美研芒格君

美研芒格君

@kay2289123最近同步 9/5/2026, 12:11:45 AM

小红书也是这个id @Kay2289123, x仅此一号,完全没有助理。 没whatsapp,都是骗子 硅谷一线大厂从事AI Training Inference 团队成员来自斯坦福,UCLA,沃顿

SF

7日排名
#611
总粉丝
30.0K
7日涨粉
+470
7日发帖
20
7日曝光
169K
帖均曝光
8.5K

Ranking History

Today’s rankings update in real time. Historical records retain daily top-five entries for growth, posts, and reach. Click to view a poster.

No daily top-five records yet.

粉丝趋势

近30日每日已结算数据

内容表现趋势

曝光/互动与发帖量均按自然日结算

发帖趋势

近30日每日发帖量

帖均曝光趋势

每日总曝光 ÷ 每日发帖量

Participated Topics

Participated in 3 topics

View topic rankings

GPT-6 相关讨论继续从 Codex 可用扩展到个人数据工具、邮件检索和图像模型灰度传闻。Rion Wu 称用 Codex 将数万条微信聊天记录做成本地只读的个人情报库,可自动列 todo、总结群聊、查商单和检索历史记录;古一提醒 GPT-6 虽已出现,但生图仍像 GPT Image 2,官方未发完整通告;另有用户展示 GPT-6 形态、GPT Image 2.5 写真提示词,以及连接邮箱后找回交易所遗忘资产的案例。整体仍以个人实测和截图为主,开放范围与模型升级细节尚不明确。

Participated post: AI 发展还在早期,你应该幸运出生在这个时代 这两周有一条非常好赚钱的逻辑路线,我永远相信我的硅谷大厂朋友,和一手的信息源以及AI认知和体验 咱复盘一下,不知道大家抓住没有 OpenAI使用了超过 10 万块 GPU 训练出的 Astra,据公开信息了解是德州的星际之门。 那星际之门后面是谁建造的?那些建造者曾经被市场惩罚的逻辑还成立吗? 如果不成立,那一直其实都是买入的好时候 如我所说,AI 发展还在初期,不要以为 GPT-6 已经是终点了。据我了解到的信息,更庞大规模的模型还在后面,训练中 今天我将更抽象的任务交给OpenAI新模型 Astra (GPT6)来做,摸一摸 AI 投研最新的天花板
Posts 2 Views 35.0KHeat 6.7K
#GPT-6#Codex#GPT Image 2

美股 AI 硬件交易继续围绕存储、光通信和科技权重分化展开。Powerpei 称周五美股大盘下跌,但闪迪、美光、海力士、迈威尔、Coherent 等存储和光通信标的上涨,显示市场一边卖出大盘、一边买入 AI 硬件链;勃勃OC也提到存储暴涨,但特斯拉和软件板块走弱,并提醒美股本质仍像赌场,长期稳健选择可能只有 SGOV 或多年后的 VOO;OōEli.eth 则列出标普500行业权重,信息技术占比接近四成,使科技集中度再次进入讨论。

Participated post: 09/04 很多朋友问我对 $MRVL 的看法,我认为市场上现在有一个严重的逻辑错误, 并且相互矛盾, 不能同时成立。而逻辑错误消除就是上行的时候 每次下跌,我都看好 $MRVL ,这也是为什么我上个帖子发完,在 202-210$ 抄底了不少, 并且我在等最关键的 10月,算是一个我个人的押注。总不能股票一直嫌高不敢买,跌了又说它完了,这怎么赚钱呢? 逻辑错误: $AVGO 丢掉了谷歌的订单,短期内业绩承压 $MRVL 拿到了谷歌的订单,短期内无法业绩兑现 很多人可能会想, 中间还有一个联发科, 你说的没错。但有一个关键的逻辑矛盾是,博通和 MRVL 现在被市场当成了一个非此即彼的选择竞争对手,但逻辑上,一个在惩罚近端,一个惩罚远端,这是常见的逻辑不对位 我的押注: 我喜欢 MRVL 的一个关键原因,是因为它的管理层很靠谱。财报会议上,管理层说谷歌的订单对于 Marvell 是 monster 的体量。我选择相信。 这期的答案都会在 10 月初的 Investor Day 揭晓 请注意,这是我的个人投资。如果你要投入一分钱,欢迎看看我之前的帖子和文章
Posts 1 Views 24.9KHeat 570
#AI硬件#存储半导体#光通信

GPT-6 Astra 的中文讨论从软件操作和建模实测继续扩展到 AGI 叙事、专业算法问题和订阅成本。Orange AI 称 OpenAI 内部已把 Astra 发布视为 AGI 时代节点,并转述 OpenAI 工程师播客中关于奇点起点和人类命运的讨论;独立开发者 William 表示 Astra 在动作捕捉 retargeting 空间理解问题上效果突出,且额度消耗不明显;雪踏乌云则从 Claude、Codex、Gemini 等订阅组合出发,认为 AI 工具成本较一年前明显下降。

Participated post: 多年AGI之后,回顾这周,应该是载入历史的时刻。我真的掏心窝子地劝大家试用一下OpenAI的Astra,它真的不一样 Astra Ultra 使用的第二天,下班路上一直在想,兴奋+激动,我刚200$ Codex Plan充满了100% 的额度,打算周末大干一场 /goal,下周跟大家汇报我的成果 各位 Astra Ultra 用户准备周末做什么创造性的工作呢?
Posts 1 Views 15.2KHeat 910
#GPT-6 Astra#AGI#Codex

近7日爆款推文

按近 7 日曝光排序,展示前 10 条。

1
3.0万 followers
Views2.8万
AI 发展还在早期,你应该幸运出生在这个时代 这两周有一条非常好赚钱的逻辑路线,我永远相信我的硅谷大厂朋友,和一手的信息源以及AI认知和体验 咱复盘一下,不知道大家抓住没有 OpenAI使用了超过 10 万块 GPU 训练出的 Astra,据公开信息了解是德州的星际之门。 那星际之门后面是谁建造的?那些建造者曾经被市场惩罚的逻辑还成立吗? 如果不成立,那一直其实都是买入的好时候 如我所说,AI 发展还在初期,不要以为 GPT-6 已经是终点了。据我了解到的信息,更庞大规模的模型还在后面,训练中 今天我将更抽象的任务交给OpenAI新模型 Astra (GPT6)来做,摸一摸 AI 投研最新的天花板
2
3.0万 followers
Views2.5万
09/04 很多朋友问我对 $MRVL 的看法,我认为市场上现在有一个严重的逻辑错误, 并且相互矛盾, 不能同时成立。而逻辑错误消除就是上行的时候 每次下跌,我都看好 $MRVL ,这也是为什么我上个帖子发完,在 202-210$ 抄底了不少, 并且我在等最关键的 10月,算是一个我个人的押注。总不能股票一直嫌高不敢买,跌了又说它完了,这怎么赚钱呢? 逻辑错误: $AVGO 丢掉了谷歌的订单,短期内业绩承压 $MRVL 拿到了谷歌的订单,短期内无法业绩兑现 很多人可能会想, 中间还有一个联发科, 你说的没错。但有一个关键的逻辑矛盾是,博通和 MRVL 现在被市场当成了一个非此即彼的选择竞争对手,但逻辑上,一个在惩罚近端,一个惩罚远端,这是常见的逻辑不对位 我的押注: 我喜欢 MRVL 的一个关键原因,是因为它的管理层很靠谱。财报会议上,管理层说谷歌的订单对于 Marvell 是 monster 的体量。我选择相信。 这期的答案都会在 10 月初的 Investor Day 揭晓 请注意,这是我的个人投资。如果你要投入一分钱,欢迎看看我之前的帖子和文章
3
3.0万 followers
Views2.5万
听说 base:0x2b31d3ed065f1f834d5c85efed49089f4c4f6b07 今天有大事要发布,搬好小板凳了 利用一点人脉,灰度到了 UltraFast,爽用 14 倍速的 GPT5.6 Sol 用下来就一个字:爽!之前需要等待好几分钟的任务,现在就十几秒,大大减少了我同时管理 session 的数量,因为生成实在太快了。有的时候,我甚至觉得是在跟真人实时对话 这就是未来
美研芒格君 的图片 1
6
3.0万 followers
Views7.4K
硅谷一线公司,Anthropic $NVDA OpenAI 这类 Frontier Lab/厂 的推理工程师,平时到底在做什么? 结合我的实际工作内容,和对周围其他公司 AI 工程师的了解,帮大家整理出来了最一线的工作 5 项技术拆解,自己评估一下是否能通过面试?完全搞懂,你也半只脚踏入了硅谷大厂,多收藏看看会有帮助 (防杠,本帖为简化,实际工作比本帖复杂得多) 一句话总结: 所有技术都围绕着把一次用户请求,变成一条高并发、低延迟、可恢复、可观测、还能持续学习的生产流水线 1. 先让更多请求挤进同一批 GPU 推理引擎负责在显卡上运行模型。下一步是如何调度不同请求。用户实际感受到的速度和价格,很大程度上取决于这一层 Continuous batching:某个请求生成结束,新的请求立���补位,不用等整批完成。 Prefix caching:相同的系统提示、长文档和对话前缀,不必反复计算。 Chunked prefill:长上下文分段处理,避免一个超长请求堵住其他用户。 Model routing:简单任务交给更快、更便宜的模型;复杂任务再升级到更强模型 2. 验证模型,控制模型 模型可能调用工具、运行代码、访问文件或操作外部系统,因此每次执行都要被限制在明确边界内: 隔离运行环境 限制处理器、内存、时间和网络权限 检查工具调用是否合法 根据真实执行结果判断任务是否成功 3. 处理几百万个同时发生的请求,高并发 生产系统还要面对排队、突发流量、硬件故障和外部服务超时: 任务队列决定请求如何等待 优先级保证高价值或实时任务先执行 Backpressure 防止流量把系统直接压垮 Idempotent retry 允许安全重试,又不会重复扣费或重复操作 Checkpoint 让长任务在故障后继续,而不是从头开始 OpenTelemetry 记录请求究竟慢在排队、模型生成、工具调用还是结果验证 4. 把用户真实使用过程重新变成训练数据 推理系统不只是消耗模型,也在生产下一代模型的数据: SFT:把经过验证的高质量回答变成示范 LoRA:用较低成本训练���定能力 RL:让模型尝试多种策略,再根据真实结果学习 GRPO等:同一道任务生成多份答案,相互比较后提高优秀策略的概率 Reward hacking:模型学会钻评测漏洞,而不是完成真实目标 Data leakage:模型提前看过测试内容,导致指标虚高 训练数据、评测集、工具环境和时间窗口,都必须严格隔离 5. 新模型不是训练完就直接上线 真正的发布流程通常更像大型在线服务,而不是发一个 checkpoint: Shadow test:新版模型偷偷处理一部分真实请求,但不把结果交给用户 Release gate:正确率、延迟、成本和安全指标同时达标才允许发布 Canary rollout:先给极少量流量,再逐步扩大 Rollback:任何关键指标恶化,立即切回旧版本 Version tracking:模型、提示词、工具、数据和评测器全部记录版本 模型决定能力上限,推理工程决定这些能力能不能真正到达用户手里
美研芒格君 的图片 1