wegowego

時時睡眠不足 嚴重拖延症患者 對不公不義的事情看不下去的時候可能是個憤青。搜集了關於COVID-19的論文：

[wegowego @wego_wego]

各位熱血的推友們請留意附近的捐血車
https://t.co/S4CC89LP7H

[wegowego @wego_wego]

@magicxqq 我最喜歡逛吉祥寺了

[wegowego @wego_wego]

@cat88tw @jessicangoo 重點是我們有付錢...

[wegowego @wego_wego]

@cat88tw 對，我也覺得它不行了

[JewBiz @JewBizLogic]

这几年，女孩要富养、要多见世面成了一种政治正确。很多姑娘一毕业，兜里揣着打工攒的或父母给的钱，第一件事就是飞去冰岛看极光、去巴黎打卡美术馆、去米其林餐厅精致摆拍，把朋友圈经营得像个贵妇。

她们觉得，这就是眼界，这样以后才不会被男人的小恩小惠骗了。

但这其实是最大的底层误区：真正的见世面，从来不在消费端，而在生产端。

消费端是别人精心编织的美丽新世界，它的唯一目的就是让你沉溺、让你心甘情愿地掏钱。你在大牌专柜、网红景点看到的一切，不过是商业社会包装出来的“果”。你只看得到“果”，就永远只是个等着被收割的采摘者。

而生产端，才是支撑这个世界运行的因。

一件在商场标价3000块的法国品牌时装，如果你去过服装代工厂，就会发现它的面料、人工、水电和税费加起来，总成本可能不到100块。剩下2900块的差价，全是品牌方通过讲故事、请明星、铺渠道砸出来的营销溢价。

如果你只在消费端，你就是那个为了巨大差价买单的韭菜，你所谓的品位和见识，都是品牌方强行投喂给你的。

但如果你一头扎进生产端，去跑过供应链、去盯过品控、去跟过单，去看看一瓶上千块的贵妇精华到底是由多少钱的化学原料变成的。这时候，你就拥有了生产者的视角，俗称开天眼。

你能摸出一件衣服的工艺好坏，你能看透一个客户是走快时尚还是长线性价比，你开始看懂了商业世界的骨骼与经络。

在消费端见世面，你是在不断耗散自己的能量；而在生产端扎根，你是在积累自己的能量。

社会总有一种声音在给女性洗脑：你要负责貌美如花，要懂生活。潜台词是，你只要在消费端负责精致，自然会有男人来为你的成本买单。这往往是一个温水煮青蛙的陷阱。当你把全部价值押在消费端时，你本身就成了一个有标价、会折旧的商品。

而一个真正懂生产端逻辑的女生，她自己就是价值的创造者。她去看一个男人，不会只看对方开什么车、戴什么表，而是看他是一个创造价值的人，还是一个消耗价值的人。这样的姑娘，谁能骗得了她？她自己就是豪门。

所以，不要被消费端的虚幻彩沫迷了眼。真正想让自己变强大的姑娘，试着一头扎进生产端去，去工厂、去后台、去那些看起来不那么体面的地方，去了解一件商品从0到1的全部过程。

这个过程会很苦、很枯燥，但它会赋予你在这个世界上最硬核的武器——常识。

有了常识，你才拥有了对人生的定价权。不要让别人来定义你的世面，当你能创造价值的时候，你本身，就是世面。

[恒星 @vintcessun]

这项目贼离谱——用小孩都能听懂的方式，把 ChatGPT 背后的 GPT 从零手搓了一遍。
每行代码都有注释，12 章 7500 多行，甚至专门讲清楚了 attention 那块我死活没搞懂的细节。
说白了，如果你只想“理解”而不是“调包”LLM，这就是现在最友好的实战教程。

https://t.co/x8cRHY4KOW

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

上海交大这份大模型教程，藏得有点深

GitHub上发现一个宝藏项目，上海交大出品，叫 Dive into LLMs，11个主题全覆盖，每个模块都有课件+教程+可跑代码，不是那种看完啥也不会的纯理论。

重点来了，这11个方向：

1️⃣ 微调与部署
2️⃣ 提示学习与思维链
3️⃣ 知识编辑（让模型记住或忘掉某件事）
4️⃣ 数学推理，蒸馏迷你R1
5️⃣ 模型水印
6️⃣ 越狱攻击（怎么撬开大模型的嘴）
7️⃣ 大模型隐写
8️⃣ 多模态
9️⃣ GUI智能体，让AI替你点外卖
🔟 智能体安全
1️⃣1️⃣ RLHF安全对齐

还联合华为昇腾出了配套课程，初中高三级，有视频有实验手册。

🔗 链接: https://t.co/kbNTqhzwgU

[Vincent @Vincent_AINotes]

发现个科研绘图神器！

nature-skills，用 matplotlib 就能画出 Nature 级别的图。多面板布局、配色、字体、排版都给你整得明明白白，直接输出可编辑的 SVG。

内置了 5 套 Nature 风格的示例模板，支持柱状图、折线图、热图、散点图、雷达图等 10 种图表类型。再也不用画完图再丢 AI 里重绘了。

搞科研写论文的，这个能省不少事儿，画出来的图直接能投稿。

项目地址放评论区了👇

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

想学透强化学习？别做梦了兄弟

网课教你调个包，学完还是一脸懵逼。读论文？公式堆成山，直接劝退。系统梳理原理？门槛高得像登天，路径乱得像迷宫。

最近我发现一本开源书《强化学习的数学基础》，直接捅破这层窗户纸。它给你一条清清楚楚的路线：从数学出发，把RL核心逻辑掰开了喂你嘴里

全书就靠一个经典“网格世界”案例贯穿到底，算法推导一步步拆开讲，不跳步、不绕弯。数学深度拿捏得死死的——该严谨的地方不含糊，该简化的地方不硬扛，目标是让你真把每个知识点吃透

对小白友好，也适合想打牢底子的AI开发者。配合视频一起肝，效率翻倍

链接在这：
🔗GitHub：https://t.co/2RF41lfWdS

[GOLD @Honcia13]

开源TTS已经卷到这个程度了？
园区诈骗又有新武器了？

清华 OpenBMB 放出 VoxCPM2 —— 20亿参数，
用200万小时多语言数据训练，48kHz录音棚级音质，直接把传统TTS打爆！
最大杀手锏：不用Tokenizer！
传统方法先把音频切成离散token再生成，信息损失大。
VoxCPM2直接在连续潜空间做扩散自回归，音色、情感、细节保留完整得多。
硬核指标拉满：
支持30种语言 + 9种中文方言
RTX 4090 实时率0.13，流式输出几乎无延迟
用自然语言描述就能凭空生成声音（无需参考音频）
声音克隆可调情绪、语速、口癖

「终极克隆」模式：
一段参考音频+文本，连呼吸节奏都能复刻
Apache 2.0协议，商用友好

GitHub已破万星，连续霸榜Trending。
播客、有声书、游戏配音、短视频旁白……
开源方案已经完全够用，甚至更强。
GitHub：https://t.co/wJd7fXNesO

[Buzzdo @LucasJLiao]

台灣最新黑科技，日本韓國整個光學產業，一看一個不吱聲

超透鏡，MetaLens。

什麼概念？

傳統透鏡用手機鏡頭來說，要用6P、7P好幾片塑膠透鏡疊起來才能消除色差。體積大、組裝複雜、成本壓不下去。

超透鏡靠的是表面奈米結構控制光線，單片就能做到消色差。厚度壓到100奈米以內，直徑只有250微米，大概兩三根頭髮那麼大。

台灣團隊做出來的寬頻消色差超透鏡，在近紅外光波長範圍可以達到480奈米的頻寬。對比現有技術，大概有33%的頻寬提升。

這不是實驗室論文，是可以商轉的。

這個超透鏡用標準半導體製程，材料跟一般晶圓廠用的差不多。半導體成熟產能可以直接承接，不用額外蓋廠。

傳統透鏡還要研磨拋光，超透鏡一片搞定。

量產後的價格大概是傳統透鏡的四分之一。

這片透鏡，效能更好、體積更小、價格更便宜。

應用場景列出來：手機鏡頭、行車記錄器、監視器、AR/VR裝置、紅外線夜視鏡、光學感測器。

整個光學供應鏈都要重新評估。

玉晶光電本業是做CMOS影像感測器，上面本來就要長微型光學結構。彩色濾光片、微透鏡，都是這個領域。

超透鏡的奈米結構跟這套製程高度吻合。

研究團隊說了，如果找到廠商授權合作，三個月內可以量產。

三個月......

[Phoenix Yin @Phoenixyin13]

🚨 数学界四月发生 8.0 级地震！

23岁零数学基础的年轻人 Liam Price，只用一个 Prompt，把 ChatGPT 5.4 Pro 扔进去思考了 80分钟17秒。
直接一剑封喉，解决了困扰全世界顶级数学家整整60年的 Erdős Problem #1196！ 🔥

问题核心：
原始集（任意两个数互不整除的整数集合）中，那个关键的调和级数和，能不能被压到 ≤1 + 极小误差？
人类最好的结果还卡在1.399，卡了60年。
AI的证明没有走所有人走的分析路线，而是用了一个90年前的经典工具（von Mangoldt 函数），在整数世界里构造了一个精妙的流，把上界漂亮地压到 1 + O(1/log x)！
证明已被 Lean 形式化验证通过，官网已正式标记 PROVED，陶哲轩极度震惊。
我想，这是用人类从未想过的视角，优雅地解决了老问题。

我们已经站在数学+AI革命的开端。
得以见证，如此之幸。

[wegowego @wego_wego]

@karminski3 速度提昇了，但是幻覺呢？

[wegowego @wego_wego]

@billtheinvestor 可以改成櫻花花瓣嗎？

[wegowego @wego_wego]

@karminski3 目前我就是這樣做，計劃用 gemini ，實作用 claude。

[看不懂的SOL @DtDt666]

发现一海外老哥的深度分享，
今晚别再刷抖音消磨时间了
抽出一小时，沉下心来看完这套 Claude AI 完整教程

它能教会你自主搭建、自动化处理各类事务
今晚认真学完的兄弟，明天醒来就会掌握一项
未来两年里绝大多数人都不具备的硬核ai能力。

而选择跳过的人，或许明年此刻
还在刷着剧，困惑着生活为何始终毫无起色
路怎么走，全看你自己的选择。

积极学习 拥抱ai！

[陈成 @chenchengpro]

Claude Code 用户每天被吃掉的 token 里，有多少是废话？

有人做了个实验：往项目根目录放一个 9 行的 CLAUDE.md，输出 token 直降 63%。仓库叫 claude-token-efficient，两天 1900 star。

原理极其简单——Claude 默认回复充斥着 "Sure! Great question!" 开头、"I hope this helps!" 结尾、复述你的问题、给你没要求的建议、对明显错误的观点先说一句 "You're absolutely right"。这些「礼貌」全部消耗 token，信息量为零。

这 9 行就是完整的 CLAUDE.md：

```
- Think before acting. Read existing files before writing code.
- Be concise in output but thorough in reasoning.
- Prefer editing over rewriting whole files.
- Do not re-read files you have already read.
- Test your code before declaring done.
- No sycophantic openers or closing fluff.
- Keep solutions simple and direct.
- User instructions always override this file.
```

实测对比：
→ 代码 review：120 词 → 30 词（-75%）
→ 概念解释：180 词 → 65 词（-64%）
→ 纠正错误事实：55 词 → 20 词（-64%）
→ 信息零损失

第三方独立基准测试验证：编码任务总成本省 17.4%。最极端的 v8 配置只有 7 行规则 + 20 次工具调用预算，逼 Claude 提前规划而不是边试边改。

但作者很坦诚地指出了适用边界：这个文件本身每轮对话都会作为输入 token 加载。只有高频场景——Agent 循环、自动化流水线、日均 100+ prompt——才有净收益。偶尔聊两句反而更贵。

本质上是一个「用输入 token 换输出 token」的游戏。在配额日益紧张的 2026，这个权衡值得认真算一笔账。

https://t.co/gtLoULsJ7t

[karminski-牙医 @karminski3]

给大家写个小学水平也能理解TurboQuant的解读

Google 刚发布的 TurboQuant 论文有多猛? X 上1000多万阅读了, 给大家写个都能看懂的大白话解析介绍下, 着又是能让大模型成倍提速, 价格嗷嗷给打下来的技术创新.

首先要从KVCache说起, 也算是老生常谈了, KVCache 是啥? 简单来讲, 大模型是一个个字往外蹦的, 而每蹦一个字都需要把这个字跟之前已经输出的字都计算一下, 类似于人类的边说话边回顾.

但是把刚开始说话的内容全算一遍显然不靠谱, 于是有了缓存, 直接把之前的计算结果保存下来, 每次只要跟这个缓存的结果去计算就行了,这个缓存里面存的就是每个字每次的特征数据

聪明的你一定能想到了, 那话说的越多, 这个缓存就会变得越大. 为了解决这个问题，业界卷出了【滑动窗口注意力】和【线性注意力】

这俩是啥呢? 我们可以把 KV Cache 想象成一个存放数据的【3D立方体】

立方体的【长】（上下文长度）： 随着对话变长而不断变长。【滑动窗口注意力】就是限制了它的长，只保留最近固定长度的记忆，扔掉太老的，有效控制了体积。

立方体的【高】（状态大小）： 【线性注意力】出手了，它通过数学魔法，把所有历史记录压缩成一个固定大小的隐状态。也就是说，无论说多少话，立方体的高永远被卡死了。

还剩下一个KVCache的【宽】对吧? 没错, 这个就是里面数据的精度(可以简单理解为小数点后面保留几位小数), 大家都知道模型参数是有精度的, 自然KVCache也有精度, 答案呼之欲出了——压缩KVCache的数据精度!

但是问题来了, 压到特别小 3bit 特别难, 而这就是 Google 这篇论文的核心了, 它使用了新的算法 (PolarQuant+QJL) 成功把 KV Cache 无损压缩到只有 3-bit! 要知道，今天很多普通大模型的KVCache还在用 16-bit（FP16/BF16）跑！

那为啥 KVCache 小了大模型会提速? 是因为计算的数据少了吗?

并不是, 因为现在显卡的算子也是有最小精度要求的, 比如 H100, 硬件底层的 Tensor Core 原生也只能算到 8-bit, 再小的精度还要反量化扩充到8bit才能计算.

提速的奇迹，其实发生在数据的读写上!

大模型数据和KVCache都存储到显存中, 而GPU计算这些数据要加载到GPU的SRAM中, 这个过程十分受限于显存带宽(我已经给大家科普这个观点不下100次了...).

所以，现在把 KV Cache 的精度从 16-bit 砍到 3-bit，直接就把需要读取和搬运的数据量缩小到了 1/4 到 1/5 ！在显卡带宽不变、算力严重过剩的情况下，省下了海量的“搬砖时间”，速度自然就成倍飙升了！

目前我十分看好TurboQuant, 如果这个搭配线性注意力或者滑动窗口, 未来模型的推理速度翻倍完全没问题了!

#TurboQuant #PolarQuant #Google #线性注意力 #滑动窗口注意力

[wegowego @wego_wego]

@magicxqq 他總統還要不要選了😆

[wegowego @wego_wego]

@magicxqq 第一次路過的時候也覺得它真是美，再來就在電影裡看到了😆

[EZFIX @EZFIX_]

你每天给 MacBook 接上充电器那一下，看似随手“咔嗒”一声，电脑里却有二十多个芯片同时醒来。它们在零点零几秒内完成一轮极严苛的“盘问” 一次谨慎的“谈判” 以及一套精密到可怕的调度。
我拆完苹果一份 121 页的主板原理图，一条线读到底，想把这件事讲清楚：你以为你在“充电”其实你是在启动一座城市。

想象你的 MacBook 是一座沉睡的城：屏幕黑、风扇不转（甚至很多机型根本没风扇），安静得像空城。但城最深处永远亮着一盏灯——PP3V8_AON。AON 是 Always On：永远供电。电池只剩 1%，你三天没碰它，这盏灯也得亮着，因为它一灭，城市就不是“睡着”，而是“死了”，连被叫醒的能力都没有。

现在你拿起充电线，MagSafe 也好，USB-C 也好——原理图里这台机器有三个“城门”：两扇 USB-C 大门，一扇 MagSafe 侧门。门有三个，但守门的其实是同一个人：ACE3。
ACE3 是苹果自己设计的芯片，三个口都归他管。每个口旁边还有专属的“翻译官”芯片负责高速信号中继，但钥匙只在 ACE3 手里。

插头刚碰到接口时，注意：这时候还没“充电”。充电器和电脑先做的不是送电，而是对话。接口上的 CC 引脚是通信通道，就像城门对讲机：
充电器先说：“我来供电，请求接入。”
ACE3 不会立刻开门，他先盘问。这就是 USB-PD 协议握手，本质是一场外交谈判：你能给多少伏？最大多少安？
ACE3拿到答案后还要再算：电池状态、机器功耗、温度传感器读数……算出一个“最优方案”。他永远只拿自己需要的。
最后 ACE3 回复：“同意接入：20V，电流由我控制，打开 VBUS。”
城门这才打开。

门开了，但电不会直接冲进电池。20V 高压先到达 PPVBUS——这是外部电力进城的第一站。接下来要经过一条“严密布防的走廊”，走到调度中心：Mandola。
Mandola 是瑞萨的电源管理芯片（RAA489901），像个极精细的管家。她的任务是把外面进来的 20V 变成电池能接受的电压电流。MacBook 里通常是三串锂电池，满电约 11.4V，低电约 9V，20V 直接灌进去会出事，所以 Mandola必须降压、整流、并且精准控制。她用多颗功率 MOSFET 和电感组成降压结构，把“洪水”削成电池要的“涓流”。
更关键的是：她不是盲干。她通过电流探测（进出电流都测）和电池电压探测，知道每一毫安怎么进、怎么出，并自动完成三段策略：
电量很低：预充，像给 ICU 输液；
电量上来：恒流快充；
接近满电：恒压，电流逐渐变小。
你什么都不用管。

但 Mandola 头顶有个“市长”盯着她：SMC（系统管理控制器）。SMC 通过 I2C 总线不断问：电压多少？电流多少？温度多少？电池健康度、循环次数怎样？
温度高就降功率；电池异常就切断；你一边充电一边跑重负载，SMC 还要协调“先保运算”。你看到的电池百分比，也不是电池随口报的，是 SMC 综合电压、电流、温度、历史和老化模型算出来的——所以你有时会觉得电量“跳了一下”，其实是市长在修正预测。

与此同时，城市的供电网也在同步启动。电池与外部电力汇入 PPBUS_AON（城市主动脉），再分流到两颗关键“变电站站长”：SPMU / MPMU（Stowe 双胞胎）。
一个管小功率模块，一个管大功率“电老虎”（处理器、内存等）。他们从主干取电，通过降压与稳压变出几十条不同电压轨：0.5V、0.78V、0.88V、1.2V、1.8V、3.3V……精度细到小数点后两位。每颗芯片“口味”不同，少一毫伏可能出错，多一毫伏可能烧毁，而这对双胞胎负责把每份“电力餐”按克称好、按秒上桌。

充电过程中还有一些你永远注意不到、但一直醒着的角色：
负责屏幕供电时序的显示电源管理；
负责密钥与硬件篡改防护的安全元件；
甚至还有传感器用于判断你是桌面充电还是塞在背包里——如果散热条件差，SMC 会主动降低充电功率。你以为只是插线，机器其实在拼命保护你。

把这一切按时间线连起来，大概是这样：
0.00 秒：接口接触，CC 引脚连通，ACE3 被唤醒。
0.01 秒：ACE3 启动 USB-PD，对充电器“核实身份与能力”。
0.05 秒：握手完成，ACE3 放行 VBUS，20V 进入。
0.06 秒：电到 Mandola，开始高频降压与限流。
0.08 秒：SMC 通过 I2C 确认状态，传感器全面上报。
0.10 秒：Mandola 稳定进入充电模式；同时 PPBUS_AON 稳定，Stowe 双胞胎拉起几十条电压轨。
然后，你的屏幕角落出现一个小小的闪电符号 ⚡

你什么都没感觉到。
但不到一秒，二十多颗芯片完成了完美协作：ACE3管谈判，Mandola 管调度，SMC 管监督，Stowe 管配电，各司其职，互不越界，却把整座城市点亮。

所以下次你随手把充电线往 MacBook 上一拍时，你可以在心里说：
“我刚刚启动了一座城市。”