https://www.nature.com/articles/s41592-026-03124-8 [!abstract]+ 序列到功能（S2F）模型可以评估任意DNA序列，但它们难以全面捕捉个体间基因表达的差异。我们提出了SAGE-net，一个可扩展的框架，用于利用个人基因组训练和评估S2F模型。虽然个人基因组训练提高了对未纳入研究的个体的基因表达预测准确性，但性能提升主要来源于识别预测性变异，而非学习跨位点泛化的顺式调控语法。可扩展的软件对于推进S2F模型在个人基因组学领域的应用至关重要。 github.com GitHub - mostafavilabuw/SAGEnet 通过在 GitHub 上创建帐户来为 mostafavilabuw/SAGEnet 开发做出贡献。 1 个帖子 - 1 位参与者 阅读完整话题
佬们， 我在 Windows 上使用 Claude Code，Shell 是 PowerShell。最近启动 Claude Code 后，所有 Claude Code 终端窗口都会出现大量类似下面的乱码： [[555;88;52M[555;87;52M[555;86;51M[555;86;50M… digit-argument: 3 看起来像是鼠标追踪 / ANSI escape sequences 被直接打印到了 PowerShell 里，而不是被 Claude Code 的 TUI 正确处理。重启 Claude Code 后问题仍然会复现。 目前观察到的现象： 不是项目代码输出，切换项目也会出现。 像是终端进入了 mouse tracking / raw mode。 点击或拖动鼠标后，会继续刷出类似 [555;...M 的内容。 重启 Claude Code 后仍然复现。 多个 Claude Code 窗口都会这样。 我尝试过： Ctrl+C / Esc / cls 重启 Claude Code 重启 PowerShell / 终端 尝试发送 ANSI reset sequence 关闭鼠标追踪模式 想请教： 这是 Claude Code 在 Windows 终端/PowerShell 下的已知兼容问题吗？ 有没有办法禁用 Claude Code 的鼠标追踪，或者强制它在退出/启动时正确 reset 终端模式？ 1 个帖子 - 1 位参与者 阅读完整话题
1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。
1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。
1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。
1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。
完全使用 AI 开发的模型，主打中长期交易。使用每只股票历史日线数据，提取关键参数，训练+验证集得出最佳模型参数，并在验证集上绘制对比曲线，可见下图。红绿曲线为实际收盘价（涨跌幅），黄金渐变曲线为 x天预测收盘价曲线（涨跌幅）。但是我当前没有可实盘交易的账号，因此需要大佬进行实盘测试。有兴趣的大佬可留下最近半年的交易截图，私信交流。 提醒：AI预测结果，请仔细甄别。投资有风险，交易需谨慎。 5 个帖子 - 3 位参与者 阅读完整话题
IT之家 6 月 1 日消息，华硕 (ASUS) ROG 今日正式发布了其首款纳入 Ace 旗舰序列的 OLED 显示器 —— ROG Strix OLED XG259QWPG Ace。 这一产品采用 24.5" FHD 540Hz 镜面 Tandem WOLED 面板，GtG 响应时间 0.02ms，获得 VESA DisplayHDR True Black 600 认证，色域覆盖 99.5% DCI-P3，色差 ΔE＜2。相较上代 WOLED，该面板峰值亮度提升 15%、色彩体积增加 25%、OLED 寿命延长 60%。 ROG Strix OLED XG259QWPG Ace 具备三种电竞色彩模式，便于电竞玩家从 TN LCD 向 OLED 过渡。其显示器底座和支架两侧都有精确测量标记，玩家可方便地将显示器调整至最适配置。 华硕还一道宣布了多款其它游戏显示器： ROG Swift OLED PG32UCWM ：32" UHD 240Hz / FHD 480Hz，镜面 RGB 条纹子像素 OLED，VESA DisplayHDR True Black 400，99.5% DCI-P3，DisplayPort 2.1a UHBR20 + 90W PD-out USB-C； ROG Strix OLED XG32UQWMS ：32" UHD 240Hz / FHD 480Hz，镜面 Tandem WOLED，VESA DisplayHDR True Black 500，99.5% DCI-P3； ROG Strix 5K XG27JCEG ：27" 5K 80Hz / QHD 320Hz，VESA DisplayHDR 400，95% DCI-P3； TUF Gaming VG34WQML5F ：34" 3440×1440 240Hz，1500R Fast VA，0.5ms GtG，VESA DisplayHDR 400，95% DCI-P3； TUF Gaming VG27AQML5F ：27" QHD 320Hz，Fast IPS，0.3ms GtG，VESA DisplayHDR 400，95% DCI-P3。
IT之家 6 月 1 日消息，比亚迪方程豹今日发布方程 S 系列答网友问第 1 期，回复了“方程豹为什么要出方程系列？”等问题。 据其介绍，方程豹作为比亚迪旗下个性化品牌，始终坚守打造个性全场景出行的初心， 布局轿车是完善产品序列、补齐品类版图的必然一步 ；自 2023 年发布时，方程豹便确立越野与跑车双线规划，推出轿车是长期战略布局的落地，同时方程豹始终以用户需求为导向造车，传承放大品牌审美、底盘调校与高端驾乘体验在轿车品类上，为用户带来差异化出行新选择。 IT之家注意到，2026 年 4 月 24 日，方程豹在北京车展发布了全新产品序列“方程”，亮相了方程 S、FORMULAX 两大产品系列。其中方程 S 定位 全场景多形态个性轿车 ，共推出了包括三厢轿车“方程 S”、猎装车“方程 SGT”、以及更大尺寸的三厢轿车“方程 SL”，一共三个版本形态。官方透露，方程 S 系列预计将于 2026 年三季度上市 。 此外，FORMULAX 作为方程豹量产跑车的概念车，实车的还原度高达 80% 以上，本次北京车展首秀亮相， 预计将于明年上市 。
全球首台Cray T3D超算（序列号6001）正在The Saleroom拍卖，起拍价6万英镑（约54.8万元人民币），拍卖截止5月31日。这台机器来头不小，它最初是Cray内部开发机，后安装于爱丁堡大学，绰号"Typhoon"，1996年6月位列TOP500榜单欧洲最快超算。 Cray T3D标志着这家超算先驱从传统向量系统转向大规模并行计算时代，拍卖说明将其定义为“博物馆级存世品”。 配置方面，这台Cray T3D-MC512搭载512颗DEC Alpha 21064处理器，主频150MHz，采用Fluorinert氟化液冷散热。 整机装在一个高193厘米、宽117厘米、深193厘米的"番茄红"机柜中，配套的HEU一级冷却系统同样超过6英尺高、重0.85吨。 6万英镑起拍价对这类机器而言门槛不低，体积和重量也限制了收藏群体，截至目前尚无出价，仅10人关注。 拍卖方还强调，这台机器当年新机售价约1500万美元（约1.01亿元人民币）。同场拍卖还有Cray Triton T-932和Cray Y-MP4E两台超算。 查看评论
如图 昨天我打算出掉这个apple pencil ,为买家提供序列号时， 实在是看不清，于是就拍照发给了AI ,经过我去官网查验 gemini 识别的是正确的， gpt嘛 直接就没看出来 豆包呢识别错了 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 13 日消息，在今天晚间的比亚迪云辇-P Ultra 暨方程豹豹 8、豹 5 闪充版上市发布会上，比亚迪方程豹总经理熊甜波宣布，此前已在海外上市的 SHARK 皮卡今年将正式进入方程豹序列。 去年 10 月，比亚迪集团品牌及公关处总经理李云飞在回复网友时表示，比亚迪新能源皮卡 SHARK 目前已经处于规划中， 迟早会面向国内市场推出 。 此前海外发售的比亚迪 SHARK 有 GL 和 GS 两个版本。IT之家汇总比亚迪 SHARK 主要参数信息如下： 比亚迪 SHARK 有三种颜色可选，分别为白色（Pallas White）、黑色（Marmara Black）和灰蓝色（Atlantis Gray）。 这款皮卡长宽高分别为 5457mm、1971mm、1925mm ，轴距为 3260mm，前电机最大功率 170kW，最大扭矩 310N・m；后电机最大功率 150kW，最大扭矩 340N・m。 比亚迪 SHARK 百公里加速 5.7s，最快速度 160km/h，电池容量 29.58kWh，纯电 NEDC 续航 100km，油电综合 NEDC 续航 840km，百公里亏电油耗 7.5L。 比亚迪 SHARK 配备 10.25 英寸 LCD 屏仪表盘、12.8 英寸中控屏和 12 英寸 HUD 抬头显示，（海外版车型）兼容苹果 CarPlay 和 Android Auto，配备 360° 全景视角摄像头和 180° 底盘摄像头，提供 540° 超宽透明全景图像。
在 2026 年的 A 股市场，我们不仅在与人博弈，更是在与‘时间序列’背后的幽灵共舞。站在 2026 年这个节点，老派的技术分析正面临前所未有的生存危机。随着全面注册制的深化和超高频量化算法的普及，传统的 MACD 、KDJ 甚至曾经被奉为神谕的“仙人指路”形态，似乎都在被某种无形的力量精准收割。当市场陷入“量价迷雾”，散户与大户的博弈已不再仅仅体现在盘口的挂单上，而变成了算力与逻辑的终极赛跑。最近看到 Kronos 金融模型，我决定尝试将 Kronos 接入我的 A 股量化工作流。 首先介绍一下 Kronos 。Kronos 是一个专为金融市场"语言"——K 线序列预训练的 decoder-only 基础模型系列。与通用时间序列预测模型（ TSFM ）不同，Kronos 专门设计用于处理金融数据独特的高噪声特性。它采用创新的两阶段框架：专用分词器首先将连续的多维 K 线数据（ OHLCV ）量化为分层离散令牌。随后基于这些令牌预训练大型自回归 Transformer ，使其成为适用于多种量化任务的统一模型。 我花了半天的时间在本地使用 Kronos 模型和 qlib 数据，在 CPU 上预测未来交易日的 K 线走势，并输出：K 线图（单图，上预测下真实）。 脚本支持两类模型输入：Kronos 官方模型目录和普通 PyTorch 模型文件 项目目录格式： ├── kronos_qlib_predict.py ├── README.md ├── qlib_data/ ├── model/ ├── tokenizer/ └── Kronos/ 目录说明： model/：本地 Kronos 模型目录 tokenizer/：本地 Kronos tokenizer 目录 Kronos/：官方源码仓库，用于提供 model.py 本地环境要求： CPU 环境即可 已安装本地 qlib 数据 下载模型和 tokenizer 下载 Kronos 模型，推荐使用 Hugging Face Hub 的整仓下载，而不是手动拷贝单个文件： python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='NeoQuasar/Kronos-base', local_dir='/Users/fighteryu/Downloads/kronos_demo/model', local_dir_use_symlinks=False)" 下载 tokenizer 模型目录中至少应包含： model.safetensors 或其他*.safetensors tokenizer 目录中应包含 tokenizer 所需配置和词表文件。 下载官方 Kronos 源码 当前脚本在加载 Kronos 官方模型时，会使用： from model import Kronos, KronosTokenizer, KronosPredictor 因此需要本地存在官方代码仓库： git clone https://github.com/shiyu-coder/Kronos.git 运行脚本时，需要把 Kronos 仓库加入 PYTHONPATH： 标准运行方法 --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2023-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --window 64 \ --horizon 5 \ --seed 40 \ --out ~/Downloads/kronos_demo/kronos_pred.csv \ --chart-out ~/Downloads/kronos_demo/kronos_pred.png 执行预测 K 线结果输出 K 线图 股票价格参数会输出到表格中，终端输出如下图 如果是预测的历史的交易数据，生成的图片会展示预测 K 线和实际 K 线，我们可以从图上直观的看到预测和实际 K 线的差别 参数搜索（自动回测） 如果你要自动找更优参数（ window / T / top_p / sample_count ），可以使用--tune： --provider-uri ~/Downloads/kronos_demo/qlib_data \ --instrument sh600519 \ --start 2021-01-01 \ --end 2024-12-31 \ --model-path ~/Downloads/kronos_demo/model \ --tokenizer-path ~/Downloads/kronos_demo/tokenizer \ --horizon 5 \ --seed 40 \ --tune \ --grid-window 64,128,256,384 \ --grid-temp 1.0,0.9,0.7 \ --grid-top-p 0.95,0.9,0.8 \ --grid-sample-count 1,5,10 \ --tune-stride 5 \ --tune-max-windows 120 \ --tune-out ~/Downloads/kronos_demo/kronos_tune_scores.csv 说明： 会在历史区间做滚动回测 评分指标为 close 的 MAE / RMSE / MAPE 结果会保存到--tune-out 程序会打印 RMSE(close)最优参数组合 如何提高预测的数据准确率？提升准确率最有效的是这几件事（按优先级）： 先做可复现评估再调参：固定--seed ，固定回测区间，按滚动窗口评估 MAE/RMSE/MAPE ，先建立 baseline 。 调 window （最关键）：别只用 64 ，建议网格 64/128/256/384/512 ； Kronos-base 上下文上限通常 512 。 调采样参数，随机性较强。要更稳可试： 按标的做独立最优参数：不同股票波动结构差异大，参数不应一套通吃。 数据质量优先：确认 qlib 数据无缺失/异常点，factor 处理一致，避免未来数据泄漏。 分市场/分周期建模：A 股、港股、美股混在一起直接推理常会降精度；不同频率（日线/5min ）也要分开调。 引入真实交易日历：你现在未来日期用 B ，与真实交易日可能不完全一致，建议用交易所日历生成预测日期，减少时间错位误差。 如果允许训练：做微调（提升最大）：用你的目标标的/行业数据做轻量 finetune ，通常比纯 zero-shot 提升明显。 给你一个最实用的执行顺序（ 1 天内可做）： 固定 seed + 固定评估集 跑 window 网格 在最佳 window 上调 T/top_p/sample_count 输出每组参数的 MAE/RMSE 表，选最优 再考虑是否 finetune 如果大家对我的话题感兴趣的话可以👍➕关注哦！ 原文转载自： Kronos 入场：当 AI 进化到可以“画出”明天的 K 线
恐怖类游戏: 比如经典 FNAF 序列 horror games 驾驶类游戏：比如 eggy car eggy car
恐怖类游戏: 比如经典 FNAF 序列 horror games 驾驶类游戏：比如 eggy car eggy car
Macworld 报道，苹果计划在未来一年内将两款全新硬件产品归入“Ultra”品牌序列，进一步强化其高端产品线布局。报道援引知情人士消息称，苹果首款可折叠屏 iPhone 将正式命名为 “iPhone Ultra”，定位为整个 iPhone 产品阵容中的顶级档位机型。 消息指出，“iPhone Ultra”不会被视作 iPhone 18 系列的一员，尽管它将与 iPhone 18 Pro 和 iPhone 18 Pro Max 同期亮相，这一策略类似于目前并不隶属于 iPhone 17 系列的 “iPhone Air”。 苹果方面的内部规划是尽量在 iPhone 18 Pro 上市时间窗口内同步发售这款折叠机，但不排除其实际上市时间略晚数周，且在早期阶段供应相对紧张的可能性。 除折叠屏 iPhone 外，苹果还计划在今年晚些时候或 2027 年初推出一款全新的 “MacBook Ultra”。 这款产品将配备 OLED 显示屏并支持触控操作，整体定位高于现有 MacBook Pro，价格预计会明显高于当前 MacBook Pro 机型。 原本苹果计划在今年稍早时间发布该机，但由于内存供应链出现短缺，其上市时间据称已被推迟数月。 目前，苹果在芯片和可穿戴等产品线上已经广泛使用 “Ultra” 品牌，包括 M 系列 Ultra 芯片、Apple Watch Ultra 以及 CarPlay Ultra 等。 此前有爆料称，折叠屏 iPhone 和 OLED MacBook 将采用 “Ultra” 命名方案，如今这一路线基本得到进一步印证。 此外，彭博社早前也曾提到，苹果还在考虑推出 “AirPods Ultra” 等新款高端音频产品，为 “Ultra” 家族再添成员。 查看评论
近日，捷达在大众汽车集团之夜正式发布新能源序列全新LOGO，同步亮相首款新能源概念车JETTA X。 新LOGO由J字母与V型双线组合而成，造型简洁轻盈。 全新LOGO对外曝光后，有网友表示，这款全新标识的轮廓造型神似日常穿搭的衬衫领子。 新LOGO以JETTA首字母J突出品牌独立身份，与大众标识形成明显区分，定位务实、年轻、高性价比；V型线条则延续德系品质与可靠耐用的认知，兼顾传承与创新。 该标识将专属用于新能源车型，与燃油车标识形成区隔。 伴随换标，捷达同步发布JETTA X概念车。 该车采用方正硬朗的全新设计语言，前脸配备分体式灯组与可发光LOGO，悬浮式车顶、半隐藏式门把手等设计提升科技感与时尚感。 尾部贯穿式尾灯与前脸呼应，整体风格与现有燃油车型差异明显。 品牌层面，捷达已升级为独立科技公司，拥有本土研发决策权，产品开发周期缩短至24个月，以适配国内新能源市场节奏。 根据规划，2028年前捷达将推出4款新能源车，首款量产车型计划年内上市。 查看评论
接口返回一个 json 字符串，里面的字段是动态的，客户端只需要序列化后，原样传递给第三方接口。 IOS 端的，开始和他沟通死活说做不到，他必须要知道有什么字段，里面的键固定的他才有办法接收，他说强类型语言就这样。 我表示 golang 也是强类型语言，也可以做得到啊，不存在强类型语言做不到。然后我去问 AI IOS 开发动态 JSON 序列化，起码能给出 4 种解决方案写法。所以坚持要他想办法实现。 后来他实现了，问他强类型语言能不能做到也不吱声了。
接口返回一个 json 字符串，里面的字段是动态的，客户端只需要序列化后，原样传递给第三方接口。 IOS 端的，开始和他沟通死活说做不到，他必须要知道有什么字段，里面的键固定的他才有办法接收，他说强类型语言就这样。 我表示 golang 也是强类型语言，也可以做得到啊，不存在强类型语言做不到。然后我去问 AI IOS 开发动态 JSON 序列化，起码能给出 4 种解决方案写法。所以坚持要他想办法实现。 后来他实现了，问他强类型语言能不能做到也不吱声了。
接口返回一个 json 字符串，里面的字段是动态的，客户端只需要序列化后，原样传递给第三方接口。 IOS 端的，开始和他沟通死活说做不到，他必须要知道有什么字段，里面的键固定的他才有办法接收，他说强类型语言就这样。 我表示 golang 也是强类型语言，也可以做得到啊，不存在强类型语言做不到。然后我去问 AI IOS 开发动态 JSON 序列化，起码能给出 4 种解决方案写法。所以坚持要他想办法实现。 后来他实现了，问他强类型语言能不能做到也不吱声了。