“完全なる黄金の回転エネルギー!”——乔尼·乔斯达😒😅

当绕率（samplingRate）与周期（moduloW）达到某种特定比例时，粒子不再只是简单的绕圈，而是在环面上无限延伸、自我嵌套。粒子之间的分布会达到一种“数学上的疏离”，彼此靠得最近但绝不重叠。

通过引入基于 sin 和 cos 的周期性函数，开始在空间中收敛并卷曲。这其实就是在用数学模拟“无限的转动”——超越逻辑的能量。 🌀✨

一个像 π 或黄金分割数 ϕ 这样的无理数【比例】，最终在视觉上覆盖整个环面！

made by Opus 5.5.

source code: https://github.com/mexicat/pdoom-video

#VIBE 帮你们预览了下，它这个中间产物还挺好的

timing data(beats)是用htdemucs_ft从音乐人那里弄的 "I'm Upping My P(doom)"，歌词ts是 whisper_run.py 歌声识别的，3d ago, 8提交

VFX 也是各自完整的 Canvas2D layer pass, palette可调整, FSPass绑定 three; SFX 是 AudioJSON

比许多曾经是【大佬写的】js/gl动画框架都完善

b.shog、b.clips 这些锚点本质上是"歌词语义锚点"，改歌/换 mix 只需要重跑对齐，timeline 不用动。这是做 lyric video 正确的抽象层。

cut('Post-Chinchilla', 0, 0.05) 那行注释——"'Post' starts 32 ms before its beat; don't cut..."——说明Agent是真的对着波形调过 offset，不是生成完就算。

代码质量很难评。 结构上没有冗余，但过于verbose了，而且JS写的太规范 把JS语法本身的噪音淋漓尽致了

抽象方向是对的。它的价值在于让修改局部化，严格说，截图里更像“歌词短语匹配＋命名锚点”，换 mix 可以重跑对齐。

可以理解为它把每个div.wtf都拿2D js渲染了，明明可以用CSS和htm-in-canvas加速的

过于verbose的好处是可移植，然后，没有杂七杂八的依赖

坏处是成熟框架的DevTools也没有了。 比如Godot的粒子系统是你可以手动微调的

这个做法不行，必须让机器retake摇号，探索不了配置方法

GPT-6 Astra考过「科目二」？5分22秒驶入锥桶车位

三名中国台湾地区研究人员搭建 DrivingBench，将 GPT-6 Astra、GPT-5.6 Sol、Grok 4.6 和 Claude Fable 5.1 等通用大模型接入一辆真实的 2022 款丰田卡罗拉，进行类似「科目二」的真实车辆驾驶测试。测试赛道全长约 130 米，由彩色锥桶组成 8 米宽通道，车辆需连续通过多个弯道，最终驶入一个 7×5 米的锥桶车位。

此前从未接受专门驾驶训练的 GPT-6 Astra，在首次测试中因判断失误偏离赛道，但第二次调整策略后，以 5 分 22 秒完成约 134.7 米赛程并成功驶入车位，成为四个模型中唯一「通过科目二」的模型。

测试中，Astra 将弯道及障碍物附近车速控制在 0.5 至 0.8 米/秒，并根据实时摄像头画面持续调整方向。相比之下，Sol、Grok 和 Fable 均未完成测试，其中 Sol 和 Grok 连续三次失败，Fable 第三次行驶至约 45% 位置后停止。

此次测试显示，未经专门驾驶数据训练的通用大模型已能够在低速真实环境中完成基础驾驶任务，但距离实际道路自动驾驶仍存在明显差距。

信源

动察 Beating 频道 · 动察 Beating 交流群

144M参数就能做Agent决策，Julia-1连安卓平板都能跑

AI 实验室 Supersonic Labs 发布一款只有 1.443 亿参数的轻量决策模型 Julia-1。它不生成长文本，而是接收上下文、问题和 2 到 20 个候选答案，直接完成分类、打分和是非判断，可以给 Agent 选工具、做路由或决定下一步动作。

Julia-1 基于多语言编码模型 mmBERT-small 开发，模型权重约 550MB，主打低硬件门槛。官方已经在 Apple M4、Intel i5-1235U 和三星 Android 平板上完成测试。M4 单次决策中位延迟约 33ms；三星平板只用 CPU 运行时约 203ms，进程峰值内存约 393MB。

在官方公布的 4 组 Jev 对比测试中，Julia-1 赢了 3 组。Typed Decisions 为 73.15%，Jev 参考成绩为 72.70%；AG News 为 94% 对 91%；情绪分类为 86% 对 48%。但在包含 72 个类别的 Banking77 上，Julia-1 只有 64%，明显低于 Jev 的 87%。官方称，候选类别太多且彼此相似时，目前的分组筛选可能提前丢掉正确答案。

Julia-1 的云端 GPU 训练和实验总成本只有约 104 美元。模型权重、运行代码、完整评测和来源记录均已开放，采用 Apache 2.0 许可。官方还在开发 API，计划按每百万输入 token 0.025 美元收费；由于模型只做判断、不生成长文本，输出 token 不收费。

信源

动察 Beating 频道 · 动察 Beating 交流群

Excel 现已支持在单个单元格中存放多个值
原文：https://techcommunity.microsoft.com/blog/microsoft365insiderblog/put-multiple-values-in-one-cell-with-lists-and-arrays-in-excel/4559395
阅读时间：4 分钟
分数：267

承认吧，除了pip和vite那一派，以及iq和Bellerd那种甚至汇编+建站的真神 #statement #dev

几乎没人擅长编程，只是一个点子（一张截图说得清），在付【实现税】

他们对 domain 的理解已经压缩到"实现即规格"——SDF 就是数学eyecandy本身，QuickJS 就是 spec+冯诺曼【物理定律】的直译。大多数人规格税、判断税反向把impl写成屎山

歌词锚点 → 时间线 → 场景参数 → 绘制。 只要对domain的理解深刻，比横跨四个框架到处转来转去，便宜太多

实现税下降以后，接口税、集成税、排错税就显眼了。把一件事接通、适配、绕过限制，需要真实的【API缝合怪】工作8小时

我们其实可以乐观一些： LLM虽然黑盒，但它选择的技术栈依赖关系，几乎是单线、一镜到底的

我7年来遇到的90%的人，甚至没资格点评 Claude 5.1 的代码质量怎么样，它可以在很短的prompt里写出很棒的声明式、数据流，与此同时许多人只是【会调更多API、能够照搬并缝合更多管道】的暴力破解和堆砌（并且他们的 Claude 也缺少能力）

人来写往往加一大堆私货和“小巧思”，最后扔在那里，想复用非常难

不谈竞赛和框架，应用编程【七成人所谓代码，只是截图录屏】这个比喻可以再精确点

就是你有没有意识到task在整个domain里的P(概率)是几成，len(组件和模块)是否最小化，如果你只是stfw照葫芦画瓢，最终反而不如AI有思路。

我见过有一半的人开发App，安卓是安卓WebUI是js，是完全没有对domain的迁移学习的，他们不会像Chrome或OpenGL本身的开发者一样，分得清哪些是 “墙”，哪些是幕布。

👻 没有领域迁移的人，每次都在重新学习幕布甚至胶水自己的褶皱。复制本身不构成区别，复制的单位（正交分解/优化的梯度）才构成区别！

截图丢的不是信息量（表象），是生成过程（实质）。 一张 Excel 的截图OCR数字全在，但公式没了，改一格的【表象】其他1秒破功；SVG抗锯齿同理

你可以这样理解： 屎山代码，就是找3个codebase，遇到什么功能点，回忆长的像的，把段落复制过来，改成调自己写的/依赖的op或UI。

又或者是，对APIs没有【数据流既视感】，硬凑几个函数，最后语义和 bash -c history 一样小白，但forif套的跟iq一样复杂

AI不找API文档和旧开源，是直接把算法和forif展开复制过来，而且专挑顶尖人(stb.h, iq..) 级别的样板，许多人之前都不知道顶尖长啥样。 开源少有消费级的质量，但AI能达到。

当然，局部代码像顶尖样板，不保证整体output正确。

Pythonic和F12之所以牛逼，除了真一键run anywhere、colab、元素点选CSS速览等模态，还有生态通用的【心智模型】，比如PIL可以和UMat,plt,np.. 0秒共享【一切皆文件】，这种事情你在top10编程语言里，想都不敢想

AI 降低了“展开”的价格，也就暴露出：以前许多看似高含金量的工作，实际是在手工维持展开式。

【震惊跌坐】在技术瓶颈的 Before&After 上，可以做一个类比：基于Canny和flow的 GenAI 之前，3D要渲染很久，而之后e2e生成，光追基本上和着色耗时差不多了。

这不止是云计算和UI集成的问题，至于从手绘线条，到AI从人物骨架生成面积、体积，这就更不用说了。 diff模型从线条、姿态、深度或光流等约束补出结果

而直接把渲染农场跳过了（在七成情况下）。

我看过vibe出的应用代码，好的3个，差的3个。 因为网上都有，而把它们混为一谈（有Astra/Fable都能做出来？）…… 这就像在《我的世界》里，玩家都能操作方块（快速构建出想法的外观），但一个赛道上只有少数人能做成真正能玩的存档 🙉

就算你不知道光流“小脑”省了多少传统PBR/代数3D渲染的公式和知识，也能从渲染耗时和图生视频的难度体会到。 e2e 直接冲击了CV的根本和CG的工作室，

这个类比可以放回编程领域： 我们过去以为任务要求实现一个完成度极高的系统，其实，只是 P(domain) 分布中的很小一块。

那些耗费半生掌握的“公式”，最后只剩 Before&After 两帧。高深的问题，只是人机接口+人际平台的问题

但不要以为ML领域自己是不受冲击的，其实拓扑HMM、BERT、“多线程”变形金刚就是【代数先验】被弄过后的结果，对偶数下山法哲学上就是反冯诺曼架构的

语言理解选出的不是BERT的填空题和优雅LISP树，而是Causal&Attention，MoE（领域划分）只是用来省带宽的，它不像CoT和Harnesss那样，能够有反馈回路的成功

但DNN本身没有很多超参数，onnx计算图可以链入权重跑最先进的DiffSinger，这个就和geojson一样自包含了。

所以P(doom) MV里说冯诺曼风格过时了（早就如此，但概率模型介入用户平台让它真正不唯一）

🦀 【存算分离】和sizeof(int)的世界观已经裂开，但不是因为代码固化，而是输出在自反馈到输入，基于diff

所以，别以为【传统派】编程被ML淘汰，DNN技术里偏向GoFAI的人，才是被打脸的最狠的。如果嵌套和双向都不配为语言理解（而是人眼的启发式幻觉），高精尖也很难把那一套理论搬进【知识库】里了


structural probe 从 BERT/GPT 的流型里排序出的依存树，很像人标注的。DeepDream和某些对抗样本也一样。这说明理论界总喜欢看表面，但却又自以为不在做【人机界面】。

🦀 从灵性启发角度看，Alan Kay 的细胞计算机OOP还是可以的。“活进程镜像” “交互环境” “消息传递” 不就是指DNN权重、梯度和训练集、ChatUI和Agent互调用协作吗。“即时连接” （Hypercard/tweakpane）就是指离散版本的梯度下降

👍 触控屏被嘲讽为“隔着玻璃摸图片”。序列和几何确实是人有的智能，但AR也很好。Kay和Bret的 “儿童编程环境” 目标并不是简化，而是让人体验MC一样的创作欲。这本就是人类的天性

Bret像GNU RMS那样，也把【即时反馈即测试】拔高到道德原则，Alan Kay 当年被同时代的人孤立，却同时启发了苹果/OOP/互联网应用

这也给了佛家唯识一个很好的论据。只需要靠判断、反馈循环，就能像“重生恢复记忆”那样造出新东西!

就像人类看夜空会把星星连成星座一样，所谓的“语法树”和【一阶谓词逻辑】只是人类强行发明的【事后公理】，只有连续的注意力权重投影。

🙉 真理没有【被人理解】以外的超然价值。他们不会觉得科普才是欠技术债务的蠢蛋吧。

英伟达欠了我十亿美元股票
原文：https://colo.to/nvidia-stock-narrative.html
阅读时间：3 分钟
分数：461 🔥