Poincaré

Do you know my header picture?

[Poincaré @diffset]

茨威格是个精神活在旧时代的宅男。他也死在了新时代的黎明里。他的观点落后中国古人一个身位的精神境界：中国人讲究读万卷书，行万里路。没有实践的阅读，是脑力工作者的精神自杀。

[停雲 @tingyun97]

#世界读书日 读书人共勉。

[Poincaré @diffset]

@plantegg 要是家长有能力选中三年后的热门领域，她三年前也有这么个能力。那她那会投资一下，孩子直接就财富自由了。还在乎自己考不好么？😂

[金尘马 @jinchenma_ai]

https://t.co/Yl6lmxihUf

[Poincaré @diffset]

@0xBigwigs @wangjupaian 懂王：我讲话，你们要回家？我不要面子的哇

[Poincaré @diffset]

@taozi0929 离职不谈话？赔偿不谈的？是不是发现故事有漏洞了？

[Xiangyi Li @xdotli]

sharing my personal library on evals 1/n

i put together the highest quality blogs, podcasts, papers, and projects on evals. additions are welcome!

[Patrick C Toulme @PatrickToulme]

A few thoughts on OpenAI's Jalapeño chip announcement today:
1. This chip is most likely the first one virtually entirely developed by Codex/GPT. Codex with whatever internal coding model (GPT 5.6/6.0 whatever) coded the entire software stack and most likely the hardware design

2. OpenAI will write all of their inference serving in pure Jalapeño ISA (instruction set architecture). Why? They only need to get say a few production models serving on Jalapeño. They can handwrite with Codex the entire model in pure ISA to get very high performance

3. They are most likely running Codex/GPT in custom RL envs to teach the models direct Jalapeño chip programming at ISA level

4. This is a massive cost savings for OpenAI and only possible IMO due to the breakthroughs in agentic coding. An AI company with frontier coding models can now become a hardware vendor with only a small team of experienced SWEs and an infinite amount of tokens

This is the first chip program fully accelerated by frontier AI.

[Poincaré @diffset]

@studentyang 理解try your best这事有难度么？

[Poincaré @diffset]

@maoshen 体育。要三上。

[WquGuru @wquguru]

https://t.co/1nh9OAj9w0

[Google Gemma @googlegemma]

16 parallel runs of Gemma 4 26B A4B on a single NVIDIA DGX Spark!

Pushing 18 tok/s per instance and a 300 tok/s aggregate. It can even hit 32 parallel runs.

This level of concurrency highlights how efficient the architecture is.

[vLLM @vllm_project]

🙏 Thanks to the @NVIDIAAI team for highlighting DFlash support on vLLM!

With DFlash speculative decoding, swapping EAGLE-3 for a DFlash checkpoint is a config-only change — no code edits needed.

It runs through the open-source Speculators library, which links the DFlash drafter to the target model's hidden states in the vLLM inference path.

On Gemma-4 31B on a single Blackwell Ultra GPU, this delivers up to 5.8x higher throughput at the same concurrency over autoregressive decoding:
🧮 Math500 — 5.8x
➕ GSM8K — 5.3x
💻 HumanEval — 5.6x
🐍 MBPP — 4.4x

Read the blog here! 👇

[Poincaré @diffset]

@LizhiQtian 曹金🤭

[Poincaré @diffset]

@Huanghuiwy 遗产有法定继承顺序。堂哥这个血缘有点儿远。打官司的话可能会被改判。

[winner @danny0dong]

@zoomq 这个 trigger 有副作用，它会让 logs 表的所有后续插入都被 RAISE(IGNORE) 静默丢弃，确实能止住写盘，但会同时丢失 Codex的本地诊断、审计和问题复盘日志；
更稳的方案可能是：在 ~/.codex/config.toml 加：
[analytics]
enabled = false
我实测发现修改之后 trace 不再持续写了。供参考。

[ZoomQuiet @zoomq]

#那什么...
说是 codex一个大bug爆了 在流式传输和自动化任务的时候，以5M/s的速度，持续往磁盘写日志。 每年大概要写640TB。要不了一年，就可以耗尽部分消费级SSD标的写入寿命。
...
Linux/Mac下直接看：
$ ls -lh ~/.codex/logs_2.sqlite
$ sqlite3 ~/.codex/logs_2.sqlite "SELECT level, COUNT(*) FROM logs GROUP BY level ORDER BY COUNT(*) DESC"

要是TRACE占了一大半、文件还在不停长，那就是中招了。
...

目前止血的办法有三个，从糙到稳。
最暴力的，直接拿sqlite触发器把日志写入掐死。反正这文件里只有诊断日志，没有你的对话历史，删了、屏蔽了都不心疼：
$ sqlite3 ~/.codex/logs_2.sqlite "CREATE TRIGGER IF NOT EXISTS block_log_inserts BEFORE INSERT ON logs BEGIN SELECT RAISE(IGNORE); END;"

温和一点的，把这个文件软链到内存盘（tmpfs），让它在内存里折腾，不碰你的SSD，重启自动清空：
$ mv ~/.codex/logs_2.sqlite ~/.codex/logs_2.sqlite.bak
$ ln -s /tmp/logs_2.sqlite ~/.codex/logs_2.sqlit

实在不想动命令行、家里又有第二块机械硬盘的，把这文件挪过去就行。 机械盘耐写，磨就磨吧。

俺的 VPS 中的查询:
$ sqlite3 ~/.codex/logs_2.sqlite "SELECT level, COUNT(*) FROM logs GROUP BY level ORDER BY COUNT(*) DESC" TRACE|4330 INFO|628 DEBUG|412 WARN|3 ERROR|1

看起来主要都是 TRACE,
立即禁止了...

[Poincaré @diffset]

@javacai @DDorizon71217 @kingluffywang 你比马斯克本人还理解马斯克本人的公司🤭

[Poincaré @diffset]

@szslg 如果做生意，这就叫破产。是美国本来底子厚，才叫兜底的。他倒是想继续，问题是石油储备见底，导弹打光，国会不批经费，这叫制衡。🤭

[小盖 @xiaogaifun]

https://t.co/sshHthPn3R

[Poincaré @diffset]

@cloudwu @snovian @geniusvczh 可你这个例子是一个幸存者偏差谬误对么？你是这个领域的佼佼者，你是以你的感受来判断设计者的行为。Windows多年以来的最多的用户是政府，咨询，无专业计算机领域知识的用户。他们的偏好你不一定了解对么？

[Art of Speculation @ArtofSpecuycky]

看了很多朋友的留言，顺便把这些AI板块我心里对应的美股（含ADR）代表公司整理一下

1. 存储（HBM + DRAM + eSSD，已经涨价、签长单、利润兑现）：MU、SNDK、DRAM ETF
2. GPU（AI时代的算力引擎，训练和推理的绝对核心）：NVDA、AMD
3. 光互连（800G / 1.6T + Scale-Up + Scale-Across，连接接棒算力）：LITE、COHR、MRVL、NOK、AAOI
4. 先进封装（CoWoS + CoPoS + HBM封装，HBM和GPU放量的前提）：TSM、AMKR、ONTO
5. ASIC + Networking（自研芯片、交换芯片、SerDes、DSP）：MRVL、AVGO、ALAB、CRDO
6. CPU（EPYC、ARM、Grace、Axion，推理时代CPU重要性回升）：ARM、AMD、QCOM、INTC
7. 电力 / AI Factory（变压器、电网、UPS、800V DC、BBU，并网容量是真瓶颈）: ETN、GEV、NVTS、FPS
8. 液冷（DLC、CDU、冷板，高功率机柜必选项) ：VRT
9. 核能 / 发电（长期空间巨大，但兑现节奏慢于电力设备）：CEG、VST、OKLO、SMR、BWXT
10. PCB / ABF / CCL（AI服务器和先进封装配套材料，真实受益但控制力弱于前面）：TTMI（PCB）、UMICY（ADR，ABF载板龙头）
11. MLCC / 被动元件（高频高压高功率带来用量提升，属于配套瓶颈）：MRAAY（ADR，全球MLCC龙头）
12. 半导体设备（检测、量测、测试、先进封装设备，卖水给淘金者）AMAT、KLAC、LRCX
13. Physical AI（机器人、自动驾驶、工业AI，空间大但2026仍偏预期）：TSLA（机器人 + 自动驾驶 + 世界模型）、QCOM（Edge AI + 汽车 + AR）、BB、AMBA（边缘视觉AI SoC）、OUST（数字激光雷达）
14. Agent / 数据层（方向确定，但赢家和利润分配还不清晰）：MDB、SNOW、DDOG
15. 稳定币 / AI金融（AI Agent未来支付层，空间巨大但商业化还早）：CRCL