英国苹果认证翻新商 Hoxton Macs 最新报告显示，在相同使用年限和条件下，搭载 Apple Silicon 芯片的 MacBook 出现硬件故障并被退回维修或更换的比例，仅为英特尔芯片 Mac 的一半。 这一数据基于该公司超过十年的翻新与售后记录，进一步强化了苹果在硬件可靠性方面的行业口碑。 报告指出，2025 年该公司售出的 Apple Silicon Mac 中，仅有 0.9% 在售出一年内因硬件故障而需要保修维修或更换。 而在同一时期、同样以“销售后一年内的硬件故障”为统计口径下，英特尔芯片 Mac 的故障返修比例则约为前者的两倍。 为保证可比性，Hoxton Macs 将 2016 款 MacBook Pro 在 2016–2018 年间的故障情况，与 2020 年款 M1 MacBook Air 在 2020–2022 年间的故障情况进行对应比对，即以设备服役年限而非上市时间作为基准。 从整体趋势来看，Hoxton Macs 称其过去三年间所有 Mac 机型的综合保修返修率已经“减半”。 2023 年所有机型的硬件故障返修率为 2.9%，而到 2025 年已降至 1.1%。 该公司总结称，“在机龄相同的前提下，英特尔 Mac 出现硬件故障并被送回维修的频率，大约是 Apple Silicon 机型的两倍；主板和电池等关键部件的故障率在英特尔机型上同样高出约一倍”。 AppleInsider 称，这一关于英特尔机型更高故障率的结论，与其此前在美国东海岸多家 Apple Store 收集到的 2010–2020 年间售后数据基本一致。在整个 PC 行业中，设备故障率“整体有走高趋势”，而苹果却在 Apple Silicon 时代呈现出相反方向的改善曲线。 在故障原因方面，Hoxton Macs 认为 Apple Silicon 时代的架构转变在其中起到了重要作用。 在英特尔时代，由于芯片功耗与发热更高，电池往往需要承受更频繁的充电循环，导致电池磨损更快、更早需要更换。 相比之下，Apple Silicon MacBook 的能效更高，整机功耗更低，电池循环次数明显减少，从而延缓了电池老化进程，降低了电池相关的返修需求。 该公司基于回收与翻新设备的电池循环次数绘制的统计图显示，在不同机龄区间内，Apple Silicon MacBook 的电池循环次数一贯明显低于同龄英特尔机型。 报告举例称，当一台服役三到四年的 Apple Silicon MacBook 被送至翻新流程时，其电池循环次数大约只有同龄英特尔 MacBook 的一半左右。 除了电池，英特尔时期 Mac 机型的 USB‑C 接口也被指出存在更高的故障率。 Hoxton Macs 表示，在其返修和翻新记录中，英特尔 Mac 的 USB‑C 端口损坏问题更为常见，而在 Apple Silicon 机型上同类故障相对较少。 散热设计的差异也被认为是可靠性差距的重要因素之一。 Apple Silicon 版本的 MacBook Air 采用无风扇被动散热设计，而英特尔版本的 MacBook Air 则配备风扇。 报告指出，风扇在提供主动散热的同时，会持续吸入外界空气并夹带灰尘，长期积累后容易堵塞散热通道，降低散热效率，进而引发与过热相关的硬件问题。 对于采用无风扇设计的 Apple Silicon MacBook Air 来说，这类由风扇吸尘引发的堵塞与故障隐患则基本不存在。 在芯片与系统架构层面，Hoxton Macs 还推测 Apple Silicon 机型整体使用了更少的高发热元件，使整机在设计上更加“凉快”。 相比之下，一些英特尔机型还搭载了独立显卡等高热量组件，故障常常集中在这些高热区域附近，包括主板和图形子系统周边。 这份翻新与售后数据延续了苹果在电脑硬件可靠性方面长期以来的良好口碑，并认为 Apple Silicon 时代在这一维度上进一步拉开了与前代产品的差距。 不过，在客户满意度方面，苹果也并非毫无压力：美国消费者满意度指数（ACSI）2025 年 9 月的年度调查显示，苹果的个人电脑满意度得分从此前的 85 分下滑至 82 分，被惠普以微弱优势反超，退居第二位。 在软件支持层面，苹果已经在 macOS 27“Golden Gate”中彻底停止对英特尔硬件的支持。 这意味着仍在使用英特尔 Mac 的用户，如果希望继续获得最新版系统及相关功能更新，将不得不考虑升级到 Apple Silicon 平台。 从 Hoxton Macs 的统计来看，那些最终选择更换到 Apple Silicon MacBook 的用户，不仅能获得更长的软件支持周期，同时也更有机会得到一台硬件可靠性明显优于旧机型的笔记本电脑。 查看评论
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 起因 我让 AI 把桌面的图标重绘了，效果还不错~ 搞七捻三 最近在玩 OneShot（强推！！心目中排名第二的游戏，第一是星际拓荒hhh）,周末睡了个懒觉起床后看着电脑背景的niko突发奇想:能不能把桌面所有图标都统一成 OneShot 风。 但像我这种手残党肯定是不可能手画的。于是写了个小工具,让 AI 来干这活。 before： [ef648dd5fc097bdaa6e1a0d355dd014d] after： （画风还没有优化，不喜勿喷谢… 之前发了一个帖子展示了用 AI 重绘桌面图标的效果，看有几位佬挺感兴趣，所以我把工具整理了一下，现在正式开源啦： icon-themer ( https://github.com/despriber/icon-themer ) 它是什么: 一个 Windows 桌面 GUI 小工具，用图像生成模型（兼容 OpenAI 接口）把桌面快捷方式和文件夹的图标批量重绘成统一画风。 APP界面展示： 内置了一个 OneShot 像素风主题，效果如下（背景是网上找的）： 主要功能介绍 自动扫描桌面 ：启动后自动列出所有桌面快捷方式和文件夹（不包含“我的电脑”等系统文件） 批量生成：勾选想改的应用，一键生成统一风格图标 自定义主题 ：app支持 自定义主题以及从壁纸生成主题（需要配置图文模型） 生成历史 ：每次生成都会归档，可以回看和重新套用以前的版本 隐藏名称和箭头 ：支持隐藏快捷方式名称、隐藏快捷方式小箭头，让桌面更整洁 一键恢复 ：所有改动全程可逆，不满意随时恢复原状 快速开始 环境要求： Windows 10/11 + Python 3.10+ （一）安装 conda create -n icon-themer python=3.10 -y conda activate icon-themer pip install -r requirements.txt （二）运行 python app.py 首次运行点右上角「设置」，填入你的 OpenAI 兼容接口的 Base URL、API Key 和模型名就行。 支持任何兼容 OpenAI 接口的图像生成服务（images.generate / images.edit）。 自定义主题 主题就是一个 JSON 文件，核心是一段描述画风的 prompt： { “name”: “oneshot”, “display_name”: “OneShot (Niko / pixel)”, “size”: “1024x1024”, “pixel_art”: { “enabled”: true, “source_size”: 32, “colors”: 32 }, “base_prompt”: “Pixel art app icon drawn in the exact visual style of …” } 可以在 GUI 里的「主题管理」直接新建/编辑。也可以通过上传背景让图文模型（需在设置中配置url、key和model）生成主题 GitHub： https://github.com/despriber/icon-themer 目前这只是我自用的一个版本，所以可能有很多考虑不周的地方，请各位佬海涵~ 欢迎各位佬 Star、提 Issue、贡献主题 JSON！也欢迎分享截图呀~ 3 个帖子 - 3 位参与者 阅读完整话题
我将生图大模型和 Claude Code 编程模型合并到一个会话中，就可以修改完图让 AI 直接设置为 icon ，毕竟编程大模型生图的能力比较弱，程序员偶尔还是需要生成图的，汇报、开发界面、写文档还是需要的，我感觉在一个工作流中更方便，而且也符合程序员的操作习惯，我是不喜欢用美术那套工具的，大家有兴趣可以试试。 https://github.com/wellingfeng/FreeUltraCode 不好意思又发了一次，希望不要打扰到大家。
IT之家 5 月 28 日消息，慧荣 (Silicon Motion) 今日发布面向 AI 推理与 KV 缓存工作负载优化的固态硬盘主控芯片 SM2524XT。 SM2524XT 基于台积电 6nm 制程工艺，拥有 4 个内核，采用 DRAM-less 架构，支持 PCIe Gen5 ×4。慧荣表示其 相较上代产品能效改进 25% ，即使在最严苛的热环境下也能维持数据吞吐能力。 这颗主控拥有 4 个 4800MT/s 闪存通道， 顺序读取速率可达 14GB/s ， 而 2500K IOPS 意味着其随机性能代际提升达到 25% 。 慧荣表示： 随着设备端 AI 推理复杂度的不断提升，KV 缓存已成为决定 AI 个人电脑响应速度快慢的关键存储瓶颈。与传统的消费级 SSD 工作负载不同，KV 缓存会产生持续不断的高度碎片化、对延迟敏感的随机读写操作流，这些操作要求在持续负载下保持稳定的 IOPS 吞吐量和坚如磐石的低延迟性能。 SM2524XT 经过从零开始的精心设计，旨在攻克这些由 AI 驱动的访问模式，即使在最严苛的持续推理会话中，也能保持稳定的随机 I/O 性能。
IT之家 5 月 27 日消息，广颖电通 (Silicon Power, SP) 昨日宣布推出全新产品 XPOWER Cyclone R DDR5。这一电竞内存模组通过华硕 ROG Certified 认证，搭配 ROG 系列主板时能进一步发挥平台性能。 XPOWER Cyclone R DDR5 是 广颖电通专为华硕 ROG 20 周年企划量身打造的产品 。其支持 AMD EXPO 技术，针对 X870E 系列芯片组进行了全面的兼容性与稳定性测试，最高速度可达 6000MT/s。 而在外观方面，该内存条延续 XPOWER 品牌一贯的电竞设计风格，采用全新“幻影黑”配色方案和具备速度感的反向斜切渐变线条，整体灵感源自电竞赛事中的高速动态与竞速氛围。
codex app 的 context 使用率是不是被砍了，今天发现原本那个圆形的统计 icon 没了。也没找到其他地方查看。奥特曼开始不当人了？ 现在看不到很难做主动压缩的决策了。一旦 context 接近满了压缩一次都很耗 token，并且一旦压缩过之后，会话后续的 token 都会非常烧 token。 4 个帖子 - 3 位参与者 阅读完整话题
安装 Python 3.12 使用 miniconda 安装 Python 3.12 mkdir -p ./miniconda3_install_tmp # Download the miniconda3 installation script wget https://repo.anaconda.com/miniconda/Miniconda3-py312_26.3.2-2-Linux-aarch64.sh -O ./miniconda3_install_tmp/miniconda.sh # Install miniconda3 into the project directory bash ./miniconda3_install_tmp/miniconda.sh -b -u -p ./miniconda3 安装完成后，您将获得一个空的初始环境。请激活此初始环境，它默认使用 Python 3.12。 source ./miniconda3/bin/activate python --version # Should display 3.12.x 进入项目目录中拉取官方demo项目 cd miniconda3 git clone https://github.com/OpenBMB/MiniCPM-o-Demo.git 下载decord github.com/csabakecskemeti/dgx_spark_prebuilds decord/decord-0.6.0-cp312-cp312-linux_aarch64.whl main 此文件是二进制文件。 显示原始文件 下载torchcodec github.com/time2k/torchcodec_for_aarch64 torchcodec-0.8.1-cp312-cp312-linux_aarch64.whl main 此文件是二进制文件。 显示原始文件 将下载的decord、torchcodec包放到MiniCPM-o-Demo目录内 修改install.sh文件 修改python版本号为3.12 PYTHON="${PYTHON:-python3.12}" 修改torch、torchaudio安装版本，增加torchcodec、decord安装 修改前 ${PIP} install "torch==2.8.0" "torchaudio==2.8.0" 修改后 ${PIP} install torch==2.9.0+cu130 torchaudio==2.9.0 --index-url https://download.pytorch.org/whl/cu130 ${PIP} install torchcodec-0.8.1-cp312-cp312-linux_aarch64.whl ${PIP} install decord-0.6.0-cp312-cp312-linux_aarch64.whl 完整install.sh文件内容 #!/bin/bash # MiniCPMO45 Service One-Click Environment Installation Script # # Usage: # cd minicpmo45_service # bash install.sh # # Features: # 1. Create a Python 3.10 virtual environment # 2. Install PyTorch + core dependencies # 3. Attempt to install Flash Attention 2 (auto-skip on failure, fallback to SDPA) # 4. Verify installation results # # Environment Variables (optional): # PYTHON=python3.11 Specify Python interpreter (default: python3.10) # SKIP_FLASH_ATTN=1 Skip Flash Attention installation # MAX_JOBS=8 Flash Attention compilation parallelism (default: nproc) set -e # Exit on error (flash-attn section handled separately) # ============ Configuration ============ VENV_DIR=".venv/base" PIP="${VENV_DIR}/bin/pip" PYTHON_BIN="${VENV_DIR}/bin/python" PYTHON="${PYTHON:-python3.12}" MAX_JOBS="${MAX_JOBS:-$(nproc 2>/dev/null || echo 8)}" FLASH_ATTN_VERSION=">=2.7.1,<=2.8.2" # Officially recommended version range # ============ Colored Output ============ GREEN='\033[0;32m' YELLOW='\033[1;33m' RED='\033[0;31m' NC='\033[0m' # No Color info() { echo -e "${GREEN}[INFO]${NC} $1"; } warn() { echo -e "${YELLOW}[WARN]${NC} $1"; } error() { echo -e "${RED}[ERROR]${NC} $1"; } # ============ Step 1: Create Virtual Environment ============ info "Step 1/4: Creating virtual environment (${VENV_DIR})" if [ -d "${VENV_DIR}" ]; then warn "Virtual environment already exists: ${VENV_DIR}, skipping creation" else if ! command -v "${PYTHON}" &> /dev/null; then error "${PYTHON} not found. Please install Python 3.10+ or specify the path via PYTHON=python3.x" exit 1 fi PYTHON_VERSION=$("${PYTHON}" -c "import sys; print(f'{sys.version_info.major}.{sys.version_info.minor}')") info "Using Python ${PYTHON_VERSION} (${PYTHON})" "${PYTHON}" -m venv "${VENV_DIR}" info "Virtual environment created successfully" fi ${PIP} install --upgrade pip -q # ============ Step 2: Install PyTorch ============ info "Step 2/4: Installing PyTorch + torchaudio" # Check if already installed (skip redundant installation) if ${PYTHON_BIN} -c "import torch; print(torch.__version__)" 2>/dev/null | grep -q "2.8"; then TORCH_VER=$(${PYTHON_BIN} -c "import torch; print(torch.__version__)") CUDA_VER=$(${PYTHON_BIN} -c "import torch; print(torch.version.cuda)") info "PyTorch already installed: ${TORCH_VER} (CUDA ${CUDA_VER}), skipping" else ${PIP} install torch==2.9.0+cu130 torchaudio==2.9.0 --index-url https://download.pytorch.org/whl/cu130 ${PIP} install torchcodec-0.8.1-cp312-cp312-linux_aarch64.whl ${PIP} install decord-0.6.0-cp312-cp312-linux_aarch64.whl TORCH_VER=$(${PYTHON_BIN} -c "import torch; print(torch.__version__)") CUDA_VER=$(${PYTHON_BIN} -c "import torch; print(torch.version.cuda)") info "PyTorch installed successfully: ${TORCH_VER} (CUDA ${CUDA_VER})" fi # ============ Step 3: Install Core Dependencies ============ info "Step 3/4: Installing core dependencies (requirements.txt)" ${PIP} install -r requirements.txt info "Core dependencies installed successfully" # ============ Step 4: Install Flash Attention 2 (Not Recommended) ============ # info "Step 4/4: Installing Flash Attention 2 (optional, auto-skip on failure)" # if [ "${SKIP_FLASH_ATTN}" = "1" ]; then # warn "SKIP_FLASH_ATTN=1, skipping Flash Attention installation" # warn "Inference will use PyTorch SDPA (approximately 5-15% slower)" # else # # Check if already installed # if ${PYTHON_BIN} -c "import flash_attn; print(flash_attn.__version__)" 2>/dev/null; then # FA_VER=$(${PYTHON_BIN} -c "import flash_attn; print(flash_attn.__version__)") # info "Flash Attention already installed: ${FA_VER}, skipping" # else # info "Attempting to install flash-attn${FLASH_ATTN_VERSION} (MAX_JOBS=${MAX_JOBS})..." # info "This may take several minutes (compiling CUDA kernels)..." # set +e # Temporarily disable errexit to allow failure # MAX_JOBS=${MAX_JOBS} ${PIP} install "flash-attn${FLASH_ATTN_VERSION}" --no-build-isolation 2>&1 # FLASH_EXIT_CODE=$? # set -e # Restore errexit # if [ ${FLASH_EXIT_CODE} -eq 0 ]; then # FA_VER=$(${PYTHON_BIN} -c "import flash_attn; print(flash_attn.__version__)") # info "Flash Attention installed successfully: ${FA_VER}" # else # warn "==========================================" # warn "Flash Attention installation failed (exit code: ${FLASH_EXIT_CODE})" # warn "This does not affect service operation — inference will automatically use PyTorch SDPA" # warn "Performance difference: SDPA is approximately 5-15% slower than Flash Attention" # warn "" # warn "Common causes:" # warn " - CUDA toolkit version mismatch with PyTorch" # warn " - Unsupported GPU architecture (requires SM80+, e.g. A100/H100)" # warn " - Missing compilation toolchain (gcc/g++/nvcc)" # warn "" # warn "To retry manually:" # warn " MAX_JOBS=${MAX_JOBS} ${PIP} install \"flash-attn${FLASH_ATTN_VERSION}\" --no-build-isolation" # warn "==========================================" # fi # fi # fi # ============ Installation Summary ============ echo "" echo "============================================" info "Installation complete! Environment summary:" echo "============================================" ${PYTHON_BIN} -c " import torch print(f' Python: {__import__(\"sys\").version.split()[0]}') print(f' PyTorch: {torch.__version__}') print(f' CUDA: {torch.version.cuda}') print(f' GPU: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else \"N/A\"}') try: import flash_attn print(f' Flash Attn: {flash_attn.__version__} ✓') attn_backend = 'flash_attention_2' except ImportError: print(f' Flash Attn: Not installed (will use SDPA)') attn_backend = 'sdpa' import transformers print(f' Transformers: {transformers.__version__}') print() print(f' Attention Backend: {attn_backend}') " echo "" info "Next steps:" echo " 1. Configure model path:" echo " cp config.example.json config.json" echo " # Edit config.json and set model.model_path" echo "" echo " 2. Start the service:" echo " bash start_all.sh" echo "============================================" 安装MiniCPM 执行安装脚本 bash install.sh 安装前端 cd frontend/mobile/ bun install 安装docs-app cd - cd docs-app npm install cd .. 复制配置文件 将项目目录中的 config.example.json 复制到 config.json 。 cp config.example.json config.json 修改config.json中的模型路径 模型路径（ model_path ）默认为 openbmb/MiniCPM-o-4_5 。如果您有 Hugging Face 的访问权限，则无需进行任何修改——模型将自动从 Hugging Face 拉取。 启动MiniCPM bash start_all.sh 停止MiniCPM pkill -f "gateway.py|worker.py" 1 个帖子 - 1 位参与者 阅读完整话题
fofa大善人也不善，我常用的fid查询icon查询都无了，打野区的佬友们支支招吧！！ 1 个帖子 - 1 位参与者 阅读完整话题
应该没有在网上暴露过，可能用过公益站，被明文扫走了，太可怕了 2 个帖子 - 2 位参与者 阅读完整话题
IT之家 5 月 20 日消息，知名模拟芯片企业 Analog Devices（亚德诺，ADI）美国当地时间 19 日正式宣布以 15 亿美元 （现汇率约合 102.31 亿元人民币） 现金收购 Empower Semiconductor，这笔交易预计于 2026H2 完成。 这笔交易中 ADI 看重的是 Empower 在支持 AI 数据中心的高效率供电器件上的技术能力 ：后者的硅电容器已投入生产、IVR（IT之家注：集成电压调节器）项目也正与生态系统伙伴合作推进。 ADI 首席执行官兼董事长 Vincent Roche 表示： AI 基础设施正在从根本上重塑电力的交付方式，能源如今成为下一代系统扩展的最持久限制。ADI 已经提供业内一些性能最高的电源管理解决方案，借助 Empower，我们正在进一步扩展产品组合，帮助客户重新设计电力系统，实现下一代 AI 所需的计算密度。这项技术的影响远远超出了 AI 数据中心，涉及任何能源限制可能性的领域。
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 GitHub 项目链接如下 github.com GitHub - purainity/api-key-checker: 多个 AI 平台的 API Key 批量检测与余额查询工具。支持 OpenRouter /... 多个 AI 平台的 API Key 批量检测与余额查询工具。支持 OpenRouter / SiliconFlow / DeepSeek 的余额检测、Gemini 的基础检测、深度检测、模型方法可用性检测。 使用方法在 README 里已经写得很详细了，这篇文章主要谈谈我制作这个项目的动机以及一些细节。 这个项目的代码都是 AI 写的，为了让 AI 写出令我满意的代码，我发现写详细而具体的提示词、不断与它交互提要求修改也是非常耗费精力的一件事。 背景与动机 OpenRouter / SiliconFlow / DeepSeek 检测 早在去年，硅基流动新用户注册有赠金，论坛里很多人注册账号分享 API Key。那时我就有批量检测 API Key 可用性的需求了。起初我还是手动测试，把每个 API Key 复制到软件里实际请求一遍看能不能用。 后来随着 API Key 数量的增加，一个一个手动测试效率就很低了，就让 AI 写了个 Bash 脚本配合 curl 和 jq 来检测。 后来有不少人分享 OpenRouter 的免费 API Key，我也在 GitHub 上爬到了不少，就稍改脚本换成 OpenRouter 的端点来测试。DeepSeek 测试脚本亦是如此。 Gemini API 检测 不同于现在 Gemini Free Tier 的免费额度被砍得几乎没法用，去年 Gemini 额度还很慷慨的时候，论坛里流行“打野”——扫描 GitHub 上他人无意公开的 AIzaSy 开头的 Google Cloud API Key 组成号池来调用 Gemini。 虽然当时我没参与“打野”，但谷歌大砍额度后，我手里现有的 API Key 不够用了，于是开始寻找新的。先在论坛里找到了一百多条，又让 AI 写了个检测脚本：先获取模型列表粗测，后来发现有些 Key 虽能获取列表却无法实际调用生成内容，于是又增加了通过实际生成进行深度检测的脚本。 那时也没有 OpenCode 这类 AI 编程工具，我就通过对话让 AI 生成脚本。脚本也很简单，没有去重，没有重试，就是一个一个测下来再汇总。 转机 转机出现在最近我翻有关“打野”的陈年旧帖时，看到有人发了一个包含十万多个 Gemini API Key 的文件。如果用我之前的脚本去测，跑几天也跑不完，还有很多 Key 会因网络波动而测试失败。加上 AI 编程工具的成熟，我决定用 Python 重写所有脚本，以便增加更多功能并避免对 curl 、 jq 等外部工具的依赖。 OpenRouter / SiliconFlow / DeepSeek 批量检测 先从复杂度比较低的 OpenRouter / SiliconFlow / DeepSeek API Key 批量检测脚本开始。我把所有的 API Key 分成四类，即余额大于0、余额为0、不可用、检测失败。 为了方便处理大量 API Key 在文件里的情况以及只有一两个 API Key 手动测试的场景，脚本同时支持从文件读取 API Key 列表，也支持直接传入单个或多个 API Key。为了适配不同的分割方式，可用空格、换行、 , 、 ; 、 / 、 | 、 & 分隔多个 API Key。 之前如果在不同地方看到同一个 API Key 而粘贴了两次，脚本也会傻傻地测两遍。现在增加了自动去重功能，测试前先剔除重复项，避免重复测试。 考虑到测试用时可能较长，在测试过程中可能会出现网络波动连接失败的情况，我还增加了网络错误自动重试，同时复用 TCP session 加速检测。 默认情况下这三个脚本仅在终端输出测试结果，也支持通过 --report 参数输出报告到文件，以及用 --sep 参数指定报告文件中 API Key 的分隔符（换行、逗号、分号、斜杠等），方便满足不同软件对多 API Key 格式的要求。该参数仅对报告文件生效，终端输出始终使用英文逗号，避免混乱。 Gemini API 检测 Gemini API Key 基础检测 接下来就是复杂度比较高的 Gemini 测试脚本。由于 Gemini API Key 有十万多个，即使复用了 TCP session 加速检测，测下来也得花上好几天，所以我在获取模型列表的粗测脚本中加入了多线程并发检测。 光有多线程还不够，每次全量重测仍然耗时。于是我在本地建立了缓存文件，每个 API Key 的状态会缓存下来。下次测试时优先读取缓存：若上次无效则直接跳过（无效 Key 不可能自动变有效），节省大量时间；若上次有效，为防止被谷歌停用，默认会重测。此外还增加了 --force 参数用于忽略缓存全部重测，以及 --cache 参数（乐观模式），只要命中缓存无论状态如何都直接跳过。脚本还支持空输入，自动重测缓存中有效的 API Key。 实际测试中发现，多线程同时写入缓存时如果 Ctrl+C 手动中断，会导致缓存文件损坏。于是增加了原子写入，支持 Ctrl+C 安全中断并保存缓存。 被谷歌送中的 IP 无法调用 Gemini API。为了防止测完才发现所有 Key 都因返回 400 - User location is not supported for the API use. 而不可用，脚本在检测到 IP 不支持时会自动中止。 测试中还遇到谷歌 API 服务不稳定返回 503 - Service Temporarily Unavailable 的情况，因此脚本在遇到 API 返回 5xx 时会同网络错误一样自动重试。 十万多个 API Key 粗测下来：一万多个被 reported as leaked ，一万多个被 suspended ，近五万个未启用 Gemini API 不能跨服务调用，三千多个过期，一万多个无效（可能已被删除或本就是假的）。还有几千个有各种限制。粗测有效的剩一万五千个左右。 Gemini API Key 深度检测 接下来是实际调用 generateContent 方法生成内容进行深度检测。考虑到这个脚本会让 AI 生成回复，多线程可能被谷歌视为可疑行为而拉黑，因此去掉了多线程改为单线程。默认使用 gemini-2.5-flash-lite 模型，也可换成限额更多的 Gemma 系列模型或 gemini-robotics-er-1.5-preview 。 为与粗测缓存配合，深度测试脚本在无输入时从缓存读取“有效密钥”作为默认输入。 在实际调用时还发现了 429 有两种，第一种是类似于这样的，这种是当日的额度用完了，这个 API Key 还是正常的。 （点击了解更多详细信息） 另外还有一种是这样的，注意它是整个 Generate Content API 的 quota_limit_value 为 0，这就不正常了，代表它被人设置了不能调用 Generate Content API，是不能用的。 （点击了解更多详细信息） 因此脚本增加了对 429 的区分逻辑：识别是零限额还是已达当日限额。 深度测试跑完，一万五千多个 API Key 中只有三十个左右能用，其余全部是 Generate Content API 的 quota_limit_value 为 0。说 Gemini API Key 是万不存一也不为过了。 Gemini 模型方法可用性检测 哪些 Gemini API Key 能用的问题解决了，但还有另一个问题：2025 年 12 月谷歌大砍额度后，免费账户已无法使用 gemini-2.5-pro 模型，甚至老一代的 gemini-2.0-flash 也用不了，返回的 429 中 limit 为 0。 （点击了解更多详细信息） 拿到模型列表后发现一堆模型不可用，于是又写了模型方法可用性检测脚本，遍历所有可用模型，逐一测试每个模型声明的所有方法。 这个脚本不涉及多 API Key，但不同模型支持的方法各异，让 AI 自行搜索谷歌文档构建最小化测试请求体并不容易，经常遇到参数无效的问题。最终反复修改总算找到了可行的请求体，需要注意的点如下： TTS 模型的 generateContent 请求体和其他模型不一样，必须带 generationConfig.responseModalities=["AUDIO"] 和 speechConfig deep-research-* 系列虽然在 supportedGenerationMethods 中声明了 generateContent ，但实测会返回 400 - This model only supports Interactions API. ，跳过测试 bidiGenerateContent 是 Live/双向流式交互能力，不能按普通 models/{model}:{method} 的单次调用方式测试，跳过测试 createCachedContent 是独立端点且对最小 token 数有要求，跳过测试 脚本最终会汇总完全可用模型（具有 generateContent 方法的对话模型和具有 embedContent 方法的嵌入模型并且可调用或到限额的模型），方便导入软件的模型列表。 Gemini 的三个测试脚本中，只有模型方法可用性检测的报告文件输出逻辑与前面脚本相同：默认终端输出，也支持 --report 参数输出到文件。而基础检测和深度检测脚本仅在非直接输入模式（从文件读取 API Key）下自动生成报告文件，毕竟几万个 Key 仅靠终端输出不现实。直接输入一两个 Key 时则无此必要。 谷歌错误返回一览 另外，谷歌的错误返回种类繁多且复杂，这里挑几个粗测中遇到的给大家看看： 1. API Key 不存在 （点击了解更多详细信息） 2. API Key 过期 （点击了解更多详细信息） 3. API Key 无效 （点击了解更多详细信息） 4. 账单国家/地区限制 （点击了解更多详细信息） 5. Gemini API 未启用 （点击了解更多详细信息） 6. API Key 已封禁 （点击了解更多详细信息） 7. HTTP 来源限制 （点击了解更多详细信息） 8. Android 应用限制 （点击了解更多详细信息） 9. iOS 应用限制 （点击了解更多详细信息） 10. API 方法限制 （点击了解更多详细信息） 11. IP 地址限制 （点击了解更多详细信息） 12. API Key 已泄露 （点击了解更多详细信息） 13. 请求频率超限 （点击了解更多详细信息） 再加上上面提到的 IP 不支持以及各种零限额与到限额情况，凑出二十多种报错不成问题。 谷歌的草台班子时刻 还值得一提的是谷歌也真是个草台班子，比如： 嵌入系列模型虽然在 supportedGenerationMethods 中声明了 countTextTokens 方法，但实测会返回 404 - Requested entity was not found. 。虽然我知道 countTextTokens 是旧方法，新方法是 countTokens ，但是你显示支持旧方法，实际却不给用，这是什么意思？ gemini-robotics-er-1.5-preview 模型出现在了模型列表中，但实测会返回 404 - This model models/gemini-robotics-er-1.5-preview is no longer available. Please update your code to use a newer model for the latest features and improvements. ，不知道谷歌为什么会这样子。之前 gemini-3-pro-preview 突然关停是直接获取不到这个模型，调用直接重定向到 gemini-3.1-pro-preview 。Gemma 3 系列也是偷偷下掉，调用直接返回 404- models/gemma-3-12b-it is not found for API version v1beta, or is not supported for generateContent. Call ModelService.ListModels to see the list of available models and their supported methods. ，这个模型就一直还在但是就是不让你用 batchGenerateContent 方法和嵌入模型的 asyncBatchEmbedContent 方法实测返回 400 - Precondition check failed. 。我一直以为是请求体的问题，查了才知道原因是 API Key/项目处于 Free Tier，所在地区或功能要求必须启用 Billing。免费账户不能用却返回 400，而非更明确的错误提示。 模型列表中有个叫 aqa 的模型，但谷歌 Gemini 文档中完全没有提及。查了一圈才知道它是较早推出的专用任务模型，用于 RAG，使用专用的 generateAnswer 方法，详见 generative-ai-docs/site/en/gemini-api/docs/semantic_retrieval.ipynb at main · google/generative-ai-docs · GitHub 。后续我可能会专门写一篇文章介绍这个模型。 结语 本来这篇文章只想谈谈项目的动机、制作过程和细节，写完一看又成了几千字的小作文，不得不佩服自己“话痨”的能力 。 2 个帖子 - 2 位参与者 阅读完整话题
https://x.com/oricon/status/2055121114561655059 https://www.oricon.co.jp/news/2454772/full/utm_source=Twitter&utm_medium=social&ref_cd=jstw003 声优·山崎和佳奈女士去世 《名侦探柯南》毛利兰配音 山崎女士于2月宣布因疾病治疗而暂停活动。《名侦探柯南》中的“兰姐姐”、《秘密的阿花酱》中的加贺美敦子、《马梅洛男孩》中的秋月茗子等角色，此外还担任《周日日本》的旁白等。 我的童年啊 2026年2月16日，山崎和佳奈女士因病暂停声优活动。同年5月15日，青二事务所发布公告称山崎和佳奈于4月18日辞世，享年61岁。TV第1193话起，毛利兰的声优变为冈村明美 名侦探柯南这么多集，等了这么久的小兰，还是没等到柯南长大 6 个帖子 - 6 位参与者 阅读完整话题
用完后退出了，结果在状态栏隐藏 icon 列表中又看到了图标，以为自己之前是点击了右上角 X 关闭没有完全退出，重新点击退出后消失了，然后第二天又出来了，进程和服务中也没搜到，启动项也没有，codex 设置中也没看到有相关设置，不知道是如何自己启动的，因为退出后就没有开全局网络，怕它自己启动后是不是搜集了系统信息关联到账号了
主控芯片厂商忆联科技（Silicon Motion）首席执行官近日发出预警称，由于人工智能企业通过长期合约和预付款锁定了大量产能，内存（DRAM）与 SSD 所依赖的 NAND 闪存将面临长期性短缺，供需紧张局面可能一直持续到 2028 年，相关产品价格预计将在今年下半年继续上涨。 当前，无论是企业级还是消费级市场，内存和 SSD 供应都处于吃紧状态，主要 DRAM 与 NAND 厂商正加速扩建新工厂以提升产能，但这些新产线最快也要到 2027 年才会陆续投产，真正放量预计要到 2027 年底甚至 2028 年。业内估算，以目前生产节奏来看，DRAM 和 NAND 厂商最多只能满足全球总需求的约 60%–70%，而随着未来几年千兆瓦级数据中心陆续上线，整体需求仍将大幅攀升。 忆联科技美国区总经理顾家昌指出，AI 投资正从训练快速转向推理阶段，推理应用的铺开进一步推动了内存与存储需求的同步增长，在供应受限的情况下，DRAM 与 NAND 闪存的供需紧绷短期内难以缓解。他表示，NAND 闪存的短缺甚至可能延续到 2028 年，今年下半年内存价格预计还将继续上行。 在高压供需环境下，忆联科技 CEO 顾家昌进一步表示，内存与 SSD 的供应缺口已从此前预测的 2027 年，延长至最新预期的 2028 年，所谓的 “内存浩劫” 与 “SSD 浩劫” 时间表再度被拉长。忆联科技深耕企业与消费级 SSD 控制芯片，其对上下游动态有较清晰的把握，公司观察到，大型 AI 客户为了锁定未来几年所需的 DRAM 与 NAND 产能，正通过签署长期供应合约和预付款的方式提前拿货，为市场供给带来更大压力。 部分存储厂商已经对来自单一投资方的资金保持戒心，例如 SK 海力士近期便拒绝了一些可能限制其对其他客户供货灵活性的资本注入提案，凸显出当前产能已接近“无可分配”的极限。顾家昌同时强调，从建厂到实现量产至少需要两到三年时间，之后终端交付周期往往还要经历一到一年半，这意味着短期内难以通过简单扩产来弥合供需缺口。 持续的短缺将直接体现在价格端：忆联科技预计，今年下半年内存和 SSD 的价格将普遍上涨，这一趋势正在迫使部分消费类产品被迫停产或砍掉高容量版本，也让整机厂商在成本管理上承受更大压力。此前业界曾寄望于中国厂商“救市”，但随着本土需求快速攀升，长鑫存储（CXMT）、长江存储（YMTC）等企业也面临自身产能被国内市场消化的状况，难以向全球市场释放足够增量。 三星方面则表示，预计 2027 年的内存短缺情况将比 2026 年更为严重，进一步印证了业界对中长期供不应求格局的共识。在多家存储巨头和控制芯片厂商的悲观展望之下，业内普遍认为，内存与 SSD 市场将在未来数年内继续处于高景气但高价格、高门槛的“挤兑式繁荣”状态，下游厂商和普通消费者都必须做好“长期忍痛”的准备。 查看评论
换了两个手机号都收不到，是否是我一个人的问题 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 8 日消息，宏碁现已在海外市场推出 Iconia iM11 5G 平板，新品定位中端， 支持 5G 移动数据网络 。 据介绍，这款平板搭载 11.45 英寸 IPS 屏幕，分辨率为 2200*1440 像素，最高亮度可达 450 尼特。拥有四扬声器系统，适合观影等多媒体应用。 规格方面，这款平板配备联发科天玑 7050 芯片，包含四个 A78 核心和四个 A55 核心，拥有 8GB 内存和 128GB 存储空间， 带有双实体 SIM 卡槽和 microSD 卡槽 ，最高可扩容至 1TB，支持 5G 蜂窝网络。 此外，这款平板内置 7400mAh 电池，支持 18W 充电，出厂预装 Android 15 操作系统，但官方并未公布后续更新政策。 价格方面，该平板将在印度上市，售价 25499 印度卢比（IT之家注：现汇率约合 1837 元人民币）。
美国可编程逻辑器件厂商莱迪思半导体（Lattice Semiconductor）宣布，将以约16.5亿美元的现金加股票方式收购美国固件供应商 AMI（American Megatrends Inc.）。 这笔交易完成后，AMI 将成为莱迪思半导体的子公司，而当前在桌面与众多 x86/x64 平台上占据主导地位的 UEFI/BIOS 供应格局，也将随之发生变化。 就在上周，联想刚刚完成对 Phoenix Technologies 固件（BIOS）技术业务的收购，如今 AMI 又即将易主，这意味着来自台湾的 Insyde Software 将成为市场上唯一仍保持独立身份的 UEFI/BIOS 开发商。 在桌面主板领域，AMI 长期是绝大多数主流主板厂商以及不少其他硬件厂商的首选固件供应商，此次并购落定后，其在行业中的独特地位大概率会延续，只是将从独立公司转变为莱迪思体系下的一员。 莱迪思半导体是一家专注 FPGA（现场可编程门阵列）解决方案的厂商，产品覆盖多种细分市场，与 AMD 旗下的 Xilinx 以及部分由英特尔持有的 Altera 等公司同属竞争阵营。 就表面业务类型而言，固件供应商 AMI 与 FPGA 厂商莱迪思的业务交集并不算直接，外界目前也难以看清两者之间的具体协同路径。 不过，莱迪思首席执行官 Ford Tamer 在声明中表示，引入 AMI 的技术与团队，有望帮助客户“更快、更有信心地部署复杂系统”，并进一步强化公司提出的“无处不在的伴随芯片（everywhere companion chip）”战略。 对 AMI 现有客户而言，短期内合作模式是否会有显著变化，还有待观察。 作为目前规模最大的 UEFI/BIOS 供应商，AMI 的固件广泛应用于几乎所有主流主板品牌以及许多其他 x86/x64 硬件产品，这种高度渗透使其在生态中具有一定不可替代性，也决定了莱迪思在整合过程中必须维持对原有客户的稳定支持。 随着联想收入 Phoenix 固件业务、莱迪思拟收购 AMI，再加上仍然独立运营的 Insyde Software，全球主流 PC 固件供应格局呈现出进一步向大型硬件与芯片厂商集中之势。 在开源固件尚难以在新品支持周期和商业配套上满足大规模 OEM 需求的背景下，本轮资本与产业整合，预计将继续巩固少数几家商业 UEFI/BIOS 供应商在 PC 产业链中的核心角色。 查看评论
IT之家 5 月 5 日消息，低功耗 FPGA 企业 Lattice Semiconductor（莱迪思半导体）美国当地时间 5 月 4 日宣布已就收购固件大厂 AMI（IT之家注：即 American Megatrends Inc.、安迈）达成最终协议。这笔交易总额达 16.5 亿美元（现汇率约合 112.85 亿元人民币）。 莱迪思称，此次收购将其低功耗 FPGA 同 AMI 的云和 AI 平台固件及基础设施可管理性解决方案相结合， 从而打造出一套完整的安全管理与控制解决方案组合 。双方将携手应对数据中心的模块化、复杂性、运行时间及部署方面的挑战，同时继续致力于为计算、通信、工业和嵌入式市场提供平台无关的配套芯片和解决方案。 莱迪思总裁兼首席执行官 Ford Tamer 表示： 收购 AMI 将推动我们“无处不在的伴侣芯片”战略，并实现我们共同的愿景，即提供安全的管理和控制解决方案，帮助客户更快、更自信地部署复杂系统 —— 同时提供更广泛的设计选择和灵活性。 AMI 在云和 AI 领域的固件及基础设施方面的专业知识，是对我们产品组合的自然延伸，将深化我们在系统级安全、可管理性和控制方面的作用。我们期待双方能力的融合能为客户和股东创造显著价值。 莱迪思 2026 财年第 1 财季（截至 2026 日历年 4 月 4 日）营收 1.709 亿美元，同比增长 42%；GAAP 毛利率为 68.8%。 相关阅读： 《 联想收购 Phoenix Technologies 公司 BIOS 技术业务 》
IT之家 4 月 24 日消息，3D 存储半导体 IP 企业 NEO Semiconductor 美国加州当地时间 23 日宣布其 X-DRAM 成功完成概念验证芯片制造，证明这一 3D 堆叠内存可利用现有 3D NAND 闪存生产线制造。 NEO Semiconductor 的 X-DRAM 验证芯片 实现了 10¹⁴ 循环耐久 ， 读写延迟＜10ns ， 85℃ 下数据保持时间＞1s （IT之家注：这一数据是 JEDEC 为标准 DRAM 给出的 64ms 的 15 倍）。 NEO Semiconductor 同时宣布得到了宏碁创始人施振荣领导的新一笔战略投资。 相关阅读： 《 类 3D NAND 设计，Neo 半导体推出 3D X-DRAM：8 倍密度、230 层 》
网站换favicon站标了吗 和之前不同了 3 个帖子 - 3 位参与者 阅读完整话题