方程豹出轿跑了，直面小米与尚界。

相比看一下传统车企与新势力在产品力方面的较量，我更想看一下在网络层面的交锋。

简单试了下天气卡片，中文英文都试了，太简陋了：

中文：

创建一个包含 CSS 和 JavaScript 的单一 HTML 文件，用于生成动画天气卡片。卡片应该通过不同的动画直观地表示以下天气状况：

风：（例如，移动的云朵、摇摆的树木或风线）

雨：（例如，下落的雨滴、形成的水坑）

阳光：（例如，闪耀的光线、明亮的背景）

雪：（例如，下落的雪花、积累的雪）

所有天气卡片应并排显示，卡片应该有深色背景。

在这个单一文件中提供所有 HTML 、CSS 和 JavaScript 代码。JavaScript 应该包含一种切换不同天气状况的方式（例如，一个函数或一组按钮）以展示每种天气的动画效果。

英文：

Create a single HTML file containing CSS and JavaScript to generate an animated weather card. The card should visually represent the following weather conditions with distinct animations: Wind: (e.g., moving clouds, swaying trees, or wind lines) Rain: (e.g., falling raindrops, puddles forming) Sun: (e.g., shining rays, bright background) Snow: (e.g., falling snowflakes, snow accumulating) Show all the weather card side by side The card should have a dark background. Provide all the HTML, CSS, and JavaScript code within this single file. The JavaScript should include a way to switch between the different weather conditions (e.g., a function or a set of buttons) to demonstrate the animations for each.

做了一款成语填字 APP ，名字叫做《多福单词》，对学习英语有诉求的，可以下载看看，送 50 个终生会员给各位大佬。

希望大佬们兑换了，能够顺手给个好评，独立开发不易，再次祝各位大佬，早日财富自由，早日赢取白富美。

========================

背单词是不是总让你昏昏欲睡？来试试用玩游戏的方式把单词刻进脑子里！

📱 多福单词 · 背单词猜字游戏

一款专为英语学习者打造的益智单词 App ，把枯燥的背单词变成每天最期待的事！

✨ 核心玩法 🔤 猜单词 — 字母连线、填字闯关，在游戏中自然记住拼写和释义

🔗 连线拼字 — 拖动字母连成正确单词，强化拼写记忆，简单上手

⚡ 单词接龙 — 根据上一个单词末字母快速接龙，越玩越上瘾

📅 每日一词 — 每天精选词汇配例句，坚持一年积累 365 个新单词

🏆 单词闯关 — 从基础词汇到四六级常考词，循序渐进解锁新挑战

👥 适合人群 无论你是备考四六级、考研的学生，还是想利用碎片时间充电的上班族，每天 10 分钟就有效！

========================

3ARJKET8F63PEY44EE 4E4WKPXJMK84TTWN3H 6LNYLP6RHYA6H7MAFW 44MEWA4PNA8TMHA4J8 Y83TEFL6Y68A8PYW7T TYNHMFHPELN8YXA4FK YWYW4ERY7FEA3AH66K TKT7PPXKH8XP877YRY Y6ANMF3ERHAL8KPHXR LNF3EWWMXWK6L4YXH7 NJ4FEY8NPXLW4L3AH8 YYRKXFN74FJXJ7JT77 TRTYALHLAAH8ALTFT6 R786YK8MN4WK4JL6TM EXLX7P8MFPAHJFPRFE MAFY3LY6RNXMK8KHPY 87WNANMAJWLATF374A 4PLRXHPFWXJXFHKRH3 APKNFTTP6YL43ANK7W PKWJ7MAW3AFJ4R86P4 86YYPW7KEJLLK4RWXN MRYRXTAWXT8EATY6JY 38JLHXH8XXLPAH6RYH AXNKN87MWTFF3MTJAX RF8J76TWKL6HFXWHTF M6A3MWXNL4XTNLK87L T3MH3YJMHJW7P4AK7F MLN7RKXNX3HL7JR387 RYWLMFRJHN67JNHWTP WFXAWKYXWNXH8RR64Y T74FJM8LA638RR7XWL EEEPHYKY6TN8LAFYYM J8HRTJ3YWW8P3YA6F7 F4W3Y4NJA8KJAAPR8A 77FELPYTXWW7AA8WMR R38A4TYJEHHXTRH4JP 6PX8AX8NEFT8F4HHPX XK47XPYE3TKMJKMPEP 737RERKKANHWLFRMPE YFJYWELENTRFJ47P3R KR6LT6EYKWWWENPRX8 6FWPNN3PRENHJ4Y3L8 FJRJ7TE3JAJXMYL88E 8WPT7EHWH8THX3PFTF 4WKHMMNW6HKERMXNMR EJTNYT3FM4R36E47HK MRFT7TJE43HELLR38J TRFMNMKHYF68TK48KL NYE6TNL4YN847ARFMJ 6ENN6PFFEFN8HF73Y6 3E8FRWRE7JYXYJKWMH HHF47TWKPXT7PPA68N AKEE6EEEJRE37AERMA F3ALP8LYJLANTA8HNX 6RJ6HWPKMYF4LMNTFL NL4ELR6A38N44TP7R6 PH6FHW63JMW3W46KJ8 XHWE6HXA647AX87X6X KL4TMYX44NNEWXTPH7 HWRLT4PMKYAF6H8K44 74E84WKMWYYMY4TX3X XX8RAF33EKLL3L68EY WWXHTHXJ38P6YMPWWW XKFE3XJJ6AXW3E7T6P J6EM487ERTM643N3HT A8M67NTFJKKTPAF43X 4PJEXTHXWRHF7MLFTK LXJFM78RTLN48JRR8J RRPLYARL666X44LKJJ N34RWRYPARWLEYTTLL MH847NLRXYYYWX6ARR TR8PFK6NXMAEEYXKHJ 6PY488MT6RXTN4RMW4 4FATXMN4TXEEHYANXP 84JFWL6ERLK8XHHKFY HE786EYEJYMN6F7M3R LHJKJRLA8JKTAWE6FT X6XYLAT6N8TF3RJ8X8 HP6WJXJJTLHXF4W3RF FN644MHMW37E7Y8KMA PLE3TJLLNX7PYX4L3K E76KHNRXN6MYF7XPN8 R34EXJX334YTERA7P4 EM4YJ483XX8NJJJJN8 7PH6YHLW8LH346E6XX EHRJL3YJ4PK3LPMNLM RNJPTNWHTJNH7EAXWF K4YXE6JLP74H4X8KNH A7R774WKE6LPHXFR43 LK8T4E8WYRXLFAFHWK APYYPN6ATAXFAKF778 8X8A3JFTHFA4T8LNLM EPJN6KTFATYTXK3EME 3PT7JHLPATRWAN8K3F JR8X6XT7YY3WT74XM7 HYRJXLHXW4NL44H6HN HHXKLPFKY4KM4X8FHE RKY467T64WXN4MHT4L YJHFYT3HPFHPY8H6MH FEWYTARRRLW3438KRP

昨天 11:20 开始用公司的网络连我的 VPS 时不时超时，公司的出口是联通，如果用联通流量直接连就稳定了。问了公司的 IT 确认没有调整任何网络策略，但不确定他们说的是不是这个女的。

今天看了下买的机场大部分节点都挂了，联通流量连也时不时超时，感觉快要断网了一样。VPS 是美国洛杉矶的搬瓦工。

我的前三名：微信、微博、小红书

中部省份四线城市，身高 150cm 的女生，马上要初中毕业，学习不好，是出去打工，还是读技校，读技校读什么专业呢？ 助产师和电商方向是我比较倾向的。 各位 v 友觉得呢。

打算 618 左右购入 不要 thinkbook 预算 1W 左右

抽奖 | 懒猫小龙猫 AI Agent 抽奖活动（第二轮）

想玩 AI Agent 又怕门槛高？那是你没遇上“小龙猫”。

龙虾（ OpenClaw ）不失联，爱马仕（ Hermes ）更好用！

懒猫小龙猫一键部署，多人群聊，安全隔离，永远不挂，让你的 AI 助手 24 小时为你打工！

上一轮活动中奖名单在帖子底部

欢迎大佬们参与我们本次抽奖活动，有机会直接获得懒猫微服一台，规则如下

第二轮活动时间

4 月 24 日-4 月 29 日

开奖时间：4 月 29 日晚上 20:00 （周三） 奖品：

- 一等奖：价值 5499 元 7 盘位新款「懒猫微服 AI 主机」*1

- 三等奖：价值 142 元「绿联万兆交换机」+「懒猫微服 AI 主机」 499 优惠券*5

抽奖规则（必看）：

1.评论区评论下面内容，或者分享你在使用小龙虾和爱马仕时的体验

想玩 AI Agent 又怕门槛高？那是你没遇上“小龙猫”。龙虾（ OpenClaw ）不失联，爱马仕（ Hermes ）更好用！

2.添加微信进入懒猫微服交流群 15342333561 / 18627819427 / 17820700354 / 17612774028

抽奖方式

本次抽奖依据名单统计，使用懒猫微服商店中的抽奖工具开奖，公平公正，结果第一时间公布在微信群。（需加微信进群）

领奖方式

通过微信群联系我们的工作人员领奖，中奖后进群无效，所以参加抽奖的大佬进懒猫微服任意交流群即可。（需加微信进群）

特别提醒：

1.大佬一定要进我们的交流群才能获得中奖资格哦。

2.中奖用户需要把“推特参与活动截图以及推特主页”作为凭证发给工作人员验证。

3.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：

1.添加下方微信获取懒猫微服内部资料和优惠，或京东搜索“懒猫微服”下单

15342333561 18627819427 17820700354 17612774028

2.全球包邮，UPS 红牌到家

3.懒猫零元购，微服用户每移植一款应用到懒猫商店即可得百元红包，原创应用奖励翻倍，撰写一篇攻略可得 50 红包，多移多得，没有上限。

第一轮中奖名单

除了做 demo ，任何一个需要稳定性的系统都不应该使用 vibe coding 实现。全黑盒，完全不可控。
之前的一家公司，PM 开始自己 vibe coding ，推到上线后结果完全不可维护，到最后还是研发来擦屁股。产品爽了，最后烂摊子研发全接走？

机器人的发展是大势所趋，性爱机器人肯定会出现。

但未来的机器人会拥有人的权力吗？从而出现侵犯机器人权益

绝了，大嘴发布会宣传雪地遇白羊，问界 AEB 正常触发，应该是想给激光雷达吹牛逼， 但是... 漏洞一大堆，羊的影子从左前方突然变正右方，太阳方位不可能在几秒内转 90 度，只能是两段不同时间的素材硬拼。 车头 “充电枪” 穿帮：视频里车头侧面一直插着运动相机支架，正常路测不可能带这东西，纯摆拍痕迹。 画面 AI 感过重：雪地太干净、车痕不连贯、羊的边缘糊边，符合生成式 AI 合成特征，不是真实拍摄。 车过雪地不留痕，论坛干净不沾雪，服了

最近在折腾本地大模型，发现一个核心问题：Ollama 和 LM Studio 能让模型跑起来，但参数全靠猜——上下文长度、KV cache 类型、MoE expert 放哪、ubatch 多大……用默认参数基本是在浪费显卡。

于是做了个工具自动找最优配置，过程中踩了不少坑，记录一下。

---

核心发现

1. MoE 模型的 offload 策略决定了一切

Qwen3-30B-A3B 是 MoE 架构，在 8GB 显卡上：

• LM Studio 默认把所有层塞进显存 → 7549MB （ 93%），3 tok/s
• 只把 attention 层放 GPU ，MoE expert 层走 CPU → 2603MB （ 32%），21 tok/s

快了 7 倍，显存反而省了 65%。关键是 llama.cpp 支持这个，但你得自己识别哪些 tensor 是 MoE expert （.ffn_.*_exps. 这类命名），然后手动配。

2. KV cache 类型影响比大多数人想的大

同一张 8GB 显卡跑 Llama 3.1 8B ，不同 KV cache 配置速度差异：

配置	ctx	速度
iso3+iso3 ，4 slot	8K	19.4 tok/s
q8_0+q4_0 ，1 slot	8K	38.2 tok/s
f16+f16 ，1 slot	8K	51.7 tok/s
f16+f16 ，1 slot （自动）	64K	26.2 tok/s

f16 比 iso3 快将近 3 倍。但 f16 显存占用更大，所以正确策略是：先算 f16 KV cache 占多少显存，装得下就用 f16 ，装不下再降级。

公式：KV_MB = 2 × layers × kv_heads × head_dim × ctx × bytes / 1024²

3. oobabooga 公式用来预测 ctx 上限

社区里流传的 oobabooga 显存估算公式，原本用来预测装载模型后剩余显存能支持多大 ctx 。但这个公式是基于 q8_0/f16 拟合的，用 iso3 的时候会严重高估显存需求，导致 ctx 只算出 4K 。

最后放弃公式预测，改成二分探测：从 min(nativeCtx, 65536) 开始，OOM 就减半，最多探 5 次，让 llama-server 自己告诉我能跑多少。Llama 3.1 8B 的 ctx 从 4K 直接到 64K 。

4. parallel slot 数量对单用户场景影响巨大

llama.cpp 默认开 4 个并行 slot （为了多用户并发），但单用户场景下这会把 VRAM 分成 4 份。

关掉多余 slot （--parallel 1）之后：18.5 → 38.2 tok/s ，直接翻倍。

5. ubatch 实测比理论更可靠

ubatch 128 vs 512 的性能差异跟模型和显卡都有关系，没有通用最优值。实测结论：

• 8K ctx：ubatch 512 比 128 快 7.6%
• 64K ctx：ubatch 512 比 128 快 21.6%

直接 benchmark 两个值取快的，比查文档猜靠谱。

6. 对话压缩不要用模型生成摘要

最初方案是上下文满了之后调本地模型生成摘要——结果单 slot 阻塞，直接超时。

改成纯算法提取：保留头部（ system prompt + 首轮对话）和尾部（最近 8K tokens ），中间部分提取代码路径、函数名、文件名、TODO 等关键信息。压缩率 73%，耗时 <1ms 。

---

用了哪些技术，实现了什么功能

llama.cpp — 推理引擎核心

直接调用 llama.cpp 的 llama-server ，所有参数（ ctx 、KV cache 类型、线程数、ubatch 、mlock 、tensor split ）都通过启动参数注入。Kaiwu 本质上是一个参数决策层，不改推理引擎本身。

IsoQuant / TurboQuant — 3-bit KV cache 压缩

集成了 johndpope 的 turboquant fork （feature/planarquant-kv-cache），支持 -ctk iso3 -ctv iso3 参数。iso3 的压缩系数实测 0.73 ，理论值 0.75 ，在 VRAM 紧张的设备（ 8GB ）上可以把 KV cache 占用压缩到 q8_0 的一半。但有约 600MB 固定解码 buffer 开销，VRAM 充裕时反而比 f16 慢 8%，所以策略是 VRAM > 16GB 才默认开 iso3 。

oobabooga 显存估算公式 — ctx 上限预测（已放弃）

社区流传的公式用来预测剩余显存能支持多大 ctx ，基于 q8_0/f16 拟合。iso3 场景下高估显存需求，导致 ctx 只算出 4K 。最终改成二分探测代替公式，让 llama-server 自己决定能跑多少。

GQA 架构识别 — KV cache 精准估算

Qwen3 等新模型用 GQA （ Grouped Query Attention ），kv_heads 远小于 attention_heads 。KV cache 大小公式里用的是 kv_heads 而不是 heads ，不识别这一点会高估 3-4 倍。通过读 GGUF metadata 拿到准确的 kv_heads 值再做计算。

MoE tensor 识别 — 自动 expert offload

读取模型的 tensor 名称列表，匹配 .ffn_.*_exps. 模式识别出 MoE expert 层，自动决定把这部分路由到 CPU 。不需要用户手动指定，也不需要提前知道模型架构。

Extractive Summary — 零延迟对话压缩

上下文到 75% 时触发，纯算法提取：保留 system prompt 、首轮对话、最近 8K tokens ，中间部分按关键词权重保留（代码路径、函数名、文件名、TODO 、命令行等）。不调用任何模型，压缩耗时 <1ms ，73% 压缩率。最初试过调本地模型生成摘要，单 slot 阻塞直接超时，这条路走不通。

GitHub Actions CI — 跨平台自动编译

turboquant fork 需要自己编译带 iso3 支持的 llama-server 。用 GitHub Actions 同时编译 Windows （ MSVC ）和 Linux （ GCC ）版本，CUDA 12.4 ，覆盖 sm_75/80/86/89 架构，RTX 50 系列通过 PTX JIT 运行时支持。踩了三个 MSVC 编译坑（ extern "C" 声明改定义、M_PI 未定义、全局符号缺失），记录在 PROGRESS.md 里。

---

工具

把上面这些逻辑都自动化了，叫开物（ Kaiwu ）。一行命令启动，参数全部自动找，结果缓存起来，第二次 2 秒启动。

GitHub： https://github.com/val1813/kaiwu

OpenAI 兼容 API ，Continue / Cursor / Claude Code 直接接。

---

有遇到类似问题的欢迎交流，尤其是 MoE offload 和 KV cache 这块踩坑挺深的。

1 ，输出好多了，不讲八股文了 2 ，体感变快 2 ，大上下文目测增强很多

解决了 5.4 最大的 l 几个问题，可主力使用。

我想说出早了，再等 1-2 周，Claude 继续硬着脖子说自己模型没问题。等着 claude 的口碑再烂点。奥特曼太着急了

「创界 API 」已经正式支持以下模型：

• GPT-5.5 全系列： gpt-5.5-high / medium / low / xhigh
• 图片生成：gpt-image-2

👉 简单说下特点：

• 新用户注册送 $5 测试额度（数量有限先到先得）
• gpt-image-2 价格：$0.06 / 张
• 实测稳定性 95%+（适合业务长期跑）
• 支持企业用户开票
• 接口稳定，适合接入生产环境

目前已经有一些做 AI 应用、工具站、自动化业务的在用，整体反馈还不错。

有需要接入 API 或者做长期合作的老板欢迎来对接👇 https://makerend.com/console

也欢迎 V2EX 的朋友测试反馈，我们会持续优化 👍

从下定决心到跳槽已经有差不多三个月了，算法题自我感觉是刷得差不多了。听力目前也还凑合，不过口语可能还差点意思。本来是打算五月份开始投简历的，但是最近心态真的有点儿爆炸，也不知道该咋办了。

年后的一两个月其实还凑合，虽然每天出差，但是基本上能保持一天学习七八个小时，每天超级有成就感，也对未来充满希望。但是最近一个月，领导给我派到了项目现场驻场。。。活干慢了甲方也要叼人，周末也不让休息。最近活实在干不完，领导派了个外包大哥来帮忙，不过大哥估计下个月就要走了，下个月估计要忙到飞起。。。。身边的正式工同事都在干管理，基本上也不加班，只因为我当时和大领导还有领导说了几次自己喜欢做技术，结果现在给我派到各个项目现场来调设备，类似电气工程师了。。。真是脑子进了屎来了现在这个单位。每天就像个外包，连甲方的食堂都不能进去吃饭，任何一个甲方的员工都能趾高气昂的怼我，当然 95%以上的甲方同事还是比较不错的，有些奇葩真的很让人不舒服。

现在是真的很想下个月裸辞了，每天没有学习时间真的好焦虑。。。现场的事情也拖不了，因为六七月份又要验收了。八月份还有个项目要验收。感觉后面基本没有时间准备和面试了，不知道该怎么办了。。。现在是钱少事多离家远。裸辞真的能找到满意的外企吗？爸妈也不让我裸辞。。。不知道该如何是好了。

隔壁组有个新员工最近找到新工作了，辞职之后组织部的领导说可以让他换个部门，不知道如果我辞职的话能不能也换个轻松点的部门。

该怎么办呢？求大家给我点点建议吧！

四年过去了，我现在还是没学会前端。html ，css ，JavaScript ，vue3 看过视频，对着视频抄过一遍代码，关了视频两眼一黑就不会写代码了
学不会编程，是不是我太笨了？（求暴躁老哥骂醒我）
原帖子在这里 https://www.v2ex.com/t/931075#reply16

从毕业到现在都工作 4 年多，简单概括整个工作生涯，工作上也没啥特别高深技术，就很纯粹的业务 Boy 。最近投了大半个月简历，且 op 都是专挑外包岗位去投，对面招聘 HR 拿完我信息就没后续了，面试机会也很少。前几天倒是有两三个电话面试打过来，都是问一些八股文，整体面试过程，我都浅略回答面试官问题。（后续估计也悬了）。还有就是前段时间还收到什么帮忙代面电话，挺无语的，我还问他们，谁把我信息卖给你们，之后他们就草草挂断电话了。

八股文也看了，但是每到面试时候都会忘得七七八八，即使自己知道的，不知道怎么组织语言，表达逻辑不流畅？

为什么我感觉职业生涯到期？主要以下几点：

个人情况：OP 乡镇，二本毕业，26 岁，性格较为内向，家庭一般。

1. 刚毕业那段时间，找工作，与面试官聊着聊着，拿着我简历说到“哎，原来你是本科的，xxx”。陷入自我怀疑状态...（省内公办本科毕业，遇到不少于过两次，搞得我很自闭）

2. 实习时候。因为疫情和学校诸多强制事情，找实习推迟了。后续在找实习时候，迟迟找不到实习，差不多找了 4 个多月。那时候每次笔试和面试失败都会进行复盘，以为是不是要价太多了和知识储备太少了。价格上，每次找实习一直压低价格；知识上，什么八股文，JVM 一堆八股文往上套，死劲背，leetcode 狂刷题，到最后被问到的公司没要我，倒是没被问到通过了。最终以 2k 月薪，能接受大小周，在一线城市小公司工作实习。我还记得当时入职时候，对面 HR 说到：“我们这边 2k 也是给得起的”，“你这边生活费够用？”。差不哦多 10 年前初中时候，我在当地进厂打暑假工，也 3k+了，当时又深深自我怀疑...。从那时候起，我非常厌恶八股文，但是找工作又不得不看它，唉...。还有个小插曲：当时为了那实习证明，工作几个月就溜走了，等我回到学校问道同学们，他们实习证明要不是让父母盖章，或者亲戚内推，或者淘宝买了，就只有我们几个真的招实习工作，感觉我还是太老实了...

3. 现在大环境差，学历一般，以往工作背景没啥亮点（有外包经历），感觉估计也要凉了。本还想能干到 35 岁就知足了，回头想想，除了程序员，我都不知道我能干啥。还有一件小事情，每次找工作都会有代面，培训机构（刚出来毕业工作时候经常收到的）问我要不要尝试一下，太恶心了。

回顾整个求职和工作生涯，诸多不顺。

今天思绪有些散，乱想了一通，有感而发，随手记下，回头读着不太顺畅，也凑合吧。

Docker 对于大多数自托管应用支持的比较好，个人使用也基本熟悉了。 Podman 的无守护进程和默认的 Rootless 很好用，在服务器上测试部署了一个服务，感觉还挺好的。

程序员这个行业职业生涯基本到头了吧，没有再进入的必要了，之后会越来越平民化。

但是按道理应该老程序能焕发第二春了，有了 AI 加持越来越需要有编程经验的老炮。

我先来：

项目	费用	备注
阿里 Coding Plan Pro 套餐	200 元/月
智谱 GML Lite	480 元/年	相当于 40 元/月
自建 Sub2API 反代 GPT	0 元	都是抽奖获得的号，快到期了

https://developers.openai.com/api/docs/pricing?latest-pricing=standard

Model	Input Credits	Output Credits
GPT-5.3-Codex	43.75	350
GPT-5.4	62.50	375
GPT-5.5	125	750

天塌了啊，最新 openai 的模型越来越贵，穷人要用不起了啊

看 gpt5.5 的 token 价格翻倍了感觉不妙，结果一看 codex 消耗果然相比 5.4 也翻倍了

本来 codex 的 credit 计算规则改了后就明显消耗量加快了，结果现在 5.5 用量还翻倍了

然后 codex 中 5.5 默认的推理强度还是 extra high 。。。。。

当作和 opus 一样的高级模型好了。。。。

我目前手里的某型号红米路由器 虽然刷了 immortalwrt ，但是其内存和 flash 都太小了，于是在网上看了看升级内存服务，但是综合考虑其价格和成功率，感觉并不是很划算，故考虑购买一台 ARM 软路由充当主路由，原路由器只充当 AP 使用。

• 排除了旁路由方案，因其对 ipv6 不友好，(我有 ipv6 需求)
• 我已有一台 j4125 处理器的 NAS，和一台腾讯云轻量主机，大部分存储和私人同步服务由这两台机器承担，故软路由不需要跑此类重服务，综合考虑耗电和散热等因素，可能 ARM 软路由更加适合需求；
• 之前看上 友善的 R4S, 但此机器无 HDMI 口，可能造成网络配置写坏后无法登录进去（但此机器存储用的是 TF 卡，好像这种情况直接重刷系统就搞定了）

大家的软路由方案都是怎么样的？谢谢大家。

早期，我用 deepseek-reasoner 连最基本的问题在生产项目都搞不定。但是 V4 确实能力比之前强很多了。token 也很贵，一个简单的问题 V4 Pro 花了我 5 块钱多钱

参考文章： https://36kr.com/p/3780399181878528 -DeepSeek-V4 明确支持华为昇腾 950 芯片

支持国产芯片的 v4 下半年 token 价格还会大幅降低，DeepSeek 内部体验评价优于 Claude Sonnet 4.5 ，能用极低的价格获得接近顶级模型的性能，而且支持百万字超长上下文。

这个美国就是菜呀，这就被黏上了，甩不开差距，模型除非有断崖差距，不然价格是影响选择的很重要的因素，拖到后期拼电力拼 token 价格美国不得完蛋啊。

现在非常担心我定投的纳斯达克又要吐回大部分收益了

我是 美版 iPhone16Pro+美区 Apple ID
这样就可以使用 Apple Intelligence
但是我现在在国内，也必须使用一些国内特供的 App 。所以我也有一个国区的 Apple ID 去下载这些软件。。

这就出现一个很逆天的判定，就是 Apple Intelligence 判定的是你设备里的所有账户都为环大陆的，才能启用。。。

以至于我每次切国行 appleid 的时候，他都会自己删除模型（是的，是删除，不是禁用。。。）。然后每次切回来的时候，他又重新再下载一遍。。。

真挺无语的，虽然下载模型似乎走的是国内的 CDN ，走的不是代理。。。要不流量就真的撑不住