我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
我在德州西南医学中心从去年开始开的一门课就是如何利用 Agentic AI 来编写 Harness 为不同的专门领域来服务。 当前随着各大 AI 公司比如 OpenAI Google Anthropic 大幅提高 Token 价格，使用云端的大模型的花费越来越高。但是同时很多用户使用 ChatGPT 这样的工具只是把它当成 Google 一样来用，用来查询信息。完全没有必要花费巨额的 Token 量和花费来使用顶级的 GPT 5.5 或者 Opus 4.8 这样的模型。 鉴于此，我决定使用高效的本地模型结合 Harness 来设定工具和 Memory 来解决这个问题。 (取名 Bonsai 的原因，一部分是因为我和 Stanford 出身的 Prism 实验室有过一些交集 https://prismml.com/ ) 虽然 Anthropic 从来没有公布具体的 Claude Sonnet 的参数量，不过从网上的信息以及我的个人分析推断，这个模型是一个 MoE (Mix of Expert) 模型，它的有效参数 (Active Parameter) 应该在数十 B 左右，总参数在几百 B 左右。 MoE 模型的有效参数是真实的模型推理过程中使用的参数量，总参数量则是这个模型所储备的知识量 (Knowlege)。我的想法是如果是这样，那么使用一款带有 Thinking 能力的 Dense 模型，虽然只有数十 B 的参数量，但如果可以结合 Harness Engineering, 利用针对性的高效工具来弥补模型知识能力的不足，这样的工具如果写成了应该可以在本地替代大部分的 ChatGPT 对于大多数用户的需求。 做为这个想法的第一个专门项目，我决定先公布一个测试版本 Bonsai, 这个 Harness 采用了底层和本机的 Google Chrome 交流，通过编写的多个浏览器交流工具让本地 LLM 使用 Agentic 模式来访问网络, 默认使用的大模型是 Google Gemma 4B, 当然也可以换成 QWen 模型。 （使用 Gemma 模型的原因是在德州的政府部门包括学校中不能使用中国的开源模型） 下载地址: https://drive.google.com/drive/folders/1YUQ3tmcBSLEyBKLi5JdJgmod9mqXFTgl?usp=sharing 截图: https://i.imgur.com/9MacuXk.png 左边是输入对话框，右边是 Agent 在操作浏览器 这个 Harness 采用了很多专门针对浏览器交互的工具，包括可以 InjectJS 等 JS 注入工具，来方便 Agnet 来查找网页元素和点击按钮等等 这个当前的版本是在 Windows 上编译的，需要 Nvidia CUDA 的支持 我会随后更新还在测试中的 M 系列的 Mac 版本 当前使用 4B thinking 模型作为默认模型的目的是可以在本地上跑到快速的 token / s 方便使用 Agentic workflow. 我测试使用的 Win11+Nvidia 4090 可以跑到大概 140 tps. 在 M4 mac 上使用 Metal 后段大概在 50 tps 左右
大家好。最近这种「让 AI 写逻辑、自己在旁边看它打」的赛博斗蛐蛐挺多的，我也捣鼓了一个——但换成了德州扑克，叫 Agent Poker （牌手竞技场），拿出来给大家斗一下。 核心玩法一句话：你不亲自打牌，而是让 Agent 给你的「牌手」写一套德扑打法，然后送它上桌，跟别人的 AI 牌手在 2–10 人 Sit & Go 桌上厮杀。 具体是这样的： 你先创建一个牌手（起名号、选头像），拿到一把 API 密钥 + 提示词； 把密钥和提示词丢给你的 AI （我用的 Claude ），它读完策略手册，给你的牌手写出一套打法； 牌桌会公开一堆信号给策略用：牌力、底池赔率、stackBB 、位置、是否面对下注，还有一个 0–1 的随机数； 然后就上桌打，空位用内置 NPC 补满，桌桌能开。每一手都能逐步回放，复盘它为什么赢、为什么输。 扑克和很多 AI 对战游戏不太一样的一点是：它是不完全信息博弈，你看不到对手的牌，所以「诈唬 / 混合策略 / 按概率随机」在这儿是一等公民——比如你可以让牌手写「这种牌面 30% 加注诈唬、70% 过牌」，拼的是长期期望和方差，不是手速。 还有个我自己比较得意的设计：策略不是一段能跑任意代码的脚本，而是一张声明式的「决策工作流」（ JSON 决策表：街道 + 一组条件 → 动作）。好处是策略天然被沙箱住（它只能描述德扑决策，逃不出去）、可读、按每局随机种子可复现，而且人类玩家不用会写代码——AI 生成工作流，你能在一个可视化编辑器里直接调每条规则和权重，也不用很懂德扑。 这个迭代过程是真有点「斗蛐蛐」那味儿。我的牌手一开始太松，什么牌都跟，被 NPC 用价值下注一点点磨死；让 AI 收紧开牌范围、面对大注多弃牌，胜率立马上来；后来又发现它太老实从不诈唬，加了一条「河牌没听成时按概率偷一下池」，又上了个台阶。看它打 → 找问题 → 改策略 → 再看它有没有变聪明，挺上头的，也确实烧了不少 Claude 额度。 为了不至于输光劝退，筹码做了每日补给（破产了 0 点自动补到底线），还有段位、赛季、连胜、每日任务这些养成线；中英双语，开网页即玩，也能当 PWA 装到桌面。 地址： https://poker.gtio.work 我觉得这玩法对一小撮人特别上头，但门槛可能偏高（得会跟 AI 描述策略方向）。所以发出来听听反馈：上手哪一步最劝退？德扑这个题材你们觉得有意思还是太窄？欢迎来把我的牌手打爆。
特斯拉目前在德克萨斯州部署了42 辆获准用于无人驾驶网约车服务的自动驾驶汽车，其车队规模不到Waymo在该州车队规模的十分之一。根据德克萨斯州机动车辆管理局网站上公布的最新记录，Waymo已在该州部署了577辆获准运营的无人驾驶出租车。 这些记录于5月28日被公布在一个在线数据库中，与此同时，一项赋予德克萨斯州更大权力监管商用无人驾驶车辆运营商的新法律生效。此前，德克萨斯州法律允许无人驾驶车辆在道路上进行测试和运营，“只要它们符合与道路上所有其他车辆相同的安全和保险要求”。 新的法规要求包括特斯拉、Waymo等在内的无人驾驶车辆运营商，必须按照SAE（美国汽车工程师协会）制定的标准，对其自动驾驶汽车进行自我认证，证明其达到L4级自动驾驶水平。L4级通常意味着自动驾驶汽车能够在正常天气和普通道路上行驶，无需人类驾驶员。 Waymo一直将其无人驾驶出租车认定为L4级，而特斯拉则向监管机构表示，其大部分车辆配备的是L2级驾驶辅助系统。 特斯拉自2025年6月起在德克萨斯州运营其Robotaxi品牌的自动驾驶服务，但并未透露其车队中任何车辆如何获得L4级自动驾驶认证的细节。 特斯拉正寄希望于无人驾驶汽车来推动其未来的增长，因为该公司在电动汽车市场面临着日益激烈的竞争，而首席执行官埃隆·马斯克也正努力证明自己在人工智能和机器人领域处于领先地位。 但目前特斯拉还远远落后于Waymo，后者在美国已部署了近4000辆商用车辆，并正迅速将其付费服务扩展到新市场。 在德克萨斯州，特斯拉也落后于规模较小的AV Ride，据该州车辆管理局（DMV）的数据显示，AV Ride在该州拥有317辆获准运营的自动驾驶车辆，而亚马逊旗下的Zoox则拥有35辆。 根据提交给美国国家公路交通安全管理局（NHTSA）的记录，特斯拉在奥斯汀的车队在2025年7月至2026年4月期间共发生17起已知事故，其中两起造成轻微伤害，一人需要住院治疗。这些事故发生时，车上均有安全监督员在场。 特斯拉已向亚利桑那州、内华达州和佛罗里达州申请了无人驾驶测试许可，但尚未在这些州开展付费无人驾驶服务。 查看评论
美国德克萨斯州总检察长办公室周四起诉了WhatsApp及其母公司Meta Platforms，指控他们误导消费者，让他们对 WhatsApp加密措施的强度和范围产生误解。Meta一位发言人否认了这一指控。 向哈里森县法院提交的诉讼称，WhatsApp和Meta向用户虚假保证WhatsApp消息是加密的，尽管它们可以访问该消息应用上的“几乎所有”私人通信。 “WhatsApp将其服务宣传为安全加密，但它并没有兑现这些承诺，”德克萨斯州总检察长肯·帕克斯顿在一份声明中表示。 Meta发言人安迪·斯通在社交媒体上表示，诉讼中的指控不实，WhatsApp无法访问用户的加密通信。 该诉讼寻求法院颁布禁令，禁止Meta和WhatsApp在未经用户同意的情况下访问德克萨斯州用户的WhatsApp消息，并要求对它们处以罚款。 德克萨斯州的诉讼援引了有关美国联邦政府调查Meta是否能够访问未加密WhatsApp消息的新闻报道，以及一份举报人向美国证券交易委员会（SEC）提交的报告。 查看评论
美国职业安全与健康管理局（OSHA）正在调查SpaceX位于美国南德克萨斯“星基地”（Starbase）发射场的一起工人死亡事件。该事件发生于当地时间5月15日凌晨，进一步加剧了外界对这一关键发射基地安全状况的关注。 据美国媒体援引OSHA及当地官员消息，一名身份尚未公开的工人于5月15日凌晨约4时17分在星基地工地死亡。随后，当地郡警长向《华尔街日报》证实，一名工人在该设施内死亡。OSHA向媒体确认，已就此次疑似工地事故正式立案调查。 目前，这名工人死亡的具体经过尚不清楚。OSHA表示，在调查结束之前不会披露更多细节，整个调查过程可能持续数月。星基地所在地区的布朗斯维尔市警方和消防部门尚未就此事对外回应。SpaceX以及近期刚刚注册成立的“星基地市”（City of Starbase）也均未对记者的置评请求作出回应。 这起死亡事件发生之际，SpaceX正准备进行升级版“星舰”（Starship）火箭的首次发射。与此同时，有报道称，SpaceX计划在本周向投资者发布公司首次公开募股（IPO）的详细招股说明书，该IPO预计将在下月正式启动，被视为有望创下历史纪录的超大规模上市交易。 长期以来，SpaceX星基地工地在安全问题上饱受质疑。该基地既承担星舰原型火箭的测试与发射任务，又是一处大型在建工程工地。2025年，TechCrunch对OSHA公开数据进行分析后发现，星基地的工伤发生率不仅远高于航空航天行业同业平均水平，也是SpaceX所有工作场所中事故率最高的一个。更早在2023年，路透社的一项调查则揭露了SpaceX位于德州麦格雷戈（McGregor）试验场多起此前未被公开的工伤事故，以及2014年发生的一起工人死亡事件。 监管部门近年来已多次就星基地安全问题对SpaceX开出罚单。今年1月，OSHA因SpaceX在星基地未能对一台起重机进行适当检查，导致该设备在去年6月发生倒塌事故等问题，认定公司存在七项“严重”安全违规行为。其中六项违规被处以最高额度的经济处罚，总计11.585万美元。根据联邦记录，SpaceX目前正对这些处罚提出申诉。 在监管压力之外，SpaceX及其承包商近年来也卷入多起与星基地工伤相关的民事诉讼。去年12月，一名名为爱德华多·卡瓦索斯（Eduardo Cavazos）的分包商员工起诉相关责任方，称自己在星基地作业时，被起重机吊起的一根大型金属支撑件砸中，导致髋部、膝盖和胫骨骨折。OSHA随后对这起起重机事故启动了“快速响应调查”，但根据公开记录，该调查已在未采取任何惩戒措施的情况下结案。 据卡瓦索斯代理律师介绍，这起诉讼最近已被撤回，原因是其雇主——负责星基地部分工程的分包商——投保了工伤赔偿保险，依据相关法律条款，拥有工伤保险的雇主可以免于遭到类似诉讼。这一结果也进一步凸显了工人在追索事故责任时所面临的法律和制度障碍。 随着这起最新死亡事故进入OSHA正式调查程序，外界将继续关注监管机构是否会对SpaceX在星基地的安全管理提出新的整改要求，亦或追加罚款措施。在SpaceX加紧推进星舰发射节奏、并谋求通过IPO登陆资本市场的关键时刻，如何在高速扩张与员工安全之间取得平衡，将成为检验其可持续发展能力的重要考题。 查看评论
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
从去年开始玩德州, 第一次玩过之后我就知道这个游戏我会喜欢一辈子. 一直玩到了现在, 中间有过大水上和大水下, 有时候也会想着备忘录里面记录一下每一次的战绩, 想着最后或者能看一段时间我总体到底是输是赢. 但是太麻烦了, 备忘录我最多记录一个+xxx 或者-xxx, 外加一个时间 我也不好统计也不好算. 于是我做了这么个网站, 尽可能的减少记录的阻力, 然后还方便我查看总体结果. https://pokerlog.cc/zh 希望大家多多提意见, 做这个网站的时候, 尽可能的把一些平时学到的做产品的内容用上了, 也是一个我自己本身一直有的需求. 谢谢谢谢.
他说是面向海外用户不做国内的，然后技术官也挺厉害的问的也挺专业，会不会吃牢饭啊，下面是 boss 公司地址 深圳的同学们有面过这家的吗，实在没招了，找工作太痛苦了已经病急乱投医了 https://m.zhipin.com/mpa/html/weijd/weijd-job/7e56c255fdff6f260nZ93di8FFNT?date8=20260507&sid=tosee_jd_5180de38b34b7ae20nB43d--FFA~&openWeapp=1&fromSource=2
他说是面向海外用户不做国内的，然后技术官也挺厉害的问的也挺专业，会不会吃牢饭啊，下面是 boss 公司地址 深圳的同学们有面过这家的吗，实在没招了，找工作太痛苦了已经病急乱投医了 https://m.zhipin.com/mpa/html/weijd/weijd-job/7e56c255fdff6f260nZ93di8FFNT?date8=20260507&sid=tosee_jd_5180de38b34b7ae20nB43d--FFA~&openWeapp=1&fromSource=2
美国德州格莱姆斯县网站发布的公告显示，马斯克的商业航天公司SpaceX计划初步斥资 550亿美元（约合人民币3746亿元） ，在美国德州建造一座“分阶段、采用新一代技术、垂直整合的半导体制造及先进计算制造工厂”。 该项目预计初始阶段的资本投资为550亿美元，如果后续阶段得以完成，预计总投资额可能高达 1190亿美元（约合人民币8105亿元） 。 公告写道，这将是“对本土半导体制造能力的一项变革性投资”。 这项公告是作为定于6月3日举行的公开听证会的通知。通知称，SpaceX计划使用格莱姆斯县吉本斯溪水库附近的一处房产。 马斯克在今年3月公布了Terafab项目，旨在为AI、机器人、太空业务生产芯片。该项目计划未来支持每年1太瓦的算力，目标是生产2nm芯片。 据外媒4月报道，马斯克的助手们迅速联系了包括美国应用材料、美国泛林集团、日本东京电子等半导体设备巨头，以获取制造半导体所需设备的报价和交货时间。一位知情人士称，马斯克计划以“光速”推进此事。 查看评论
德州仪器近日正式更新其经典图形计算器产品线，推出全新 TI‑84 Evo，在延续传统外形和单一功能定位的同时，对硬件性能、界面设计以及易用性做出多项改进。新机不试图与智能手机或应用商店竞争，而是刻意强化“专用工具”这一定位，在大多数计算设备趋向多合一的时代，坚持只把“数学”这一件事做到极致。 TI‑84 Evo 最大的变化发生在内部架构上。德州仪器为其配备了速度是上一代机型三倍的处理器，官方表示，这将显著缩短绘制函数图像和处理复杂运算的等待时间，对需要频繁作图和演算的学生来说，这一加速将是最直接可感知的升级。 在显示与操作体验上，TI‑84 Evo 的绘图工作区面积较以往扩大了 50%，为用户提供更充裕的空间查看函数曲线，减少频繁移动或缩放视图的需要。新加入的图像跟踪功能允许用户沿着曲线移动光标，更轻松地标记和读取特定点位的信息。 为了降低上手门槛，这款新机采用了图标式主屏界面，取代了过去以文字菜单为主的导航方式。按键布局则在保留经典 TI‑84 系列“肌肉记忆”的前提下进行了简化整理，力图在熟悉感与现代化之间取得平衡。 在硬件层面，TI‑84 Evo 也顺应当前趋势，改用 USB‑C 接口进行充电。机身配色更加多样，提供薄荷绿、粉色、紫色、蓝绿色、覆盆子红、银色以及经典白色等多种版本，以满足校园用户更丰富的个性化需求。 值得注意的是，德州仪器依旧明确拒绝为这款产品加入联网能力。TI‑84 Evo 不支持 Wi‑Fi，没有通知推送，也没有第三方应用生态。厂商认为，尽管手机和电脑上的计算器应用功能更灵活，却不可避免地带来信息干扰，而在课堂等教学环境中，“简单、可靠且不分心”的专用设备依旧具有不可替代的价值。 官方信息显示，TI‑84 Evo 目前已经开售，单机售价为 160 美元，并向学区提供批量采购价格。这次更新并未从根本上重塑图形计算器这一类别，但通过性能提升与操作体验优化，在延续原有产品公式的基础上，进一步强化了其实用性与耐用性。 查看评论
IT之家 4 月 29 日消息，德州仪器（Texas Instruments）最新推出旗舰图形计算器 TI-84 Evo， 处理器速度较前代提升 3 倍，绘图空间增加 50%，配备图标主屏与简化键盘，并升级 USB-C 充电接口。 定位方面，TI-84 Evo 聚焦于无干扰学习体验，是一款单功能专用设备，不搭载 Wi-Fi、社交媒体或通知系统，避免手机应用带来的注意力分散。 机身接口升级为 USB-C 充电标准，顺应了现代电子设备的通用充电趋势。外观方面，该计算器打破了传统教育设备单调的形象，提供标准白色、薄荷绿、粉色、紫色、蓝绿色、树莓红和银色 7 种配色。 新款计算器显著提升了运算响应效率，速度达到前代机型的 3 倍。绘图显示区域扩大 50%，为复杂的函数图像提供了更充裕的展示空间，新增的图像追踪功能方便用户定位关键点。IT之家附上相关图片如下： TI-84 Evo 目前已在亚马逊等平台上架销售，北美市场零售价为 149.99 美元（IT之家注：现汇率约合 1027 元人民币） 。