公司领导要求调研国产计算卡算力生态，要求如下： 1、windows/linux通用，像普通显卡一样插pcie 2、开发api最好类cuda/cudnn，不像也没关系 3、推理性能>=RTX 3060，只能高不能低 有玩过类似计算卡的佬能给点意见吗，这个要求国产卡能不能达到 1 个帖子 - 1 位参与者 阅读完整话题
据两位参加过SpaceX上市前投资者推介会的人士透露，SpaceX高管表示，该公司计划在2027年底前启动太空人工智能计算基础设施的初步演示，比其IPO文件中披露的“最早2028年”的部署时间表提前。轨道计算项目是SpaceX向投资者推介其长期增长战略的核心。该公司在其IPO文件中声称，它是“唯一一家拥有商业可行方案，能够大规模构建轨道AI计算能力的公司”。 SpaceX已向监管机构申请许可，计划发射多达100万颗太空数据中心卫星。 据两位知情人士透露，在IPO前的两次投资者推介会上，SpaceX的总裁格温·肖特韦尔 （Gwynne Shotwell） 和首席财务官布雷特·约翰森 （Bret Johnsen） 均到场参会，SpaceX高管概述了在2027年启动轨道算力技术演示的路线图。 据消息人士透露，肖特韦尔和约翰逊一直在与各大投行会面，力推公司IPO，计划筹集750亿美元资金，目标估值1.75万亿美元。他们将最初的部署描述为演示系统，旨在验证技术，为更广泛的商业推广做好准备。 其中一位消息人士解读IPO文件中的时间表，认为这是管理层为星舰研发或卫星制造可能出现的延误预留了空间。 SpaceX计划于周五在纳斯达克上市交易，股票代码为SPCX，IPO发行价目标为每股135美元。 在周一发布的一段视频中，马斯克表示，建造轨道人工智能数据中心并非一项艰巨的工程挑战，因为所需的大部分技术已经存在于其现有的星链卫星网络中。 马斯克表示，第一代人工智能卫星很可能使用英伟达芯片，航天器的计算机性能将相当于英伟达GB300机架。 查看评论
想买个 NAS ，自己装个算力卡，跑跑端侧 AI 啥的，求推荐一个靠谱的商家， 销售一体机方案的，如果有技术支持能力就最好了。
头部厂商都意图黑箱化算力真实价值，变成它们自己随意定义的经济价值，最终它们都想掌握AI时代的铸币权 10 个帖子 - 5 位参与者 阅读完整话题
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
4 个帖子 - 4 位参与者 阅读完整话题
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
从15:00 开始频繁报错，官方直接订阅的pro20 10 个帖子 - 10 位参与者 阅读完整话题
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
6月8日，苹果公司在加利福尼亚州库比蒂诺举行的年度全球开发者大会（WWDC）上全面展示了其在人工智能领域的最新进展，重点发布了全新升级的 Siri 及“Apple Intelligence”能力。在主题演讲后的技术交流环节中，苹果高管首次披露，公司正与Google及英伟达在云端模型和算力基础设施方面展开深度合作，以支持其最先进的云端大模型 Apple Foundation Model Cloud Pro（AFM Cloud Pro）。 在当天的主旨演讲中，苹果通过多段现场演示展示了新一代 Siri 的对话能力，这一版本可以与用户进行连续自然的双向交流，相比以往的语音助手有显著升级。演示中，Siri 能够帮用户查询演唱会日期、设置购票提醒，并在出行前规划路线、导航至途中接朋友再前往演出场馆，体现了对上下文和多步骤任务的综合处理能力。 与众多在大模型竞赛中大规模投入基础设施的硅谷公司不同，苹果在发布会上再次强调其差异化路径：不盲目追求“最大”“最强”的通用模型，而是聚焦隐私保护与使用体验，将隐私优势作为核心卖点。苹果软件工程高级副总裁克雷格·费德里吉（Craig Federighi）在发布会上表示，一些企业似乎只是为了“AI 而 AI”而竞赛，却未充分考虑这项技术最终要为普通人服务的初衷。 不过，在坚持自身隐私与架构理念的同时，苹果也引入了传统 AI 领军企业的技术力量。苹果高管在总部举行的技术说明会上向媒体表示，公司的最先进云端模型 AFM Cloud Pro 将运行在英伟达 GPU 之上，并部署在苹果的 Private Cloud Compute（私有云计算）基础设施中，同时与Google云环境相结合。苹果方面介绍，公司与Google和英伟达合作，将自家的私有云计算能力扩展至Google云中的英伟达 GPU 集群，同时保持苹果一贯强调的隐私保护标准。 负责 AI 的苹果高管 Amar Subramanya 在交流中称，AFM Cloud Pro 的能力可与Google的 Gemini 前沿模型相媲美，面向的是对算力和模型能力要求更高的复杂场景。他表示，这一模型将在云端运行，与本地设备上的模型形成互补，以便根据任务复杂度和隐私需求进行灵活调用。 苹果软件副总裁 Sebastian Marineau-Mes 进一步解释了选择英伟达最新芯片的原因：一方面苹果希望获得尖端算力，另一方面必须确保这些芯片以一种更“私密”的方式进行配置，使芯片提供方无法访问或读取服务器上的具体数据内容。他提到，英伟达近期在“模糊化机密计算”（ambiguous confidential compute）等方向上的改进，为苹果与Google搭建符合其隐私标准的系统提供了关键技术基础。 在架构层面，苹果高管详细介绍了 Apple Intelligence 的整体设计思路。苹果在自家操作系统及软件中加入了一个名为“system orchestrator（系统协调器）”的核心组件，该组件会根据每一次 AI 请求的算力需求以及所需访问的个人数据范围，判断应由本地模型还是云端模型来处理，从而在性能与隐私之间做出动态平衡。费德里吉表示，这一系统协调器是整个隐私架构的关键枢纽，用以确保用户数据在各种处理路径上都能获得同等级别的保护。 技术说明会也披露了更多苹果与Google合作的细节。费德里吉表示，嵌入在苹果设备中的 Apple Intelligence 主要采用苹果自研的模型，而非外界此前猜测的Google Gemini 公版模型，同时也没有直接采纳Google的标准云基础设施。相反，Google的相关技术主要被用于协助构建苹果自家的第三代 AFM 云端模型，这些模型被专门设计和调优以在 Apple Silicon 芯片上高效运行。 Subramanya 介绍称，苹果此次对外公布了四类模型：AFM Core、Core Advanced、Cloud 和 Cloud Image，这些模型全部针对 Apple Silicon 进行了定制优化，并使用苹果的专有数据进行训练，同时结合强化学习方法，并在训练过程中利用了Google Gemini 前沿模型的输出进行精调。这一策略使苹果既能保持模型和数据的主导权，又能借助行业领先模型的能力来提升自身产品质量。 在与 OpenAI、Anthropic 等以“云端大模型＋大规模数据收集”为核心策略的公司形成对比时，苹果不断突出其“更私密”的定位。苹果强调，Apple Intelligence 不会像部分网页端 AI 服务那样大量收集用户使用数据，而是尽可能依托本地存储的信息，如日历、短信等，在用户授权范围内为其提供个性化体验。这也与苹果长期以来围绕隐私构建品牌形象的路径相一致。 在资本市场的关注下，苹果如何通过 AI 讲好下一阶段增长故事仍面临挑战，但 WWDC 2026 的一系列发布显示，公司正在通过自研模型、本地算力、与Google及英伟达的合作，试图在“隐私优先”的前提下补齐云端大模型能力。在 AI 版图快速演变的当下，苹果的这一混合策略或将成为其与其他科技巨头竞争时的重要差异点。 查看评论
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
看到很多人对 llm 推理速度的描述都是 decode 主导/带宽控制/prefill 忽略不计，我想要提醒的是，这只对高算力 gpu/代码等密集推理来说是客观的，如 pro6000/5090 这类，本地 agent 场景并不是这样。 首先明确几个问题： 1 、未命中缓存的输入量：输出量是多少？长输出的密集推理往往输出大于输入（未命中缓存部分），甚至能达到 2:1 。工具密集的 agent 场景，根据我的 hermes agent 的数据，最近三天的数据是新输入量 / 输出量 = 4,882,795 / 377,561 ≈ 12.9 : 1,主要任务是信息检索/汇总/文件处理/智能家居。 2 、本地 agent 更多的工作在哪个场景？我认为主流场景是 12.9:1 这种，指望本地 ai 跑密集推理+编码任务不太现实啊。 3 、不同硬件的 prefill 速度和 decode 速度？以近期最火的 qwen3.6 27b 为例（ 8bit 开 mtp 参考值），5090 prefill 3000tps ，decode 70tps ，m3 ultra prefill 300tps ，decode 30tps 。 4 、此时，5090 prefill 1628s ，decode 5394s ，确实是 decode/带宽主导； m3 ultra prefill 16276s ，decode 12585s, prefill 占比 56%。 5 、对于本地部署常见的 4bit ，prefill 时间占比更高。 综上所述，对于低算力/大显存设备，prefill 所用时长是相当显著的，在工具调用密集型 agent 中甚至占有主导地位。
先感谢公益站大佬 虽然没花钱 但是感觉也太浪费算力了 不知道怎么就全花完了 之前就发过贴了 当时以为不会再有了 结果一下把最近签到的1500刀给化成欠费280刀了 每次都是0输出 怎么才能避免这种情况 让codex破案了 8 个帖子 - 7 位参与者 阅读完整话题
IT之家 6 月 8 日消息，据央视财经今日报道，今年以来， 算力需求爆发 ，带动电子布价格大幅上涨。 IT之家注： 电子布，全称电子级玻璃纤维布 ，是电子工业中的关键基础材料，主要用于覆铜板和印制电路板的制造，再应用于数据中心服务器、智能手机和 5G 通信基站等各类电子产品。 报道称截至 6 月初，市场上常用规格的电子布 已经完成年内 5 轮提价 ，均价达 7.4 元 / 米，与去年三季度的低点相比， 涨幅达到 100% 。 由于电子布对生产设备和工艺控制要求很高，客观上制约了产能的扩张节奏。专家表示， 电子布供需紧张的情况可能还会延续 。 业内人士预计，受电子纱扩产周期长、高端电子布产能落地仍需时间影响，电子布市场何时恢复供需平衡，还有待观察。
[招募新品体验官] ｜ 10 台懒猫 AI 摄像头免费送！！！ 继懒猫微服，懒猫 AI 算力舱后，第三款懒猫智能硬件发布啦！ 星际太空人，科幻外观设计，从零开模打磨了一年半，头围和蔚来汽车的 Nomi 一样大，意味着买了摄像头后，所有 Nomi 的头饰都可以随意搭配 后期会让懒猫 AI 摄像头结合懒猫 AI 算力舱，让用户自定义 AI 大模型，实现 100% 隐私的家庭 AI 摄像头 最重要的一点是，懒猫 AI 摄像头是 NAS 界第一款智能摄像头，买回家扫码就可以用。 以前那种购买第三方摄像头，破解 Token 各种折腾的时代结束彻底了！ 正式售卖价格 399 元，预售期间购买仅需 360 元 参与方式 想要免费体验这款科幻摄像头的朋友们，只需在评论区留言任意内容 并添加 VX：lanmaoweifu 备注：V2EX 邀请您加入“懒猫 AI 摄像头体验官活动群” 我们会在 6 月 10 日（本周三）晚上八点 我们会在“懒猫 AI 摄像头体验官活动群”里随机抽取 10 位幸运大佬 送出懒猫 AI 摄像头 特别提醒 进入活动群 中奖用户需提供参与活动截图 + 主页截图作为验证凭证 中奖优惠券仅用于小程序购买，不与京东分期优惠叠加，不可用于 LC-03 基础款 购买渠道和优惠 添加微信 lanmaoweifu 即可 获取懒猫微服内部资料和专属优惠 京东搜索「懒猫微服」下单，京东 6.18 免息正在进行中， 最高可享 6 期免息（ 16G+4T,48G+0T,48G+2T ） 全球包邮，UPS 红牌到家 懒猫零元购： 每移植一款应用到懒猫商店可得百元红包 原创应用奖励翻倍 撰写一篇攻略可得 50 红包 多移多得，无上限 关注 “懒猫微服”抖音，小红书，视频号账号，来直播间学技术，还送好礼
[招募新品体验官] ｜ 10 台懒猫 AI 摄像头免费送！！！ 继懒猫微服，懒猫 AI 算力舱后，第三款懒猫智能硬件发布啦！ 星际太空人，科幻外观设计，从零开模打磨了一年半，头围和蔚来汽车的 Nomi 一样大，意味着买了摄像头后，所有 Nomi 的头饰都可以随意搭配 后期会让懒猫 AI 摄像头结合懒猫 AI 算力舱，让用户自定义 AI 大模型，实现 100% 隐私的家庭 AI 摄像头 最重要的一点是，懒猫 AI 摄像头是 NAS 界第一款智能摄像头，买回家扫码就可以用。 以前那种购买第三方摄像头，破解 Token 各种折腾的时代结束彻底了！ 正式售卖价格 399 元，预售期间购买仅需 360 元 参与方式 想要免费体验这款科幻摄像头的朋友们，只需在评论区留言任意内容 并添加 VX：lanmaoweifu 备注：V2EX 邀请您加入“懒猫 AI 摄像头体验官活动群” 我们会在 6 月 10 日（本周三）晚上八点 我们会在“懒猫 AI 摄像头体验官活动群”里随机抽取 10 位幸运大佬 送出懒猫 AI 摄像头 特别提醒 进入活动群 中奖用户需提供参与活动截图 + 主页截图作为验证凭证 中奖优惠券仅用于小程序购买，不与京东分期优惠叠加，不可用于 LC-03 基础款 购买渠道和优惠 添加微信 lanmaoweifu 即可 获取懒猫微服内部资料和专属优惠 京东搜索「懒猫微服」下单，京东 6.18 免息正在进行中， 最高可享 6 期免息（ 16G+4T,48G+0T,48G+2T ） 全球包邮，UPS 红牌到家 懒猫零元购： 每移植一款应用到懒猫商店可得百元红包 原创应用奖励翻倍 撰写一篇攻略可得 50 红包 多移多得，无上限 关注 “懒猫微服”抖音，小红书，视频号账号，来直播间学技术，还送好礼