Sensitive content

This media may contain sensitive content.

Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

#超帅 #巨根 #腹肌少妇寂寞难耐，请来男模到家里伺候，超帅男模拥有完美腹肌和无敌巨根，一进门少妇按耐不住，脱掉男模裤子玩弄完然后自己坐上去，从客厅玩到房间，被男模五套爆射，干到少妇求饶！ #完整版40分钟添加QQ获取（有🐍）kimy（暂停互推）编号305，系列302-307六部可以哒包

hanvki

24,363 subscribers

208,622 views • 3 years ago •via X (Twitter)

NSFW #超帅 #巨根 #腹肌 #完整版40分钟添加QQ获取

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

随着技术的发展，现在模型上架已经不是很难的事了，难的是怎么把流量分得让人信服。现在模型多到用不过来。开发者找模型、比价格、接 API，已经够折腾了；接上以后还得面对另一个问题：这条推理服务到底稳不稳？我看 DGrid 这次的 Model Marketplace，比较有意思的是它把后面两层也接了进来。模型提供方可以自己上架和定价，开发者从统一入口发现、比较和调用；AI Arena 不亮模型名字，让用户直接在两个回答里盲选，把真实偏好变成发现和路由的信号；PoQ 再用独立随机测试检查准确性、一致性和格式合规，不会触碰到用户请求数据。这样一来，一个小模型或者垂直模型想拿到调用，至少多了一条靠真实表现被发现的路子。推理节点想拿更多流量，也得把质量和效率做出来。这套闭环最后能不能跑好，我比较看重这两件事：上架模型有没有真实调用，Arena 和 PoQ 的信号有没有真的改善路由。 DGrid 官方披露，2026 年上半年收入超过 2300 万美元。业务基础已经有了，这次补的是模型市场这一层。DGrid AI

随着技术的发展，现在模型上架已经不是很难的事了，难的是怎么把流量分得让人信服。现在模型多到用不过来。开发者找模型、比价格、接 API，已经够折腾了；接上以后还得面对另一个问题：这条推理服务到底稳不稳？我看 DGrid 这次的 Model Marketplace，比较有意思的是它把后面两层也接了进来。模型提供方可以自己上架和定价，开发者从统一入口发现、比较和调用；AI Arena 不亮模型名字，让用户直接在两个回答里盲选，把真实偏好变成发现和路由的信号；PoQ 再用独立随机测试检查准确性、一致性和格式合规，不会触碰到用户请求数据。这样一来，一个小模型或者垂直模型想拿到调用，至少多了一条靠真实表现被发现的路子。推理节点想拿更多流量，也得把质量和效率做出来。这套闭环最后能不能跑好，我比较看重这两件事：上架模型有没有真实调用，Arena 和 PoQ 的信号有没有真的改善路由。 DGrid 官方披露，2026 年上半年收入超过 2300 万美元。业务基础已经有了，这次补的是模型市场这一层。DGrid AI

bbshare

11,009 views • 26 days ago

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

使用AI生成3D模型，最终利用comfyUI渲染输出成片的工作流全过程以下是GPT4总结的制作流程： 1. 文本到3D生成在LumaLabs使用Gini文本到3D：访问LumaLabs网站，选择Gini文本到3D功能，输入如“Naruto T-pose”的描述性文本提示生成3D模型。预览和调整：预览生成的3D模型，根据需要调整文本提示或使用提供的选项重新生成以获得满意的结果。 2. 导入和编辑模型导入模型到Blender：将生成的3D模型（如身体、头部和手部）导入到Blender中。调整模型位置和比例：在Blender中调整各个部分的位置和比例，确保模型的整体协调。组合和调整细节：将不同的部件（头部、手部等）组合成一个完整的模型，对模型的姿态、细节进行必要的调整。模型优化：对模型进行必要的优化，包括调整网格和重新拓扑（如果需要），以便于动画处理。 3. 动画和导出应用骨骼和动画：将调整好的3D模型导出为FBX文件，然后在Mixamo网站上应用自动骨骼绑定和选择动画。导入动画到Blender：将带有动画的模型重新导入到Blender中进行进一步的编辑和调整。 4. 进一步编辑动画循环设置：在Blender中设置动画循环，确保动画可以平滑地循环播放。相机和光照设置：调整相机角度和光照设置，以改善动画的视觉效果和氛围。渲染设置：调整渲染设置，包括分辨率和渲染引擎设置，以获得高质量的动画输出。 5. 最终渲染和后处理渲染动画：在Blender中渲染完成的动画，导出为视频文件。后处理：可选地，将渲染完成的视频导入到Comfy UI或其他视频编辑软件中进行后处理，添加背景、特效和其他视觉元素，以完成最终的动画作品。通过这些具体的小步骤，从文本描述到完成的3D动画的整个制作过程被详细地概述和解释，为想要学习这一流程的人提供了一份详细的指南。

Yangyi

25,554 views • 2 years ago

前段时间在Soul上认识了一个看起来很文静的少妇，朋友圈全是孩子和家庭日常，完全是贤妻良母的样子。加微信后我试探了几次性话题，她一开始还装矜持，后来直接发了好几段语音，喘着说自己下面已经湿了。她承认自己有点性瘾，老公根本满足不了，所以出轨不是一两次，最少也有六七个男人了，但那些人都只想打一炮就跑，从来没人愿意当她的固定炮友。她说最想要的就是有个能每周固定约、还能在微信上随时发Sao照给她看的男人。可惜我们隔着好几个城市，不然我绝对会把她发展成专属人妻炮友，把她按在窗边从后面干到哭着求我🐍里面。#soul记录 #反差

前段时间在Soul上认识了一个看起来很文静的少妇，朋友圈全是孩子和家庭日常，完全是贤妻良母的样子。加微信后我试探了几次性话题，她一开始还装矜持，后来直接发了好几段语音，喘着说自己下面已经湿了。她承认自己有点性瘾，老公根本满足不了，所以出轨不是一两次，最少也有六七个男人了，但那些人都只想打一炮就跑，从来没人愿意当她的固定炮友。她说最想要的就是有个能每周固定约、还能在微信上随时发Sao照给她看的男人。可惜我们隔着好几个城市，不然我绝对会把她发展成专属人妻炮友，把她按在窗边从后面干到哭着求我🐍里面。#soul记录 #反差

Mugou

17,899 views • 1 month ago

Pi 用久了，接模型这件事越来越麻烦。每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。充 $50 得 $70 充 $100 得 $150 每个账号限兑一次原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra

Pi 用久了，接模型这件事越来越麻烦。每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。充 $50 得 $70 充 $100 得 $150 每个账号限兑一次原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra

小墨同学

20,221 views • 10 days ago

#小仙女吐槽被婚前杀价五分钟视频，武汉的美女，猫神竟然看完了第一感受：年纪大了，果然是矫情👍 你这叫婚前杀价？你这叫“做” 人家父母还健在，你就抢着格式化，清除人家的一切痕迹，人家没有拉黑你你就已经够幸运了 👇 你男朋友上海人，在上海市区有两套房子一套一室，一套二室90平米，不过房龄有二十年现在你们结婚，男方父母愿意搬到一室还愿意出钱把两室装修给你做婚房，已经够可以了你不出一分钱，结婚以后也没有房贷压力 👇 现在女方想把房子彻底装修，家具全部换新的你老公已经说了，家里有红木家具都扔出去？都不要吗？ 👇 你最多可以要求，我相信你老公也是这样安排自己的主卧全部换新的，客厅和次卧就不要全部换这样有什么不对？否则，你要求这么高，你为什么不掏钱装修买家具？你自己掏钱就可以了嘛 👇 还有你“达不到条件就租房”，看起来你很通情达理其实是你无理取闹，是最离谱的一点男方在上海有两套房，人家凭什么陪你去租房？如果租房，租金能不能由你出？你会不会要求房东把房子装修成婚房再租给你？自己的房子不是全新的，难道出租房是全新的？你完全是无理取闹，既不尊重男方家庭的付出也不尊重自己男朋友和未来的公婆 👇 你连男方父母用过的座椅都不能留，你凭啥租房？为什么他父母用过的座椅板凳你都不能留？人家父母还健在，估计年龄也不大你要求全部家具换新的，你是什么意思？嫌弃人家父母吗？人家用过的座椅你都不能用？你居然为这点事拉黑男朋友，你赶紧分手，你这种人就算结婚也不会幸福😍

#小仙女吐槽被婚前杀价五分钟视频，武汉的美女，猫神竟然看完了第一感受：年纪大了，果然是矫情👍 你这叫婚前杀价？你这叫“做” 人家父母还健在，你就抢着格式化，清除人家的一切痕迹，人家没有拉黑你你就已经够幸运了 👇 你男朋友上海人，在上海市区有两套房子一套一室，一套二室90平米，不过房龄有二十年现在你们结婚，男方父母愿意搬到一室还愿意出钱把两室装修给你做婚房，已经够可以了你不出一分钱，结婚以后也没有房贷压力 👇 现在女方想把房子彻底装修，家具全部换新的你老公已经说了，家里有红木家具都扔出去？都不要吗？ 👇 你最多可以要求，我相信你老公也是这样安排自己的主卧全部换新的，客厅和次卧就不要全部换这样有什么不对？否则，你要求这么高，你为什么不掏钱装修买家具？你自己掏钱就可以了嘛 👇 还有你“达不到条件就租房”，看起来你很通情达理其实是你无理取闹，是最离谱的一点男方在上海有两套房，人家凭什么陪你去租房？如果租房，租金能不能由你出？你会不会要求房东把房子装修成婚房再租给你？自己的房子不是全新的，难道出租房是全新的？你完全是无理取闹，既不尊重男方家庭的付出也不尊重自己男朋友和未来的公婆 👇 你连男方父母用过的座椅都不能留，你凭啥租房？为什么他父母用过的座椅板凳你都不能留？人家父母还健在，估计年龄也不大你要求全部家具换新的，你是什么意思？嫌弃人家父母吗？人家用过的座椅你都不能用？你居然为这点事拉黑男朋友，你赶紧分手，你这种人就算结婚也不会幸福😍

猫神

18,581 views • 2 months ago

爆仓以后，本金亏完，怎么办？很多人会说，跑外卖开滴滴，赚本金啊，拜托，跑外卖开滴滴能赚几个钱？经得起爆仓吗？告诉你们一个赚钱的路子：去商K当男模，赚钱快，每天至少能赚1000块，还能积累人脉，遇到个好富婆你就起飞了。币圈一个创始人，就是大学期间在商k当男模，才认识了币圈富婆，拿到种子轮融资，成功上岸，现在已经游艇嫩模了。男模就业指南在此，投简历必看：北京男模商K： 1. 金樽汇 2. 云栖阁 3. 星澜社收入靠日结小费加提成上海男模商K： 1. 昆仑汇 2. 淮海国际 3. 星空国际 4. 宝乐迪 5. 外滩一号 6. ONEPRO PARTY-K 收入构成包厢提成、酒水提成、小费，竞争激烈，需要被全场海选深圳男模商K： 1. 滨莉尚都 2. 蒂格 3. 名钻一号 4. 美华 5. 盛世名门 6. 丘比特 7. 长久国际 8. 拉菲庄园 9. 皇庭至尊杭州男模商k： 1. 天空之城 2. 奥斯卡娱乐城 3. 粤海国际会所 4. 滨莉尚都 5. 名钻一号 6. 电音空间 7. 凤凰宫每天收入在600-1200之间，需要会熬夜，喝酒，会跳舞，唱歌，平时注意身材维护和形象管理，客人有特殊要求，也要放得开。

爆仓以后，本金亏完，怎么办？很多人会说，跑外卖开滴滴，赚本金啊，拜托，跑外卖开滴滴能赚几个钱？经得起爆仓吗？告诉你们一个赚钱的路子：去商K当男模，赚钱快，每天至少能赚1000块，还能积累人脉，遇到个好富婆你就起飞了。币圈一个创始人，就是大学期间在商k当男模，才认识了币圈富婆，拿到种子轮融资，成功上岸，现在已经游艇嫩模了。男模就业指南在此，投简历必看：北京男模商K： 1. 金樽汇 2. 云栖阁 3. 星澜社收入靠日结小费加提成上海男模商K： 1. 昆仑汇 2. 淮海国际 3. 星空国际 4. 宝乐迪 5. 外滩一号 6. ONEPRO PARTY-K 收入构成包厢提成、酒水提成、小费，竞争激烈，需要被全场海选深圳男模商K： 1. 滨莉尚都 2. 蒂格 3. 名钻一号 4. 美华 5. 盛世名门 6. 丘比特 7. 长久国际 8. 拉菲庄园 9. 皇庭至尊杭州男模商k： 1. 天空之城 2. 奥斯卡娱乐城 3. 粤海国际会所 4. 滨莉尚都 5. 名钻一号 6. 电音空间 7. 凤凰宫每天收入在600-1200之间，需要会熬夜，喝酒，会跳舞，唱歌，平时注意身材维护和形象管理，客人有特殊要求，也要放得开。

加密小韭菜

101,821 views • 1 month ago

Qwen3.8-Flash-Next 开源了，Qwen4 的架构预览被扔出来了。现在很多模型，底座没怎么变，做一层后训练之后，Agent 能力能突然往上窜一大截。那问题来了：后训练到底训练进去了什么？是知识更多了？推理更强了？还是模型“干活的方式”变了？我正好部署了两个特别适合做 A/B Test 的模型： 🔥Apodex-1.1-mini-GPTQ-Int4 vs 它自己的底座 Qwen3.5-35B-A3B-GPTQ-Int4 但做完后训练以后，Apodex 自己公布的 benchmark 已经吹得挺狠了：在 FrontierFinance 上，Apodex-1.1-mini + Agent Team 拿到 50.2。同一个 benchmark 里，Claude Fable 5 的参考成绩是 49.2。一个 35B 的开源模型，后训练一下，号称专业 Agent 能力已经能摸到甚至超过 Fable。这个我偏不信。我正好有机器。我有两张 4090。一张跑 Apodex，一张跑原版 Qwen。同架构、同 INT4、同 128K 上下文、同一套 Agent Harness，两边同时接完全一样的任务。所以这个实验非常干净：底座基本没变，主要看的就是后训练到底给 Agent 加了什么能力。结果越来越有意思。甚至测出来一层能力，已经开始往 Fable 那个方向靠了。 🔥我给这两个模型和 Fable 出了一道预测题。 2026 年 8 月 26 日，NVIDIA 当天盘后要发 FY2027 Q2 财报。我提前几个小时，让它们预测：总营收 GAAP 毛利率 Data Center 营收下一季度指引要求自己上网调研，最后给判断。本来我只是想看看：同一个底座，做过后训练以后，Research + Agent 能力到底能提升多少。 🔥结果这道题出了个非常离谱的乌龙。底座其实非常努力。它搜了 40 次。而且最离谱的是：它中间已经把正确答案全部查出来了。然后到了最终答案——它自己把这些正确数据全扔了。我一开始都看懵了。后来翻完整 Agent 日志，才发现真正有意思的事情：当外部证据和模型脑子里的旧认知发生冲突时，它到底信谁。 🔥这时候你就能明显感觉到，后训练之后的模型，跟底座已经不是一个“工作状态”了。它看起来会更聪明、更机灵。它更像一个被教过怎么干活的人。知道什么时候该搜。知道哪些证据更重要。以后每个企业，都会有一个自己的模型。不一定是从零预训练。但至少会有自己的后训练、自己的 Agent 行为、自己的工作习惯。 🔥小模型不一定非得和 Frontier Model 拼所有能力。把一个方向训透，再配上一套好的 Harness 和 Tool Use，它真的可以变得非常机灵、非常能干。最后夸一下 Apodex。这次不只是模型后训练做得好，他们那套 Harness + Tool Use 也确实很能打。一个 35B 模型被他们训完，再塞进这套 Harness 里，真的已经开始有点专业工种的味道了。

Qwen3.8-Flash-Next 开源了，Qwen4 的架构预览被扔出来了。现在很多模型，底座没怎么变，做一层后训练之后，Agent 能力能突然往上窜一大截。那问题来了：后训练到底训练进去了什么？是知识更多了？推理更强了？还是模型“干活的方式”变了？我正好部署了两个特别适合做 A/B Test 的模型： 🔥Apodex-1.1-mini-GPTQ-Int4 vs 它自己的底座 Qwen3.5-35B-A3B-GPTQ-Int4 但做完后训练以后，Apodex 自己公布的 benchmark 已经吹得挺狠了：在 FrontierFinance 上，Apodex-1.1-mini + Agent Team 拿到 50.2。同一个 benchmark 里，Claude Fable 5 的参考成绩是 49.2。一个 35B 的开源模型，后训练一下，号称专业 Agent 能力已经能摸到甚至超过 Fable。这个我偏不信。我正好有机器。我有两张 4090。一张跑 Apodex，一张跑原版 Qwen。同架构、同 INT4、同 128K 上下文、同一套 Agent Harness，两边同时接完全一样的任务。所以这个实验非常干净：底座基本没变，主要看的就是后训练到底给 Agent 加了什么能力。结果越来越有意思。甚至测出来一层能力，已经开始往 Fable 那个方向靠了。 🔥我给这两个模型和 Fable 出了一道预测题。 2026 年 8 月 26 日，NVIDIA 当天盘后要发 FY2027 Q2 财报。我提前几个小时，让它们预测：总营收 GAAP 毛利率 Data Center 营收下一季度指引要求自己上网调研，最后给判断。本来我只是想看看：同一个底座，做过后训练以后，Research + Agent 能力到底能提升多少。 🔥结果这道题出了个非常离谱的乌龙。底座其实非常努力。它搜了 40 次。而且最离谱的是：它中间已经把正确答案全部查出来了。然后到了最终答案——它自己把这些正确数据全扔了。我一开始都看懵了。后来翻完整 Agent 日志，才发现真正有意思的事情：当外部证据和模型脑子里的旧认知发生冲突时，它到底信谁。 🔥这时候你就能明显感觉到，后训练之后的模型，跟底座已经不是一个“工作状态”了。它看起来会更聪明、更机灵。它更像一个被教过怎么干活的人。知道什么时候该搜。知道哪些证据更重要。以后每个企业，都会有一个自己的模型。不一定是从零预训练。但至少会有自己的后训练、自己的 Agent 行为、自己的工作习惯。 🔥小模型不一定非得和 Frontier Model 拼所有能力。把一个方向训透，再配上一套好的 Harness 和 Tool Use，它真的可以变得非常机灵、非常能干。最后夸一下 Apodex。这次不只是模型后训练做得好，他们那套 Harness + Tool Use 也确实很能打。一个 35B 模型被他们训完，再塞进这套 Harness 里，真的已经开始有点专业工种的味道了。

实践哥 Li

66,035 views • 23 days ago

看完才发现，我一直看的竟然是“阉割版”光模块视频… 这个讲光模块的视频确实不错，但我一直没想明白一个事。为什么很多人搬运视频，总喜欢把原作者内容越搬越短? 原作者是视频号 #坤元财研一共28分钟。后来看到另一个号搬运，直接砍成25分钟。结果但斌再搬一次，又砍成14分钟。然后在X上疯狂传播的，就是 #但斌这个版本，总感觉前面刚讲明白，后面突然就跳了。像看电影一样，中间莫名其妙少了几段。后来一看，好家伙。原来被连续动了两次刀。😂 有时候最有价值的东西，偏偏就在那些被剪掉的地方，这些东西，可以帮助你理解。推荐大家直接看这个 #坤元财研 28分钟原版。别最后吃了半天，发现上的还是删减版套餐。🤣 #CPO #光模块 #DSP #LPO #DML #EML #CW

看完才发现，我一直看的竟然是“阉割版”光模块视频… 这个讲光模块的视频确实不错，但我一直没想明白一个事。为什么很多人搬运视频，总喜欢把原作者内容越搬越短? 原作者是视频号 #坤元财研一共28分钟。后来看到另一个号搬运，直接砍成25分钟。结果但斌再搬一次，又砍成14分钟。然后在X上疯狂传播的，就是 #但斌这个版本，总感觉前面刚讲明白，后面突然就跳了。像看电影一样，中间莫名其妙少了几段。后来一看，好家伙。原来被连续动了两次刀。😂 有时候最有价值的东西，偏偏就在那些被剪掉的地方，这些东西，可以帮助你理解。推荐大家直接看这个 #坤元财研 28分钟原版。别最后吃了半天，发现上的还是删减版套餐。🤣 #CPO #光模块 #DSP #LPO #DML #EML #CW

猴哥｜houge.sol

152,494 views • 4 months ago

我宣布：所有说AI剪辑不行的全都是自己不build的人！！最近在抖音上刷到一堆AI博主说“AI剪辑不行，效果差，AI味道重，像是PPT” 不是，大哥，你花多少时间在AI剪辑上了，你就说AI剪辑不行😓 我爆肝了100亿左右的token，从有这个idea到目前接近完成的进度，打磨了整整1个多月！！预热介绍我即将发布的AI剪辑工作台！ 1.80+ broll模版，涵盖转场切换，人物变换，模版样式 2.完整的工作台，涵盖高度的用户自定义每一段分镜的特效，样式，音效等等，支持AI一键智能预填所有的分镜内容 3.超详细的审核检测门，让所有的问题在到你手中的时候已经被解决 4.支持1080-4k分辨率视频的多种选项感兴趣的大家可以蹲一手这个帖子，下周我发布会在这个帖子留言！！简单放一个broll模版库出来让大家欣赏一下，下周放全部内容的详细解读！

我宣布：所有说AI剪辑不行的全都是自己不build的人！！最近在抖音上刷到一堆AI博主说“AI剪辑不行，效果差，AI味道重，像是PPT” 不是，大哥，你花多少时间在AI剪辑上了，你就说AI剪辑不行😓 我爆肝了100亿左右的token，从有这个idea到目前接近完成的进度，打磨了整整1个多月！！预热介绍我即将发布的AI剪辑工作台！ 1.80+ broll模版，涵盖转场切换，人物变换，模版样式 2.完整的工作台，涵盖高度的用户自定义每一段分镜的特效，样式，音效等等，支持AI一键智能预填所有的分镜内容 3.超详细的审核检测门，让所有的问题在到你手中的时候已经被解决 4.支持1080-4k分辨率视频的多种选项感兴趣的大家可以蹲一手这个帖子，下周我发布会在这个帖子留言！！简单放一个broll模版库出来让大家欣赏一下，下周放全部内容的详细解读！

超级个体｜柿子

51,280 views • 14 days ago

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 views • 2 years ago

【广西横州洪水】广西横州六蓝村劫后：至少半数房屋损毁，40余人曾被困楼顶，有老人被洪水冲走仍失联 7月8日，有博主探访广西横州六蓝水库下游受灾村庄。视频显示，当地洪水退去后满目疮痍，现场至少一半房屋受损，部分房屋门窗、家具和衣物被全部冲走。洪水来临时，40多名老人和儿童被困在二楼和楼顶，只能眼睁睁看着家园被淹。有村民仍在寻找被洪水从家中冲走的奶奶，至今下落不明。村民回忆，村干部通知撤离后仅十多分钟，洪水便如海水般涌入村庄，水位一度达到两层楼高，老人和孩子根本来不及转移。灾后，不少村民失去住所和生活物资，在山上避难时他们在没有食物的情况下熬过一天。一村民说：“命还在，还可以再赚。家还在，亲人还在，就已经很幸运了。”

【广西横州洪水】广西横州六蓝村劫后：至少半数房屋损毁，40余人曾被困楼顶，有老人被洪水冲走仍失联 7月8日，有博主探访广西横州六蓝水库下游受灾村庄。视频显示，当地洪水退去后满目疮痍，现场至少一半房屋受损，部分房屋门窗、家具和衣物被全部冲走。洪水来临时，40多名老人和儿童被困在二楼和楼顶，只能眼睁睁看着家园被淹。有村民仍在寻找被洪水从家中冲走的奶奶，至今下落不明。村民回忆，村干部通知撤离后仅十多分钟，洪水便如海水般涌入村庄，水位一度达到两层楼高，老人和孩子根本来不及转移。灾后，不少村民失去住所和生活物资，在山上避难时他们在没有食物的情况下熬过一天。一村民说：“命还在，还可以再赚。家还在，亲人还在，就已经很幸运了。”

李老师不是你老师

100,586 views • 2 months ago

“我们内部已经有 Gemini 3 水平的模型，并且有信心很快发布，之后还会有更强的型号！” OpenAI 首席研究负责人 Mark Chen 在 Core Memory 的播客上透露。Sam 的职责之一就是“放大紧迫感”，他自己的角色也类似，会刻意强调竞争压力让整个组织保持高压前进，所以大家才会看到那封内部的“红色警戒”备忘录🚨 前两天和 OpenAI 的同学吃饭还提到他们内部确实都在体验 Gemini 3。因为但单看公开基准测试不足以判断真实差距，让足够多的研究员在真实任务中摸一摸，再形成集体判断。 Mark 说自己有一个“私藏的数学难题”（“42 问题”），专门用来测试不同模型的推理能力 —— 包括最新的“思考模型”。到目前为止，所有模型都只能接近最优解，还没有完全攻克它，这对他来说是一件“好事”：说明还有空间可以继续前进。在 SWE‑bench 这类软件工程基准上，Google 模型的表现虽然不错，但在“用多少数据/算力达成一定效果”这件事上，还有明显的优化空间，而 OpenAI 在这方面的算法储备非常强，这是他们下一轮反击的一个核心筹码！过去两年。OpenAI 其实把大量资源都投向推理模型，预训练和后训练的“肌肉”有所退化；最近半年，在组织层面重新把焦点拉回预训练。Mark 明确反对“Scaling 已死”的说法，他认为在预训练和数据塑形上还有巨大空间；现在要做的是更精细的“数据塑形”和“合成数据”，通过更聪明的预训练策略，让模型从“模仿人类写作/代码”的模式，转向真正学会更高层次的抽象✨

“我们内部已经有 Gemini 3 水平的模型，并且有信心很快发布，之后还会有更强的型号！” OpenAI 首席研究负责人 Mark Chen 在 Core Memory 的播客上透露。Sam 的职责之一就是“放大紧迫感”，他自己的角色也类似，会刻意强调竞争压力让整个组织保持高压前进，所以大家才会看到那封内部的“红色警戒”备忘录🚨 前两天和 OpenAI 的同学吃饭还提到他们内部确实都在体验 Gemini 3。因为但单看公开基准测试不足以判断真实差距，让足够多的研究员在真实任务中摸一摸，再形成集体判断。 Mark 说自己有一个“私藏的数学难题”（“42 问题”），专门用来测试不同模型的推理能力 —— 包括最新的“思考模型”。到目前为止，所有模型都只能接近最优解，还没有完全攻克它，这对他来说是一件“好事”：说明还有空间可以继续前进。在 SWE‑bench 这类软件工程基准上，Google 模型的表现虽然不错，但在“用多少数据/算力达成一定效果”这件事上，还有明显的优化空间，而 OpenAI 在这方面的算法储备非常强，这是他们下一轮反击的一个核心筹码！过去两年。OpenAI 其实把大量资源都投向推理模型，预训练和后训练的“肌肉”有所退化；最近半年，在组织层面重新把焦点拉回预训练。Mark 明确反对“Scaling 已死”的说法，他认为在预训练和数据塑形上还有巨大空间；现在要做的是更精细的“数据塑形”和“合成数据”，通过更聪明的预训练策略，让模型从“模仿人类写作/代码”的模式，转向真正学会更高层次的抽象✨

indigo

72,313 views • 9 months ago

无敌了，我用 30 分钟，做了个给小孩订正作业的小工具。现在这种视觉模型，已经开始够快、够便宜，可以直接拿来干活了。我把孩子做完的作业丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。我没让它直接处理图片，我让它先让它看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。这就比单纯 OCR 有意思多了。 🔥当然，现在还远没到“干死作业 App”。它坐标可能有偏差。但以前这种东西，你得自己接 OCR、版面分析、错题识别，甚至训练专用模型。现在一个通用视觉模型，30 分钟就能先把整条链路跑通。这里也有个很容易误解的地方：视觉模型，不等于出图模型。 Ling 这种 VLM 的视觉，是它能看图片、截图、文档、视频。它本身不是 Image 2.5 那种负责生成像素的模型。它擅长看懂以后，把结果变成文字、坐标、代码或者动作，然后继续干活。 Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。 🔥再往前一步，这种模型甚至很适合当教师模型。先让 Ling-3.0-flash-VL 批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小、更快的专用模型。先让大模型直接干活，再让大模型教小模型干活。这个 Demo已经完全跑通了，30 分钟能做到这一步，已经无敌了。 OpenRouter现在可以免费使用Ling-3.0-flash-VL：

无敌了，我用 30 分钟，做了个给小孩订正作业的小工具。现在这种视觉模型，已经开始够快、够便宜，可以直接拿来干活了。我把孩子做完的作业丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。我没让它直接处理图片，我让它先让它看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。这就比单纯 OCR 有意思多了。 🔥当然，现在还远没到“干死作业 App”。它坐标可能有偏差。但以前这种东西，你得自己接 OCR、版面分析、错题识别，甚至训练专用模型。现在一个通用视觉模型，30 分钟就能先把整条链路跑通。这里也有个很容易误解的地方：视觉模型，不等于出图模型。 Ling 这种 VLM 的视觉，是它能看图片、截图、文档、视频。它本身不是 Image 2.5 那种负责生成像素的模型。它擅长看懂以后，把结果变成文字、坐标、代码或者动作，然后继续干活。 Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。 🔥再往前一步，这种模型甚至很适合当教师模型。先让 Ling-3.0-flash-VL 批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小、更快的专用模型。先让大模型直接干活，再让大模型教小模型干活。这个 Demo已经完全跑通了，30 分钟能做到这一步，已经无敌了。 OpenRouter现在可以免费使用Ling-3.0-flash-VL：

实践哥 Li

80,403 views • 2 days ago

GitHub 上口碑最好的加密货币交易机器人 Freqtrade，是一群匿名开发者从 2017 年开始写的。项目叫 Freqtrade，四万八千多星，Python 写的，GPL-3 开源协议。今年 4 月刚发了 v2026.3 版本，仓库提交次数超过三万一千次。通过 ccxt 接了三十多个交易所，还内置了一个叫 FreqAI 的机器学习模块，能根据你自己的数据实时重新训练模型。市面上同类的工具，coinrule 的规则策略一个月收三到六十美元，cryptohopper 同样的功能收二十到一百美元，3commas 也是每月三十到一百美元。而且这些东西随时可能倒闭、涨价，或者因为你违反条款就直接封你号。 Freqtrade 不光有这些功能，还在此基础上可以训练神经网络。完全免费，可以自己托管，默认就开了模拟交易模式。说到底，如果你自己没有优势，什么机器人也救不了你。但如果你有优势，干嘛还要把钱白白交给 Cryptohopper 的支付系统？赶紧收藏，不然这可能是你这辈子犯的最大的错误。

GitHub 上口碑最好的加密货币交易机器人 Freqtrade，是一群匿名开发者从 2017 年开始写的。项目叫 Freqtrade，四万八千多星，Python 写的，GPL-3 开源协议。今年 4 月刚发了 v2026.3 版本，仓库提交次数超过三万一千次。通过 ccxt 接了三十多个交易所，还内置了一个叫 FreqAI 的机器学习模块，能根据你自己的数据实时重新训练模型。市面上同类的工具，coinrule 的规则策略一个月收三到六十美元，cryptohopper 同样的功能收二十到一百美元，3commas 也是每月三十到一百美元。而且这些东西随时可能倒闭、涨价，或者因为你违反条款就直接封你号。 Freqtrade 不光有这些功能，还在此基础上可以训练神经网络。完全免费，可以自己托管，默认就开了模拟交易模式。说到底，如果你自己没有优势，什么机器人也救不了你。但如果你有优势，干嘛还要把钱白白交给 Cryptohopper 的支付系统？赶紧收藏，不然这可能是你这辈子犯的最大的错误。

区块链行情研究

73,189 views • 4 months ago

有个27岁的小伙子，以前是挖矿的。他花了4000美元买了台迷你电脑，对着 Polymarket 狂干，不到三个月，4000 块变成了 100 万美元。上周，美国出口管制的那款 Claude Fable 5 突然把所有云交易者的服务给掐了。结果这哥们压根没注意到。没有云，没有订阅，没有任何人能关掉的模型。就是一台搁在他桌上的小盒子，他睡觉的时候，这盒子自己在比特币市场上帮他赚钱。用的芯片是 AMD Ryzen AI Max+ 395 —— 16 个核心，50-TOPS 的神经引擎，128GB 统一内存。他这套 AI 从来不联网。这个内存就是关键。普通游戏显卡顶多给你 24GB —— 跟玩具一样。 128GB 统一内存能完整装下一个 2000 亿参数的模型，不用把数据搬来搬去。一个顶尖大脑，就在他公寓里离线跑着。它不是去猜价格涨跌。它是把每个 5 分钟市场的完整概率图跑一遍，一分钟几千次，专门捡那些没人要、定价几乎为零的赌注。当它算出来一个 0.2 美分的冷门选项实际值 1.6% 的时候，它就用几分钱买下那个“不可能”的赌注。其中一次，回报直接翻了 32 倍。没有数据中心，没有租用的 GPU，除了他自己，没人能按关机键。他们可以一夜之间把云端的模型下架，但没法冲进一个家伙的房间里抢走他桌上的盒子。 4000 美元的硬件，1000 美元的下注，变成 100 万美元的收益 —— 而且今晚还在继续跑。你不一定要买那台盒子。你只需要它交易的那个钱包。两键复制，拿走。

有个27岁的小伙子，以前是挖矿的。他花了4000美元买了台迷你电脑，对着 Polymarket 狂干，不到三个月，4000 块变成了 100 万美元。上周，美国出口管制的那款 Claude Fable 5 突然把所有云交易者的服务给掐了。结果这哥们压根没注意到。没有云，没有订阅，没有任何人能关掉的模型。就是一台搁在他桌上的小盒子，他睡觉的时候，这盒子自己在比特币市场上帮他赚钱。用的芯片是 AMD Ryzen AI Max+ 395 —— 16 个核心，50-TOPS 的神经引擎，128GB 统一内存。他这套 AI 从来不联网。这个内存就是关键。普通游戏显卡顶多给你 24GB —— 跟玩具一样。 128GB 统一内存能完整装下一个 2000 亿参数的模型，不用把数据搬来搬去。一个顶尖大脑，就在他公寓里离线跑着。它不是去猜价格涨跌。它是把每个 5 分钟市场的完整概率图跑一遍，一分钟几千次，专门捡那些没人要、定价几乎为零的赌注。当它算出来一个 0.2 美分的冷门选项实际值 1.6% 的时候，它就用几分钱买下那个“不可能”的赌注。其中一次，回报直接翻了 32 倍。没有数据中心，没有租用的 GPU，除了他自己，没人能按关机键。他们可以一夜之间把云端的模型下架，但没法冲进一个家伙的房间里抢走他桌上的盒子。 4000 美元的硬件，1000 美元的下注，变成 100 万美元的收益 —— 而且今晚还在继续跑。你不一定要买那台盒子。你只需要它交易的那个钱包。两键复制，拿走。

Tommy Peterson

58,917 views • 3 months ago

【长沙4岁男童遭到暴力侵害-视频的简要分析】先看视频。明显能够看到由于过道窄，人多，孩子能够跑过去的空间并不大。下方女孩原几乎站在道路中间（略偏下一点），男童左转过来，预判路线偏左（视频水平偏上）。但女孩接着就朝视频下方挪动，男童行进方向右侧的空间变大。与此同时，吧台前的女性（轻松熊，肇事者）有个离开后退+侧身的动作，直接切到了幼童预判的路线上，相当于原来的有效通道向右侧压缩了。男童这时候已经在轻松熊身后了，喊了一声“阿姨请让一下”，同时奔跑路线朝自己的右侧变更，同时，他本能地去伸手挡住左侧的空间由于轻松熊姿态调整而产生的压迫 - - 随意的一下，就成了轻松熊这个疯逼后面发疯的借口。从视频第9秒开始，轻松熊抓住孩子，到孩子妈妈第50秒开始交涉，直到视频时间1分钟以后，轻松熊才把手放开。其间，孩子在视频第26秒倒地，第47秒起身，咽喉部被勒住长达二十余秒。如果孩子有哮喘，就要出大问题。另外，孩子还遭受了被从侧面勒住颈动脉的动作，观众可以仔细看。轻松熊的行为具有强烈的危险性。有个细节，孩子父亲从视频54秒开始在视频吧台右侧出现，排队结账，一直到1分40秒结完账（疑似）才过去。46秒，近一分钟的时间就一直看着。可能以为自己媳妇过去交涉了，没有什么事，可以先结完账再过去。如果是我儿子哭成这样，我做不到这么气定神闲若无其事。可能是性格好吧，不然后面不会赔钱道歉。奇怪的是，在孩子父母出现之前近40秒的时间内只有吧台的工作人员出去劝解，全程没有任何人介入。这种情况下，无论事情起因是什么，面对一个成年女性对四岁男童做出的危险动作没有一个人制止。

【长沙4岁男童遭到暴力侵害-视频的简要分析】先看视频。明显能够看到由于过道窄，人多，孩子能够跑过去的空间并不大。下方女孩原几乎站在道路中间（略偏下一点），男童左转过来，预判路线偏左（视频水平偏上）。但女孩接着就朝视频下方挪动，男童行进方向右侧的空间变大。与此同时，吧台前的女性（轻松熊，肇事者）有个离开后退+侧身的动作，直接切到了幼童预判的路线上，相当于原来的有效通道向右侧压缩了。男童这时候已经在轻松熊身后了，喊了一声“阿姨请让一下”，同时奔跑路线朝自己的右侧变更，同时，他本能地去伸手挡住左侧的空间由于轻松熊姿态调整而产生的压迫 - - 随意的一下，就成了轻松熊这个疯逼后面发疯的借口。从视频第9秒开始，轻松熊抓住孩子，到孩子妈妈第50秒开始交涉，直到视频时间1分钟以后，轻松熊才把手放开。其间，孩子在视频第26秒倒地，第47秒起身，咽喉部被勒住长达二十余秒。如果孩子有哮喘，就要出大问题。另外，孩子还遭受了被从侧面勒住颈动脉的动作，观众可以仔细看。轻松熊的行为具有强烈的危险性。有个细节，孩子父亲从视频54秒开始在视频吧台右侧出现，排队结账，一直到1分40秒结完账（疑似）才过去。46秒，近一分钟的时间就一直看着。可能以为自己媳妇过去交涉了，没有什么事，可以先结完账再过去。如果是我儿子哭成这样，我做不到这么气定神闲若无其事。可能是性格好吧，不然后面不会赔钱道歉。奇怪的是，在孩子父母出现之前近40秒的时间内只有吧台的工作人员出去劝解，全程没有任何人介入。这种情况下，无论事情起因是什么，面对一个成年女性对四岁男童做出的危险动作没有一个人制止。

周.乙 (⌐▀͡ ̯ʖ▀)ノJoey

630,582 views • 10 days ago

兄弟们这个模式可能是一个AI 游戏新物种 Yoroll：世界模型+AI视频模型打造了一种全新的游戏体验他们把视频生成模型从“内容工具”变成“游戏运行层” 也就是通过AI视频模型来为游戏生成剧情和情节走向他们设计了一个三层分离的结构：表现层：由AI视频生成模型驱动，相当于一个"AI 导演"，根据游戏状态实时"拍摄"每个场景交互层：翻译玩家行为，支持选项、点击、滑动、长按、连点、对抗点击等多种 QTE 玩法系统层：是确定性的游戏逻辑引擎，负责状态管理、分支系统和世界模型官方案例：一个没写过剧本、没碰过游戏引擎的《甄嬛传》粉丝，花了不到一周，做出了一款性转版的《甄嬛传》 AI 互动游戏 Demo。抖音单条视频数万赞，播放量过百万。这个项目叫"华君传"，女尊世界观，男性入宫，宫廷权谋加情感博弈，玩家的每一个选择都会把剧情推向不同方向... 这套设计最聪明的地方在于：视频模型和游戏逻辑被彻底解耦了。就像 Netflix 把同一部电影从 1080p 升级到 4K，剧情剪辑一字不改。 AI 只管画面，你看到的场景、镜头、画面表现，这些交给 AI 视频模型去生成。逻辑由系统管，你选了什么、血量多少、剧情该往哪走、谁是敌人谁是盟友，这些全部由一套固定的逻辑引擎来记录和控制，不靠 AI 猜。 AI 负责好看和剧情，系统负责靠谱，两边各干各的，互不干扰。这样一来，以后 AI 视频模型升级了，画面直接变好，但游戏逻辑、你的存档、剧情分支全都不用动。游戏质量只会提高，而且可玩性也会有很大变化...

兄弟们这个模式可能是一个AI 游戏新物种 Yoroll：世界模型+AI视频模型打造了一种全新的游戏体验他们把视频生成模型从“内容工具”变成“游戏运行层” 也就是通过AI视频模型来为游戏生成剧情和情节走向他们设计了一个三层分离的结构：表现层：由AI视频生成模型驱动，相当于一个"AI 导演"，根据游戏状态实时"拍摄"每个场景交互层：翻译玩家行为，支持选项、点击、滑动、长按、连点、对抗点击等多种 QTE 玩法系统层：是确定性的游戏逻辑引擎，负责状态管理、分支系统和世界模型官方案例：一个没写过剧本、没碰过游戏引擎的《甄嬛传》粉丝，花了不到一周，做出了一款性转版的《甄嬛传》 AI 互动游戏 Demo。抖音单条视频数万赞，播放量过百万。这个项目叫"华君传"，女尊世界观，男性入宫，宫廷权谋加情感博弈，玩家的每一个选择都会把剧情推向不同方向... 这套设计最聪明的地方在于：视频模型和游戏逻辑被彻底解耦了。就像 Netflix 把同一部电影从 1080p 升级到 4K，剧情剪辑一字不改。 AI 只管画面，你看到的场景、镜头、画面表现，这些交给 AI 视频模型去生成。逻辑由系统管，你选了什么、血量多少、剧情该往哪走、谁是敌人谁是盟友，这些全部由一套固定的逻辑引擎来记录和控制，不靠 AI 猜。 AI 负责好看和剧情，系统负责靠谱，两边各干各的，互不干扰。这样一来，以后 AI 视频模型升级了，画面直接变好，但游戏逻辑、你的存档、剧情分支全都不用动。游戏质量只会提高，而且可玩性也会有很大变化...

小互

26,620 views • 5 months ago

唐山烧烤四川眉山版！ 2026年7月5日，眉山洪雅·柳江古镇下午3点左右，一群10多岁的少年在古镇河边反复泼水玩闹。一名正在喝茶的女游客被连泼三次，她多次出声提醒，对方完全不听。最后一次不仅把她泼了一身，还直接把手机打湿了。女游客忍无可忍，让两个少年去找家长。少年出言不逊，双方随即吵了起来。这时，令人震惊的一幕出现了——那6、7个少年的家长其实就坐在不远处的喝茶队伍里，从头到尾一言不发、默默围观。直到孩子和女游客吵起来，他们才突然现身。随后，家长们直接恶语相向、拳脚相加。一名看不过去的男游客上前帮忙护住女游客，竟被对方当成她老公一起围殴。矛盾瞬间升级为3人对多人的冲突。目前当事人女游客刚刚从公安局出来，事情仍在处理中，暂无最终结果。网友评论：“下次真不敢来了，太凶险了……”

唐山烧烤四川眉山版！ 2026年7月5日，眉山洪雅·柳江古镇下午3点左右，一群10多岁的少年在古镇河边反复泼水玩闹。一名正在喝茶的女游客被连泼三次，她多次出声提醒，对方完全不听。最后一次不仅把她泼了一身，还直接把手机打湿了。女游客忍无可忍，让两个少年去找家长。少年出言不逊，双方随即吵了起来。这时，令人震惊的一幕出现了——那6、7个少年的家长其实就坐在不远处的喝茶队伍里，从头到尾一言不发、默默围观。直到孩子和女游客吵起来，他们才突然现身。随后，家长们直接恶语相向、拳脚相加。一名看不过去的男游客上前帮忙护住女游客，竟被对方当成她老公一起围殴。矛盾瞬间升级为3人对多人的冲突。目前当事人女游客刚刚从公安局出来，事情仍在处理中，暂无最终结果。网友评论：“下次真不敢来了，太凶险了……”

マッカパッカ

21,487 views • 2 months ago