YOHO AI

标签：

  • DoorDash高端电商海报提示词

    DoorDash高端电商海报提示词

    DoorDash高端电商海报提示词

    DoorDash高端电商海报提示词


    🤖 ChatGPT

    🇺🇸 English Prompt

    Copy this structure and evolve to your brand 

Prompt : Act as a senior art director from a world-class advertising agency specializing in high-conversion digital commerce campaigns for DoorDash, Uber Eats, and Instacart.

Create a premium social media poster for DoorDash in vertical 4:5 format designed for Instagram brand marketing.

OBJECTIVE:
Reinforce DoorDash’s leadership in fast delivery, convenience, and everything-on-demand commerce while driving strong brand awareness.

ART DIRECTION:
Modern, clean, energetic, premium commercial design.
High visual impact.
Conversion-focused layout.
No clutter.
Everything should communicate speed and convenience within the first second.

BRAND IDENTITY:
Strict DoorDash branding.
Primary colors:
DoorDash Red (#FF3008)
Pure White (#FFFFFF)
Soft Gray (#F5F5F5)
Dark Neutral (#111111)

COMPOSITION:
Vertical 4:5 composition.
Strong center-weighted layout.
Large headline at upper third.
Dynamic foreground motion.
Clear CTA hierarchy.

HERO SUBJECT:
A smartphone displaying the DoorDash app interface positioned centrally, occupying 35 percent of frame height.
UI clearly visible with realistic order screen showing delivery tracking, ETA badge, cart preview, and “Arriving in 9 mins”.

PRODUCT STACK:
A premium floating product explosion emerging from the smartphone screen.
Everything in focus:
fresh burgers, pizza, sushi, groceries, fruits, beverages, medicine boxes, snacks, electronics accessories.
Products arranged in layered depth with premium spacing.
No chaotic overlap.

ENVIRONMENT:
Modern urban city environment abstracted in background.
Soft blurred skyscraper lights and subtle street bokeh.
Minimal architectural depth.
Environment supports speed and motion without distracting from hero subject.

MOTION:
Dynamic speed streaks flowing diagonally across frame.
Directional motion blur around products.
Energy trails and subtle particles emphasizing instant delivery.
Visual momentum should feel fast and exciting.

LIGHTING:
Bright premium commercial lighting.
Soft frontal lighting for product clarity.
Strong red rim lighting reflecting DoorDash brand color.
Subtle glow around smartphone.
Clean high-contrast shadows.

TYPOGRAPHY:
Large bold headline:

DELIVERED IN MINUTES.

Secondary copy:
FOOD, GROCERIES & MORE — RIGHT TO YOUR DOOR.

Typography should be bold modern sans serif, crisp, clean, conversion-focused.

CTA:
Red rounded button near bottom:
ORDER NOW

CAMERA:
24mm wide commercial lens
Slight low angle perspective
High-end CGI advertising composition

QUALITY:
Hyper-realistic
Photorealistic commercial rendering
Ultra-detailed products
Premium SMM campaign quality
8K UHD

NEGATIVE:
No AI artifacts
No warped UI
No distorted text
No clutter
No duplicate products
No cheap stock-ad aesthetics

    🇨🇳 中文提示词

    复制此结构并演变为你的品牌

提示词：扮演一名来自世界一流广告公司的资深艺术总监，专注于为 DoorDash、Uber Eats 和 Instacart 策划高转化数字商业活动。

为 DoorDash 创建一张专为 Instagram 品牌营销设计的 4:5 垂直格式高级社交媒体海报。

目标：
强化 DoorDash 在快速送达、便利性和随处可得的即时零售领域的领导地位，同时推动强有力的品牌知名度。

艺术指导：
现代、干净、充满活力、高级的商业设计。
高视觉冲击力。
以转化为核心的布局。
不凌乱。
所有元素都应在第一秒内传达出速度和便利。

品牌标识：
严格的 DoorDash 品牌化。
主色调：
DoorDash 红 (#FF3008)
纯白 (#FFFFFF)
柔和灰 (#F5F5F5)
深中性色 (#111111)

构图：
4:5 垂直构图。
强中心权重布局。
大标题位于上方三分之一处。
动态的前景运动。
清晰的 CTA 层级。

主体对象：
一个显示 DoorDash 应用界面的智能手机位于中心，占据画框高度的 35%。
UI 清晰可见，带有真实的订单屏幕，显示配送追踪、预计送达时间徽章、购物车预览以及“9 分钟内送达”。

产品堆叠：
从智能手机屏幕中涌现出高级的悬浮产品爆炸。
所有物品都在焦点内：
新鲜汉堡、比萨、寿司、杂货、水果、饮料、药盒、零食、电子配件。
产品按深度分层排列，间距考究。
没有混乱的重叠。

环境：
背景为抽象化的现代都市环境。
柔和模糊的摩天大楼灯光和微妙的街道虚化。
极简的建筑深度。
环境支持速度感和运动感，且不分散对主体对象的注意力。

运动：
动态的速度线条对角线划过画面。
产品周围有定向运动模糊。
能量轨迹和微妙粒子强调即时送达。
视觉动能应感觉快速且令人兴奋。

光影：
明亮的高级商业照明。
柔和的前置光以确保产品清晰。
强烈的红色轮廓光反映 DoorDash 品牌颜色。
智能手机周围有微妙光晕。
干净的高对比度阴影。

排版：
大号加粗标题：

DELIVERED IN MINUTES（数分钟内送达）。

副标题：
FOOD, GROCERIES & MORE — RIGHT TO YOUR DOOR（美食、杂货及更多——直接送达您的家门）。

字体应为加粗的现代无衬线体，清晰、干净、专注于转化。

CTA：
底部附近的红色圆角按钮：
ORDER NOW（立即下单）

相机：
24mm 广角商业镜头
微低角度透视
高端 CGI 广告构图

质量：
超现实
照片级真实商业渲染
超精细产品
优质社交媒体营销（SMM）活动质量
8K 超高清

负面提示：
无 AI 伪像
无扭曲 UI
无变形文字
不凌乱
无重复产品
无廉价库存广告美学
  • 餐饮手绘菜单海报提示词

    餐饮手绘菜单海报提示词

    餐饮手绘菜单海报提示词

    餐饮手绘菜单海报提示词


    🤖 ChatGPT

    🇺🇸 English Prompt

    【Theme Name】:
【Brand Name】:
【Main Title】:
【English Subtitle】:
【Main Color Tone】:
【Background Material】:
【Main Dish】:
【Side Dishes】:
【Brand Slogan】:
【Aspect Ratio】: 9:16

Generate an exquisite 9:16 vertical dining hand-drawn menu poster, the theme is 【Theme Name】, and the brand name is 【Brand Name】.

The overall style is a collage of real food photography + white hand-drawn line annotations + relaxed and cozy hand-drawn large titles + exquisite brand menu layout. The background uses 【Main Color Tone】 【Background Material】, with fine texture, soft light and shadow, and natural graininess; the overall feel is high-end, clean, and high-quality.

Place the hand-drawn Chinese main title 【Main Title】 and English subtitle 【English Subtitle】 at the top; the titles should be relaxed, natural, and exquisite, with a handmade feel, not messy. In the middle, display 1 main dish + 4–5 side dishes, with 【Main Dish】 as the primary visual focus and 【Side Dishes】 distributed around it. Dishes should have real photographic texture, natural shadows, clear ingredients, accurate tableware, and obvious primary-secondary relationships.

Beside each dish, add white hand-drawn dish names, English names, prices, or flavor keywords, and perform lightweight labeling using arrows, circles, dashes, dots, and small ingredient line drawings. Keep text within 2–3 lines, information should not be too dense, and hand-drawn lines should be restrained and have a sense of design.

Set a simple brand bar at the bottom, placing 【Brand Name】 and the slogan 【Brand Slogan】. The overall look should be like a set of dining new product campaign posters, slender, refreshing, exquisite, and with a sense of social media communication.

Avoid: rough backgrounds, messy titles, overly dense information, deformed food, deformed plates, inconsistent shadows, flat screens, messy graffiti, low resolution, cheap menu feel.

    🇨🇳 中文提示词

    【主题名称】：
【品牌名】：
【主标题】：
【英文副标题】：
【主色调】：
【背景材质】：
【主菜】：
【辅助菜品】：
【品牌 slogan】：
【画幅比例】：9:16

生成一张精致的 9:16 竖版餐饮手绘菜单海报，主题为【主题名称】，品牌名为【品牌名】。

整体风格为真实菜品摄影拼贴 + 白色手绘线条注释 + 轻松惬意的手绘大标题 + 精致品牌菜单排版。背景使用【主色调】的【背景材质】，带细腻纹理、柔和光影和自然颗粒感，整体高级、干净、有品质感。

顶部放置手绘中文大标题【主标题】和英文副标题【英文副标题】，标题要轻松、自然、精致，有手作感，不要潦草。中部展示 1 个主菜 + 4–5 个辅助菜品，【主菜】作为最大视觉焦点，【辅助菜品】围绕分布。菜品要有真实摄影质感、自然阴影、清晰食材、准确餐具和明显主次关系。

每道菜旁加入白色手绘菜名、英文名、价格或风味关键词，并用箭头、圈线、短划线、小圆点、小食材线稿进行轻量标注。文字控制在 2–3 行以内，信息不要太密，手绘线条要克制、有设计感。

底部设置简洁品牌栏，放置【品牌名】和 slogan【品牌 slogan】。整体要像一套餐饮新品 Campaign 海报，修长、清爽、精致、有社媒传播感。

避免：背景粗糙、标题太乱、信息过密、食物变形、盘子畸形、阴影不统一、画面太平、涂鸦凌乱、低清晰度、廉价菜单感。
  • 极简明亮风婚礼囍字海报

    极简明亮风婚礼囍字海报

    极简明亮风婚礼囍字海报

    极简明亮风婚礼囍字海报


    🤖 ChatGPT

    🇨🇳 中文提示词

    Generate a bright and clean image poster based on a specific theme: the first sight of the image is occupied by an oversized core glyph, totem, or symbol derived from the theme in the mid-background, with the glyph pressing down on the visual center in heavy flat blocks; the real theme protagonist or main body enters from the foreground and obscures part of the symbol, forming a strong memory point where the protagonist overlaps with the giant information background pattern. The background maintains a large area of high-brightness white space, with thin line frames, serial numbers, date-style small text, vertical short sentences, and bill/stamp-style information layers arranged around the edges; the text serves only as a rhythmic and ritualistic structure, not competing with the main body. The protagonist's posture should have a bit of playful interaction, and local accessories or hand-held objects should extend from the same information system, making the subject, symbol, border, and small text look like the same custom ID card or invitation poster. Colors are extracted from the material, emotion, and cultural semantics of the theme itself: the large area of base color remains bright, clear, clean, and airy, structural shadows are used for subject contours and layers, and a small amount of high-saturation accent colors are concentrated on the core symbol, borders, and information points, forming a cheerful, clear, and ritualistic bright color scale; the accent color changes with the theme, but must maintain the relationship of wide base color, heavy symbol, dense small text, and solid foreground. The overall texture is a combination of studio-like clear lighting, flat printed graphics, slight paper texture, and retro bill order, avoiding cluttered decoration and dirty/old/dim tones, ensuring the huge symbol is read first, followed by the foreground protagonist, and finally the surrounding dense information rhythm.

——————
Change the scene to: A new couple's wedding 'Xi' (Double Happiness) poster, a huge red '囍' as the background symbol, the groom and bride interacting in the foreground.
For social media: Wedding invitation preview or marriage registration commemoration, maintaining bright white space and ticket-style small text.
Size: Vertical 9:16, retaining red and white main colors and a relaxed, playful posture.

  • 你跟ChatGPT聊的记录，现在可以用来定你的罪了

    2025年元旦，洛杉矶帕利塞德丘陵发生特大野火，造成惨重损失。检察官在起诉嫌疑人Jonathan Rinderknecht时，拿出了一份不同寻常的证据——他的ChatGPT对话记录。

    AI成了指控你的证人

    检察官的主张是：Rinderknecht在ChatGPT上问过帕利塞德地区的风速情况，还问过某些化学品的助燃特性。这些查询记录，在检察官眼里，就是”有计划地准备制造最大破坏”的证据。

    OpenAI配合了搜查令，把这位用户的完整对话记录交给了当局。这件事本身就让很多人后背发凉——你跟AI聊的所有内容，理论上都可以被调出来当证据。

    ChatGPT日志成为法庭证据概念图
    ChatGPT对话记录成为法庭证据，AI隐私进入法律灰色地带（图：AI生成概念图）

    跟Google搜索不是一回事

    用Google搜东西，你拿到的是链接。但跟大语言模型对话是另一回事——你会把场景摆出来，追问细节，通过来回问答”搭建”一个想法。检察官在帕利塞德案里用的就是这些对话的结构，试图让法庭相信Rinderknecht对自己的行为后果有充分的认知。

    “我们不再只是搜索信息，而是和一个永远不忘记、永远配合传票的实体大声思考。”——帕利塞德案法律分析师

    第三方法则来了

    这个案子最终以误审告终——陪审员没能就ChatGPT查询记录是否足以证明犯罪事实达成一致。但法庭采纳这份证据的依据，是一个有争议的法律原则：”第三方法则”。

    根据这个法则，公民对自愿分享给第三方的资讯（比如银行、科技公司）”没有合理的隐私期待”。到了AI时代，这意味着你在聊天框里敲下的每一个念头，都属于那家公司，进而可以被当局获取。

    法律分析师警告，这会造成”寒蝉效应”：人们可能因为担心自己的数字足迹在将来的法庭上被用来对付自己，而不敢探索某些想法或提出问题。

    Rinderknecht的案子只是开始。随着AI融入生活的每个角落，这套技术的法律监管还远远落后于现实。当局能不能用你的AI对话记录来定你的罪——这个问题的答案，可能比你想象的更近。

  • 美光被华尔街当成下一个英伟达：一个月股价涨236%，AI内存短缺让它飞起来了

    美光科技的股票在过去一个月里涨了236%，收盘价1132美元。这家总部位于爱达荷州博伊西的内存芯片制造商，市值一度在周四短暂超过了Meta和特斯拉，虽然周五又跌回去了，但也差不多和它们持平了。

    从存储卡厂商到AI豪赌赢家

    大多数普通消费者提到美光，想到的还是那种给电脑、手机扩容用的小内存卡。但这家公司现在赚的钱，跟那个产品线已经没太大关系了。

    AI数据中心的扩建潮造成内存芯片严重短缺，无论是系统内存DRAM还是闪存NAND，美光都生产，尤其是高带宽内存（HBM），一块AI服务器需要的内存量是笔记本电脑的好几个数量级。英伟达这样的AI系统制造商，还有微软、亚马逊AWS、谷歌、Meta、甲骨文这些超大规模云厂商，都在疯狂采购内存。

    Micron AI内存芯片与股市上涨概念图
    美光科技搭乘AI内存热潮，股价一路飙升（图：AI生成概念图）

    财报数字确实吓人

    上周美光发布的第三财季财报，用”爆炸”来形容都不为过：营收414.5亿美元，是去年同期的4倍；利润从18.8亿美元直接跳到282亿美元。第四财季的营收指引更是给到490亿到510亿美元之间。

    华尔街一直在找下一家能像英伟达那样长期赚钱的AI概念公司，美光看起来符合这个想象。

    美光当前的市值约1.27万亿美元，Meta是1.39万亿，特斯拉是1.42万亿。几个月前，美光的的股价还在100美元以下徘徊了好几年。

    长期协议能不能扛过周期？

    内存芯片行业有个老问题：扩建生产线又慢又贵，等产能上来，需求往往已经掉了，然后就是供过于求、价格暴跌。美光这次能不能不一样？

    美光自己在财报电话会上强调，已经签了一堆长期供应协议，包括和英伟达以及AI实验室Anthropic的协议。公司说在数据中枢、消费和汽车市场段签了16个战略客户协议，这会”从根本上改变商业模式”。

    William Blair的分析师Sebastien Naji在一份研究报告中写道，需求增长继续超过新洁净室空间的上线速度，”考虑到未来几个季度ASP（平均售价）持续上涨的可能性很大，加上与关键客户的长期协议（SCA）迅速增加带来了更好的营收能见度，我们认为盈利增长有潜力变得更持久。”

    内存短缺的局面（有人叫它”RAMageddon”）预计会持续到2027年，已经在推高苹果产品和Xbox主机等消费电子的价格。美光能不能真正成为”下一个英伟达”，还是会在下一轮内存周期里被打回原形，接下来几个季度见分晓。

  • 一家初创公司声称突破了制约LLM的瓶颈，AI效率竞赛迎来新变量

    一家初创公司声称突破了制约LLM的瓶颈，AI效率竞赛迎来新变量

    大语言模型有个绕不开的数学瓶颈——”二次方爆炸”。处理的文本越长，计算量不是线性增长，而是平方级暴涨。这个瓶颈卡了业界快十年，但现在有家迈阿密的小公司说他们解决了。

    AI模型架构突破
    Subquadratic稀疏注意力机制示意图（AI生成图）

    Subquadratic公司5月从隐身模式走出来，发布了模型SubQ。他们声称用”稀疏注意力”替代了传统Transformer的”密集注意力”，把计算复杂度从二次方降到了——你猜对了——亚二次方。

    “我们希望开启一个效率新时代。几年后，没人会用Transformer搭建模型了。”

    ——Justin Dangel，Subquadratic联合创始人兼CEO

    二次方瓶颈到底卡在哪

    今天所有主流大模型都基于Transformer架构，核心是”密集注意力”机制。处理一段文本时，模型把每个词（token）编码成数字，然后让每个数字和所有其他数字相乘——用来捕捉词与词之间的关系。

    1万个词的文本，要算近5000万次乘法。文本长度翻倍，计算量翻四倍。这就是为什么长文档处理这么烧钱，也是为什么各家公司在拼命堆GPU。

    Subquadratic的思路很简单：不是所有词之间的关系都重要。稀疏注意力只挑重要的词做运算，跳过不相关的。问题难在——怎么判断哪些重要？以前的办法都用固定模式（比如”第1个词总是和第5个词比较”），效果不好。

    SubQ的”秘密酱料”是动态选择——对每段输入的文本，实时判断哪些词之间的关系值得计算。联合创始人Alex Whedon不肯透露具体怎么实现的，只说”这是我们的核心秘密”。

    质疑声：AI界的Theranos？

    第一次发布时，Subquadratic只给了几个自测跑分，没有第三方验证。AI工程师Dan McAteer在X上发文：”SubQ要么是Transformer之后最大突破，要么就是AI界的Theranos。”

    一个月后，Subquadratic找了第三方评测机构Appen来跑分。结果有些惊人：在LiveCodeBench编程测试上，SubQ得分89.7%，和顶级模型在同一个水平线。处理长文本时，SubQ的上下文窗口可达1200万token（主流模型一般是100万）。

    成本数据更夸张。跑同样的测试（从大文档里检索信息），Anthropic的Opus 4.6花了2600美元；SubQ花了8美元。

    但质疑没有完全消散。SubQ的底层权重是用中国开源模型Qwen”启动”的（在Qwen基础上微调），而不是从零训练的。这让一些研究者怀疑：这到底是一个全新架构，还是Qwen的一个高效变种？

    SubQ目前还没开放公测，等候名单上有几万人。在更多人真正用上之前，判断它是突破还是泡沫，还为时过早。但有一点是确定的：效率竞赛已经打响，谁能把大模型的计算成本打下来，谁就掌握了下一个回合的主动权。

  • 为什么韩国人如此热爱AI？从养老机器人到AI算命，这个国家正在全速押注

    为什么韩国人如此热爱AI？从养老机器人到AI算命，这个国家正在全速押注

    从仁川机场落地的那一刻起，你就感觉到韩国和硅谷的AI叙事完全不同。我在旧金山飞了12小时落地首尔，入境用了无人安检通道，机器扫了一下我的脸和护照，几秒钟就过了。坐地铁进市区，全程5G信号满格，连地下都是。车厢里每个人都低头盯着手机——不是在刷短视频，就是在和AI聊天。

    韩国AI应用
    首尔街头的AI服务机器人（示意图）

    首尔江南区公交站配有互动触摸屏，实时显示车次信息。区政府6月刚宣布要升级成”AI公交站”，配备多语言问答服务。走在街上，轮式机器人等在十字路口，给路人送外卖。互联网咖啡馆里坐满了青少年在打游戏——他们中的很多人梦想成为下一个职业选手。

    “韩国人对AI的热爱不是自发产生的，而是政府几十年来持续灌输的结果。从钢铁到半导体，从宽带到智能手机，每一轮技术革命韩国都押对了注，AI只是最新的一轮。”

    只有16%的韩国人担心AI

    皮尤研究中心2025年调查了25个国家，问”你对AI更多感到兴奋还是担忧”。结果：韩国只有16%的人说”更担忧”——25个国家里最低。美国呢？50%的人更担忧。

    韩国文化体育观光部和商工会议所的调查显示，超过一半的韩国人每天使用AI，要么是当个人助手，要么用来干活。这个渗透率在全球范围内都是顶级的。

    韩国人从小被教育：技术是国家现代化的唯一出路。朝鲜战争结束后，韩国从废墟里爬出来，靠的就是钢铁、造船、半导体、宽带、智能手机——每一波都押对了。现在到了AI这一轮，没人想掉队。

    政府全力押注

    李在明总统2025年上任后，誓言要把韩国带进”全球AI三强”，和美国、中国并列。他成立了总统AI战略委员会，砸钱买算力，还搞了一个”主权AI基础模型”项目，资助韩国公司开发自己的大模型。

    2024年韩国通过了《AI基本法》，是全球最早的综合AI立法之一。重点是促发展，监管很轻。斯坦福2026年AI指数报告显示，70%的韩国人认为通过AI推动科学和医疗进步比用监管保护行业更重要。

    三星和SK海力士两家公司撑起了韩国股市KOSPI指数——2026年两家公司市值都突破了1万亿美元，带动指数创历史新高。全球AI训练用高端内存芯片，大半是这两家造的。

    机器人 monk 和 AI 课本

    韩国人愿意尝鲜，政府也愿意在公共场景里部署AI。福祉中心里有了AI养老机器人，学校里开始试点AI课本（虽然因为错误太多被家长骂了一顿）。

    最出圈的是”机器人僧侣”——一家寺庙部署了人形机器人辅助宗教活动，外国媒体跑去拍了一大堆照片。K-pop领域也有AI虚拟偶像，和真人偶像抢饭吃。

    首尔中央市场晚上去吃炒年糕，我表妹掏出手机给ChatGPT输她的生辰八字，让它算命。她说问工作和感情是她每天最喜欢干的事。韩国Gallup的调查说，46%的20多岁韩国人用过聊天机器人算命。

    她还用ChatGPT问炒股建议，把工资全投进去了。她一边说ChatGPT是她的算命先生和财务顾问，一边又担心自己会被AI抢走工作。现代汽车宣布要部署Atlas人形机器人进工厂的时候，工会直接炸了。

    韩国人对待AI的态度，就像是整个国家在做一场豪赌——赌技术能把他们从内卷和衰退的焦虑里拉出来。AI能不能兑现这个期待，几年之内就能看到答案。

  • 英伟达开源MoE微调加速工具，一行import让微调提速3.7倍

    英伟达开源MoE微调加速工具，一行import让微调提速3.7倍

    MoE（混合专家）架构已经成为当前大模型的主流选择。从DeepSeek-V3到Qwen3，再到Google的Gemini，几乎所有最新发布的顶尖模型都在用MoE。但MoE有个麻烦——训练起来比普通Transformer麻烦得多，专家并行、通信融合、kernel优化，这些工程细节没有一个省心的。

    英伟达6月底开源了一个工具，试图让这件事变得简单。叫NeMo AutoModel，基本思路是：站在HuggingFace Transformers v5的肩膀上，不改你原来的代码API，只加一行import，就能把MoE模型的微调速度提升3.7倍，同时把GPU显存占用降低近三分之一。

    英伟达MoE微调加速工具概念图
    英伟达NeMo AutoModel通过一行import实现MoE模型微调加速

    3.7倍加速是怎么来的

    具体数字挺直观的。在单节点8张H100 80GB GPU上，用Qwen3-30B-A3B做微调，原来的Transformers v5每秒每GPU能处理3075个token，换成NeMo AutoModel之后直接拉到11340，提升3.69倍。显存这边，峰值占用从68.2GiB降到48.1GiB，省了29%。

    英伟达 team还测了Nemotron 3 Nano 30B-A3B，结果类似：吞吐提升3.4-3.7倍，显存降低32%。他们甚至拿550B参数的Nemotron 3 Ultra做了全参数微调测试——16个H100节点、128张GPU——这时候Transformers v5已经直接爆显存了，连对比的机会都没有。

    显存省下来的部分不是白给的——你可以拿它去跑更大的batch size，或者处理更长的序列。对于本来就卡显存的大模型训练来说，这两个操作直接决定了你能不能把模型训出来。

    核心技术：三板斧

    NeMo AutoModel在Transformers v5的基础上加了三样东西：专家并行（EP）、DeepEP、TransformerEngine。每一样都针对MoE训练的一个具体瓶颈。

    专家并行解决的是显存问题。MoE模型虽然每次推理只激活部分专家，但训练的时候，所有专家的参数都得放在GPU显存里。专家并行把这些参数分散到多张GPU上，8张GPU就每张只持1/8的专家参数。Qwen3测下来，这项技术能把MoE层的显存占用直接从68.2GiB压到48.1GiB。

    DeepEP解决的是通信开销。MoE训练的时候，每个token得先被路由到对应的专家，这个过程需要跨GPU通信。传统做法是”先分发、再计算”，DeepEP把它融合成了一个优化的GPU内核，”分发”和”计算”在时间上重叠了起来，通信的时间就被藏掉了。

    TransformerEngine提供的是基础运算加速。注意力机制、线性层、RMSNorm这些，都有专门的融合kernel实现。不只加速MoE层，普通Transformer层也能占到好处。

    一行import怎么做到

    用法确实简单。如果你原来就在用Transformers v5，切换到NeMo AutoModel只需要在文件开头加一行：

    • 把from transformers import AutoModelForCausalLM改成from nemo_automodel import AutoModelForCausalLM
    • 原来的训练代码几乎不用动
    • API完全兼容HuggingFace的接口约定

    这个设计思路很聪明。它不搞”全新框架”，而是在现有生态上做增强。这样用户的迁移成本几乎为零，英伟达那边也能持续从HuggingFace的生态里受益——相当于”我帮你提速，你继续用HuggingFace的接口”。

    为什么这件事值得关注

    MoE架构的普及速度比很多人预期的快。2026年上半年，几乎所有主流大模型发布都用了MoE或者类MoE的稀疏激活架构。原因很简单：在相同参数规模下，MoE的推理成本远低于稠密模型，但训练成本却高得多——因为所有专家的参数都得加载进显存，通信开销也大。

    英伟达这笔账算得很清楚：如果MoE是未来，那么控制MoE训练的工具链，就等于在AI训练基础设施里多插了一脚。HuggingFace占据了模型使用的入口，英伟达则通过NeMo AutoModel占据了”高性能训练”的入口——而且是以兼容HuggingFace的方式，用户几乎没有理由拒绝。

    代码、配置文件和基准测试脚本都已经放在GitHub上了（github.com/NVIDIA-NeMo/AutoModel），文档也在docs.nvidia.com上线了。感兴趣的人现在就能去试试，看看那3.7倍加速在自己的模型上能不能复现。

  • 领英创始人炮轰xAI是「彻底失败」，还说Cursor的巅峰已经过去了

    领英创始人炮轰xAI是「彻底失败」，还说Cursor的巅峰已经过去了

    LinkedIn联合创始人、Anthropic投资人Reid Hoffman最近在Fortune访谈里说了一些很直接的话。他对xAI的评价是”彻底失败”（complete train wreck），对Cursor的说法是”几个月前还星光熠熠，现在正在地平线上褪色”。这些话出自一个AI行业内部人之口，而且Hoffman本身不是旁观者——Anthropic是他的投资组合公司，所以他的话有立场，这点得先说清楚。

    xAI的11位联合创始人全走了

    xAI的问题不是一天两天了。到2026年5月，最初的那批11位联合创始人已经全部离开。这事儿从2026年2月开始加速，当时被认为是最核心运营负责人的Tony Wu宣布辞职，之后其他人陆续走人。

    Hoffman在访谈里没给xAI留任何面子。他说SpaceX收购Cursor这笔交易，恰恰证明了”这里缺的是AI能力，不是什么收购整合能力”。他的逻辑是：如果SpaceX真的是一家AI公司，它就不该用收购的方式来补AI的课。

    Reid Hoffman评论xAI与Cursor
    LinkedIn联合创始人Reid Hoffman（右）对xAI和Cursor的最新评价引发讨论

    xAI的故事从一开始就是马斯克个人意志的延伸。2023年7月官宣成立，2024年12月Grok-3发布，中间换过好几次技术方向。但真正的问题可能是：一个完全围绕单个人运转的AI实验室，到底能不能留住顶尖人才？11个人全走了，这个答案已经写在墙上了。

    Cursor被收购的时机有点巧

    Cursor的处境更有意思。这款AI编程工具在2025年到2026年初风头正劲，是很多开发者日常使用的工具。但Hoffman的说法是，它的巅峰可能已经过去了——”几个月前还星光熠熠，现在正在地平线上褪色”。

    背景是SpaceX在2026年6月16日以全股票方式、600亿美元估值收购了Cursor的母公司Anysphere。这笔交易宣布的时候，SpaceX的股价还在高位。但紧接着，SpaceX股价在一个交易日内跌了16%。这意味着Cursor股东拿到的股票价值已经大幅缩水，而且由于是全股票交易，这个缩水是实打实的。

    Hoffman对这笔收购的解读是：这更像是”IAC模式”——通过连续收购来聚合能力，而不是靠内生增长。他说SpaceX”不是一家AI公司”，xAI则是”彻底失败”。

    Cursor面临的竞争压力是真实的。2026年以来，Claude Code和OpenAI的Codex都在快速蚕食AI编程工具的市场份额。Claude Code尤其强势，很多原来用Cursor的开发者开始切换到Claude Code，原因是Claude的代码生成质量更稳定，而且直接整合在Claude对话框里，不用切换工具。

    Hoffman的AI竞争格局判断

    Hoffman在访谈里也给出了他对当前AI竞争格局的判断。他认为Anthropic在代码领域很强，而且正在往设计和法律方向扩展。ChatGPT的角色更像是消费者搜索的前端入口，而Codex的能力”被谈论得不够多，考虑到它实际上有多强”。

    这些判断有参考价值，但得带着Hoffman的身份一起看。他是Anthropic的投资人，所以强调Anthropic的优势是意料之中的。他贬低xAI和Cursor，某种程度上也是在为Anthropic的市场地位造势。

    但抛开立场不谈，他说的一些现象是客观存在的。xAI的人才流失速度确实异常，11个联合创始人在不到三年时间里全部离开，这在AI行业里是极少见的。Cursor确实面临着Claude Code和Codex的激烈竞争，而且Spotify和Universal Music的AI音乐授权协议（允许粉丝用AI翻唱）也改变了创作者工具的市场预期——这一切都让Cursor的”AI编程工具第一选择”地位不再稳固。

    这件事更大的意义可能是：AI行业的”护城河”到底在哪里？是模型能力，是产品体验，还是用户习惯？Cursor在产品和用户习惯上曾经领先，但现在看来，模型能力的追赶速度比很多人预期的要快。Claude Code背靠Anthropic的顶尖模型，这种组合的长期竞争力可能被低估了。

  • TimesFM：Google Research 开源时间序列基础预测模型，25.9K Stars 让时序预测变得简单

    TimesFM：Google Research 开源时间序列基础预测模型，25.9K Stars 让时序预测变得简单

    TimesFM：Google Research 开源时间序列基础预测模型，25.9K Stars 让时序预测变得简单

    Google Research Logo
    Google Research 官方博客

    项目简介

    TimesFM（Time Series Foundation Model）是由 Google Research 开发的预训练时间序列基础模型，专门用于时间序列预测任务。不同于传统需要针对每个数据集单独训练的预测模型，TimesFM 作为一个基础模型，经过大规模预训练后可以直接对未见过的时序数据进行零样本（Zero-shot）预测，就像大语言模型（LLM）处理文本一样革命性地简化了时序预测流程。

    该项目已在 Google 多款产品中落地：BigQuery ML（企业级 SQL 时序预测）、Google Sheets（表格预测功能）、Vertex AI Model Garden（Docker 化部署端点），是学术界与工业界共同认可的时序预测新范式。

    安装要求和过程

    环境要求

    • Python：3.9 及以上版本
    • 后端选择：PyTorch 或 Flax/JAX（二选一）
    • 硬件支持：CPU、GPU、TPU、Apple Silicon（M系列芯片）全平台兼容
    • 磁盘空间：模型约 200M 参数，下载后约 800MB

    快速安装步骤

    # 方式一：通过 PyPI 安装（推荐）
# 安装 PyTorch 版本
pip install timesfm[torch]

# 安装 Flax 版本（推理速度更快）
pip install timesfm[flax]

# 需要协变量支持时（引入额外特征辅助预测）
pip install timesfm[xreg]

# 方式二：本地源码安装
git clone https://github.com/google-research/timesfm.git
cd timesfm
pip install -e .[torch]  # 或 [flax] / [xreg]

    核心功能

    • ⚡ 长上下文时序预测：TimesFM 2.5 支持最长 16K 的时序上下文输入（2.0 版本仅 2048），可输出最长 1K 的预测 Horizon，适配绝大多数工业场景。
    • 📊 概率预测输出：除点预测外，还支持通过可选的 30M 分位数头输出 10%-90% 共 10 个分位数的连续概率预测，让预测结果包含不确定性信息，对风险敏感场景（金融、供应链）尤为重要。
    • 🔀 多后端支持：同时支持 PyTorch 和 Flax 两大深度学习框架后端，用户可按硬件环境自由选择；Flax 版本在 TPU 上推理速度显著提升。
    • 📈 协变量支持（XReg）：通过 XReg 模块可引入额外协变量特征（如节假日标记、促销信息等），有效提升复杂业务场景的预测精度，是 2.5 版本重新引入的重要特性。
    • 🎯 灵活预测配置：支持输入归一化、翻转不变性、正数推断、分位数交叉修正等多种预测配置，用户可根据数据特性精细化调整，获得更可靠的预测结果。

    典型使用场景

    • 📦 企业需求预测：零售企业可利用 TimesFM 对商品销量进行多步预测，输入历史销售数据（支持 16K 长度），输出未来 1K 个时间点的销量预测及置信区间，辅助库存决策和供应链优化。相比传统 ARIMA/Prophet 方法，TimesFM 无需手动特征工程，且对新型商品的冷启动预测表现优异。
    • 📊 业务指标异常预警：运维团队可将服务器 CPU 使用率、API 响应延迟、用户活跃度等关键指标输入 TimesFM，预测未来趋势并提前发现异常苗头。结合分位数预测输出的不确定性区间，可以在指标偏离正常范围之前发出预警，实现从”被动响应”到”主动预防”的转变。
    • 💹 金融时间序列分析：量化分析师可使用 TimesFM 对股票价格、汇率、期货价格等金融时间序列进行建模预测。TimesFM 的零样本预测能力使其可以快速适配不同金融产品，而概率预测输出则为风险评估提供了量化依据。Google Research 在预训练数据中包含了 Wikimedia Pageviews 和 Google Trends 数据，使模型对网络流行趋势类时序具有更好的理解。

    推荐理由

    作为 Google Research 的官方开源项目，TimesFM 代表了时间序列预测从”传统统计方法”向”基础模型范式”的重大转变。我推荐它的理由有以下几点：

    首先，真正的零样本预测能力。传统预测方法（ARIMA、ETS、Prophet）需要针对每个时间序列单独拟合模型，数据量不足时效果很差。TimesFM 在包含千亿级时序数据点的预训练语料上训练，习得了时序数据的通用模式，面对全新数据集时无需微调即可预测，大大降低了使用门槛。

    其次，工业级可用性。TimesFM 已在 Google 自家的 BigQuery ML 和 Google Sheets 中作为生产功能提供服务，经过大规模真实场景验证。2.5 版本将参数量从 500M 压缩到 200M，在保持预测精度的同时大幅提升了推理效率，体现了 Google Research 对实用性的高度重视。

    最后，与 LLM 生态的完美类比。TimesFM 之于时间序列，犹如 GPT/BERT 之于自然语言。对于已经熟悉 LLM 应用的开发者，TimesFM 提供了一条将”基础模型革命”延伸到数值预测任务的清晰路径。随着 AI Agent 对工具调用和外部数据感知的需求日益增长，像 TimesFM 这样的专业基础模型将成为 Agent 工具链的重要一环。

    下载地址

    许可证：Apache-2.0（可自由用于商业和个人项目）