𝕩𝕥𝕝𝕪𝕩𝕥 𝕩𝕥𝕝𝕪𝕩𝕥

日落时刻的蓝调 延伸今夜的明绚

1638806827663261696

[𝕩𝕥𝕝𝕪𝕩𝕥 𝕩𝕥𝕝𝕪𝕩𝕥 @xtqs218306]

https://t.co/dhK53MLvfN

[𝕩𝕥𝕝𝕪𝕩𝕥 𝕩𝕥𝕝𝕪𝕩𝕥 @xtqs218306]

@csuu12 盈盈含春水，

半张半合唇。

春色本无主，

慕者深自浓。

[Paras @atheistParas]

Messi at Work ⚽
#MessiOnZEE5 #Messi #FIFA

[Aesthetics @aestheticsmagic]

Messi Fifa 2026 first goal
#Argentina #MessiOnZEE5

[西门大官人 @YUZIXIMEN]

16号去韩国

[小互 @xiaohu]

AMD 推出了一款和Mac mini 大小差不多的

本地 AI 开发平台

对标英伟达的 DGX Spark（GB10）

128GB 统一内存，无需联网可在本地跑最高 2000 亿参数的大模型

所有模型运行环境都配置好了，宣称：从开机到出 token 只要几分钟...

能跑GPT OSS 120B、Qwen 3.5 122B、Qwen 3.6B、GLM 4.7 Flash 30B等模型

配置置带 Wi-Fi 7、蓝牙 5.4、10GbE 有线网口、4 个 USB-C 口（其中一个用于供电）、一个 HDMI 2.1b 输出。

售价 3999 美元起

[雨中君 @qianWuyun]

《少妇白洁》AI电影开发日志#014
最近几天最大的收获：
终于不用天天换工具了。
有哥们给了几个工作流。
后面更多时间会放在镜头、表演和节奏上。
毕竟电影最后比拼的不是模型。
而是故事。
发一下个人的一点恶趣味的测试切片存档。
顺便看看有没有人能猜出用了什么模型。
#少妇白洁 #AI电影 #导演日志

[小娜学AI @geesehowardt7]

Seedance 2.0 Mini
A lighter Seedance model tier designed for fast drafts, affordable iteration, and everyday short-form video creation.

But video below using opensource model SCAIL-2
Only OpenSource Model Can DO!

[mousepotato @iluciddreaming]

NVIDIA 丟了一個只有 0.6B 的語音辨識模型。

叫 Nemotron-3.5-ASR。

支援 40 種以上語言，即時串流輸出。

純 CPU 就能跑，不需要 GPU。

速度是官方 Nemo runtime 的 2.5 倍，辨識結果卻完全一致。

離線環境直接用，還能無縫整進你的 agent pipeline。

語音這塊，本地 agent 又多了一個又小又快的選擇。

[果儿Victoria @guoervictoria]

世界杯就没有能考倒我的#世界杯梗王大赛#美加墨#女球迷

[果儿Victoria @guoervictoria]

推荐个app，我在线时间每天0:30到凌晨5:00左右

[果儿Victoria @guoervictoria]

下次一定要思考再三#反转#管理技巧#女老板

[Phoenix Yin @Phoenixyin13]

如果你想了解Transformer架构的硬伤，这篇今年4月的论文非常有洞见且及时。

这篇论文的核心吐槽就是，Transformer，即现在主流AI用的那种架构在长期记住和更新动态状态上天生有局限。

它就像一个超级聪明的一次性扫描器，每次看到一长串文字，就从头到尾扫一遍，找出关联。
但是，它并不擅长持续跟踪evolving state。

这次，论文用拓扑这种几何结构的数学角度证明，Transformer把状态越推越深，深度用完了就卡住了。
这是结构性的硬伤。

如果你在搞AI Agent，或者像我一样天天做Suno音乐生成，或者未来想做Music Tech，这篇指的方向很好。
未来好用的AI需要混入循环、recurrent机制，比如Mamba、RWKV，或者Transformer与循环的混合体。

2026年AI scaling下，这更像在为post-Transformer时代铺路。
OpenAI，Anthropic可能已在内部探索。为什么o1-style reasoning有效但贵已经在论文有所解答，同时，论文也预示着未来高效long-context不只靠更大KV cache，架构创新也是非常重要的一环。

作为AI交叉背景的同学，这能帮我更好理解Human-AI Interaction中state tracking的cognitive modeling问题。

读完这篇论文之后，科研上，我会优先看recurrent axis强的模型，比如Mamba、RWKV、looped transformers、coarse SSM。训练时，可以探索下multi-stage，先feedforward pretrain，再加recurrence fine-tune来解决效率问题。

[芭蕾馨老师 @Patrice51253893]

我中毒了
医生说要亲热才能解毒

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[夜谈 @gntalktalk]

斯坦福最新研究突破：Self-Guided Self-Play 如何让 LLM 实现自我进化？

在大模型训练中，我们一直面临一个痛点：高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据，其推理能力的提升往往就会撞上天花板。

最近，来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法，试图彻底打破这一瓶颈。简单来说，这项工作让模型不仅能做题，还能自动出题、自己审题，从而在不需要更多人类介入的情况下，进一步提升后训练和微调的效果，实现模型推理能力的持续缩放（Scaling）。

现在前沿模型公司，后训练和微调的时候都会使用自博弈（Self-Play）方法

自博弈（Self-Play）的核心理念是：出题者（Conjecturer）负责出题，解题者（Solver）负责做题，两者在对抗中不断进步。在理想状态下，这个过程是没有天花板的。

但在现实训练中，这类方法通常会陷入 “学习停滞”（Learning Plateau）：

出题者很快就会发现，只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目，解题者就很难解出，或者产生某种“虚假提升”。

训练退化：由于缺乏有效的监督，随着训练周期拉长，合成数据的质量迅速下降，导致模型不仅没学到新知识，反而越练越笨。

为了解决这一问题，SGS 引入了一个至关重要的角色——引导者（Guide）。在 SGS 框架下，LLM 同时担任三个角色：

Solver (解题者)：负责求解问题。
Conjecturer (出题者)：负责生成相关的合成问题，难度需与当前目标匹配。
Guide (引导者)：作为质量把关人，它负责评估出题者生成的题目质量。

Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关，Guide 会直接给出低分，强迫出题者回到高质量的学习路径上。

研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能：

真正的持续 Scaling：在长周期的训练中（训练步数远超以往工作），SGS 的累计解题率表现出了极好的缩放特性，并没有出现以往常见的性能退化。

经过 SGS 长周期自我训练后，一个 7B 参数的模型，其推理能力甚至超越了未经过此类训练的 671B 参数模型（DeepSeek-Prover-V2）。

SGS 的意义，可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变：

从单纯依赖人类标注数据的“手工作坊”模式，转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。

SGS 证明了在推理能力上，我们同样可以拥有“扩展定律”（Scaling Laws）。只要计算资源（Compute）充足，并且通过 Guide 机制守住数据质量，模型能力的提升就是可预测、可扩展的。

目前 SGS 在形式化验证领域（Lean4）已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。

我们可能正处于 又一次模型能力指数级增长的起点

[淫妻黑尾酱 @heiweifq]

我当网黄的那些年！抖音150w网红教母网黄时期未流出原片 以前还是一个推特小网黄，现在摇身一变短剧演员了，看来黄色流量真是一个大跳板啊！ #美腿 #美乳 #少妇

[TS泉 @202380D]

新年快乐～
新的插射合集💖

[TS泉 @202380D]

你所吃过的长条状东西除了香蕉🍌黄瓜🥒胡萝卜🥕香肠🌭茄子🍆玉米🌽棒棒糖🍭还有哪些❓也包括下面的嘴哦

[TS米兰 @MLXO1111]

我知道你们喜欢 #仙女棒 #射精 #TS米兰

[TS米兰 @MLXO1111]

被艹射了～ #大鸡巴 #大屌 #18cm打桩机