 是新时代的电力 + 发动机,Token工厂、AI代理智能体、物理AI 共同构成基础设施。英伟达提供从能源到芯片的全栈钥匙,这个市场到2027年带给英伟达至少万亿美元营收。
See More
DavidLin01
retweeted
勃勃OC
@bboczeng
3 months ago
好的,我全部All In了 谢谢你: 光子学:$AAOI $AXTI $LITE $TSEM 空间基础设施:$RKLB $ASTS 新云计算:$IREN $NBIS $CIFR 内存芯片:$MU $SNDK 防御科技:$ONDS $AVAV $KTOS 机器人:$KRKNF $SYM $TSLA AI能源:$BE $OKLO $SMR
DavidLin01
retweeted
大宇
@BTCdayu
3 months ago
太惊人了,历史不是押韵,是在复制粘贴 1、均是减半后约200天开启牛市 2、减半后牛市均走同样约480天 3、牛市双顶结果也几乎一致 4、而当前位置即是上轮牛市3万的位置 上轮3万时: 用250天,下跌近50%,至1.6万附近 用250天,回到3万,开启牛市 我觉得规律要打破了,不可能回到3万。
David Lin
@DavidLin01
3 months ago
@BensonTWN
恭喜發財班森當爸了😻
David Lin
@DavidLin01
3 months ago
@BensonTWN
感謝班森回覆,228來試試看
David Lin
@DavidLin01
3 months ago
@BensonTWN
想詢問班森,如果要跑open claw 是不是要買一台獨立Mac mini 回比較好
DavidLin01
retweeted
MandyWang
@mandywangETH
4 months ago
https://t.co/QpSPQvC2Rd
DavidLin01
retweeted
憨厚的麦总
@Michael_Liu93
4 months ago
应该算是这轮比较坚定的明牌喊空的声音之一,9月���息前公开大币仓位清了一半,剩余仓位也在降息落地后都清了,中途也一直在发帖和劝身边的朋友不要抄底,今天聊聊我想什么时候抄底吧。 首先,我对今年资本市场是悲观的,虽然美国在降息,但很明显这个降息是非常克制的,缩表的动作也应该会在新的美联储主席上任后继续。 原因是什么? 因为钱实在太多了,我不知道大家有没有思考过一个问题,为什么黄金和美股会同时上涨?且都上涨这么多? 如果你是金融专业毕业的或上过几节金融课,教科书应该教过你,黄金是负Beta的资产,跟权益类资产的相关性应是负的(在健康的通胀环境下,资本是一定先去有现金流的权益性资产,这也是为什么过去二三十年黄金并没有跑赢美股) 但钱太多,美元在贬值。全球避险资金在逃离美元冲黄金,而AI技术创新又一直驱动着美股,美元风险资金在冲股票(这个割裂的现象在Ray Dalio前几天发布的年度信中也有提及) 美联储首要保的一定是货币,而保货币的这个过程又注定是抽离流动性的,所以我并不觉得今年流动性会变好,反而抽离流动性的过程会不会把AI泡沫给戳了也不好说 所以基���“今年流动性并不会很好”的前提,叠加4年周期,我今年是继续看熊的。 什么时候我会抄底建长期仓位? 1. 我要看到二级市场绝对的大额换手交易量(Capitulation Volume),通常是某一两个大玩家爆了,这在过去两轮周期的绝对底部都出现过 2. 我要看到MVRV-Z score至少跌到0(我抄底长期仓位看的最多的指标,本质上也是长期超卖指标),上轮跌到了-0.36,再上轮跌到了-0.48,今天这个数字是0.77 3. 我要看到投降性事件(上轮的FTX、再上轮的BCH分叉都是标准的“BTC投降性”事件) 就像半年前没人觉得BTC会去7w多,现在说会去4w也还为时尚早,但做足最坏打算,再跌个40-50%也并不是不可能,行情是走出来的,上面三点条件满足了我也会再满仓梭进去。 希望下轮周期你们都还在
See More
DavidLin01
retweeted
BITWU.ETH 🔆
@Bitwux
5 months ago
1.2 亿浏览量证明了一件事:这个时代,确定性比真理值钱 Dan Koe 启示录第二弹, 内容创作者必看, 我想说的是: 用户真正买单的不是知识, 而是「确定性幻觉」! 1.2亿的浏览量恰好说明 人们最愿意消费的, 是把失控生活重新变成可控的那种方法论。 Dan Koe 很聪明, 他这篇踩中了 , X 这种平台的传播结构 + 人群的集体焦虑。 它说明了几件事: 1️⃣用户真正买单的是「确定性幻觉」 标题是 How to fix your entire life in 1 day—— 不是“让你变好一点”,而是“1 天修好你整个人生”。 这类标题本质上在卖三样东西: 低成本:1 天; 高回报:整个生活; 可执行感:不是哲学,是步骤。 吗的,这还不吸引人吗? 内容创作者真应该好好学习下,在信息过载时代,最稀缺的不是知识,是“我照做就会好”的确定性,所以如果你的内容,让人有这种感觉,你还会缺少流量吗? 2️⃣它击中了大众的“年初窗口期”情绪 1 月份是一个平台级的流量窗口: 其实 X 上所有人都在焦虑、后悔、立 flag、想变强,但又讨厌“新年计划”那种虚伪感。 Dan Koe 的开头等于在说:“你讨厌新年计划?我也讨厌。但是,你他娘的不是懒,你只是方法错了,那什么是正确的���法,别急我给你方法论。” 这会让读者立刻产生身份认同:我不是废物,是没找对路,而这个大神可以给我指引路。 3️⃣它是典型的「可转发内容」:让转发者看起来更聪明 人们转发并不只是觉得有用,而是因为: 转发这篇文章 = 我在认真生活 / 我在自我升级; 还没做到也没关系,转发就完成了一半“自我形象管理”, 这玩意转发后就会给人一种我很牛逼的感觉,虚荣心满满的,不转发显得像噶傻子,所以很不好意思,我也转发了,而且转发的时候我并没看懂。 这种内容天然适合病毒式传播:读者转发是在表达自己,不是在表达作者。 4️⃣它把“复杂问题”压缩成“可操作清单” 修复生活这种事复杂到让人绝望。而清单/框架型文章的价值在于:把混乱压成几个按钮。 你会发现这类内容���的共同特征: 问题巨大(人生、财富、健康、关系); 切法简单(一天、三步、五条); 读完立刻能做点什么(哪怕只做 10%)。 这家伙就类似于给你一个武林秘籍的操作手册,让你很快练习后就能单挑乔峰一样,卧槽太绝了。 5️⃣说明平台上的主流需求:不是资讯,是“自救” X 上每天都是宏观、AI、币价、观点撕逼。但一个亿浏览量说明:大量沉默用户其实在找“怎么过好这一生”。 也就是说: 观点内容能吸引讨论; 但“自我修复/人生操作系统”能吸引最大盘的普通人。 再简单点说:大家在 X 是来寻找他们心目中的“神”的,他们希望找到一个可以依靠的大神,你如果是这个神,或者看起来是个神,他们就会趋之若鹜。 6️⃣对我有什么启发? 如果我,或者我们这类,内容创造者,想要更大范围的传播(不只 crypto 圈),可以把我们擅长的“周期、纪律、能量管理、资产配置”包装成: 大问题:普通人如何不被时代碾碎? 短路径:7 天 / 1 小时 / 3 个动作; 强承诺:至少让你从焦虑回到可控; 可转发的身份表达:转发=“我在认真做长期主义的人” 接下来我会做一些测试,拭目以待吧!
See More
David Lin
@DavidLin01
7 months ago
@berryxia_ai
DM 感謝
DavidLin01
retweeted
DiscusFish
@bitfish
8 months ago
10月11��USDE脱锚事件复盘:连环清算引发市场震荡 👉https://t.co/OJd6hpeDCw
DavidLin01
retweeted
Arthur Hayes
@CryptoHayes
8 months ago
“Long Live the King!” an essay on why the $BTC 4yr cycle is dead. https://t.co/7RldfQVqT5
David Lin
@DavidLin01
9 months ago
@BensonTWN
恭喜班森了
DavidLin01
retweeted
thiccy
@thiccyth0t
11 months ago
https://t.co/cEvsHIHA0Z
Last Seen Users on Sotwe
𝑲𝒂𝒊𝒕 💕
Seen from
Argentina
يوسف احمد
Seen from
Jordan
Manzara aşkı
Seen from
Turkey
@mamsie_afrolucious1
Seen from
South Africa
Smith
Seen from
Netherlands
SERKAN
Seen from
Turkey
knotty Queen🐕❤️
Seen from
Turkey
Hassa Burhani
Seen from
Turkey
OLGUNUZ..
Seen from
Canada
$8 Onlyfans🔥Horny Hot🍑💦Lulu🍆🤤
Seen from
Mexico
Trends for you
1
Xbox
Under 10K tweets
2
Welker
Under 10K tweets
3
Spyro
Under 10K tweets
4
Munoz
Under 10K tweets
5
#NASCAR
Under 10K tweets
6
Bell
Under 10K tweets
7
Beirut
Under 10K tweets
8
Stacey King
Under 10K tweets
9
Hocevar
Under 10K tweets
10
Crazy Taxi
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.2M followers
2
Barack Obama
@barackobama
119.3M followers
3
Donald J. Trump
@realdonaldtrump
111.6M followers
4
Cristiano Ronaldo
@cristiano
109M followers
5
Narendra Modi
@narendramodi
107M followers
6
Rihanna
@rihanna
97.3M followers
7
NASA
@nasa
92.1M followers
8
Justin Bieber
@justinbieber
90.6M followers
9
KATY PERRY
@katyperry
86.9M followers
10
Taylor Swift
@taylorswift13
80.7M followers
11
Lady Gaga
@ladygaga
72.2M followers
12
Kim Kardashian
@kimkardashian
69.4M followers
13
YouTube
@youtube
68.6M followers
14
Virat Kohli
@imvkohli
68.6M followers
15
Bill Gates
@billgates
63.4M followers
16
The Ellen Show
@theellenshow
62.5M followers
17
CNN
@cnn
61.9M followers
18
Neymar Jr
@neymarjr
61.2M followers
19
X
@x
60.9M followers
20
Selena Gomez
@selenagomez
60M followers
Olivia
Online
✨
⭐
💫