Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

麒麟9000S极限性能到底有多强？Mate 60 Pro 超线程负载测试 避免内容过于晦涩，省流结论： “超线程技术给麒麟9000s带来了50%左右的性能提升，麒麟9000s关闭超线程得分960分，大概只有骁龙855的水平。而开启超线程后居然跑到1470分，多核性能可以轻松干翻骁龙8Gen1，甚至接近骁龙8+了。”

KELMAND1's profile picture

Eason Mao☢

111,164 subscribers

20,644 görüntüleme • 2 yıl önce •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

#极客湾 被强制下架视频 麒麟9000S性能分析 #华為
16:25

#极客湾 被强制下架视频 麒麟9000S性能分析 #华為

德潤傳媒

315,390 görüntüleme • 2 yıl önce

补档 极客湾被下架的麒麟9000s测评视频
32:52

补档 极客湾被下架的麒麟9000s测评视频

StarrySky

25,267 görüntüleme • 2 yıl önce

1. 有史以来最快的 Windows PC 这是最快的Windows PC，采用全新系统架构，结合了CPU、GPU和NPU • 每秒超过 40 万亿次操作 • AI 功能强大 20 倍，效率提高 100 倍 • 多线程性能比 MacBook Air 高 58%
0:31

1. 有史以来最快的 Windows PC 这是最快的Windows PC，采用全新系统架构，结合了CPU、GPU和NPU • 每秒超过 40 万亿次操作 • AI 功能强大 20 倍，效率提高 100 倍 • 多线程性能比 MacBook Air 高 58%

AI Will

15,634 görüntüleme • 2 yıl önce

为了得到给妻子上课的插花老师，男人居然能做到这个程度…… 男人好色起来智商能成直线飙升或下降
6:35

为了得到给妻子上课的插花老师，男人居然能做到这个程度…… 男人好色起来智商能成直线飙升或下降

pin fan

732,740 görüntüleme • 1 ay önce

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程
8:01

从国产SOTA走向世界SOTA? GLM-5.1 实测! 给大家带来 GLM-5.1 编程能力实测! 本次测试涵盖了前端, 后端, Agent 能力, 前端主要面向空间建模, 场景, 材质, 粒子效果等, 后端能力主要面向数据结构与算法, 体系结构, 性能优化, 内存和并发管理, 性能热点分析与调优, 面向编辑器方向的Agent能力(因为AI要自己改代码). 直接说结论, 本次测试前端方面粒子效果和光影鲜果略有提升, 剩下空间理解(甚至感觉下降了)和前端美学上没看到有什么提升, 只能说是提升了一点点. 但是后端性能上有巨大的提升, GLM-5.1 在我的 vector-db-bench 中直接秀了一手量化, 把原本32bit精度的数据量化到了8bit, 然后使用SIMD实现了一个指令周期内计算32个向量, 在我测试的其他模型中(包括Claude-opus-4.6, GPT-5.4-Pro(xhigh)) 都没有实现, 直接来到了榜首. 另外Agent能力上也有不小的提升, 同样是我写的让大模型模拟送外卖的硅基骑手测试, 其他大模型的优化还停留在看一个店能不能取两单上, GLM-5.1 已经优化到了我送餐的顺路还能再接一单, 并且仅用了大概GLM-5 1/4的 token 用量就超越了 GLM-5 的测试总分. 当然本次测试过程也很坎坷, 首先是我周末抢了2天都没抢到 coding plan (目前只有coding plan 能用这个模型), 我最后找智谱的同学给我开了个权限. 以及测试中发现白天API不是很稳定, 偶尔输出速度会掉到10tps, 以及会出现乱码文字(我的规避方法是让它输出英文, 然后再找个便宜模型翻译过来). 总结, 各位前端同学估计会失望, 因为无论是从工程还是页面效果上都看不到提升, 甚至可能会有点倒退, 但果写后端代码或者复杂Agent应用可以试试这个新模型, 会有很大的提升. #GLM51 #智谱 #GLM #AIAgent #大模型编程

karminski-牙医

19,594 görüntüleme • 2 ay önce

【ChatGPT4王炸插件——DefiLlama.com】 我花了了超过1000个小时使用DefiLlama，浪费了超过60%的时间在交互和筛选信息上。 现在币圈和 #AI 结合的大进展终于来了！#ChatGpt 能与 #DefiLlama 连接，所有相关数据，可以用中文直接查询并让AI帮你总结！🚀 🧵线程详细介绍这个插件，并附上视频教程。 #DeFi
1:26

【ChatGPT4王炸插件——DefiLlama.com】 我花了了超过1000个小时使用DefiLlama，浪费了超过60%的时间在交互和筛选信息上。 现在币圈和 #AI 结合的大进展终于来了！#ChatGpt 能与 #DefiLlama 连接，所有相关数据，可以用中文直接查询并让AI帮你总结！🚀 🧵线程详细介绍这个插件，并附上视频教程。 #DeFi

PeakBuyer31

100,337 görüntüleme • 3 yıl önce

提升明显! Qwen3-Max 正式版 vs Preview版 实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问
4:56

提升明显! Qwen3-Max 正式版 vs Preview版 实测! 距离 Qwen3-Max-ThinkingPreview 版发布已经过去3个月了, 正式版终于来了! 这次提升有多大? 给大家直接上测试结果! 编程能力测试: 鞭炮连锁爆炸测试史诗级提升, 之前Preview版完全无法连锁, 现在不仅能连锁, 效果还相当不错; 大象牙膏测试锥形瓶建模改善明显, 甚至有液体下降动画了, 不过粒子动画还是有些问题; 陀飞轮机芯从无法完成到顺利建模; Python杯子倒水的粒子弹性和碰撞检测都修好了. 这次追加了美学测试: 用文字描述让它还原p5.js现代艺术作品, 效果还可以, 但空间理解能力还是拖后腿, 小窗口的横线错位了. Agent能力测试: 60K上下文以内表现优秀, 预估能刷到500分SOTA水平, 但超过60K后性能急剧下降, 会出现任务循环或遗忘工具的问题. 召回能力接近70%, 但出现了奇怪现象——上下文越短召回反而越差, 目前还不清楚是什么问题, 我已经反馈给官方了. 总结: 正式版比Preview版提升肉眼可见, 编程和美学都有进步, 但空间理解、Agent能力和长上下文召回还需打磨. 另外, 本次测试的是正常的thinking版本, 而那个分数超高的TTS模式目前还没上线呢! 期待一波！ #Qwen3Max #Qwen3MaxThinking #KCORES大模型竞技场 #AI编程 #大模型测评 #阿里千问

karminski-牙医

15,566 görüntüleme • 4 ay önce

严浩翔上海ktv？粉丝说无正脸且两个月前行程对不上。 到底是真的还是假的？ 旁边疑似有郭麒麟 刘昊然。
0:30

严浩翔上海ktv？粉丝说无正脸且两个月前行程对不上。 到底是真的还是假的？ 旁边疑似有郭麒麟 刘昊然。

加密Lilill｜💸

168,424 görüntüleme • 2 ay önce

2月9日，数码博主“Tech智”发视频称，华为手机直到今天仍在使用8年前的芯片麒麟710，你的长辈换手机其实换了个寂寞。这款芯片的性能甚至还追不上17年发布的晓龙660。
4:10

2月9日，数码博主“Tech智”发视频称，华为手机直到今天仍在使用8年前的芯片麒麟710，你的长辈换手机其实换了个寂寞。这款芯片的性能甚至还追不上17年发布的晓龙660。

李老师不是你老师

147,486 görüntüleme • 4 ay önce

【麒麟9030没评测？UP主：测了不能发，团队还被迫放假】 有网友问： 为什么不发麒麟9030的评测视频？ 极客湾云飞回应： “Mate80早就测完了， 但是我们一个字都不能提。 而且这两周我们还被迫放假了。” 也有网友指出： 不是华为不让发， 而是上面压着不让发。
3:15

【麒麟9030没评测？UP主：测了不能发，团队还被迫放假】 有网友问： 为什么不发麒麟9030的评测视频？ 极客湾云飞回应： “Mate80早就测完了， 但是我们一个字都不能提。 而且这两周我们还被迫放假了。” 也有网友指出： 不是华为不让发， 而是上面压着不让发。

王局拍案

168,890 görüntüleme • 6 ay önce

卢麒元：中国的制度成本，已经高到一个不能容忍的程度！
1:17

卢麒元：中国的制度成本，已经高到一个不能容忍的程度！

真相傳媒

16,685 görüntüleme • 3 yıl önce

GLM-4.6 实测! 最近都很流行更新一大截然后版本就增加0.1嘛? 直接说结论, 前端能力非常好, 效果甚至达到了炫技的程度, 不过随之而来的是复杂场景可能面临性能问题, 所以需要注意防止模型过度发挥或者偶尔留意下代码设计和架构. 不过 python 能力没看到太多变化, 考虑到 python 就一个测试, 所以建议大家如果用来写后端代码还是要多测试一下, 以及希望国产大模型也提升一下其他语言性能. #glm46 #KCORES大模型竞技场
2:21

GLM-4.6 实测! 最近都很流行更新一大截然后版本就增加0.1嘛? 直接说结论, 前端能力非常好, 效果甚至达到了炫技的程度, 不过随之而来的是复杂场景可能面临性能问题, 所以需要注意防止模型过度发挥或者偶尔留意下代码设计和架构. 不过 python 能力没看到太多变化, 考虑到 python 就一个测试, 所以建议大家如果用来写后端代码还是要多测试一下, 以及希望国产大模型也提升一下其他语言性能. #glm46 #KCORES大模型竞技场

karminski-牙医

20,127 görüntüleme • 8 ay önce

技术方面的能接受，流水线不太能接受。 网友评论：这种最多半年就治好了
0:39

技术方面的能接受，流水线不太能接受。 网友评论：这种最多半年就治好了

iGeekbb

24,127 görüntüleme • 8 gün önce

抱歉我们只有超大杯! GLM-4.7实测! 本次测试覆盖了GLM-4.7的编程能力, Agent/ToolCall能力, 长上下文召回能力, 给大家带来刚发布的 GLM 4.7 的测试结果: 考验Agent能力的硅基骑手测试, 简单讲是让大模型使用工具模拟骑手取外卖送餐. GLM 4.7 在24小时总计300回合的极限送餐中收益达到了 571.91 元, 执行了总计 354 次 tool call, 测试使用了大约 50% 的上下文空间, 直到超过100K后才停止工作. Agent 测试这次是创了新高, 执行效率特别高, 得益于模型可以在一次会话中发起多个 tool call, 节省了时间并能选择收益最大的方案. 然后是考验长上下文召回能力的霍格沃茨测试, 简单来讲就是在长上下文中, 能否记住上下文并准确的回答问题. GLM 4.7 在192K以内召回水平在91%到100%区间, 而200K也有95%, 召回效果同样也很不错. 最后再来看编程能力测试上最大的感受是粒子, 建模, 光影效果都有提升, 尤其是空间能力有了巨大的提升. 当然性能问题仍然存在, 希望下个版本着重优化下生成代码的性能问题. 总结, 这次GLM 4.7 在各个方面都有明显的提升, 作为主力编程模型不是问题, LMArena 和 SWE-bench 等编程测试中都取得了开源大模型 SOTA 的水平. 不过还是要说一句, 测试中我发现API速度时快时慢, 是不是因为大家都在用新版本导致的? 希望官方赶紧加机器. #GLM47 #智谱AI #智谱GLM #AIAgent #ai编程 #大模型 #开源 #KCORES大模型竞技场
4:16

抱歉我们只有超大杯! GLM-4.7实测! 本次测试覆盖了GLM-4.7的编程能力, Agent/ToolCall能力, 长上下文召回能力, 给大家带来刚发布的 GLM 4.7 的测试结果: 考验Agent能力的硅基骑手测试, 简单讲是让大模型使用工具模拟骑手取外卖送餐. GLM 4.7 在24小时总计300回合的极限送餐中收益达到了 571.91 元, 执行了总计 354 次 tool call, 测试使用了大约 50% 的上下文空间, 直到超过100K后才停止工作. Agent 测试这次是创了新高, 执行效率特别高, 得益于模型可以在一次会话中发起多个 tool call, 节省了时间并能选择收益最大的方案. 然后是考验长上下文召回能力的霍格沃茨测试, 简单来讲就是在长上下文中, 能否记住上下文并准确的回答问题. GLM 4.7 在192K以内召回水平在91%到100%区间, 而200K也有95%, 召回效果同样也很不错. 最后再来看编程能力测试上最大的感受是粒子, 建模, 光影效果都有提升, 尤其是空间能力有了巨大的提升. 当然性能问题仍然存在, 希望下个版本着重优化下生成代码的性能问题. 总结, 这次GLM 4.7 在各个方面都有明显的提升, 作为主力编程模型不是问题, LMArena 和 SWE-bench 等编程测试中都取得了开源大模型 SOTA 的水平. 不过还是要说一句, 测试中我发现API速度时快时慢, 是不是因为大家都在用新版本导致的? 希望官方赶紧加机器. #GLM47 #智谱AI #智谱GLM #AIAgent #ai编程 #大模型 #开源 #KCORES大模型竞技场

karminski-牙医

19,592 görüntüleme • 6 ay önce

这瓜还有后续，网传又有聊天记录流出～～ 真实性尚待核实，理性吃瓜 #严浩翔 #聊天记录 #郭麒麟
1:11

这瓜还有后续，网传又有聊天记录流出～～ 真实性尚待核实，理性吃瓜 #严浩翔 #聊天记录 #郭麒麟

猫神

923,215 görüntüleme • 2 ay önce

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。 下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness
5:39

给大家带来 MiniMax-M3 实测! 本次测试包含了复杂前端, 后端 Agentic Coding, Agent 能力测试, 以及我的使用经验总结. 来看结论: 前端能力上, 可以完全适配 KCORES2026p2 的前端测试题目, 无论是空间理解, 建模精确度, 场景美学都十分在线, 其中我最满意的是美学部分, 它的颜色运用非常好. 不足的地方主要体现在复杂需求不能一次性写对(比如光追引擎), 需要迭代一下就可以了. 后端能力测试这次也是突飞猛进, 得分超过了 deepseek-v4-pro 和其他一众国产大模型, 略逊于 GPT-5.4-Pro(xhigh). Agent 能力上表现同样亮眼, 达成了榜单第二的接单量, 证明它的规划能力特别强。 下面是我在测试和实际使用中, 总结出来的 M3 使用经验, 供大家参考: 我的体感是 M3 特别喜欢推理, 它可以单次执行超长的推理. 在咱们的这些前端测试中, 它最长的输出甚至达到了我规定的 64k token上限, 所以, 不要上来就写一个超级复杂的 prompt 让它执行, 而是需要先把需求形成 plan, 然后让 agent 蜂群去执行, 这样才能得到理想的效果, 所以 M3 先天适合放在带 plan 模式的 Coding Agent 中使用. 如果把它嵌入到 Agent 框架中使用, 那么 prompt 编排就一定要做好, 不要一股脑把大量的 tool call 或者超大的 system prompt 丢给它. 还是需要下功夫好好编排一下的. 本次 M3 相比之前的 2.7 版本有了大幅度的提升, 模型偏好上来看, M3 是一个规划能力极强的模型, 所以特别适合用在一些规划性质的 Agent 框架中, 比如任务拆分, 日程管理, 流程设计等. 而本次暴露出来的不足则是执行过程中约束不够强, 比如 prompt 中设置的复杂规则, 一定要增加代码级别的 harness 闭环流程来进行约束, 而不能只靠模型本身来管理自己的行为. #minimaxm3 #minimax #agenticcoding #aiagent #harness

karminski-牙医

18,556 görüntüleme • 20 gün önce

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.
1:26

开源分解图层大模型这么快就来了? 给大家带来阿里刚刚发布的 Qwen-Image-Layered 模型实测, 这是一个可以把图片分成不同图层的大模型, 模型是基于 Qwen-Image 微调的. 本次我的测试覆盖这个模型的擅长场景(海报), 指令遵循测试(指定抽取目标), 边缘处理(头发), 极限测试(全是贴纸, 一个贴纸一个图层的话可以抽取50多个图层). 直接说结论, 首先还是模型太大了, 因为这个模型基于 Qwen-Image 所以是个20B的模型, 我是用HuggingFace Zero GPU 测试, 每次运行大概2分钟左右, 模型的确可以做到分离图层, 而且边缘处理很不错, 不过稳定性有待优化, 在我测试中4个图层可以输出, 但是8个或者10个图层就炸了, 怀疑可能是超过了Zero GPU超时或者bug (GPU是H200, 不太可能爆显存), 输出尺寸只有 544*736, 官方也推荐640分辨力, 这点也需要提升, 以及模型还是太大了, 20B, 希望能优化下尺寸.

karminski-牙医

14,175 görüntüleme • 6 ay önce

Anthropic CEO 昨天的访谈说： 最晚 2029 年 AI 几乎会在所有任务上超越人类 ------ AGI 不是具体的时间点，是一条指数曲线 别再问"什么时候会有 AGI"了。过去 10-15 年，AI 模型的认知能力每 4-12 个月翻一番，就像 90 年代的摩尔定律。 Anthropic 有个工程师两个月没写过代码了，全是 Claude 写的，他只负责审核。他们最近推出的 Claude Code 工具，开发过程也是用 Claude 写的，一周半搞定。 所以现在的状态是：初级软件工程师的很多工作，甚至高级工程师的部分工作，已经可以大部分交给 AI 了。 指数曲线的特点就是看起来很慢，突然就飞过去了。达里奥的判断是：1-2 年内会真正加速，最晚 2020 年代结束前，AI 会在几乎所有任务上超过人类。
0:54

Anthropic CEO 昨天的访谈说： 最晚 2029 年 AI 几乎会在所有任务上超越人类 ------ AGI 不是具体的时间点，是一条指数曲线 别再问"什么时候会有 AGI"了。过去 10-15 年，AI 模型的认知能力每 4-12 个月翻一番，就像 90 年代的摩尔定律。 Anthropic 有个工程师两个月没写过代码了，全是 Claude 写的，他只负责审核。他们最近推出的 Claude Code 工具，开发过程也是用 Claude 写的，一周半搞定。 所以现在的状态是：初级软件工程师的很多工作，甚至高级工程师的部分工作，已经可以大部分交给 AI 了。 指数曲线的特点就是看起来很慢，突然就飞过去了。达里奥的判断是：1-2 年内会真正加速，最晚 2020 年代结束前，AI 会在几乎所有任务上超过人类。

歸藏(guizang.ai)

13,234 görüntüleme • 5 ay önce

乌克兰再次击落俄罗斯预警机A50，事发地点位于俄罗斯本土，距离前线超过240公里，大家觉得乌克兰是如何击落A50的呢？有三种可能： 1.爱国者，爱国者的公开射程只有70公里。上次击落A50距离前线大概是100公里，这次超过200公里实在是有些超出我的想象。 2 俄罗斯误击自己人。虽然俄罗斯经常干这种事，但是连自己最先进的预警机都能被自己击落，我也是没话说了 3 最后一种可能性，F16参战了！
1:57

乌克兰再次击落俄罗斯预警机A50，事发地点位于俄罗斯本土，距离前线超过240公里，大家觉得乌克兰是如何击落A50的呢？有三种可能： 1.爱国者，爱国者的公开射程只有70公里。上次击落A50距离前线大概是100公里，这次超过200公里实在是有些超出我的想象。 2 俄罗斯误击自己人。虽然俄罗斯经常干这种事，但是连自己最先进的预警机都能被自己击落，我也是没话说了 3 最后一种可能性，F16参战了！

周子定 - Joe Zhou

182,364 görüntüleme • 2 yıl önce

昨晚的sps录屏来了，全程对线20多分钟，这是其中10分钟的录屏
10:59

Sensitive content

昨晚的sps录屏来了，全程对线20多分钟，这是其中10分钟的录屏

椰叽7

118,143 görüntüleme • 11 ay önce