✍️ AI 改写 🎯 Meme 猎手 🏆 Meme大神 🦐 皮皮虾
3000 展示 > 赞 >
排序:
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花74U,买入大金狗 $币安牧场 Meme币,赚了0.1万U相当于0万人民币,19倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x724b683cbcdbe3e94a7dbd8f7296c82497bac2a4

$币安牧场 代币创建于2天前,疯狂牛市驱动的双池分红社区GameFi叙事,历史最高市值253K,持有地址1675,其中有5位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花100U,买入大金狗 $边界之外 Meme币,赚了0.2万U相当于1万人民币,16倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0xe6046797b7a30ba50c9bed67dabbf70f425d2abb

$边界之外 代币创建于5天前,边界之外叙事,历史最高市值109K,持有地址611,其中有17位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花815U,买入大金狗 $Cedric Meme币,赚了1.5万U相当于10万人民币,19倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x9f100134fe88e709d93489f6d7d3dab6c9340826

$Cedric 代币创建于13天前,The Golden Bull叙事,历史最高市值877K,持有地址2264,其中有68位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花1.1千U,买入大金狗 $TCC Meme币,赚了2.3万U相当于16万人民币,21倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x67b21be95134a17cd75b79aff2ee026d6c939d6a

$TCC 代币创建于6天前,TCryptochicks叙事,历史最高市值4.7M,持有地址8658,其中有102位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花79U,买入大金狗 $CZBULL Meme币,赚了0.1万U相当于1万人民币,19倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0xe0f8bfeff5e870046b770b7aff8c1ac567791b4e

$CZBULL 代币创建于4天前,CZ Bull叙事,历史最高市值212K,持有地址2329,其中有43位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花117.0千U,买入大金狗 $bibi Meme币,赚了216.3万U相当于1557万人民币,18倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x73d8bd54f7cf5fab43fe4ef40a62d390644946db

$bibi 代币创建于5天前,Binance bibi叙事,历史最高市值3.3M,持有地址4416,其中有32位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花446U,买入大金狗 $最初的梦想 Meme币,赚了2.3万U相当于16万人民币,52倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x6cb7eda34ebc52ae36d9c18c74837a85412d3da5

$最初的梦想 代币创建于5天前,我们的默契那么长,穿过风又绕了弯心还连着叙事,历史最高市值1.3M,持有地址3078,其中有10位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月12日 01:00
发现一个牛B的钱包地址,在BSC链上,花149U,买入大金狗 $CZ Meme币,赚了1.8万U相当于13万人民币,123倍回报!

他的钱包地址:
https://gmgn.ai/bsc/address/C7KoyPop_0x5b5f858689d57aec42b674234d6cdd4bec86f983

$CZ 代币创建于8天前,The Final Form Bull叙事,历史最高市值7.3M,持有地址1.2万,其中有110位KOL在车上
0 0 0
火山哥🕊️ 加密 @huoshan007 · 2026年07月11日 03:11
兄弟们 Matt Pocock 那个技能仓库都 16 万 star、750 万下载了,居然一直没教程。

然后他终于补了一条 17 分钟完整 walkthrough。

从头到尾带你跑一遍:

/grill-with-docs
/to-spec
/to-tickets
/implement
/code-review

基本就是把「文档 → 规格 → ticket → 实现 → code review」这条链路摊开给你看。

这种 repo 没教程都能 750 万下载,真有点过分了。
10 26 20.3K
Viking AI @vikingmute · 2026年07月10日 13:27
笑了
5.6 ultra 疯狂召唤 sub agents
- 主 agent 召唤 8 个,8 个又每个召唤 4 个, 每个又召唤 5 个,总共 200 个一起完成一个简单的问题。最终机器被搞崩了,token 也就这么浪费了。
我发现之前 5.5 从来都不会召唤 sub agents,除非主动要求,到了 5.6 ultra 和疯了一样,感觉应该是harness/prompt 设计有问题。
21 4 42.2K
Fang 其他 @FLMdongtianfudi · 2026年07月11日 04:58
2026最强电视直播神器 Player V6.1.8:全球直播卫视全覆盖 + 全网4K影视资源点播

🔗:https://pan.quark.cn/s/7bfed5f2f547 https://x.com/FLMdongtianfudi/status/2075806943697056127
图片
44 23 23.2K
白骏知识分享 其他 @cj3214567667 · 2026年07月11日 13:55
普通人想逆天改命,只需要360分钟(邪修喂饭版)-_-|| https://x.com/cj3214567667/status/2075942140828651820
图片
39 28 26.1K
Lonely AI @Lonely__MH · 2026年07月11日 15:13
🚀解释下删除 Superpowers 的原因:

GPT-5.6 Sol 模型本身已极强且高度agentic,旧的Skills反而导致频繁误调用、上下文污染、token暴增、左右脑互博、任务卡死。

这些Skills已经从助力变成了拖累和干扰🙃

🔥简单来说:
1. 思考时间变长
2. Token 消耗变高
14 7 45.2K
Tom Dörr AI @tom_doerr · 2026年07月11日 08:03
Homelable 能为自托管基础设施生成交互式网络拓扑图,支持一键扫描映射设备,还能从 Proxmox、Zigbee 或 Z-Wave 导入数据进行实时状态监控。

https://github.com/Pouzor/homelable https://x.com/tom_doerr/status/2075853458033222069
Homelable generates interactive network diagrams for self-hosted infrastructure, mapping devices via one-click network scans and importing data from Proxmox, Zigbee, or Z-Wave for live status monitoring.

https://github.com/Pouzor/homelable https://x.com/tom_doerr/status/2075853458033222069
图片
5 62 20.5K
Akshay 🚀 AI @akshay_pachaar · 2026年07月11日 14:03
NVIDIA 可能刚刚解决了大模型(LLM)最大的那个两难问题。

以前用大模型,你总得在速度和质量之间二选一。像 GPT 这种自回归模型(Autoregressive)质量确实高,但太慢了,因为它们是一个字一个字(token)蹦出来的。

扩散模型(Diffusion models)正好相反。它们能并行生成一大块内容,所以飞快,但这种速度一直是以牺牲质量为代价的。

在看 NVIDIA 的解决方案之前,咱们先弄明白为什么扩散模型会掉队。

扩散 LLM 先从一块被遮住的 token 开始,经过几次处理后把它们揭开。每处理一次,它都会读一遍已经写好的所有文本,然后一起预测那一块里被遮住的 token。

所以,同一个网络在同时干两件完全不同的活。它既要理解已有的上下文,还得去猜那些还没生成的 token。
就像一组权重被拉向两个方向,结果哪样都干不好。

TwoTower 解决了这个问题,不再强迫一个网络分心二用。它把预训练好的自回归模型克隆成了两个“塔”。

第一个是“冷冻上下文塔”,它负责读取目前写好的所有内容,跟原版模型一模一样。这个塔从不训练,所以模型的智力被完美保留了下来。

第二个是“可训练的去噪塔(denoiser)”,它负责并行填补每个新的 token 块。为了不跑偏,它会不断地回头去参考那个“上下文塔”。

最绝的地方来了:这两座塔是层层连接的,比如去噪塔的第 5 层会和上下文塔的第 5 层对话,以此类推。
这让去噪塔能获得主干网络完整的、多尺度的理解,而不仅仅是一个最终的总结。

结果就是:
↳ 生成吞吐量提升了 2.42 倍
↳ 保留了原模型 98.7% 的质量
↳ 基于 30B 规模的 Mamba-Transformer MoE 混合主干网络
↳ 仅用了约 2.1T 的 token 进行训练,只是原模型预训练量(25T)的一小部分

最后那个数字才是重头戏。这里没有任何东西是从头开始训练的。

这是一种可以直接“插”在你已有自回归模型上的适配方案。它能以极低的成本,把慢悠悠的逐字解码变成飞快的并行块生成。

所以,如果你正在开发对延迟敏感的产品,这个蓝图绝对值得研究。你再也不用在“信任的模型”和“需要的速度”之间纠结了。

权重、代码和教程(recipe)全开源了。

论文链接:https://arxiv.org/pdf/2606.26493

话说回来,如果你想深挖,我还写了一篇详细的文章,带你从底层原理一步步搞懂 LLM 推理。

文章引用如下。
NVIDIA might just have solved the biggest tradeoff in LLMs.

Every LLM makes you pick between speed and quality. Autoregressive models like GPT give you quality, but they're slow, because they generate one token at a time.

Diffusion models do the opposite. They generate whole blocks in parallel, so they're fast, but that speed has always come at the cost of quality.

Before we get to NVIDIA's fix, it's worth understanding why diffusion falls behind in the first place.

A diffusion LLM starts with a block of masked tokens and unmasks them over a few passes. On every pass, it reads all the text written so far and predicts the masked tokens in that block together.

So the same network is doing two very different jobs at once. It has to understand the context that's already there while also guessing at tokens that don't exist yet.

That's one set of weights pulled in two directions, so it never gets good at either.

TwoTower fixes this by not forcing one network to do both. It clones a pretrained autoregressive model into two towers.

The first is a frozen context tower that reads everything written so far, exactly like the original did. It's never trained, so the model's intelligence stays perfectly intact.

The second is a trainable denoiser tower that fills in each new block of tokens in parallel. To stay on track, it constantly cross-attends back to the context tower.

Here's where it gets clever. The two connect layer by layer, so denoiser layer 5 talks to context layer 5, and so on.

That gives the denoiser the backbone's full multi-scale understanding, not just a final summary of it.

The results:

↳ 2.42x higher generation throughput
↳ Keeps 98.7% of the original model's quality
↳ Built on a 30B hybrid Mamba-Transformer MoE backbone
↳ Trained on just ~2.1T tokens, a fraction of the 25T used to pretrain the original

That last number is the real story. Nothing here was trained from scratch.

It's an adaptation you bolt onto an autoregressive model you already have, and it turns slow one-token-at-a-time decoding into fast parallel block generation, cheaply.

So if you're shipping anything latency-sensitive, this is a blueprint worth studying. You no longer have to choose between the model you trust and the speed you need.

Weights, code, and recipe are all open-sourced.

Link to the paper: https://arxiv.org/pdf/2606.26493

That said, if you want to go deeper, I wrote a detailed article that explains LLM inference from first principles, step by step.

The article is quoted below.
16 36 25.5K
GitHub Projects Community AI @GithubProjects · 2026年07月10日 08:00
周五上线!
| ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ ̄ |
!Push To Production On Friday|
|______ _______|
\ (•◡•) /
\ /
——
| |
|_ |_
38 24 20.1K
Nikita Bier AI @nikitabier · 2026年07月11日 19:42
等我们实现 AGI 并拥有太空数据中心时如何管理 X https://x.com/boneGPT/status/2075974845918023776
Managing X when we reach AGI and have space datacenters https://x.com/boneGPT/status/2075974845918023776
534 142 96.2K
鸟哥 | 蓝鸟会🕊️ 加密 @NFTCPS · 2026年07月10日 11:19
给大家看看Robinhood罗宾汉链的财富效应有多猛!

KOL @yeonwoo1102 3天前买入 Robinhood龙一Meme cash-cat:native 两个钱包目前已经赚了130万美金,快1000万人民币了,3天时间啊。

95%的人一生都赚不来,但在区块链上只需要3天!

他的2个钱包地址:https://gmgn.ai/robinhood/address/C7KoyPop_0x54d209d9d224a615e0e5f0476644886897b75e45

https://gmgn.ai/robinhood/address/C7KoyPop_0x4d0e5759e4f2af31b93b25277b77b7c59dbb1f9c https://x.com/NFTCPS/status/2075540405610058071
图片图片图片
12 21 35.9K
鸟哥 | 蓝鸟会🕊️ 加密 @NFTCPS · 2026年07月10日 14:45
价值3万元的最新500套付费套装书全给你扒来了!❗️别人花钱买的,你直接白嫖收藏

1️⃣ 500套一次到位,省得东找西找
2️⃣ 全是付费精品,质量不用愁
3️⃣ 手慢删了就没了,赶紧存

🔗 https://pan.quark.cn/s/a8ed2b991ec7 https://x.com/NFTCPS/status/2075592359925223718
图片图片图片图片
2 24 21.5K
Huan AI @Huanusa · 2026年07月11日 13:37
很多人没意识到,「梭子鱼效应」一直在身边上演,只是你没注意而已。 https://x.com/Huanusa/status/2075937586866954338
16 26 49.7K
GOLD 其他 @Honcia13 · 2026年07月11日 01:42
这是看过的最好的把 mac mini 变成一体式 AI 主机的方式之一,国内厂商应该跟进很快吧? https://x.com/Honcia13/status/2075757465787154498
1 10 27.2K
Joruno 加密 @wsl8297 · 2026年07月11日 15:33
图片
29 0 51.9K
娜美知识库 其他 @fhwofjow51260 · 2026年07月11日 12:45
护士最好的脾气给了医院,回家倾诉委屈的地方,最臭的脾气给了老公 https://x.com/fhwofjow51260/status/2075924540170158452
图片
18 5 20.9K
歸藏(guizang.ai) AI @op7418 · 2026年07月11日 02:52
昨天 GPT 5.6 Sol 发布,想测试一下,没想到这么猛。

一上午就帮我做了一个非常完整而且好玩的小工具:人生成就生成器

上传一张你的照片,选一个跟你经历有关的"人生成就"。

工具会给照片加上字符、像素或实验性滤镜,再叠上一张游戏风格的成就卡。 https://x.com/op7418/status/2075775161710879010
31 7 27.3K
向阳乔木 AI @vista8 · 2026年07月11日 01:34
GPT 5.6 sol这么强,但很多朋友不知道用 AI 开发什么。

除开发解决自身痛点小工具外。

可以看 Github 的开源公共 API 仓库,让Codex读取给你一些产品灵感。

本周分享的IMDB Top250网站就在这找到的API

仓库地址见评论区 https://x.com/vista8/status/2075755623325794545
图片
26 28 20.3K
铁锤人 AI @lxfater · 2026年07月10日 06:23
Obsidian官方推荐五大必装Skill https://x.com/lxfater/status/2075465833850327181
29 28 20.1K
Csaba Kissi AI @csaba_kissi · 2026年07月11日 07:33
开源 CSS 动效库 Kinetics 现在已经包含 99 种动效了。

你可以直接把 CSS 复制到剪贴板或者提示词里,方便在 AI 工具中轻松复用。

https://kinetics.colorion.co/ https://x.com/csaba_kissi/status/2075845852849942695
The open-source library of CSS motion effects, Kinetics, now contains 99 motion effects.

You can copy CSS to the clipboard or the prompt so it's easy to replicate in your AI tool.

https://kinetics.colorion.co/ https://x.com/csaba_kissi/status/2075845852849942695
22 46 24.4K
Tom Dörr AI @tom_doerr · 2026年07月10日 13:53
支持 Google Meet、Teams 和 Zoom 的开源会议机器人 API,具备实时转录功能。

https://github.com/Vexa-ai/vexa https://x.com/tom_doerr/status/2075579273688047630
Open-source meeting bot API for Google Meet, Teams, and Zoom with real-time transcription

https://github.com/Vexa-ai/vexa https://x.com/tom_doerr/status/2075579273688047630
图片
3 41 20.1K
喜羊羊(资源分享) 网盘 @enoch4306 · 2026年07月11日 10:39
图片
0 1 2.1K
币安Binance华语 加密 @binancezh · 2026年07月10日 01:00
图片
85 10 20.2K
0 时间范围 点赞 > 分类 排序
历史账号
默认展示全部账号;可展开上方账号区多选,或用「分类」下拉按类筛选,选好后点右上「更新所选」开始拉取历史爆文。
(本页面独立,需手动更新才会爬取,不浪费 API)
⚙️ 设置
更新于 2026-07-12 02:30 UTC
📡 监控账号
🕐 抓取参数
小时
小时
💰 价格展示代币
🐊 Meme大神
扫描SOL/BSC热门代币,自动发现金狗钱包,入库到爆文列表「其他」分类
加载状态中...
小时
U
U
条/链
📱 自媒体 API 设置
Threads
币安广场
微信公众号
推特数据 API(twitterapi.io,会员默认数据源)
爬取推文/账号的主力数据源 · 注册:twitterapi.io ↗
🤖 AI 大模型 API(改写/翻译,会员默认 uau.cc)
用于推文 AI 改写功能(兼容 OpenAI 接口格式)· 注册:uau.cc ↗
夸克网盘 Cookie(用于转存)
用于一键转存推文中的夸克分享链接到你的网盘
✍️ AI改写提示词
🔐 修改账号密码