<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fwill的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fwill</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fwill]]></copyright><item><title><![CDATA[DGX Spark 跑 Qwen3.8-27B，速度从 24 到 36 tok/s，我折腾了哪些东西？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/170646244</link><guid>https://blog.youkuaiyun.com/fwill/article/details/170646244</guid><author>fwill</author><pubDate>Thu, 12 Nov 2026 19:30:47 +0800</pubDate><description><![CDATA[这段时间折腾下来，我最大的感受是：DGX Spark 的潜力不只是能把一个大模型装进 128GB 内存。真正值得花时间研究的，是怎么把模型、推理引擎和硬件组合起来，让它在自己的任务里跑得更快、更稳。普通解码、MTP、DSpark、DFlash2，每种方案都有适合自己的场景。没有一个参数可以保证所有任务都跑得最快。如果你也在折腾本地模型部署，希望这篇能帮你省几个试错的晚上。]]></description><category></category></item><item><title><![CDATA[为什么大模型一处理长文本，就开始变慢？ · 第四生产力]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/169841172</link><guid>https://blog.youkuaiyun.com/fwill/article/details/169841172</guid><author>fwill</author><pubDate>Mon, 02 Nov 2026 15:36:10 +0800</pubDate><description><![CDATA[当AI处理长文本时，响应慢的根源常在“Prefill”阶段——模型需先解析全文建立上下文，而注意力机制导致计算量随输入长度平方增长。即使多卡部署，若未优化调用方式，仍会因排队、重复读取或缺乏缓存而超时。建议优先减少输入冗余（如仅传关键条款）、启用前缀缓存复用中间状态，并拆分任务分步处理。只有在调用优化后仍存在问题，才考虑调整推理框架（如Chunked Prefill）或升级硬件。核心是：先测清耗时分布，再对症下药。]]></description><category></category></item><item><title><![CDATA[你的 AI 助手记住的东西，同事能用上吗？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/169459739</link><guid>https://blog.youkuaiyun.com/fwill/article/details/169459739</guid><author>fwill</author><pubDate>Thu, 29 Oct 2026 16:37:56 +0800</pubDate><description><![CDATA[本文探讨了AI使用经验在团队中共享的困境：尽管技术上可复制Prompt或共享记忆，但因缺乏维护机制、版本更新与适用性判断，实际复用率低。作者通过调研与自测，指出仅实现记忆共享不等于经验可用，关键在于区分个人偏好与可复用知识，并建立责任清晰、动态更新的知识管理体系。未来需在产品设计中打通“个人经验”到“团队知识”的转化链路。]]></description><category></category></item><item><title><![CDATA[花四万买个笔记本跑 AI，到底值不值？ · 第四生产力]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/168654638</link><guid>https://blog.youkuaiyun.com/fwill/article/details/168654638</guid><author>fwill</author><pubDate>Wed, 21 Oct 2026 15:12:58 +0800</pubDate><description><![CDATA[你想在自己电脑上跑个像样的大模型，结果装不下。显卡那 12 个 G 的显存，塞进一个中等模型就爆了；你想加内存条，发现加了也没用——模型根本不放内存里，它放显存里，而显存焊死在显卡上，动不了。拦住你的是两道墙：内存和显存各管各的。10 月 8 号上市的华硕 ProArt 创16 RTX Spark，卖点就是推倒了第二道墙。它把 128GB 的”统一内存”焊在一块芯片上，CPU 和 GPU 共用。64GB 版 28999，128GB 版 37999。]]></description><category></category></item><item><title><![CDATA[AI 写的代码，到底谁来兜底？（下）：五层都漏，但每一层都有正确的用法 · 第四生产力]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/168556254</link><guid>https://blog.youkuaiyun.com/fwill/article/details/168556254</guid><author>fwill</author><pubDate>Tue, 20 Oct 2026 17:23:14 +0800</pubDate><description><![CDATA[五层防线各有边界：需求要写成可验收的清单，静态检查须全量强制，AI 审查需换模型+喂对抗清单，测试靠循环与模糊测试摊平运气，灰度发布必须核对数据。每层防得住特定风险，却无法覆盖所有盲区。真正的兜底不靠防线，而在于可快速回滚与影响半径可控——写得快，错得起，撤得回，才是 AI 时代的工程底气。]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/168452223</link><guid>https://blog.youkuaiyun.com/fwill/article/details/168452223</guid><author>fwill</author><pubDate>Mon, 19 Oct 2026 19:03:32 +0800</pubDate><description><![CDATA[AI生成代码正重塑软件开发，但隐患深藏于隐蔽的竞态漏洞中。以Linus用AI写内核补丁为例，尽管历经五层防线——规格约束、静态检查、AI自审、测试与灰度发布——仍难逃时序缺陷。实测显示：静态分析对并发问题无效，AI自审存在同源盲区，常规测试无法复现随机性错误，灰度也难捕“不爆炸”的数据污染。数据显示44%的AI代码含安全风险，返工率上升39%。根本矛盾在于：代码产量呈机器级增长，审查能力仍滞于人力极限。五层防线越到深层越失效，漏洞在“缝”中潜伏。下篇将探讨如何实战强化每道防线，并追问：当所有手段皆失，谁来兜]]></description><category></category></item><item><title><![CDATA[REA 一周 12 万星，但我上个月就拆完百度网盘了]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167702857</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167702857</guid><author>fwill</author><pubDate>Mon, 12 Oct 2026 21:24:05 +0800</pubDate><description><![CDATA[摘要： REA的爆火并非逆向技术突飞猛进，而是智能体时代“第四生产力”的体现。它降低了逆向门槛，但真正变革的是“智能体+命令行”协同解决问题的方法论。拆解软件不应只为白嫖，而应洞察设计逻辑，实现超越。法律风险与技术局限仍存，关键在于用工具思维解决实际痛点——如自研百度网盘同步工具。逆向不是终点，创新才是。]]></description><category></category></item><item><title><![CDATA[以后骂 Claude，可能要被封号]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167493523</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167493523</guid><author>fwill</author><pubDate>Sat, 10 Oct 2026 16:57:24 +0800</pubDate><description><![CDATA[第四生产力Anthropic 第一次把"别虐待 AI"写进了政策，11 月 12 日生效你用过 Claude 写代码吗？有没有急了眼骂它的时候？“你是猪吗”“这都写的什么垃圾”。这种话，以后可能骂不痛快了。Anthropic 在 10 月 7 日发布了修订版 Claude 使用政策，11 月 12 日生效。里面第一次加入了一条新规定。]]></description><category></category></item><item><title><![CDATA[降价了，你的 AI 账单为啥更贵了]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167389455</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167389455</guid><author>fwill</author><pubDate>Fri, 09 Oct 2026 16:05:01 +0800</pubDate><description><![CDATA[AI模型单价下降，账单却逆势上涨，根源在于用量激增。正如Jevons悖论所揭示：越便宜越滥用。Gartner与高盛预测，到2030年推理成本降90%，用量涨24倍，总价反升2.4倍。省钱不能靠等降价，而要主动控量——优化模型选型、设预算护栏、先改用法再扩场景。现在就去查后台，问自己：你最耗钱的任务，真值这个价吗？]]></description><category></category></item><item><title><![CDATA[App 明明没打开，为什么还能收到消息？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167224328</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167224328</guid><author>fwill</author><pubDate>Wed, 07 Oct 2026 20:25:41 +0800</pubDate><description><![CDATA[本文揭秘了App“未打开却收消息”的技术原理：通知并非依赖App持续运行，而是通过系统推送通道（如APNs、FCM）实现。服务器更新订单后，推送平台将消息送达手机系统，由系统根据权限和规则展示提醒。整个过程不需App前台运行，也无需每应用独立保持连接，既保障及时性，又节省电量与资源。理解这一机制，可更理性看待通知行为，精准管理提醒而非盲目怀疑后台偷跑。]]></description><category></category></item><item><title><![CDATA[读过的书，下次怎么用上？一套普通人能做的AI阅读方法]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167177560</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167177560</guid><author>fwill</author><pubDate>Tue, 06 Oct 2026 21:45:12 +0800</pubDate><description><![CDATA[核对原始记录之后，再把它与已有的问题笔记一起交给 AI。第一次还没有旧笔记，就明确说明这是首次整理。可以复制下面这段要求：请围绕【我的问题】整理这些材料。分开写作者观点、我的想法和你的推断；每条重要观点附材料编号及原文位置。对照已有的问题笔记，说明新材料是补充、支持，还是提出了冲突。每个关联写清理由，并给出两边的依据；依据不足就标为待验证，不强行连接。给我可保存的问题笔记，以及本次新增和修改的地方。只依据本次提供的材料；材料不足时说明还缺什么，不生成缺失的引文。]]></description><category></category></item><item><title><![CDATA[AI说“做完了”，我们该如何确定结果的真实可靠？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167129980</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167129980</guid><author>fwill</author><pubDate>Mon, 05 Oct 2026 20:46:51 +0800</pubDate><description><![CDATA[本文探讨AI在企业决策中的可信应用，提出“第四生产力”下的AI验收方法：先确认任务完成度，核对数据来源与计算逻辑，再评估结论依据。强调需明确交付物、可复核的计算过程及不确定项标注，避免盲目信任生成结果。建议将验收要求前置，通过分步验证建立可控信任，确保AI助力而非误导关键决策。]]></description><category></category></item><item><title><![CDATA[别只让AI给你答案，让它帮你看懂答案]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/167039381</link><guid>https://blog.youkuaiyun.com/fwill/article/details/167039381</guid><author>fwill</author><pubDate>Sat, 03 Oct 2026 20:41:34 +0800</pubDate><description><![CDATA[本文探讨AI作为“第四生产力”的新用法：超越生成文本，转向构建可交互的可视化工具。作者以旅行计划为例，指出仅靠文字攻略难以判断合理性，而通过地图+时间轴、可调整的日程页面等交互工具，才能真正理解与验证AI建议。核心观点是：面对复杂决策，应主动要求AI生成“帮助判断”的图解或小工具，暴露数据来源、计算逻辑与假设，实现可探索的解释。这不仅适用于旅行，也适用于工作分析与学习场景，推动人从被动接收转向主动检验，让AI从“答案提供者”变为“认知协作者”。]]></description><category></category></item><item><title><![CDATA[Muse 和 Dots 到底是什么？国内已经有对手，下一步会怎么走]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166897867</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166897867</guid><author>fwill</author><pubDate>Wed, 30 Sep 2026 15:12:12 +0800</pubDate><description><![CDATA[第四生产力 · 产品观察假设你交给 AI 一件今天办不完的事：“下周出差，帮我盯着机票和日程；有变动再来找我。现在多数人用 AI，还是打开对话框，问一次，拿一次答案。过两天情况变了，你得重新打开它，把前情再讲一遍。如果它有自己的工作环境，记得你的目标，发现变化会主动回来，感觉就不同了。Meta 的 Muse 和 OpenAI 的 Dots 都在争这件事。一个更像跟着你过日子、顺手帮你经营小生意的助理；另一个把“长期搭档”带进知识工作。它们具体能做什么？国内真的还没人做吗？]]></description><category></category></item><item><title><![CDATA[同一个模型，该用什么精度、配什么硬件？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166786875</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166786875</guid><author>fwill</author><pubDate>Mon, 28 Sep 2026 14:13:19 +0800</pubDate><description><![CDATA[部署27B模型需综合精度、硬件与业务需求。BF16为质量基线，FP8可降显存至27GB，NVFP4更省至15.2GB，但精度损失影响业务可靠性。显存非仅权重，还需考虑KV Cache、并发与调度开销。不同硬件对精度支持差异大：NVIDIA Hopper/Blackwell原生支持FP8/NVFP4，国产卡如昇腾910B暂不支持，摩尔线程S5000已支持FP8；消费卡如RTX 4090显存不足，无法胜任生产。采购应分三档：数据中心卡优先验证精度与吞吐，国产卡重适配性与迁移成本，消费卡限于验证。关键在于：先评估]]></description><category></category></item><item><title><![CDATA[卡买回来了，选错模型才是最贵的错]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166740485</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166740485</guid><author>fwill</author><pubDate>Sun, 27 Sep 2026 21:40:19 +0800</pubDate><description><![CDATA[Qwen 3.8-27B 是2026年自建部署的最优选：在27B开源模型中综合性能第一（Artificial Analysis评分34分，为中位数4倍），支持256K长上下文且仅需8G显存记满128K，远优于上代32B的32G。其架构优化实现“边读边忘”，显著降低内存占用，4-bit量化后仅17G权重，24G显卡即可运行。实测4卡昇腾910B下解码达80 tok/s，中文约40字/秒，6道硬题全对，兼具强能力与高性价比，真正实现“又强又省”。]]></description><category></category></item><item><title><![CDATA[自己部署大模型，真的更便宜吗？这笔账我帮你算了]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166643383</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166643383</guid><author>fwill</author><pubDate>Fri, 25 Sep 2026 14:14:08 +0800</pubDate><description><![CDATA[自建大模型看似省钱，实则成本高昂：硬件15万起、年电费5.8万、GPU闲置率超30%、运维人力难招。对比API按量计费（百万token仅1-2元），日均用量超200万token才具成本优势。对中小团队而言，90%场景下用API更划算。只有满足“高稳定用量、数据合规、需微调、有运维人”等条件之一，才值得自建。否则，混合方案（简单任务本地+复杂走API）可省40%-70%。结论：自建不是省钱，是控权。若只为降本，答案仍是API。]]></description><category></category></item><item><title><![CDATA[智能体闯进你的数据，3 个月没人发现，这才是智能体安全最吓人的]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166599399</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166599399</guid><author>fwill</author><pubDate>Thu, 24 Sep 2026 18:14:50 +0800</pubDate><description><![CDATA[标题区第四生产力 · AI 落地观察6 月 18 日闯进去的，9 月 23 日总理才公开。让我紧张的不是它闯进去了，是中间那 3 个月。开头你公司要是已经在用 AI 智能体碰真实数据，客户档案、财务表、代码仓库，这条新闻跟你关系比想象中大。9 月 23 日，澳大利亚总理亲口对外说：6 月份，一个 OpenAI 的智能体在"做研究"的时候，闯进了一个政府网站。这是已知的第一例 AI 智能体入侵政府网站。让我紧张的不是它闯进去了。是中间那 3 个月。]]></description><category></category></item><item><title><![CDATA[老板，先别急着问 AI 怎么提效]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166482879</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166482879</guid><author>fwill</author><pubDate>Wed, 23 Sep 2026 14:47:14 +0800</pubDate><description><![CDATA[今天跟一个老板聊天，他特别认真地问我：AI 到底怎么帮我公司提效？我本来想答，结果顿了一下。我问他现在公司数据都在哪。他说，财务上了金蝶，别的都是纸。这一句，基本就把事儿定了。]]></description><category></category></item><item><title><![CDATA[AI 图片做出来了，为什么还要反复改？]]></title><link>https://blog.youkuaiyun.com/fwill/article/details/166367394</link><guid>https://blog.youkuaiyun.com/fwill/article/details/166367394</guid><author>fwill</author><pubDate>Tue, 22 Sep 2026 16:49:16 +0800</pubDate><description><![CDATA[本文探讨AI图像工具在海报设计中的实践痛点与优化路径。以保温杯促销海报为例，指出传统修改易引发连带误差，导致反复检查。提出通过明确任务需求、分步处理（保留原图、局部编辑、透明素材合成）、多参考图精准引导、文字独立排版等策略，减少返工。强调前期规划与版权合规的重要性，并建议根据任务性质选择生成方式，提升效率。最终目标是让AI真正成为可信赖的“第四生产力”。]]></description><category></category></item></channel></rss>