Sensitive content

This media may contain sensitive content.

Loading video...

Video Failed to Load

Go Home

1號奴的調教日常|人體模型測試 Car Crash Dummy Kinky Test🌪 留學生放假回來🇹🇼 想成為假人做試驗🤭 想要被拘束禁錮⛓ 那來給他一些測試吧😏 Onlyfans👇 Loyalfans👇 #声音开大 #BDSM #調教 #moaningvideo #fetish #bondage #zentai #ゼンタイ

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

我最近看到一些來自台灣的謠言,說什麼中國在金門事件的漁民有一個是中共軍隊假扮的。這個謠言就是指鹿為馬,顛倒是非。首先兩個人雖然都有個大眾臉,但眉毛、肌肉線條、甚至身高根本就不像。結果,這種謊言還有很多人拍手稱是,我只能說:嗯,尊重每個人的言論自由。 這裡我想要分享一個影片,這是台灣的網紅Cheap分享的,他懷念2012-2014年那個時代,因為那個時代,說執政黨不好不會被攻擊;但是現在2024年,說執政黨不好,會被支持者們出征。 我完全同意Cheap的觀點,我很很懷念2014-2016年的時候,因為當時很流行理性討論的風氣。然而,現在在台灣的網路,理性討論越來越困難。所有人都是先猜測立場。認為立場不正的,或是忠誠不絕對的,就瘋狂出征。畢竟在他們眼中,忠誠不絕對,就是絕對不忠誠。 其實那些在瘋傳「金門事件的漁民有一個是中共軍隊假扮的」自己也知道這是未經證實的謠言。但是為什麼要傳播呢?原因很簡單,就是忠誠度測試嘛。他們的目的不是真的要查核這個人是不是中共特務,而是要檢查台灣的博主們到底誰對民進黨忠心,誰不是。不夠忠心的人就扣上一個「中共同路人」的帽子,然後搞出征,和網路霸凌。 就像當年秦朝時,趙高牽著一頭鹿進宮殿,說這是馬的時候。趙高難道不知道他在說謊嗎?他當然知道,但他就是為了要測試出正直的人。並把這些人殺掉,留下來的人就不會有人再反對他。忠誠度測試,才是指鹿為馬的真正目的。 你可以相信,分享這個忠誠度測試的文章是為了台灣。不過我想問一個問題,難道散播這種謊言,就真的是為台灣好嗎?如果台灣的國安需要用這種謊言來維持,那麼台灣離滅國,應該也不遠了吧!

Cheng-Wei Lai

96,329 views • 2 years ago

這是我第一次聽到 Jim Fan 的演講,非常幽默有趣,然後我覺得有生之年大概買一台人形機器在家處理家事、幫你洗頭髮大概穩了,好好活著,各位。 在 AI 領域,我們常聽說圖靈測試(Turing Test)是衡量機器能否展現與人類無異對話能力的里程碑。如今,大型語言模型(LLM)似乎已悄悄地通過了這個測試,但大家對其突破已習以為常,甚至會因為語音助理慢了幾秒或程式碼沒被完全除錯而抱怨連連。 NVIDIA AI 研究總監、身為廣受矚目人形機器人專家 Jim Fan 指出,當前業界對 LLM 的驚人進步視為「只是又一個平常的星期二」(just yet another Tuesday),這反映了我們對文字世界 AI 的標準已大幅提高。 然而,當我們將目光轉向現實世界,讓機器人進行物理操作時,會發現挑戰巨大得多。 Jim Fan 在演講中提出了一個引人深思的概念:「物理圖靈測試 (Physical Turing Test)」。這個測試的想像情境是:如果你回家後,看到雜亂的房間被整理得乾淨俐落,甚至還準備了一頓浪漫的燭光晚餐,而你無法分辨這是由真人還是機器人完成的,那代表這個機器人通過了物理圖靈測試。 但現實呢?看看那些連站起來都困難的人形機器人,或是嘗試為主人做早餐卻搞得一團亂的機器手臂(雖然辨識出牛奶值得給 A-,但湯匙餵食的確是 VIP 等級的體驗),我們離「物理圖靈測試」還差得很遠。 實體 AI 的最大瓶頸:資料飢渴症 為什麼物理圖靈測試如此困難? Jim Fan 點出了核心問題:資料。LLM 研究人員抱怨網際網路資料快被用完,稱其為 AI 的「化石燃料」。但對機器人學家來說,我們甚至連這種「化石燃料」都沒有。真實世界的機器人資料——例如關節的精確控制訊號、連續的運動軌跡——是無法從網路上抓取的。這些資料必須透過昂貴且耗時的「遙控操作」(teleoperation)方式收集,也就是由真人穿戴感應裝置來遠端控制機器人,手把手地教它完成任務(例如從烤麵包機拿出麵包再淋上蜂蜜)。 這種方式極度沒效率,Jim Fan 將其比喻為燃燒「人類燃料」(human fuel),比化石燃料還稀缺,每天每個機器人頂多運作 24 小時,而且真人會累,機器人更容易壞。這嚴重限制了機器人學習的多樣性和規模,形成了一個巨大的資料瓶頸。 模擬世界的核能:突破資料荒的救星 要突破這個瓶頸,唯一的出路是「模擬 (Simulation)」,找到機器人學的「核能」。Jim Fan 介紹了NVIDIA為此推進的三階段模擬策略: 模擬 1.0:數位分身 (Digital Twin) 概念:在虛擬世界中建立機器人和環境的一對一精確拷貝。 方法:利用高效能的向量化物理引擎,可以在單一 GPU 上模擬上萬個環境,速度比現實世界快上萬倍。結合「領域隨機化 (Domain Randomization)」技術,在模擬時隨機改變重力、摩擦力、物體重量等參數,迫使 AI 在各種條件下都能執行任務。 優勢:極快的訓練速度。訓練出的模型可以直接零次轉移 (zero-shot) 到真實世界機器人上,無需微調。例如,訓練機械手在模擬中轉筆,訓練機器狗在球上平衡,訓練人形機器人行走(10 年訓練量在 2 小時模擬完成)。一個僅有 150 萬參數的神經網路就足以捕捉人形機器人全身平衡和敏捷動作的複雜控制。 限制:數位分身需要人工精確建模,建立複雜環境耗時費力,模擬的多樣性仍然受限於人工設定的範圍。 模擬 2.0:數位表親 (Digital Cousin) 概念:開始在模擬中引入生成式 AI。雖然不像數位分身那樣是精確拷貝,但能產生足夠多樣的環境和場景,「像數位分身的表親」。 方法:利用 3D 生成模型生成場景中的各種物品(如家具),使用擴散模型(Diffusion Model)生成紋理貼圖,利用 LLM 根據文字提示生成場景佈局的 XML 檔案。 NVIDIA 的 Robocasa 框架就是例子,可以生成大規模、包含日常任務的模擬場景,除了機器人本身,其他幾乎都是生成的。 優勢:顯著增加了環境和任務的多樣性。可以在模擬中進行遙控操作,然後將軌跡變異、擴展到更多生成的環境中,實現 N (環境數) * N (動作變異數) 的資料乘法爆炸。雖然畫面真實度可能不及真實世界,但「足夠接近」。 限制:相較於 1.0,運行速度可能較慢,仍部分依賴傳統渲染管線。 模擬 3.0 (世界模型 / 擴散模型):數位遊牧者 (Digital Nomad) 概念:直接利用生成式模型(特別是影片擴散模型)來模擬物理世界的互動,擺脫對傳統物理引擎的依賴。 方法:以大量真實世界影片(數百萬段網路影片)訓練影片擴散模型,使其學會模擬各種複雜的物理現象(如流體、軟體變形)。 NVIDIA 的研究表明,只需用真實機器人實驗室收集的少量領域特定資料微調通用的影片生成模型,就能讓模型學會模擬機器人的精確互動。 優勢:極致的多樣性。影片擴散模型能模擬任何它在訓練資料中「看過」或「想像」的互動,不受傳統物理引擎的限制(例如模擬機器人彈烏克麗麗,即便硬體不支援,模型也能「畫」出來)。 這就像讓機器人漫遊在影片模型的「夢境空間」(dream space)——一個壓縮了海量網路影片的多元宇宙,實現「萬物、處處、一時」(Everything Everywhere All at Once) 的互動學習。僅僅一年時間,影片生成模型在物理真實度上(例如變形麵條)的進步,就超越了傳統圖學 30 年的發展。 速度:目前運行可能較慢,但具備隨算力呈指數級成長的巨大潛力。 具身縮放定律與 GR00T N1 Jim Fan 總結,傳統模擬(1.0)的速度快但受限於多樣性,而生成式模擬(2.0/3.0)雖可能起步慢但能隨算力呈指數級擴展其多樣性。這兩種模擬方式的結合,將是為下一代機器人系統提供龐大訓練資料的「核能」。這也意味著,對 AI 算力的需求只會越來越大,那些認為算力問題會迎刃而解的人需要再三思考。 藉由這些模擬技術產生的海量資料,NVIDIA 開發了「視覺語言行動模型 (Vision Language Action Model, VLA)」,能接收圖像和語言指令,並直接輸出機器人的運動控制訊號。今年 GTC 大會上黃仁勳發表的 GR00T N1 模型就是一個實例,它能在真實世界執行抓取香檳、工廠零件甚至多機器人協調等任務。 GR00T N1 已開源,NVIDIA 也計劃將未來的模型開源,以普及「實體 AI」。 物理 API:通往新世界的入口 實體 AI 的最終目標,是實現「物理 API (Physical API)」。想像一下,就像 LLM API 讓軟體能夠操作數位世界的位元 (bits) 一樣,物理 API 將賦予軟體操作現實世界的原子 (atoms) 的能力。透過這個 API,你可以讓軟體直接控制物理致動器,改變物理世界的狀態。 這將催生全新的經濟模式和應用場景: 物理提示 (Physical Prompting):不再只用文字,而是結合視覺和語言等方式更直觀地教導和指示機器人。 物理應用商店和技能經濟 (Physical App Store & Skill Economy):米其林大廚不必親自下廚,他可以「教導」機器人他的獨家烹飪技巧,並將這個技能作為服務販售,讓任何擁有機器人的家庭都能享受到米其林級的晚餐。 Jim Fan 引用黃仁勳的話再次強調,未來「每一個會移動的東西都將是自主的」。總有一天,你回家會看到乾淨的沙發和燭光晚餐,伴侶對你微笑而不是責備你沒做家事——而那一天,我們通過物理圖靈測試的時刻,很可能就像 LLM 通過圖靈測試一樣,在世人眼中「只是又一個星期二」。這正是驅動 Jim Fan 和團隊每天努力的動力。

fox hsiao

19,553 views • 1 year ago

泰泰的軍隊生活🪖 本集開始需要準備衛生紙了嗎🥺😭 泰泰啊…受傷了就不要那麼拼了! 那個最精銳訓練兵算什麼!! [ep10]BTS 泰亨哥為了目標絕不放棄的模樣 (雖然腳底出了問題) 在新兵訓練所裡,有一項叫做體能測驗。 大概每兩週會進行一次體能測驗。測驗總共會進行三次,而第 3 次的成績會正式登錄到系統裡。 以我自己來說,第 1 次測驗拿到了 2 級。 伏地挺身和仰臥起坐因為我本來就有在運動,所以做起來相對容易,但問題出在跑步。 測驗項目是 3 公里跑步,所以第 1 次我拿到 2 級,第 2 次則進步到 1 級。 如果想拿到特級成績,必須在 12 分 30 秒內完成。 而「最精銳訓練兵」的標準只需要達到 1 級以上,因此只要能在 13 分 20 秒內跑完就可以了。 很多人都去挑戰,但大多數人都是在跑步這關被淘汰。 而泰亨哥在第 1 次、第 2 次測驗時也一直都是 2 級。 因為必須拿到 1 級,但體能似乎沒有完全跟上。 當時泰亨哥跟我說: 「我跳了 10 年的舞,本來以為自己的體能一定很好,結果發現好像沒有想像中那麼好,這讓我有點受到衝擊。」 那時候泰亨哥的腳底剛好有狀況。 他的腳底很痛,甚至有一次跑步跑到一半,因為疼痛而沒辦法繼續。 但在最後一次測驗時,即使腳底還在痛,他最後還是成功跑進了 1 級標準。 因為他當時曾經說過,每跑一步,腳底都會感受到疼痛。 所以看到他在腳底受傷、疼痛的狀態下,依然堅持跑完全程的樣子,真的讓我印象非常深刻。

V Taiwan Team 🇹🇼

53,269 views • 4 months ago

沒有想到有天不擅長唱歌的我 竟然會出COVER!😂 想了想或許是因為有許多話不知道該怎麼說出口 想寄託在歌曲裡面送給大小 孩子們吧! 直播這幾年,一路上來陪伴觀眾們讀書、準備大學、出社會,你們也陪伴我成長、沉澱、向前。 在這些日夜陪伴的時光裡,常常聽到大小孩子們的傾訴,無非是對未來的迷茫以及不知所措。 我該成為什麼樣的人? 我這樣做會成為一個優秀的人嗎? 當某些孩子問我是否讀書就會成為人上人,能否擺脫使他痛苦的原生家庭或生活環境,我想回答是的、但也不是,在某個層面上的社會規則來說,學歷並不是最重要的,但也不是不需要的。 在歌曲中有一段歌詞為『你長大以後,要做個讀書人,嫁個好老公,過幸福的一生。』 但什麼才是讀書人?有些孩子在幸福的環境成長,資訊、資源、眼界與他們認為的普世邏輯,對某些孩子來說可能是這輩子永遠無法了解並深思的道理,也就是因為不了解,當他們站在同一間大學的門口互相問好時,注定也不知道彼此的人生在未來早就奠定了不同的方向吧。 孩子們常問我什麼是幸福,我不知道該怎麼回答,有時候越去思考就越會發現也許無知的人容易得到幸福,但這樣說似乎也不對。 當他們用盡全力攀爬到別人的起跑點時,當他們注定踏上跌跌撞撞的人生,回頭詢問我對他們有什麼期許。 我想了許久,除了為他們的成就感到發自真心的自豪跟快樂,還有許多許多的擔憂,但最後我認為,無論如何,只要在未來的人生中能夠持續感覺自己是個人就好。 希望未來無論頻道內的大小孩子是否各奔東西,無論做著什麼工作,或過著各有滋味的人生。 他們都能在每時每刻,感覺到自己生為人的快樂,能夠真實感覺到自己每一次呼吸,記得自己每一次的大笑與悲傷。 歌詞中的尾端為 『讓我做一個愚蠢的人 避免知識和權力之間的矛盾 讓我做一個低賤的人 用勞碌向資本家交換應得的青春 讓我做一個愚蠢的人 讓我做一個低賤的人』 這個世界太龐大,大到未來可能裝下太多酸甜苦辣的人生與經歷,有些人入口難以下嚥,有些人早已麻痺味蕾。 希望孩子們都能明白,低賤也好愚蠢也好,只要仍然能感覺到自己是個人,活生生的人,那無論是怎麼樣的道路,都是不枉此行的。

洛伊可Royco👉個人勢💪不吃香菜

13,707 views • 2 months ago

看到這個短視頻,不由得悲從中來. 2017年底到2018年初,我還在帶學生。當時一心想在華人社區把正確的槍械安全知識推廣開來。 於是自己設計了一套三小時課程:從最基礎的槍械安全觀念,槍械法律,到加州槍械安全證FSC考試重點複習,一條龍教完。 因為我是個人,不是生意,所以不想保留學生駕照信息,考核FSC交給組給我場地的正式槍店比較穩妥。 一開始為了租槍店的教室,我每人收$60,有家人同行的另外$30。來的人零零散散,有幾個就已經很高興了。 後來我想:既然是想普及,何必收錢?乾脆全部免費,我自己掏腰包租場地、買儀器,準備教材、印講義。 結果……免費之後,每次只剩可憐的一兩個人到場。 同一時段、同一個城市,有家糕餅店不知道從哪找人開課。 兩個小時上完就能直接在店裡拿FSC證,記憶中是$120一位,聽說座無虛席,場場爆滿,晚了還要排隊才有位子。 後來有個之前在糕餅店上過課的學生,跑來找我教他實彈射擊課。 他很直接地跟我說了一句話,我到現在還記得清清楚楚: 「你收費太便宜,後來還免費,人家覺得你是騙子。。。」 這一盆冷水潑下來之後,我看透了人性。 從此之後我也不再面對面帶學生了。轉身把時間跟心力都放到YouTube上,一個影片一個影片慢慢做。 雖然觀眾增長得沒有那麼快,但在有人願意靜下來聽我把安全知識講完整、講透徹,不用懷疑我是不是在「賣什麼」。 或許這就是現實吧:有時候,你越想無私地給,別人反而越不敢收;你越認真地付出,信任的門檻反而越高。 但沒關係,至少我還在做我想做的事。只是方式換了,從教室換成了螢幕,從面對面換成了留言區。 如果你也曾經因為「太真誠」而受傷,歡迎來我的頻道坐坐。 我們慢慢來,不急。

陀槍食神 Armed Foodie

10,913 views • 6 months ago

一位中國數學家在取得博士學位後,花了7年在Subway做三明治。58歲那年,他解決了一個150年來沒人認為能解決的數學難題。他的名字叫張益唐,這個問題就是「孿生素數猜想」。 他1955年出生於上海,九歲那年就知道自己這一生要獻給數學。那一年,他獨自推導出了畢達哥拉斯定理(勾股定理)的證明。沒有人教他,他是自己想出來的。 然後,文化大革命來了,把一切都奪走了。中國政府關閉了學校。張益唐的父親與共產黨有政治矛盾,他因此和母親一起被下放到農村,在田裡勞動。 他當了10年的農民,沒有高中、沒有課堂、沒有老師。他在田間能找到數學書的時候,就拿起來讀。 革命結束時,張益唐已經23歲。他參加了大學入學考試,考進了中國最頂尖的數學系之一——北京大學。他完成了本科和碩士學位。北京大學校長親自推薦他,獲得了美國普渡大學的全額獎學金。 1985年,他來到普渡大學,1991年取得博士學位。然後,第二道牆出現了。他與博士生導師的關係破裂,導師拒絕為他寫推薦信。沒有這些推薦信,學術職位的道路就關閉了。 他投了無數申請,石沉大海。博士畢業後的那些年,他當過會計、送過外賣,沒工作的時候就睡在車裡。一位朋友在肯塔基州開了一家Subway三明治店,邀請他去工作。張益唐接受了。他負責記帳,也做三明治。一位擁有普渡大學數學博士學位的人,因為學術界沒有他的位置,只能站在Subway的櫃檯後面。他做了整整七年。 1999年,他終於被新罕布夏大學聘為講師。不是教授,只是講師——學術階梯的最底層,沒有研究經費、沒有研究生、沒有機構支持。他給本科生教微積分,然後用剩下的時間一個人做數學。大多數人到這時候早就放棄了。張益唐沒有。 孿生素數猜想是數論中最古老的未解問題之一。孿生素數是指兩個質數之間只差2:比如5和7、17和19、41和43。這個猜想認為,無論在數軸上走多遠,這樣的數對永遠不會消失。數學家相信這件事已經超過150年,卻始終無法證明。 這個問題更深刻的版本問的不是孿生素數是否無窮,而是是否存在某個固定的有限差距,使得質數之間以這個差距無窮多次地出現。 這被稱為「有界間隙問題」。解析數論領域最優秀的數學家們攻堅這個問題數十年。2005年三位研究者的一篇里程碑式論文已經極其接近,卻仍未能完成最後一步。 張益唐一個人研究這個問題。沒有合作者、沒有經費、沒有系裡的討論會可以測試想法。他曾說,自己會去朋友家,在花園裡一想就是好幾個小時。 2012年,在科羅拉多州一位朋友家中做客時,靈感突然打開了。2013年4月,他把論文投給了《數學年刊》(Annals of Mathematics)——世界上最權威的數學期刊。論文通常要審稿數月甚至數年,但編輯們一看就知道這篇不一樣。他們立即寄給解析數論領域的頂尖專家審閱。三週後,論文被接受。 這篇論文證明:存在一個小於7000萬的有限間隙,使得質數之間以這個間隙無窮多次地出現。不是2,不是孿生素數的精確間隙,但這是歷史上第一次有人證明質數不會永遠漂離,它們會不斷重新靠攏。 普林斯頓高等研究院的著名數學家彼得·薩納克(Peter Sarnak)說:「他之前沒做過什麼引人注目的事,沒人認識他。但他的結果太驚人了。」那一年,張益唐58歲。 一年之內,他獲得了麥克阿瑟天才獎、科爾數論獎、羅爾夫·肖克獎,並被加州大學聖塔芭芭拉分校聘為正教授。那個曾在Subway做了七年三明治的人,成了當世最受尊崇的數學家之一。他在一次採訪中說:「我並不是幸運。也許對一個人來說,讓自己被公眾知道更重要。但這對我來說並不容易。」 他沒有抱怨,只是精確地陳述事實。數學界有一個悄悄的共識:偉大的工作都是年輕時完成的。菲爾茲獎的年齡上限是40歲。大多數改變領域的數學家都在三十幾歲做出成就。而張益唐在58歲、經過10年農村勞動、7年賣三明治、10年無人關注地教大一微積分之後,證明了他一生最重要的定理。他沒有趕上期限。他證明了:根本沒有期限這回事。 下推的中文翻譯 by grok ---他是胡平的老朋友。胡曾寫過專文介紹

zhang haitao

68,701 views • 3 months ago

2025/07/03 第四天上班 ”被主管約談了“ 大家晚上好 來跟大家回報今日情況 一開始實習的初衷是想了解 外面的自媒體公司都怎麼處理團隊 (不是為了準時下班) 原因是因為 除了原本相處融洽的人以外 我一直不敢擴展我的團隊 還是用發包的比較多 我認為請人是一個非常冒險的事情 1.隨時可能離職 2.效率可能不好 3.品質可能不好 4.請假、離職...等 但是我發現,在這間公司 似乎真的能讓我學到不少東西 這間公司是 兩個剪輯配一個企劃 除了會幫人剪輯外 還會做代操運營...等等 我昨天加進去的群組 不是我想像中的核心群 只是Anna那一組的群組 公司的組別分為一組跟二組 一組是企劃顏哥、剪輯小翔、Peter 小翔話很少,蠻會穿搭的 Peter是多元成家的味道(0號) 二組是企劃Anna、剪輯小天、Linda 小天蠻帥 Linda瘦瘦高高挺漂亮 年齡24~27左右,顏哥年紀最小 這兩個組會互相競爭 然後一樣會甩鍋、卸責 一樣會有考核 標準就是觀看次數、按讚、分享之類的 我說能學到東西 就是因為我感覺這是刻意安排的 讓兩邊競爭,公司坐享漁翁之利 今天上班的時候 主管先是要我進去 然後問我上班情況 還特別問我都怎麼來上班 我說:「我是開車來的」 他說:「我聽小顏你是坐車來的」 我沒多說什麼 主管又說:「難怪你會想準時下班, 其他同事都是騎機車,你怕塞車是嗎?」 我說:「肯定怕的啊」 主管又說:「我還是希望你能配合下公司團隊, 畢竟你離開的話,其他同事如果需要你協助, 那不就沒人了嗎? 你的工作就是補同事間的缺口啊」 我說: 「目前我來到現在,他們要的我都給了」 主管這時候說:「那這樣吧,你會調色嗎?」 我說:「不會,我只會剪」 主管說:「Anna那邊剛好有需要調色, 你能去學一下然後幫忙調嗎? 因為這個比較急,客戶明天要, 現在也還早你看看能不能幫忙」 我說:「可是主管,我說我不會了啊, 難道其他同事沒有會的嗎?」 主管說:「小翔會,但他手上有事情要忙, 你可以跟他請教看看, 反正你不是本來就想學東西嗎? 你去試試看,調完Anna發給客戶, 客戶說沒問題就沒問題了, 應該不難,就幾個畫面而已, 但還是希望你弄完再走, 畢竟你明天不是說有事情要請假嗎?」 (因為我的汽車電腦軟體召回,入職前我就有安排進廠) 我其實心裡知道主管在想什麼 但無所謂,反正我確實想學 於是我說:「我試試看」 就出去請教小翔 小翔的教學方法非常好 小翔說:「喔,那你就看抖音跟B站學就好。」 我心裡大概重複五次 「那你就看抖音跟B站學就好」 這時候顏哥在旁邊「噗」一聲笑了出來 我在旁邊也笑了 顏哥這時候說: 「你還笑得出來喔?要快喔,不然來不及下班了」 接著我就開始刷各種短影片 抖音、B站、YT全看了 我要認真地說 真.T.M.D.難 什麼一級調色、二級調色 什麼色輪、灰階、高光、對比... 我雖然剪片速度快 但我就拍鬼故事,哪需要什麼調色 後來我連中午飯都沒吃 (還是要下去幫忙拿便當) 差不多快到下午 我差不多學會了60% 弄了第一版,Anna傳給客戶 接著很不好意思地跟我說客戶需求 大概提了20個問題… 修改背景顏色、皮膚顏色、畫面更通透 好,沒問題,接著改 差不多下午四點左右 我又發給Anna 【附上的影片就是用DaVinci調色的範例】 這不是剪映或Premiere那種套濾鏡 他功能強大到甚至可以動態情況 把車子顏色變色 其實Premiere也是能做這件事情 只不過我沒用過 我知道的是DaVinci最好用 反正我也想學,就學吧! 好的,大概四點半客戶回傳 還是不行 好 我又修 . . . 最後五點整打卡鐘響了 Anna來了 . . Anna說:「bond...」 . . . . 「客戶說可以了!可以下班囉!」 (附上一個很奇怪的微笑) 顏哥這時候翻了白眼 我站起來說:「大家再見!」 我又聽到主管開門的聲音 但我沒有回頭 就離開了 今天也就過完了 【後話】 明天後天大後天不會更新 因為我沒上班 Anna那個群組 因為Linda生日他們約聚餐 問我周末要不要一起 但我還在考慮 Anna那個群組 群組名稱叫做「薪水小偷」 會有這名字 我大概可以知道原因 至於原因是什麼 我想下禮拜一再說吧 我決定! 下禮拜一要跟同事們學習 09:05再進公司了 畢竟我是實習生 不能比前輩們晚到 就這樣 大家再見!

wong |🔋

20,662 views • 1 year ago