@嗑颜bot

投稿 ：陈丽君 越近越美到窒息 嗑颜bot的微博视频 ​​​

@tombkeeper

“咱哥俩关起门来说啊……老头子这到底是图的啥？论钱，几辈子花不完；论权，还有谁比他权大？媳妇又漂亮，儿女也孝顺——他心里到底还想要啥？”福奇听到这里，抬起头，笑了笑。把烟屁股往地上一扔，踩熄了。又从桌上抓起瓶燕京，一仰脖，只听：“懂懂懂懂懂懂懂懂懂懂懂懂……” ​​​

@悠然米拉

巨星奥黛丽·赫本在瑞士的故居“宁静居”现以 2100 万美元的价格上市出售了。这座位于风景如画的托洛切纳兹镇的二级保护建筑，距离日内瓦仅 30 分钟车程，曾是奥黛丽·赫本长达 30 年的私人避风港，一直到 1993 年她去世。这座占地 40 多英亩的庄园拥有 12 间卧室和 8 间浴室，配有 5 个壁炉、一间书房和一部电梯。户外设施包括一个 50 英尺的恒温游泳池，和可容纳 15 辆车的停车场。这个庄园还有赫本亲自栽种的白玫瑰灌木丛——这是纪梵希当年为她 60 岁生日送的礼物。🌸🍃

@花总丢了金箍棒

日娃（sunwear）可能是中国最著名的“网管”。他初中退学，年少成名，在网络安全领域大展身手。在新闻里，他更是怒提五百万整顿银行服务的维权大V。去年九月，他在广州面对话筒如坐针毡。我尽力从这位守口如瓶的黑客那里挤了些牙膏，欢迎收听《开腔》，倾听未曾经历的人生，走近未曾抵达的江湖。#微博声浪计划# #听见微博# 花总丢了金箍棒的微博音频

@北京人不知道的北京事儿

北京玉渊潭大爷们什么实力？网友：随机打听了几个相机多少钱？都10w+往上…… ​​​

@indigo

Llama 4 发布！多模态理解的 MoE 开源非推理模型，暂时超越 Deepseek 成为 LMArena ELO 第一的开源模型。最大支持一千万 Tokens 的上下文窗口，非常适合私有部署做企业内知识自动化👀 模型按规模分为三个版本：Llama 4 Scout- 参数：17B 活跃，16 个专家，总参数 109B- 特点：同类最佳的多模态模型，性能超越前代 Llama 模型，可在单个 H100 GPU 上运行（使用 Int4 量化）；- 性能：在多个基准测试中优于 Gemma 3、Gemini 2.0 Flash-Lite 和 Mistral 3.1；采用轻量级监督微调（SFT）> 在线强化学习（RL）> 轻量级直接偏好优化（DPO）的训练流程，专注于推理、编码和数学领域的提升Llama 4 Maverick- 参数：17B 活跃，128 个专家，总参数 400B- 特点：同类最佳的多模态模型，提供最佳的性能成本比，可在单个 H100 DGX 主机上运行；- 性能：在多个基准测试中击败 GPT-4o 和 Gemini 2.0 Flash，在推理和编码方面与 DeepSeek v3 相当，但活动参数不到后者一半。其实验性聊天版本在 LMArena 上获得 1417 的 ELO 分数；适用于通用助手和聊天场景，擅长图像理解和创意写作；在多文档摘要和代码推理等任务中表现出色，支持多达 48 张图像的视觉理解；Llama 4 Behemoth- 参数：288B 活动，16 个专家，总参数近 2T- 特点：Meta 迄今最强大的模型，作为教师模型通过蒸馏技术提升其他模型性能；仍在训练中，未正式发布；- 性能：在 STEM 基准测试（如 MATH-500 和 GPQA Diamond）中优于 GPT-4.5、Claude Sonnet 3.7 和 Gemini 2.0 Pro；作为教师模型，通过新型蒸馏损失函数（动态加权软硬目标）提升 Llama 4 Maverick 的性能；后训练中剔除 95% SFT 数据，结合大规模 RL 和动态提示过滤，显著提升数学、推理和编码能力。Meta 的官方介绍文档：Llama-4 原生多模态人工智能创新新纪元的开端 网页链接

@高飞

#模型时代# Andrej Kaparthy 3小时讲座4K版：如何深入理解ChatGPT等大语言模型这个讲座Andrej Kaparthy已经发布几天，由于实在是太长，3个半小时之巨。用我的AI工作流处理的时候，也遇到过多次崩溃，但最终还是整理出一个版本。这个讲座的价值意义，就不用我多做介绍了，含金量百分之一万。而且，既然已经很长了，所以干脆传一个4K 版本，这样PPT上的字符更清晰。接下来，直接附上讲座的原始简介，以示尊重（其实是我自己还没听完）：***Andrej Kaparthy：这是面向大众的深度探讨，介绍为 ChatGPT 等相关产品提供支持的大型语言模型（LLM）AI 技术。内容涵盖了从模型开发到思考模型“心理”的心智模型，以及如何在实际应用中最大化地使用它们的全部训练过程。我在大约一年前已经发布过一个“LLMs 简介”的视频，但那只是一次随意演讲的重录。因此，我想重新回来做一个更全面的版本。个人简介：Andrej 曾是 OpenAI 的创始成员（2015 年），之后在特斯拉（Tesla）担任 AI 高级总监（2017-2022 年），现在是 Eureka Labs 的创始人，该机构正在建设一所 AI 原生的学校。他在本视频中的目标是提高人们对 AI 最新技术状态的了解和理解，并帮助人们有效地在工作中使用最新、最强大的技术。更多信息可见 karpathy.ai/ 和 x.com/karpathy00:00:00 介绍（introduction） 00:01:00 预训练数据（pretraining data） 00:07:47 分词（tokenization） 00:14:27 神经网络输入/输出（neural network I/O） 00:20:11 神经网络内部结构（neural network internals） 00:26:01 推理（inference） 00:31:09 GPT-2：训练与推理（GPT-2: training and inference） 00:42:52 Llama 3.1 基础模型推理（Llama 3.1 base model inference） 00:59:23 从预训练到后训练（pretraining to post-training） 01:01:06 后训练数据（对话数据）（post-training data, conversations） 01:20:32 幻觉、工具使用、知识/工作记忆（hallucinations, tool use, knowledge/working memory） 01:41:46 自我认知（knowledge of self） 01:46:56 模型需要 tokens 来思考（models need tokens to think） 02:01:11 分词再探：模型难以处理拼写（tokenization revisited: models struggle with spelling） 02:04:53 不平滑的智能（jagged intelligence） 02:07:28 监督微调到强化学习（supervised finetuning to reinforcement learning） 02:14:42 强化学习（reinforcement learning） 02:27:47 DeepSeek-R1 02:42:07 AlphaGo 02:48:26 来自人类反馈的强化学习（RLHF, reinforcement learning from human feedback） 03:09:39 展望未来（preview of things to come） 03:15:15 跟踪 LLM 的发展（keeping track of LLMs） 03:18:34 在哪里找到 LLM（where to find LLMs） 03:21:46 总结（grand summary） 高飞的微博视频