Subt🌱✌︎ ॑꒳ ॑✌︎ retweeted
为什么说英制单位是人类文明的一颗毒瘤?
Q:一盎司棉花和一盎司黄金哪个重?
A:一盎司黄金更重。
Q:为什么?不都是一盎司吗?
A:因为贵金属的称重采用金衡制,1金衡盎司 = 31.1035克;而棉花属于农铲品它的称重采用常衡制,1常衡盎司 = 28.3495克。
Q:那一磅棉花和一磅黄金哪个重?
A:一磅棉花更重。
Q:咋又反过来了呢?
A:因为1金衡磅 = 12金衡盎司 = 373.242克,但是1常衡磅 = 16常衡盎司 = 453.592克。
Q:电子工业领域的1盎司是什么单位?
A:厚度单位,等于35um。
Q:盎司不是重量吗?
A:电子工业领域1盎司厚度来源于把1盎司重量的纯铜平铺在1平方英尺的面积上的平均厚度。
Q:那我算了一下这样是34.8 µm啊
A:工业界为了方便计算的时候凑整,所以人为把尾数改成了5。
---
Q:一加仑汽油在美国和在英国哪个多?
A:英国多。
Q:为什么?不都是一加仑吗?
A:因为美国用美制加仑(US gallon),1美制加仑 ≈ 3.785升;而英国用英制加仑(Imperial gallon),1英制加仑 ≈ 4.546升。英制加仑比美制大20%左右。
Q:那我去英国加油会不会觉得“哇,好便宜”?
A:别高兴太早,英国的里程也是用英里,但他们的加仑更大,所以mpg(英里每加仑)数字会显得更好看一点。
---
Q:一品脱啤酒在美国和在英国哪个多?
A:英国多。
Q:为什么?不都是一品脱吗?
A:美国1品脱 = 16美制液量盎司 ≈ 473毫升;英国1品脱 = 20英制液量盎司 ≈ 568毫升。英制液量盎司虽然比美制略小,但数量多,所以英国品脱整体更大(约大20%)。
Q:那在美国点一品脱啤酒会不会觉得“怎么这么小一扎”?
A:是的,美国人去英国喝酒经常觉得“赚了”,英国人去美国喝酒经常觉得“被坑了”。
Q:一品脱草莓和一品脱牛奶哪个体积大?
A:草莓。
Q:为什么?不都是一品脱吗?
A:在美国,干量品脱(dry pint,用于固体如水果、蔬菜)和液量品脱(liquid pint)是两个不同的单位。1美制干品脱 ≈ 550.6毫升,而1美制液品脱 ≈ 473.2毫升。
Q:那我买一品脱草莓会不会比一品脱牛奶多一点?
A:是的,超市卖浆果常用干品脱,所以你实际拿到的草莓体积比同名义的牛奶多一点。英国没有这个干/液区分。
Q:一英里路程在陆地导航和在海上导航哪个远?
A:海上更远。
Q:为什么?不都是一英里吗?
A:陆地英里(statute mile)= 1.609344公里;海里(nautical mile)= 1.852公里(定义为地球表面1分纬度的弧长)。海里比陆地英里长约15%。
Q:那飞行员和船长说的“英里”是不是同一个东西?
A:不是。飞行员有时也用海里(尤其是国际航线),陆地开车用的是statute mile。
Q:一短吨棉花和一长吨棉花哪个重?
A:长吨更重。
Q:为什么?不都是一吨吗?
A:美国常用短吨(short ton)= 2000磅 ≈ 907公斤;英国(及部分国际贸易)常用长吨(long ton)= 2240磅 ≈ 1016公斤。
Q:那我要是买一吨棉花,要问清楚是短吨还是长吨吗?
A:必须问!差了差不多110公斤,够做好几件衣服了。顺便一提,美国的“英担”(hundredweight)是100磅,英国的是112磅,也会影响最终吨的计算。
Subt🌱✌︎ ॑꒳ ॑✌︎ retweeted
一个日本人和一个中国人同一天死去,两人同时下了地狱。
阎罗王给他们两个选择:
🇨🇳 中国地狱:每天工作12小时。
🇯🇵日本地狱:每天工作16小时。
中国人毫不犹豫地选择了中国地狱。
日本人耸耸肩:
「我还是选日本吧,毕竟我一直生活在那里,习惯了。」
一个月后,两人再次相遇。
老恶魔23天从2.6万做到900万,这收益率属实让人头皮发麻,要是真有这本事,早就该是币圈顶流了。
中文币圈目前现存的顶级交易员:
1.蓝老头,主要是资金体量大,目测币安单账户资金超过5亿美金 @48ClubIan
2.目标哥,你如果真遇到资金上面的难关,非常难的那种,他赚钱了是真的可能帮你 @Jason60704294
3.黄瓜猫 @picklecat , 币圈唯一女交易员,太喜欢她的爽朗没心没肺的笑声,能治愈人一整天那种。
4.托尼XTony @xy_xtony ,因为调侃他和套利猫把我给屏蔽了,但我依然认为他能够上榜
5.十老板 @zemummy1 经历也是丰富,OKX实盘排名第一
6.老恶魔,没有公开推特和社交媒体,最近23天2.6万美金做到900万美金。看了不少人和他交流的记录,本质很单纯的币圈交易员。
7.熬鹰 @thankUcrypto 币安实盘带单第一,的确让不少兄弟赚钱了
8.肥仔比特币,一句“大爆涨,你无法想象!”永远的经典
9.比特币皇,和肥仔一样,消失人口尚未回归。
10.Bit浪浪,1000u做到1000万u,也直接原地消失了。留下一份交易记录,供大家观摩。
11.凉兮 @liangxizjdq 币圈独一份的存在,要是你有资金困难,而他刚好赚钱了,也是和目标哥一样真能帮你的人。
2
34
Subt🌱✌︎ ॑꒳ ॑✌︎ retweeted
为了心理健康,我真的劝大家不要把事情想得太复杂,不要揣测别人的心思,不要分析别人的动机,不要对号入座,不要在意别人怎么评价你,也别关心别人的生活。只是关注自己的睡眠,自己的饮食,自己的健康,自己的事业与自己的生活规划。保持最简单直接的思维,带着直来直去的内心,每天准时上床入睡。
混元这手牌打得挺明白,先拿295B的Flash当实验田,把架构和数据配比这些不确定项跑通,再放大规模。比起盲目堆参数,这种务实的迭代路径确实更能避开大模型训练里的深坑。
姚顺雨和混元团队的这些回答好犀利。
看了姚顺雨和混元团队在 Reddit 上的 AMA,全都是纯技术交流,非常犀利,很多技术细节没藏着掖着。
对腾讯的模型路线,以及当下整个 AI 模型行业感兴趣的同学,强烈推荐大家看看。因为腾讯还是很有代表性的,今年从 Hy3 一路追到 Hy4,模型进步确实快。
从 AMA 的回答能感受出来,混元团队还是很真诚和务实。比如有用户雷霆大思考之类的问题,他们也没辩解,直接承认这是当前的技术难点之一,而且讲了下来龙去脉。
我太喜欢这种交流的氛围了,没有弯弯绕绕。结合自己的理解,我总结了几个比较有启发的观点。
一、为什么要从一个 Flash 级别的模型开始做起?
我一直好奇,为什么腾讯今年没有直接训练 1T 以上参数的大模型,而是先从 Hy3 这样一个总参数只有 295B 的 Flash 级别的模型开始做起。
毕竟以腾讯的资源,按说是有实力直接训练参数更大的模型。而且大家都知道,在其他条件相近的情况下,模型的参数规模越大,通常也意味着更高的智能上限。
混元团队在 AMA 中解释了其中的思考逻辑。小模型最大的优势是实验成本极低,而在当时的情况下,实验的效率对 Hy 能力的提升是决定性的。
就像昨天我和硅谷的一哥们聊天,他说传统的软件工程和 AI 大模型训练的最大区别是不确定性。软件开发技术路线比较成熟。但大模型的研发需要研究员不停的做探索。
比如,光是注意力机制就有很多种技术方案,很难提前确定哪一种最好。即便某个方案在其他团队的模型上表现不错,放到自己的模型上,也不一定能取得同样的效果。
数据配比、网络架构、训练方法都是如此。
所以模型团队需要不断做实验,在大量不确定的技术方案中,找到真正有效的方向。
这也解释了为什么混元要先从相对较小的模型做起。
因为直接训练一个超大规模模型,实验成本和周期都会明显增加。如果没有充分验证架构、数据配比和训练方法,直接扩大规模,风险其实非常高。
这一年,可以看出来混元的思路:先通过小模型验证技术方案,再逐步扩大规模。这样可以在有限的算力预算内,进行更多尝试,减少后续大规模训练的不确定性。
我听说国内另外一个模型大厂,他们之前的模型能力一直不行,估计接下来也会用类似的思路重新来过。
二、参数规模和智能之间的关系
Hy3 和 Hy4 已经证明,参数规模绝对不是衡量模型智能的唯一标准。
如果模型的架构、训练数据和训练方法做得足够好,即便参数规模相对较小,也完全有可能超过一些参数量更大的模型。
其实,早在 2022 年,DeepMind 就通过 Chinchilla 做过一个非常经典的实验。
当时他们训练了一个只有 70B 参数的模型,和之前 280B 的 Gopher 相比,参数量只有四分之一。
但在训练计算量基本相同的情况下,Chinchilla 使用了四倍多的训练数据,最后在绝大多数测试任务上,反而超过了 Gopher。
这说明模型参数再大,如果没有得到充分训练,也未必能够发挥出应有的能力。行业内很多过了 1T 参数的模型智能同样很拉垮,我就不点名了。
所以更准确地理解,参数规模和模型智能确实有相关性,但绝对不是参数越大,模型就一定越聪明。
当然,这也并不意味着模型规模可以无限缩小。
毕竟更大的模型通常具有更高的智能潜力,特别是在复杂推理和强化学习任务中,模型本身需要具备一定的基础能力,才能通过训练进一步提高。
如果基础模型太小,一些复杂任务可能根本无法完成,强化学习也就很难获得足够有效的训练信号。
模型的参数还是会直接影响智能的上限。所以,混元从 Hy3 到 Hy4 以及预期中的 Hy5 模型参数都是在逐步扩大的。
他们的逻辑是,如果在基础没有打好的情况下,贸然扩充参数规模,意义不大。
当然,扩大训练规模也没那么容易。
我看 AMA 里姚顺雨提到,从 Hy3 扩展到 Hy4,是整个研发过程中最困难的阶段之一。训练刚开始的时候,大家还是很紧张。
因为当时针对训练数据做的消融实验还不够充分。所谓消融实验,就是通过调整或者去掉某些训练数据,观察模型性能发生什么变化,从而判断这些数据到底有没有价值。
但问题是,小规模实验中的结果,未必能够完全迁移到更大的模型上。所以在正式启动 Hy4 训练时,团队对最终效果仍然存在不少不确定性。
三、MoE 的稀疏度,并不是越高越好。
现在很多模型团队都在追求更低的激活参数比例。大致思路是通过提高 MoE 的稀疏度,让模型每次只激活一小部分参数,从而减少计算量,提高推理效率。
但姚顺雨认为,这件事其实需要分情况来看。
第一种情况,保持激活参数量不变,继续扩大总参数规模。
比如,一个模型的激活参数始终是 12B,但是总参数规模可以从 100B 扩大到 200B。
这样一来,模型每次处理 Token 时使用的计算量大致不变,但总参数更多了,可以容纳更多的专家,从而有机会获得更好的模型性能。
混元团队通过不同规模的实验发现,在激活参数固定的情况下,提高稀疏度,确实有助于改善计算效率。也就是在相近的计算预算下,有机会获得更好的模型性能。
但第二种情况就不一样了,保持总参数规模不变,进一步降低激活参数量。
比如,Hy4 flash 不考虑 Engram 参数的话,是一个 156B-A12B 的模型。
如果总参数仍然保持 156B,但是把激活参数进一步降低到 8B,甚至 5B,会明显损害模型的质量。
原因也很好理解。激活参数量在很大程度上决定了模型每次处理 Token 时实际使用的计算预算。
虽然模型仍然拥有 156B 的总参数,但每次真正参与计算的参数越来越少,能够完成的计算量也会随之减少。
提高稀疏度确实能够改善计算效率,但这种收益很难完全弥补计算量减少带来的能力损失。
所以,MoE 并不是越稀疏越好,还需要结合总参数量和激活参数量一起考虑。
而且,过于稀疏的 MoE,在实际推理中也未必更加高效。比如,总参数 200B,但每次只激活 3B 的模型,看起来计算量非常小,推理速度应该很快。
实际情况也不一定。
因为 200B 的模型仍然需要占用大量 GPU 显存,每次参与计算的参数只有 3B,很可能出现显存占用了很多,GPU 的计算能力却没有得到充分利用的情况。
不过如果是在普通电脑等本地设备上,情况又有所不同。因为这类设备通常受到内存带宽的限制,激活参数更少的模型,反而可能运行得更快。
这其实也是一个很有意思的技术判断。MoE 的稀疏度究竟应该做到多少,还需要结合模型能力、计算预算,以及实际运行的硬件来决定。
四、Reward Hacking 的难点
有开发者问,混元在长程 Agent 的强化学习中,最难解决的 Reward Hacking 到底是什么?
混元的同学举了个例子。
假设希望 Agent 在特定环境中,自主分析并解决问题。结果模型发现,根本不需要按照要求完成任务,只要直接上网搜索,就能找到答案。
这样一来,模型虽然获得了很高的奖励,但实际上没有掌握我们希望它学习的能力。
确实,过去我们讨论强化学习中的 Reward Hacking,往往关注奖励机制本身有没有漏洞。
但到了长程 Agent 任务中,即便奖励机制能够准确判断最终答案是否正确,模型也可能通过环境中的捷径获得高分。
而且,这类问题其实更难解决。
因为 Agent 本身就需要调用工具、访问外部信息,与环境进行多轮交互。你不可能为了防止模型钻空子,就把这些能力全部限制掉。
但只要允许模型与环境交互,就很难提前预料它会通过哪些方式绕过正常的任务流程。任务越复杂、执行的步骤越多,可能出现的漏洞也就越难排查。
更麻烦的是,强化学习会不断强化那些能够获得高奖励的行为。如果模型发现某种投机方法可以稳定获得奖励,训练过程反而可能让它越来越擅长钻空子。
所以,训练环境的设计就非常重要了。除了提供任务和验证结果,还需要防止答案泄漏、控制工具的访问权限,并且随着模型能力的提高,得能发现和修复新的漏洞。
这也能解释,为什么现在各家模型团队越来越重视 RL Environment。因为训练环境一旦存在漏洞,模型就可能在强化学习中不断利用这些漏洞,最后越来越擅长钻空子。
五、Hy4 为什么会过度思考?
Hy4 preview 的过度思考问题,我感觉还是比较严重的。正式版虽然有一定改善,但目前还没有彻底解决。
混元团队承认思维链过长是已知问题。
他说,Hy4 的训练目标仍然是尽可能提高模型的智能水平,在推理模型的强化学习中,为了提升模型解决复杂问题的能力,通常需要让模型进行更加充分的推理和探索。
但确实在实际使用时,更长的思维链未必能够带来更好的结果。
有些简单问题,本来只需要几步推理,模型却可能生成大量不必要的中间内容。最后既增加了 Token 消耗,也影响了任务完成速度。
所以,这事的难点是怎么让模型在需要的时候充分推理,同时又知道什么时候应该停止。过度思考确实是目前后训练中最难改善的问题之一。
不过,他们已经在 Hy4 flash 上进行了针对性优化,通过强化学习缩短思维链。
而且,Hy4 的能力还可以通过蒸馏迁移到 Hy4 flash 上,让 Flash 在保持较强智能水平的同时,进一步降低推理成本。
六、Hy4 flash 为什么没有完全继承 Hy4 的架构?
原本我以为,Hy4 flash 主要是通过蒸馏 Hy4 的能力,训练出速度更快、成本更低的 Flash 模型,架构上应该也会基本沿用 Hy4。
但实际上,Hy4 flash 在架构上也做了不少创新。除了继承 Hy4 的 iHC、门控 MLA 和 DSA,还引入了混合 SWA、LatentMoE 和 Engram。
为什么会这样?
混元团队解释,首先还是前面提到的实验效率。他们通过大量不同规模的阶梯实验,验证各种架构方案的实际效果,再根据实验结果决定采用哪些技术。
另外,他们非常重视模型和推理系统的协同设计。
简单来说,现在设计模型架构,除了考虑能不能提高智能水平,还需要考虑它在真实 GPU 上运行时的计算效率、显存占用和部署成本。
比如,Hy4 flash 引入混合 SWA,就是为了减少 KV Cache 的占用。按照官方数据,Hy4 flash 的 KV Cache 大小只有 Hy4 的六分之一。
也就是说,现在模型研发越来越需要考虑实际部署的问题。某项技术即便在实验中能够提高模型性能,如果在真实硬件上运行的效率不高,也未必值得采用。
七、小模型会越来越重要。
姚顺雨明确表示,Hy4-mini 已经进入他们的路线图,后面还会推出 Flash-Lite 模型,也在考虑 24B–31B 这样更小的稠密模型。
其实我反而觉得,小模型可能是非常值得关注的方向。
过去这一年,小模型和端侧模型看起来一直不在主流的牌桌上,大家关注的更多还是旗舰模型。
但我自己的感觉是,只要真正进入实际应用场景,这些小模型会变得非常非常重要。比如腾讯之前推出的 Marvis,就可以在配置比较好的 Windows 电脑上运行本地小模型。
因为对于很多实际应用来说,隐私和延迟实在太重要了。
前几天姚顺雨在清华的分享中,其实也提到了要形成一套 Model Hierarchy,模型层级体系。
大致就是先训练出足够强的前沿模型,再通过蒸馏等方法,得到不同参数规模的小模型。
当然,也不只是单纯蒸馏。就像这次 Hy4 flash,除了通过蒸馏学习 Hy4 的能力,还会在架构上进行创新。
因为小模型的实验成本更低,可以更快地通过 RSI 验证不同的技术方案。
最终,不同参数规模的模型可以适配不同的应用场景,整个模型体系的实用性也会更好。
0.62GB的体积配合近1000部视频训练,这数据密度确实有点吓人,就是不知道本地跑起来显存真能扛住不炸。
🤯炸了!8–16GB显存量化版可跑,近1000部成人视频硬喂出来的魔改版 MiniMax H3 专属LoRA,0.62GB极致写实直接起飞!人人都能做高真实感成人短片的时代真的来了……注意合规与身体啊!
社区大佬HearmemanAI用接近1000段真实成人视频专项训练HMNSFW AIO,给原本通用的MiniMax H3外挂了一套“垂直技能包”。
主打写实人体、动作一致性和动态质感,I2V尤其稳,T2V也大幅提升,无需额外触发词就能出高真实感短片。
关键亮点
🔹训练数据:近1000部视频(覆盖多种动作),训练超40小时
🔹体积仅0.62GB(safetensors),即插即用
🔹推荐配方:Euler采样 + 18步 + Shift 12(也兼容Turbo LoRA)
🔹强度0.6–1.0,可叠加其他角色/场景LoRA
🔹8–16GB显存量化版可跑,ComfyUI工作流+RunPod模板现成
丢给AI完成:
1️⃣下载官方MiniMax H3基座(Hugging Face:huggingface.co/MiniMaxAI/Min…)+ 量化版(推荐pruned INT8)
2️⃣拉取LoRA:huggingface.co/Sentinel7/h3/… 或 huggingface.co/Hearmeman/min…
3️⃣在ComfyUI加载基座 + 此LoRA(强度0.6–1.0),设置Euler/18步/Shift 12
4️⃣写详细提示词(参考作者示例),直接生成(I2V优先更稳)
5️⃣可选:叠加Turbo加速LoRA或RunPod一键部署
完全开源免费,本地可跑。
主链接:huggingface.co/Sentinel7/h3/…
作者合集:huggingface.co/Hearmeman/min…
#MiniMaxH3 #NSFW #AI视频 #LoRA #开源 #Hearmeman #极致写实 #ComfyUI
1
98
28块拿下日区Pro,这羊毛薅得我都想连夜挂节点去冲了,就是那每年SheerID复验的提示看得人有点心慌,生怕哪天资格没了直接给我转成2900日元的原价,到时候哭都来不及。
爽了兄弟们!也是吃上日区 30rmb Google Pro 了!!!🤓
实操👇
1.建日区支付资料
payments.google.com 里新建一份日本资料
姓名按银行卡卡面填
地址要真实存在的,我用的东京大学:邮编 113-8654、东京都文京区本郷 7-3-1
2.绑卡
国内的万事达直接就能用
我这里用的是 starryblu,还没有的兄弟可以看下评论区哦😁
3.删掉原来的免费会员
如果原来有会员需要先删掉,除非原来就是订阅的日区的学生优惠!
我的情况原来是美区的学生优惠,然后再次订阅一直是 us,而不是日元。
删会员去 myaccount.google.com/deletes…,删 Google One 服务,立即终止
同页还有 Gmail、YouTube,别点错了。。。
4.重新订阅
挂日本节点,开 one.google.com/ai-student
出来三档日元价
Plus 12 个月 ¥0
Pro ¥720,75% 优惠,最长 4 年
带 YouTube Premium 的 Pro ¥1,280
我选 ¥720 那档,然后回调 sheerID 认证,之前认证过的就不会再跳了
中国大学生是可以过的!!!⚠️地区选择台湾就能找到自己学校!
然后用你前面绑定的日区资料+银行卡就能订阅了😁
最后是付款这块
订单是 720 日元,Starryblu 那边先补贴了 64 日元
实际扣款 656 日元,😄
里外里算下来,这单实际掏了大概 28 块
最后几个提醒
¥720 是学生价
每 12 个月左右要 SheerID 复验一次
资格没了自动转 ¥2,900/月
订阅随时能取消
删会员这步不可逆,而且不是必成
社区里同路成功的不少
也有删完没再刷出学生优惠的个案
学生认证一人一份、绑账号,别想着拿别人的认证续!
1
110
Agent Cash 这坑真别踩。
说实话,看到 @mrchrismast_ 和 @MEJ50749 的遭遇真的绷不住,这两位刚用币安 App 扫了Cash网站的连接码,结果钱包里的 2133.5 万枚 AGC 直接被卖光,连 BNB 也被转走了。
之前官方就警告过别乱扫,现在看这教训够疼的,手别太快。
31


























