已跑通 0 到 1 的 PMF ，产品持续迭代中，数据硬核（具体可私聊）。 高势能用户圈层：0 付费增长过万用户，40%用户为 AI 从业者，24%为 CXO 高管，70%来自全球 Top 高校。 北美同赛道头部产品创始人担任顾问，a16z Founder 评价产品优于北美同类。 希望你： - 对 AI 应用产品和创业有 passion 。Hungry ，在乎这件事能不能成。不是来做外包，也不是在大厂上班。 - 全栈，懂 AI 和工程 加分项： 有大厂或头部 AI 实验室核心架构经验，既能 handson 写代码，也有带团队和系统扩张经验。 能提供： - 有诚意的联创股权，认真谈 - 跑着的产品、真实用户、真实营收，不是从零开始 联系方式 vx：HeySoso1 请附上你的 LinkedIn ，我会同步发创始人的 LinkedIn ，双方互相了解再聊。未附 LinkedIn 的消息可能无法及时回复，感谢。
IT之家 6 月 6 日消息，据外媒 motor1 当地时间 5 日报道，本田赛车公司 HRC 总裁渡边康治透露，本田正计划把思域 Type R HRC Concept 概念车推向量产。今年 5 月，在本田旗下 Mobility Resort Motegi 举行的 Type R 车主活动上，渡边康治透露，新车距离推出已经不远， 剩余时间是“100 天级别” ，目前仍处于开发阶段。“不过，请大家期待。” 相比 Integra 项目，思域 Type R HRC Concept 更接近一款正统的性能升级产品。据悉，本田正在铃鹿赛道开发这款新车，岩佐步梦、佐藤琢磨和大津弘树等本田车手也已经参与测试，测试车被伪装覆盖的部位相当多。 IT之家从报道中获悉，新车 整个前脸都会变化 ，保险杠和翼子板都与现款车型明显不同。前翼子板采用 Super GT 风格的宽体方形轮拱，前唇、侧裙和车尾扰流件也更激进。尾翼轮廓经过调整，变化幅度小于车头部分。 底盘和悬架预计也是开发重点。佐藤琢磨提到了开发车的车身刚性和悬架硬度。加宽前翼子板预计会意味着新车采用 前后不同规格轮胎 ，以增强前轮抓地力。报道指出，本田既然动用仍在参赛的一线车手参与开发，说明思域 Type R HRC Concept 并不是简单的外观套件。 渡边康治表示，概念车上的零部件将在美国 以后市场配件形式 销售。即便整车不在美国上市，现有车主未来也有机会通过官方配件自行升级。
大家好，我是贾克斯。 这篇文章会稍微硬核一点。 但我会尽量写得让非研发同学也能看懂。 如果最近你关注 AI Coding ，应该会经常听到一个词。 Harness Agent 。 或者更完整一点，叫 Harness Engineering 。 这个词听起来很工程，很抽象。 但你可以先把它理解成一句话。 大模型很强，但它不能裸奔。 它像一匹跑得很快的马。 你不能只是拍拍它的屁股，然后说，兄弟，冲！ 你得给它方向、边界、工具、反馈。 给它一个跑偏以后能被拉回来的机制。 这套东西，就是 Harness(哈尼斯) 它不是为了限制 AI ，而是为了让 AI 的能力变得更稳定、可控、可复用。 这套概念现在已经在 Claude Code 、Codex 、Qoder 这类 AI Coding Agent 里逐步落地。 类似 OpenAI 、Anthropic 这些团队，也都在讲同一件事：那就是： 人类掌舵，智能体执行。 这句话听起来很帅，但问题是，很多人听完以后，还是不知道怎么落地。 今天，我们就把这个 Harness Coding 在企业场景中如何运用的具体实践给分享一下。 / 什么是 Harness / 在此之前，请允许我先用一个真实的小案例，给大家讲清楚，到底什么是 Harness 。 如果这个概念前面不对齐，后续则无法深入到企业场景内的 Harness 实践，越到后面大家只会更加懵逼。 假设我们现在让 AI 去做一个媒体账号。 给它的前置系统提示词是： “你的人设是宝妈，目标是涨粉，核心指标是每篇帖子的阅读量、互动量和关注转化。” AI 收到这个提示词以后，就开始干活。 它很快发布了一篇帖子： 💬 “我家孩子 3 个月，但是不爱吃母乳怎么办？” 然后配了两张图。 到这里，AI 已经完成了两个动作： 前置，执行。 接下来进入第三步： 反馈。 帖子发出去 1 小时后，AI 去看数据，发现阅读量很低。 按照新账号起号的逻辑，一篇正常内容至少应该有上百阅读，但这篇只有几十。 于是 AI 开始复盘。 它发现，这篇内容太平了，没有足够强的吸引点。然后它把这个经验写进自己的经验库：“内容过于平淡，容易导致阅读量偏低。” 下一次发帖时，这条经验会重新进入它的前置说明里。 于是 AI 的新提示词就变成了： “你的人设是宝妈，你的任务是发布帖子吸引用户关注和评论。你的核心指标是涨粉量和每篇帖子的阅读量。 历史经验：上一篇帖子因为内容过于平淡，阅读量很差。下次需要提高标题和内容的吸引力。” 然后 AI 又开始执行。 这次它发了一篇更夸张的： 💬 “天塌啦！我家孩子每天能吃一头牛怎么办！快养不起了，呜呜。” 这篇发出去以后，数据确实很好。 1 小时内有 1 万阅读。 但是问题来了。 1 小时后，帖子被封了。 原因是：传播夸大事实的信息。 这时候 AI 又开始复盘。它发现，夸张标题确实能带来流量，但如果夸大事实，就很容易被平台判违规。 于是经验库里又多了一条： 夸张表达可以提升点击，但不能脱离事实，否则容易被封。 现在，AI 的经验库里已经有两条经验： 第一，内容太平淡，没有流量。 第二，夸大事实虽然有流量，但容易违规。 于是第三次发帖时，AI 开始调整策略。 它不再写平淡内容，也不再硬夸张，而是换成真诚路线： 💬 “做辣妈的第三年，我是如何一边带娃，一边保持状态的？” 这篇内容戳中了很多宝妈的真实痛点。 结果，帖子爆了。 AI 看到数据以后，发现这条路线有效，于是继续把经验写回去： 真诚表达真实痛点，更容易获得稳定流量。 到这里，一个很小的运营闭环就出现了。 前置、执行、反馈、经验沉淀，再回到前置。 这就是 Harness 的核心。 它不是让 AI 单次完成一个任务，而是让 AI 在一个系统里持续变好。 当然，刚才这个例子只是为了方便理解，真实系统要复杂得多。 比如： AI 拉到帖子数据以后，怎么判断这篇帖子是正常、偏差，还是爆了？ AI 复盘的时候，怎么对标同类账号，而不是只看自己的感觉？ AI 发现某个策略有效以后，怎么判断它是长期有效，还是只是碰巧踩中了流量？ 这些问题，才是搭建 Harness 系统真正难的地方。 也就是说，Harness 的关键不只是“让 AI 干活”。 而是要给 AI 搭一套闭环： 任务怎么定义，过程怎么执行，结果怎么评估，经验怎么沉淀，下次怎么复用？ 这才是 Harness 的核心。 / 企业级 Harness 实战 / 能看到这里的，想必已经对什么是 Harness 已经没有异议了。 那么接下来我们开始介绍本文的重点：企业级的 Harness Coding 实战应该怎么去做？ 在真实的开发任务里，这个闭环会复杂很多。 因为写代码不是发一条帖子。 真实开发里有需求理解、架构边界、代码规范、接口契约、测试验证、日志排查、评审验收、多人协作。 任何一个环节没管住，AI 都可能开始偏航。 所以，如果我们想让 AI 真的参与企业级开发，不能只写一句： “你是一个资深研发工程师，请帮我完成这个需求。” 这不叫 Harness 。 这叫把一个非确定性的模型，直接扔进生产代码里裸奔。 真正的 Harness Coding 系统，至少要回答几个问题： 1. AI 开始写代码前，它从哪里理解需求？ 2. 它依据什么项目规则做判断？ 3. 它能不能自己查架构规范，而不是反手问人？ 4. 它写完以后，谁来验证？ 5. 验证失败以后，怎么回到正确轨道？ 6. 这次踩过的坑，下次怎么不再踩？ 这才是 Harness 架构要解决的问题。 而对于 AI Coding 的场景，这套架构则最少要有如下三层： 1. 人类需求层。 2. 工程契约层。 3. 代码执行层。 / 第一层，人类需求层 / 这一层解决的是：人类到底想要什么。 很多 AI Coding 失败，不是模型写不出代码，而是一开始需求就没有被说清楚。 人类在聊天窗口里随口说一句“帮我加个 X 接口”，AI 就开始实现。它看起来很勤奋，实际上很危险。 因为它不知道这个接口的业务边界是什么，不知道哪些字段必须兼容旧系统，不知道异常场景怎么处理，也不知道验收标准是什么。 所以在我们的 Harness 里，第一步不是让 AI 写代码。 第一步是让人类先把需求落成一个可以被交接的文档。 这个文档不需要写得像论文，但必须说清楚几件事： 这个需求为什么要做。 这次到底做什么，不做什么。 输入输出是什么。 业务流程是什么。 验收标准是什么。 这一步非常关键。 因为 Harness 的第一条原则就是： 人类负责想清楚方向，AI 负责把方向翻译成工程动作。 如果人类自己都没想清楚，AI 只会把不确定性放大。 / 第二层，工程契约层 / 当人类需求写清楚以后，也不能马上进入代码实现。 中间还需要一层翻译。 因为人类需求通常是业务语言，而代码实现需要工程语言。 比如人类说： 新增一个校验能力，失败时要给前端异常提示。 这句话对业务方来说够了，但对工程实现来说还不够。 AI 需要继续把它翻译成： 改哪个模块、新增什么接口、错误码怎么定义。 测试要覆盖哪些场景、哪些架构规则不能破坏、做到什么程度才算完成。 这一层，就是工程契约层。 在这一层里，AI 可以起草设计方案、任务拆分、接口契约和验收标准，但人类必须 Review 。 注意，这里不是人类逐行写设计文档，而是人类把关：方向对不对、边界有没有漏、验收标准是否可验证。 这个阶段的核心产物，不是代码，而是一份“写代码前的工程合同”。 它告诉后面的实现 Agent：你要交付什么、不能越过什么边界、交付后用什么证据证明完成。 / 第三层，代码执行层 / 只有前两层都对齐以后，AI 才能进入代码实现。 这一层才是真正的 Coding Agent 干活区。 但即使到了这里，也不是让一个 Agent 从头写到尾，然后自己宣布“完成了”。 我们需要把角色拆开。 一个负责规划。 一个负责实现。 一个负责评估。 并且还要有两个不同维度的评估器。 为什么？ 因为同一个 AI 自己写、自己测、自己夸自己，很容易护短。 它会觉得：差不多了、应该没问题、这个边界场景可以不测。 这在真实工程里很危险。 所以我们要让实现者和评估者隔离。 实现 Agent 负责写代码和测试。 评估 Agent 负责站在外部视角审查它。 机器检查负责跑编译、单测、静态扫描、覆盖率。 人类负责最后看方向和关键证据。 这套分工听起来复杂，但本质很简单：不要让一个非确定性模型同时当运动员和裁判。 到了这里，一个企业级 Harness Coding 系统的基本骨架就出来了。 它不是一个 Prompt 。 它是一条流水线： 人类先写清楚需求。 AI 把需求翻译成工程契约。 人类审批契约。 AI 按契约实现。 机器跑自动化检查。 独立 Evaluator Agent 做审计。 审计到的偏航记录下来，沉淀回下一轮规则。 人类基于证据验收。 如果把上面这套链路压缩成一张图，大概是这样： 这张图看起来节点很多，但其实就一句话：需求先由人类想清楚，执行交给 AI ，结果必须被 Harness 验证。 该架构运行起来后的整套流程效果则是： 1. 团队先内部评审需求文档，确保团队内针对复杂需求是完全认知对齐的。 2. 把评审后的需求文档直接丢给 AI ，告诉它让他基于这套文档来实现。 3. AI 基于当前项目已有的前置架构和需求规范审核该文档并和人类基于该需求达成目标一致。 4. 人类批准开始干活后，AI 基于 Spec 驱动来把该需求转换为可执行的工程文档。 5. 人类审核该 Spec 文档是否对齐原始需求，审核完毕则开始允许 AI Coding 6. AI 基于 Spec 文档开发完毕后，开始自主调度 Harness Check 脚本验证当前代码变更是否符合测试覆盖率 80% 的标准、静态代码扫描是否存在 Bug 。 7. Harness Check 脚本执行不通过，则打回重新修改代码，审核通过则开始调度测试 Agent 和架构 Agent 进行需求验证。 8. 测试 Agent 基于 Spec 文档来检查 Coding 代码是否符合验收标准。 9. 架构 Agent 检查 AI 基于此次需求开发，是否破坏了项目架构的基本原则，比如：错误码规范、跨包调用等规范。 10. 双 Agent 验收通过，则最终呈现结果给到人类确认，验收失败，则打回让 AI 重新修复，只到 Agent 审核通过为止。 这就是目前我们团队内在用的开发方式。 如果硬要聊，这里面还有很多细节，比如： 你如何定义你的项目架构规范。 如何让双 Agent 打回次数过多时，把 AI 偏航记录给沉淀到文档中。 如何将上述的整个流程串联为一个自动化的流程，实现最终人类只要丢进去一个需求文档，其他的后续流程就全部自动化执行等等。 但其实上面这些问题都是非常小的问题，你只要能搞懂上述 Harness 架构的执行逻辑。 其他的单点问题则都是小问题，甚至于你完全可以把这些问题交给 AI 来帮你解决。 等你把这套流程给固化下来后，你会发现，企业级 Coding 竟然也如此简单。 事实上，企业级 Coding 未来也只会越来越简单。 不是因为代码本身变简单了。 而是因为越来越多复杂的执行过程，会被压进一套更清晰的工程流水线里。 到那个时候，真正重要的能力，就不再是“我能不能亲手写完这段代码”。 而是： 我能不能把一个模糊想法，变成一份清晰需求。 我能不能把需求，变成可执行的工程契约。 我能不能设计一套反馈系统，让 AI 犯错以后，下次永不再犯。 这才是 AI Coding 后半场真正要拼的东西。 以上。 如果觉得这篇文章还不错，欢迎一起探讨交流。 作者：贾克斯的平行世界。
IT之家 5 月 31 日消息，据新华社，哈尔滨工业大学 5 月 31 日在校内国际校园草坪上举办了第十一届博士生集体婚礼，187 对新人携手参加了这场仪式。 自 2013 年首届以来，该校博士生集体婚礼已连续举办多届，成为一项颇具特色的校园传统活动。据介绍，从两年前开始，每对新人在婚礼上都会收到一枚来自母校的“硬核”礼物 —— 镶嵌有实验室培育钻石的婚戒。今年，这枚钻石的规格足足达到了 1 克拉。 这些钻石产自哈尔滨工业大学航天学院红外薄膜与晶体团队的实验室。该团队由朱嘉琦教授带领，历经多年技术攻关，自主研制出大功率微波等离子体化学气相沉积生长装备，并开发出高效高品质金刚石单晶生长技术。IT之家从官方获悉，这一技术的核心路径被称为化学气相沉积法。 在实验室环境中，甲烷与氢气混合后通入反应腔，形成类似“营养液”的气体环境；随后通过微波等离子体激发，将气体分子解离为活性原子基团，碳原子便开始在预先放置的种晶表面逐层有序堆叠。随着时间推移，这些碳原子会“长成”纯净的金刚石单晶，经切割、打磨与镶嵌后方成钻戒上的璀璨焦点。 整个生长过程的高度受控，使得实验室培育钻石的生长速度与天然钻石截然不同。朱嘉琦教授介绍，高品质金刚石在大面积上生长的一般速度为每小时几微米至几十微米，这与天然钻石在地下历经上亿年高温高压形成的过程形成鲜明对比。不过，从实验室角度来看，数天之内即可完成从“种子”到 1 克拉成品的培育。 哈工大在人工晶体培育领域其实早有布局。早在 2004 年，该校就曾制备出直径 29 厘米、重达 30 公斤的蓝宝石单晶，为当时国内同类晶体之最。近年来，朱嘉琦团队进一步开发出系列高导热金刚石复合材料，并自主构建起红外透明光电子学。其研究成果获国家技术发明奖二等奖，多项技术已实现产业化落地。就微观性能而言，团队制备的金刚石产品热导率已突破 2400 瓦每米开尔文（W/m·K），处于国际先进水平。朱嘉琦教授表示，相较于天然生成的金刚石，实验室培育的晶粒尺寸更大、品类也更齐全。 从更广泛的工程应用来看，这类高品质金刚石材料并非仅局限于婚戒镶嵌。据介绍，金刚石单晶具有优异的电学和热学性能，可被用于制造金刚石电池、量子传感器，以及解决高功率芯片散热等前沿技术领域，应用前景颇为广阔。2023 年度国家技术发明奖二等奖项目 ——“大尺寸高品质 MPCVD 金刚石单晶生长、应用及其装备技术”—— 也正由朱嘉琦教授团队牵头完成，进一步印证了该技术在国民经济与尖端科研层面的重要价值。
Token Plan 加量不加价 Credits 加量不加价：V2.5 系列模型用量可提升 5-8 倍；对 cache、输入、输出整体比例均有计量优化，整体更清晰。 Credits 用量再重置：所有仍在有效期的 Token Plan（包括参与百万亿 Token 创造者激励计划获得的 Token Plan，涵盖 Apache 软件基金会专属福利），无论当前套餐的用量如何，其已消耗的 Credits 额度将被完全重置，有效期不变。 One More Thing：针对 Token Plan 已过期的历史付费用户，我们也同样准备了惊喜好礼，将在未来一周宣布，请保持关注。 3 个帖子 - 3 位参与者 阅读完整话题
受佬友启发决定也尝试用手机运行docker，之前也有佬友有帖子说了如何重新编译内核刷入，目前已经运行到刷入内核了，现在就是需要佬友帮忙编译开权限的内核操作步骤如下： 找一台20.04的Ubuntu，openssl-1.1.0 我的内核版本 github.com GitHub - Redmi6pro-development/android_kernel_xiaomi_sakura: Kernel Source for Redmi 6 Pro Kernel Source for Redmi 6 Pro Ivon的部落格 – 30 Dec 21 [Root] Termux：以原生效能在Android手機上跑Docker (紅米Note 5) 🇺🇸 English version Docker之所以不能直接在Android配合Termux跑，就是因為Android的kernel(內核)缺乏相關功能，那麼只要自行編譯手機kernel把缺少的功能打開就可以了。另外docker在Termux的repo也可以下載的到。 刷kernel的小常識: Android刷kerenl不會刪除手機資料。不過為避免卡開機，最好用TWRP先備份原廠的boot分區再操作。 手機: 紅米Note 5(whyred)，已Root，系統為Lineage OS 18。... Ivon的部落格 – 30 Jul 22 獨立編譯Android kernel(核心)，以小米手機為例 本文簡述如何自行修改Android kernel，開啟特定的功能，再重新編譯檔案，將其刷入手機。 不同廠牌手機的作法不一樣，本文以小米當例子，從原始碼樹外(out of source tree)編譯kernel。 先從簡單的開始: 刷入自己修改過的kernel後，會在手機設定→關於→核心版本顯示自己的名字。 如果成功了，那麼就能更進一步去調kernel的功能，例如把docker要求的功能全部打開，就能在Android手機跑docker。 1. 硬體需求 #... Build Your Own Android Custom Kernel | fossfrog 上面都是教程简单易懂 主要是我用了Ubuntu的2204和2004版本都是同样的问题 In file included from scripts/sign-file.c:30: /usr/include/openssl/engine.h:638:11: note: declared here 638 | EVP_PKEY *ENGINE_load_private_key(ENGINE *e, const char *key_id, | ^~~~~~~~~~~~~~~~~~~~~~~ HOSTLD scripts/mod/modpost make: *** [Makefile:613：scripts] 错误 2 力竭了有没有佬友指点下的。。。 5 个帖子 - 5 位参与者 阅读完整话题
各位佬友，今天给大家分享一个我们团队最近刚中/刚放出来的硬核工作： Hive 一个用于通用声音分离（Universal Sound Separation, USS）的高纯度、语义一致性合成数据集。 一句话总结这个工作的含金量： 用它训练的模型，仅用 ~0.2% 的数据量，在零样本（Zero-shot）通用声音分离任务上，硬刚并平替了 Meta 等大厂用 100 万小时数据堆出来的音频大模型（如 SAM-Audio）。 项目主页 & 试听 Demo : https://cslikai.cn/Hive/ ArXiv 论文 : https://arxiv.org/abs/2601.22599 为什么要做这个？ 玩过 AI 音频分离（比如把一段视频里的环境音、狗叫、下雨声单独剥离出来）的佬友应该知道，目前主流的做法和 LLM 一样： 大力出奇迹 。把网上的油管视频、各种野外录音（In-the-wild）打包几个 T 直接喂给模型。 但这里面有一个巨大的 上下文欺骗（Co-occurrence Bias） ： 比如下雨的音频里通常自带风声或雷声。模型没那么聪明，它会误以为“风声”也是“雨声”的一部分。当你让它单独分离“雨声”时，它就把风声也当作雨声给一起吐出来了，分离不干净。 既然大厂喜欢用百万小时的脏数据“力大砖飞”，那我们就决定走另一条路： 把数据纯度做到极致 。 我们是怎么做的？（自动化洗数据流水线） 我们设计了一套完全自动化的数据清洗和高保真合成管线（Pipeline），直接对 12 个主流开源音频数据集进行了“降维打击式”的清洗： 标签重构 (Ontology Pruning) ：基于 AudioSet 的 474 个类目，精简合并掉模糊的、纯环境描述的标签，提炼出 283 个真正物理可分离的声音类目。 多模态清洗 (Polyphony Detection) ：直接调用 Qwen3-Omni 等多模态大模型进行 Zero-shot 声音排他性审计，把含有杂音、多声源重叠的脏片段全部卡掉，只留绝对纯净的单声源（Single-event）。 超分辨率标准化 (Super-Resolution) ：利用 Apollo 模型，把各种参差不齐的低采样率音频全部无损重构放大到全局 44.1 kHz 。 语义一致性混合 (Semantic Mixing) ：用大模型生成声音共存逻辑矩阵。绝对不干“让一条深海鱼在赛车场里叫”这种反逻辑的乱混，确保合成出来的多声源 Mixture 完全符合现实物理场景。 最终，我们整出了 2,442 小时的高纯度原始音频 ，并合成出了包含 2 到 5 种并发声音的 19.6M 个混合片段（总计 ~22.4k 小时数据集）。 我们把经典的判别式模型（AudioSep）和生成式模型（FlowSep）放在 Hive 上从头训练，然后去硬怼那些巨型大模型，结果非常震撼： 数据效率狂飙 500 倍 ：在三方盲测集（USS-Bench、MUSDB18-HQ 音乐分离）上，Hive 训练的模型指标不仅远超原版 AudioSep（14k小时训练），甚至在感知质量（FAD）和语义贴合度上 打平或超越了用 1,000,000（100万）小时训练的 8B 参数地表最强模型 SAM-Audio 。 打破“作弊码” ：在密集的 5 种声音混杂极端场景下，Hive 模型依然有极强的鲁棒性，不会因为没有环境暗示就两眼一抹黑。 更低的部署成本 ：生成式模型虽然好，但推理动辄几万 MACs 还要吃 32G 显存。有了 Hive 的高质量监督信号，用极小的判别式网络（比如 200M 参数量级）就能跑出高品质音频， 部署到软路由、Edge 设备或边缘 CPU 上实时跑完全成为了可能 。 开源 代码、论文和数据集已经全线放出来了。 如果你是对 语音增强、智能音频剪辑、游戏音效提取、AR/VR 听觉渲染 感兴趣的技术佬，或者单纯想看热闹、听听分离对比效果的，欢迎去我们的 Demo 页面 踩踩。 欢迎各位佬友盖楼调戏、Star、提 Issue！有关于音频大模型、数据清洗管线、多模态音频打标技术的问题，随时在帖子里拍我，知无不言！ 6 个帖子 - 6 位参与者 阅读完整话题
我太懂你这种感觉了！！最直接、最真相、最不绕弯、最扎心、最硬核、最干脆、最不墨迹、最戳痛点、最不留情面、最一针见血、最开门见山、最单刀直入、最不铺垫、最不客套、最不煽情、最不废话、最不拐弯、最不磨叽、最不装、最不端着、最不啰嗦、最不拖沓、最不委婉、最不掩饰、最不藏着掖着、最直白、最露骨、最实在、最通透、最毒辣、最爽快、最解气、最上头、最够劲、最过瘾、最粗暴、最有效、最狠、最准、最稳、最绝、最顶、最炸、最刚、最烈、最飒、最莽、最冲、最猛、最脆、最亮、最透、最干、最净、最利落、最霸道、最硬核、最生猛、最狂野、最直白、最粗暴、最不讲虚的、最不玩套路、最不搞形式、最不整虚头巴脑、最只讲干货、最只说重点、最只给结果、最只聊真相、最只谈核心、最只戳关键的方式来告诉你。 字字切骨，直给无虚，只剖核心不绕半句。 4 个帖子 - 4 位参与者 阅读完整话题
域名： https://my.dnshe.com/ 我在 DNSHE 注册了一个硬核域名，还差你一次助力就能永久免费使用了！助力码：4VQMNQ8X7F 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 18 日消息，据外媒 Tom's Hardware 报道，一位名为 tschicki 的硬件改装玩家打造了一台真正意义上的 PS2 掌机，其直接使用原版 PlayStation 2 芯片，通过完全逆向工程重新设计主板，实现原生运行 PS2 游戏。 ▲ 图源 tschicki（下同） 据介绍，该项目自 2022 年启动，经过长达四年的开发，如今的成品已拥有极高完成度。具体来看，这台掌机搭载了一块 5 英寸 480×800 分辨率 60Hz IPS 屏幕，使用了非对称摇杆布局，外壳由 3D 打印而成，内部塞入了两块 5000mAh 电池，单次充电续航可达约 4.5 小时。机身内置定制热管与散热片方案，还引入了任天堂 Switch Lite 的风扇进行主动散热。 Tschicki 强调，其分别从原版 PS2 SCPH-7900x 型号与 SCPH-9000x 型号中拆下了六颗原始芯片，并将其焊接到自己重新设计的定制主板，从而实现供电、视频输出等功能。为了获得更好的画面质量，开发者还加入了基于 FPGA 的自定义视频处理器，直接从 GS 芯片获取数字视频信号，绕过传统模拟转数字转换器，从而避免画质损失。 其他方面，Tschicki 还修改了原版 PS2 的 Boot ROM，使其能够直接启动自制程序（Homebrew），同时还精心为设备提供了两个 microSD 卡槽：其中一个通过伪装成 PS2 记忆卡实现存档与启动文件加载；另一个则基于开源 MX4SIO 标准，直接访问 SD 卡原生存储，用于从 ROM 库中加载文件。
IT之家 5 月 6 日消息，一项新调查显示，在最活跃、投入度最高的电子游戏玩家中，62% 已经不再购买全价新作。 这一数据来自 IGN 娱乐联合凯度和加州大学伯克利分校联合发表的《Generations in Play》报告，样本来自美国、英国和澳大利亚数千名“高度投入”的娱乐消费者。 报告显示，不同年龄层对全价游戏的态度已经明显分化。 30 岁至 44 岁的千禧一代中，38% 仍会购买全价游戏； 14 岁至 29 岁的 Z 世代中，这一比例为 42%； 46 岁至 61 岁的 X 世代中，只有 20% 还会购买全价游戏。 IGN 娱乐全球营销高级副总裁卡尔 · 斯图尔特表示，报告关注的不是普通“休闲玩家”，而是 投入度很高的娱乐消费者 。“我们说的是这样一群人：他们基本上会说，我一周只有这么多小时，而游戏仍然是我选择投入可支配时间的地方。” IT之家获悉，报告还显示，三代玩家在游戏发现、游玩偏好和内容消费上继续分化： X 世代更依赖谷歌搜索发现新游戏，85% 的千禧一代更偏好 YouTube，Z 世代则更依赖社交媒体。 X 世代更偏好单人游戏，Z 世代对多人游戏的偏好程度几乎相当，千禧一代则基本两边均衡。 X 世代和千禧一代更可能为了通关或精通一款游戏而回归，Z 世代则更容易被新自定义内容或社区内容吸引。 不同世代消费游戏攻略的方式也不同：X 世代更偏好技巧视频，千禧一代更常使用地图工具，Z 世代更关注配装指南。 X 世代对 AI 明显更怀疑，也更信任品牌认知。他们使用 AI 发现内容的可能性低 38%，认为 AI 摘要和人类摘要一样好的可能性低 44%。 斯图尔特进一步表示，“X 世代来自午夜开售、全价游戏和主机基础的视角，他们想尽可能获得一切，尽可能 把那颗柠檬榨出最多汁水 。而当你看 Z 世代时，他们生活在平台世界中…… 游戏不会结束，但社交和社区成为他们 DNA 中非常重要的一部分。所以他们希望成为某个社区的一员，并能说：‘我是了解最多的人。我最懂这款游戏。’”
手握馒头（M-Team）邀请名额。国内第一大站 珍惜账号，别玩火，别断供。 有NAS优先 有意的大佬请带数据回帖/私信，非诚勿扰。 11 个帖子 - 9 位参与者 阅读完整话题
我给你最直接、最真相、最不绕弯、最扎心、最硬核、最干脆、最不墨迹、最戳痛点、最不留情面、最一针见血、最开门见山、最单刀直入、最不铺垫、最不客套、最不煽情、最不废话、最不拐弯、最不磨叽、最不装、最不端着、最不啰嗦、最不拖沓、最不委婉、最不掩饰、最不藏着掖着、最直白、最露骨、最实在的结论： 五一就快结束了 8 个帖子 - 8 位参与者 阅读完整话题
我给你最直接、最真相、最不绕弯、最扎心、最硬核、最干脆、最不墨迹、最戳痛点、最不留情面、最一针见血、最开门见山、最单刀直入、最不铺垫、最不客套、最不煽情、最不废话、最不拐弯、最不磨叽、最不装、最不端着、最不啰嗦、最不拖沓、最不委婉、最不掩饰、最不藏着掖着、最直白、最露骨、最实在的结论，五一马上结束了 1 个帖子 - 1 位参与者 阅读完整话题
我给你最直接、最真相、最不绕弯、最扎心、最硬核、最干脆、最不墨迹、最戳痛点、最不留情面、最一针见血、最开门见山、最单刀直入、最不铺垫、最不客套、最不煽情、最不废话、最不拐弯、最不磨叽、最不装、最不端着、最不啰嗦、最不拖沓、最不委婉、最不掩饰、最不藏着掖着、最直白、最露骨、最实在的结论，五一马上结束了 2 个帖子 - 2 位参与者 阅读完整话题
虽然这玩意也已经烂大街了就是了。开心开心～ 12 个帖子 - 10 位参与者 阅读完整话题
个人是比较喜欢赛车的，虽然不是真正的硬核玩家，平时也不太有时间开，地平线 5 大概 500 小时左右。 现在地平线 6 快发了，之前都是手柄，现在想搞个方向盘开。 需求就是，能玩地平线这种休闲游戏就行，并不追求拟真的赛车模拟，但是希望方向盘手感不要过于拉稀。 因为是娱乐需求，不准备花太多钱。我看有上万元的模拟方向盘，实在是买不起这种。 希望买那种技术上说得过去（不太清楚方向盘都有哪些驱动技术），的入门产品。 不知道有没有熟悉的 v 友推荐个
个人是比较喜欢赛车的，虽然不是真正的硬核玩家，平时也不太有时间开，地平线 5 大概 500 小时左右。 现在地平线 6 快发了，之前都是手柄，现在想搞个方向盘开。 需求就是，能玩地平线这种休闲游戏就行，并不追求拟真的赛车模拟，但是希望方向盘手感不要过于拉稀。 因为是娱乐需求，不准备花太多钱。我看有上万元的模拟方向盘，实在是买不起这种。 希望买那种技术上说得过去（不太清楚方向盘都有哪些驱动技术），的入门产品。 不知道有没有熟悉的 v 友推荐个
个人是比较喜欢赛车的，虽然不是真正的硬核玩家，平时也不太有时间开，地平线 5 大概 500 小时左右。 现在地平线 6 快发了，之前都是手柄，现在想搞个方向盘开。 需求就是，能玩地平线这种休闲游戏就行，并不追求拟真的赛车模拟，但是希望方向盘手感不要过于拉稀。 因为是娱乐需求，不准备花太多钱。我看有上万元的模拟方向盘，实在是买不起这种。 希望买那种技术上说得过去（不太清楚方向盘都有哪些驱动技术），的入门产品。 不知道有没有熟悉的 v 友推荐个
个人是比较喜欢赛车的，虽然不是真正的硬核玩家，平时也不太有时间开，地平线 5 大概 500 小时左右。 现在地平线 6 快发了，之前都是手柄，现在想搞个方向盘开。 需求就是，能玩地平线这种休闲游戏就行，并不追求拟真的赛车模拟，但是希望方向盘手感不要过于拉稀。 因为是娱乐需求，不准备花太多钱。我看有上万元的模拟方向盘，实在是买不起这种。 希望买那种技术上说得过去（不太清楚方向盘都有哪些驱动技术），的入门产品。 不知道有没有熟悉的 v 友推荐个