长存自封颗粒慎重购买！
据说长存颗粒在分级时一共就两级，好的和烂的，所以致钛的盘虽然是消费级，但 [颗粒本身] 是有类似企业级的质量。而长存自封颗粒的杂牌固态就纯靠抽奖了，实际不会比那些白片甚至黑片固态好多少

@WuSiYu 但客观的讲，我本科里计租、OS 、编译等计算机核心课程的质量都是不错的，包括但不限于 verilog 写 MIPS 处理器，做 pintos 实验，实现简单编译器前端等。虽然深度相对有限，但如果非科班全靠自学去学这些的话，还是有一定难度的

每个学校都有些离谱的课，我本科某 211 ，当时是 2021 年，有门课在教一个上世纪的什么 VRML 语言，环境必须依赖 IE 。。。

m1 ，13.3 ，ocr 挺好用的，别的感知不强
bug 的话，感觉 bug sir 开始都半斤八两

不稳定都是因为硬件设计不佳（比如散热问题、供电稳定性问题），或者是第三方编译的全家桶固件的 bug ，或者是梯子网络波动，且没有配置 fallback ，导致 DNS 等挂掉。
最近一直用老 microserver gen8 当软路由，自己编译等固件，开机以来 120 多天没出过问题

手机的话 16G 估计真够了，手机上不会进行太多多任务行为
（后排提醒，这个帖子在 Android 节点）

可能需要对大规模（分布式）训练 /推理有了解吧

kexec 挺有意思的用法，不过服务器不能直接用 bmc 装系统吗？按说和物理上机操作是一样的，就是通过网络挂 iso 比较慢

填 aaa 111 的你给他个期限让他改不好吗？很多人都没这意识吧，因为这个把付了款的账号直接封掉，很难不让人联想

无解，有些网站 Safari 本身就不太行，换 Firefox 了

这是正常现象吧，系统（包括一些后台服务和内核）在空闲时会做一些后台操作，就会产生这种毛刺
所以建议关掉功率抖动的通知，它跑东西的时候功耗会高点也是没办法的事，要去定位的话费时费力，且不一定能解决（比如如果是内核在做一些操作，你也没法控制）

读过第一版，支持一下

有没有一种可能，chatgpt （ instructgpt ）的关键技术之一就是 RLHF （ Reinforcement Learning from Human Feedback ）
有没有一种可能，一个很重要的研究点就是 fewshot 、oneshot 乃至 zeroshot 的表现

与其发表“形而上学”的观点，不如先去了解一下现实吧

「 P(文身|坏女孩)>P(文身|好女孩) 不代表 P(坏女孩|文身)>P(好女孩|文身) 」
这虽然是正确的，但“ P(坏女孩|文身)相比 P(好女孩|文身) ”这件事没有任何意义，值得关心的是：

由于 P(文身|坏女孩)>P(文身|好女孩)，可以推导出 P(好女孩|不文身) > P(好女孩|文身)，也就是说，如果不接触纹身的女孩，遇到好女孩子的概率更高

证明如下（ chatgpt ）

首先，我们可以根据全概率公式知道：

P(纹身) = P(纹身|好女孩)P(好女孩) + P(纹身|坏女孩)P(坏女孩)

P(不纹身) = P(不纹身|好女孩)P(好女孩) + P(不纹身|坏女孩)P(坏女孩)

接着，根据贝叶斯定理：

P(好女孩|纹身) = [P(纹身|好女孩)P(好女孩)] / P(纹身)

P(好女孩|不纹身) = [P(不纹身|好女孩)P(好女孩)] / P(不纹身)

我们要证明 P(好女孩|不纹身) > P(好女孩|纹身)

即：[P(不纹身|好女孩)P(好女孩)] / P(不纹身) > [P(纹身|好女孩)P(好女孩)] / P(纹身)

两边同时乘以 P(不纹身) * P(纹身)：

P(不纹身|好女孩)P(好女孩) * P(纹身) > P(纹身|好女孩)P(好女孩) * P(不纹身)

将全概率公式代入上式得到：

[P(不纹身|好女孩)P(好女孩)P(纹身|坏女孩)P(坏女孩)] > [P(纹身|好女孩)P(好女孩)P(不纹身|坏女孩)P(坏女孩)]

化简后即得：

P(不纹身|好女孩)P(纹身|坏女孩) > P(纹身|好女孩)P(不纹身|坏女孩)

因为 P(纹身|坏女孩)>P(纹身|好女孩) ，所以 P(不纹身|好女孩) > P(不纹身|坏女孩) 成立

只是游戏吃不满，因为贴图什么的都会提前加载，也几乎不用做什么 DtoH （显存向内存）的内存拷贝。
但如果是跑科学计算的话，可能会更频繁的有 HtoD 和 DtoH 的内存拷贝，大多还是阻塞的，这时候自然是越快越好。同时在一些 HPC 系统中，节点间互联网络都是 100G 、200G 以上的，那么 GPU 的 pcie 带宽自然也不能低