西厢记

名人 影視 國際 政治 情色 探索精神和肉体的完美融合 酒精和高潮通往体验神秘的神的国度 三人行寻觅有趣灵魂 FFM MMF VOYEUR 最爱双性恋女子

[西厢记 @hunterhellowd]

在这样的风景之中谁会不期待一次在窗前的狂野之爱呢？当她坐在沙发边吮吸我，我看着她迷离的双眼。当她跪在沙发上将神秘的隐私湿润地暴露给我，吸引着我的坚硬之物长驱直入。而她的闺蜜，正喝着葡萄酒在沙发边盯着我们结合处，咬着香唇带着微笑呼吸急促地并紧了双腿。她等待着我喷射而出的时候......

[西厢记 @hunterhellowd]

future

[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��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 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 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���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"」

他的流水线是自进化的：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��。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���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��」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

[西厢记 @hunterhellowd]

Useful skills

[Mr. Buzzoni @Mr_Buzzoni]

https://t.co/E8GJ7yfZEM

[西厢记 @hunterhellowd]

真不错 一学就会很好用的一篇入门

[阿川 | AI thinking @AI_jacksaku]

https://t.co/AqOk2mYX1l

[西厢记 @hunterhellowd]

@daqian474 @meirisheying @BBBBTTTCC @SexytoDoll @SexytoGirl @SexytoBaby @GetXBot

[西厢记 @hunterhellowd]

@meijiangAI @grok 整理好发我

[西厢记 @hunterhellowd]

@YouTuPreneur gemini

[西厢记 @hunterhellowd]

@Merkle3sCapital Crypto and AI are best buddies in the future. They all based on tokens and supplied by power.

[西厢记 @hunterhellowd]

@eriktorenberg @grok

[西厢记 @hunterhellowd]

午后的时光总是容易勃起，在办公室看着女同事想着被口交并射精给她吃，不自觉就想要在半梦半醒中射出

[西厢记 @hunterhellowd]

风险在累积

[Rocky @Rocky_Bitcoin]

今天对冲基金巨头Citadel掌门人Kenneth Griffin访谈的警告，意味深长！🧐

他说：尽管当前正处于牛市高潮期，但历史经验表明，市场调整往往来得极其迅速，且毫无征兆。

尤其讲到1987年股灾那天，媒体头条其实不是“市场暴跌”，而是“Nancy Reagan 被诊断出乳腺癌”。��外，还有一条“伊朗或伊拉克的小船袭击了美国军舰”的新闻，完全不算什么大事。可那天，美股在没有明显导火索的情况下，一天之内跌掉了将近25%。

重点他提到了 #AI，他承认 #AI 会改变世界，就像当年的个人电脑、互联网一样。问题是，这类变革从来不是线性的。

个人电脑的革命用了五十年才走到今天，互联网也经历了dot-com 泡沫破裂之后的淘汰与重生。今天AI的火爆，确实让人想起2000年那一幕——没人怀疑技术的方向对，但太多人忽视了周期的节奏。

整体来说，这个时间节点，Citadel掌门人的公开警告，要值得重视——市场崩盘从来都不需要一个“完美的理由”。真正的暴跌，往往就是在大家最不相信会跌的时候发生的。🧐

[西厢记 @hunterhellowd]

follow

[汉松 @Yonah_x]

通义发布的 DeepResearch Agent 六篇论文我都看完了，最喜欢的一篇是《WebWeaver》，它压缩上下文的方法非常有启发，所有需要 AI 长文写作的场景都可以参考。

一般让 AI 写长文都是把资料一股脑放到上下文里面，这会导致模型注意力错乱，因为参考的资料太多，上下文太长，模型不可避免会忽略一些重要信息或者被无关信息误导。

WebWeaver 的解法是分而治之，在写作大纲里面放入引用的资料 id，然后让模型一个个章节写，写每个章节的时候都只提供当前这个章节的资料，这样就避免了上下文太长的问题，保护了模型的注意力。

上面的写作过程也是 Agentic 的，不需要硬编码让模型按顺序写，而是直接把整个大纲提供给它，让它自己调用查询资料的工具一步步写出来。这里还有个压缩上下文的技巧是在写最新的章节的时候，把之前的章节的资料都隐藏，只保留写作结果，这样模型既有全局的信息，又能节省上下文。

大纲示例
```
1. Hoehn and Yahr Scale Classifications <citation>id_2, id_6, id_9, id_12, id_13, id_14, id_15, id_17, id_20, id_21</citation>
```
资料查询工具示例
```
{"name": "retrieve", "arguments": {"url_id": ["id_2", "id_6", "id_9", "id_12", "id_13", "id_14", "id_15",
"id_17", "id_20", "id_21"], "goal": "Gather comprehensive information about Hoehn and Yahr scale
classifications and disease staging systems for Parkinson’s disease"}}
```

这种利用查询工具传递 id 的方式来压缩上下文，我在 DeepResearch 的阅读工具里面也用过，主要是用来减少模型生成 url 比较慢的问题，但用在写报告的阶段我确实没想到，对我很有启发。

但这种 Agentic 的方式相比用 Workflow 的方式效果好多少，我是存疑的，因为你让模型自己调用FunctionCall 可能会有幻觉，用代码的方式手动解析大纲然后用 Workflow 的方式可能更可靠。后续我也会做实验对比看看。

[西厢记 @hunterhellowd]

好玩好刺激

[西厢记 @hunterhellowd]

谁能不期望这样被伺候呢

[西厢记 @hunterhellowd]

诱惑满满中午午睡勃起

[西厢记 @hunterhellowd]

I like these suggestions

[Inspiration Wiz @Inspirationwiz]

Testosterone is what keeps men alive and dominant.

Here are 10 real and natural strategies to rebuild your testosterone (save it)

1. Direct sun

[西厢记 @hunterhellowd]

模型能力越来越强是个必然趋势，CoT带来的价值也会让推理更加严谨和靠谱，Chain of Agents 让协同更加全面，如果再优化Memory of Attention，我们利用大模型探索世界本质的能力将得到质的飞跃。

大家期待的通用超级智能是一个Hero形式的幻想，如同人类创造上帝一般。Agent网络中涌现的智能才更加智慧

[Dongxi 东锡 NLP @dongxi_nlp]

我其实没觉得模型不行。我觉得非常行，一天比一天厉害。

在没有thinking模型的时候，做Agent手写trajectory CoT + GPT-3.5 能解决的问题的准确率就非常高了。

现在满桌子都是好模型，拿起来随手就能打。我想知道到底要解决什么复杂问题，说模型能力不行？

最后，我想说，Manus这种形态是好的Agent形态么？真正好的的Agent是跟SaaS复杂API的结合解决真正的商业问题，而不是在��里规划个旅游路线，编一个投资分析，一键生成PPT等各种垃圾内容。

[西厢记 @hunterhellowd]

I think so

[AB Kuai.Dong @_FORAB]

Coinbase CEO 表示，正在让团队，每天超 12 小时工作，全力加急推进 Everything Exchange （万物交换）项目。

根据之前电话会议的透��，该功能是把加密货币 + 股票代币 + 衍生品 + 预测市场等，全部集成在一个平台 APP 内，做到 7 x 24 小时，可多资产交易。

也就是华尔街这波，全美金融资产上链。

重大的叙事。

目前市场猜测，这个上线时间点预计在 9、10 月之间，内部有多个小组，正在赛马比拼，高强度办公。

怀疑 Coinbase 最近应该招了不少华人。
面对 Robinhood 的危机感。

[西厢记 @hunterhellowd]

对话很精彩令人勃起有欲望

[西厢记 @hunterhellowd]

我也特别想知道这样玩的感受，有谁能详细给我一些看法和视频的反馈呢？