✍️ AI 改写 🔎 Meme筛选 🎯 Meme 猎手 🏆 Meme大神 🖼️ 梗图
2647 展示 > 赞 >
排序:
RootData融资 其他 @rootdata · 2026年07月17日 00:00
【融资】NOBI 完成 并购,融资 金额未披露
印尼一站式加密平台
投资方:Bybit
🔗 https://cn.rootdata.com/Projects/detail/NOBI?k=MjUzOTc=
📰 来源:https://finance.yahoo.com/markets/crypto/articles/bybit-acquires-nobi-tap-indonesia-072046635.html
图片
0 0 0
Huan AI @Huanusa · 2026年07月20日 15:00
赖清德:中国的大运已经结束了。
每位国家领导人都不是普通人-看得真准 https://x.com/Huanusa/status/2079219790464286852
44 17 27.6K
Adam也叫吉米 AI @Adam38363368936 · 2026年07月20日 16:00
听说今天最火的是这个跳舞视频,玩一下复刻,笑死我了

别的不说了,Seedance2 降智得厉害,一次抽卡都达不到好的效果,4个人居然给我整成了5个🤣

提示词:
竖屏9:16,15秒,一镜到底,超写实街头手机摄影。

场景是傍晚金色阳光下安静的东亚城市街道,路边有一面浅米黄色旧围墙,墙顶是深灰色瓦片,墙面投射着清晰而巨大的树枝和树叶影子。人行道中央有一棵粗壮的大树,树干底部刷着白漆,前方是窄马路和路缘石。

四位年轻漂亮的东亚女性并排站在人行道上,身材匀称,穿着统一但略有差异的办公室通勤服装:黑色或浅灰色修身无袖上衣、灰色高腰包臀短裙、黑色细跟高跟鞋,部分人物佩戴工牌或细框眼镜,头发自然盘起或扎低马尾。人物外貌真实自然,皮肤保留细节,不要过度磨皮。

摄影机位于马路对面,使用中远距离长焦镜头拍摄,画面中树干位于中央,偶尔遮挡部分人物。镜头整体固定,只有非常轻微的手持晃动,像路人在街边偶然拍到的画面,不是专业舞台拍摄。

时间轴:

00:00-00:02
四位女性安静地站成一排,身体自然放松,面向镜头略微侧身。短暂停顿后,她们几乎同时迈出一步,开始跳简单、有节奏的复古流行舞蹈。

00:02-00:05
四人同步左右踏步,膝盖轻微弯曲,身体跟随节奏左右摆动。手臂先自然垂下,再向身体前方平稳推出,动作整齐但保留真人之间轻微的时间差。此时一辆普通电动车从画面前景横向经过,短暂遮挡其中两人,制造真实街头偶遇感,电动车离开后人物仍连续跳舞。

00:05-00:08
四人继续同步舞步,左右交替走位,单手放在腰侧,另一只手向前轻轻摆动。她们表情轻松克制,带一点职业女性下班后偷偷跳舞的反差感,不夸张大笑,不直视镜头表演。

00:08-00:11
舞蹈进入更活泼的段落,四人同时抬起双臂,在头部两侧做轻快的弯曲摆动动作,肩膀和腰部跟随节拍左右摇摆,高跟鞋小幅踏步。动作流畅、整齐、自然,不要像机械复制。

00:11-00:14
四人放下手臂,向右侧同步移动两小步,再向左侧回摆,手掌朝外做轻巧的推拉动作。队形始终保持在围墙前方,中央树干自然将队伍分隔开,夕阳树影随着微风略微晃动。

00:14-00:15
镜头突然进行一次自然的长焦快速推近,聚焦到中间穿黑色无袖上衣、戴细框眼镜的女性。她一只手放在腰间,另一只手继续完成舞蹈动作,嘴角带轻微笑意。背景和其他人物自然虚化,画面在动作尚未完全结束时停止。

视觉风格:
真实生活记录感,东亚城市街头,温暖傍晚阳光,墙面树影明显,柔和金色逆光,真实空气感,轻微长焦压缩,浅景深,略带手机视频锐化感。人物动作要连贯,衣服、发型、人数和人物身份全程保持一致。背景中可以有少量真实路人或电动车偶然经过,但不要抢占主体。

声音建议:
轻快、有弹性的复古流行舞曲节拍,混合微弱街道环境声、电动车驶过声和高跟鞋踩地声。不要人物对白。
负面提示词:
避免人物数量变化,避免四人突然变成三人或五人,避免人物融合、复制、穿模,避免脸部变化,避免换脸,避免服装颜色和款式不断变化,避免发型突变,避免眼镜消失,避免多手、多脚、断肢、手指畸形、腿部扭曲、高跟鞋变形。

避免舞蹈过度夸张,避免女团舞台感,避免专业演唱会灯光,避免高速甩头、跳跃、劈叉、下腰,避免机械同步,避免人物滑行,避免脚底离地漂浮,避免动作与音乐节拍完全错位。

避免镜头频繁切换,避免环绕运镜,避免无人机视角,避免快速旋转,避免猛烈抖动,避免过度慢动作,避免广角畸变,避免主体忽远忽近,除了最后一秒不要突然变焦。

避免动漫、插画、3D渲染、游戏画面、塑料皮肤、过度美颜、过度磨皮、网红滤镜、强烈橙青调色、霓虹灯、虚假影棚背景。

避免文字、字幕、标志、水印、品牌logo,避免电动车撞到人物,避免车辆停在主体前方持续遮挡,避免树干位置跳动,避免墙面结构改变,避免树影突然消失。
7 5 11.4K
GOLD 其他 @Honcia13 · 2026年07月20日 10:45
胖东来创始人于东来的这场直播连麦值得所有人看看 完美诠释了一个顶层大佬对普通人最真实的建议, 只要你是个普通人,你就一定要看完。 https://x.com/Honcia13/status/2079155607115010329
17 105 25.5K
小小东 AI @xiaoxiaodong01 · 2026年07月20日 13:48
GPT2 x 婚礼 x 邀请函 x 氛围感 x 美学提示词

原本的几百套婚庆提示词
全面优化完成

感觉,九紫离火的年代
大几千的摄影生意,冲击在所难免

普通人直接:我想,我得到的时代
将覆盖到方方面面
尤其是图片,美图 领域

不仅仅婚纱、个人人像领域,绝对有很多有趣的生意
涌现~
图片图片图片图片
6 30 11.1K
娜美知识库 其他 @fhwofjow51260 · 2026年07月20日 12:23
TvBox最全资源,不是广告

大佬整理,收录了 3 款存活比较久的软件,40 个接口,以及常用的TvBox资源站

https://www.yxzhi.com/tvbox https://x.com/fhwofjow51260/status/2079180286382964737
图片
0 68 25.6K
小樱💞|实用工具分享 其他 @xiaoying_eth · 2026年07月20日 01:13
Windows 这次真要慌了。

有人做了一个开源 PowerShell 脚本,GitHub 51K+ stars,专门干一件事:

把 Windows 11 里那些你删不掉、关不掉、还天天恶心你的东西,一次清空。

微软给你塞预装软件、Bing 搜索、Copilot、Xbox、OneDrive 弹窗、定向广告,甚至连开始菜单都不放过。

Win11 Debloat 直接一条命令全部处理:

· 批量卸载预装应用、推广软件和无用组件
· 关闭遥测、诊断数据、广告 ID 和个性化追踪
· 移除 Copilot、Recall、Click to Do 等 AI 功能
· 禁用 Bing 网页搜索和 Edge 内置 AI
· 恢复 Windows 10 经典右键菜单
· 一键开启 Windows Sandbox 和 WSL
· 支持参数化部署,配置还能导出到其他电脑
· MIT 开源,免费、无广告、无捆绑、无追踪

最讽刺的是:

微软花了这么多年,想把 Windows 变成广告入口、搜索入口和 AI 入口。

而这个脚本只用一条命令,就把它重新变回了一台电脑。

没有弹窗,没有推荐,没有监控,也没有那些你根本没想装的东西。

微软负责往里塞。

开源社区负责帮你删。

🔗 https://github.com/Raphire/Win11Debloat
图片
22 61 22.0K
Geek Lite AI @QingQ77 · 2026年07月20日 07:45
不绑定任何厂商的持久化记忆层,让 Codex、Claude Code、OpenCode、Pi、ZCode 这些编码 Agent 跨会话、跨工具共享项目决策和上下文。

https://github.com/pax-beehive/paxm https://x.com/QingQ77/status/2079110308694544398
图片
3 15 11.4K
大帅老猿 AI @ezshine · 2026年07月20日 16:22
离了婚还能处成这样,只能说明谢贤绝对是个好人 https://x.com/ezshine/status/2079240555243188661
44 8 107.4K
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花362U,买入大金狗 $HODL Meme币,赚了1.6万U相当于11万人民币,45倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xed9ba0bf79e04f8aff7c1ab74aacb67bf0fd9075

$HODL 代币创建于13天前,Diamond Hands叙事,历史最高市值2.2M,持有地址2416,其中有15位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花441U,买入大金狗 $NINEHOOD Meme币,赚了3.8万U相当于27万人民币,87倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xb12cb395fdeaf359a18d71e168ec24a87fa88107

$NINEHOOD 代币创建于6天前,NINEHOOD叙事,历史最高市值373K,持有地址7834,其中有3位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花142U,买入大金狗 $worth Meme币,赚了1.4万U相当于10万人民币,100倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xaee989fda15dfa276bebf116b81d26ba233235ce

$worth 代币创建于10天前,one life, its worth 叙事,历史最高市值2.6M,持有地址1434,其中有18位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花698U,买入大金狗 $IF Meme币,赚了3.1万U相当于22万人民币,45倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x71f2f1c2dc94cdabfe29cb355119f8683ae0969b

$IF 代币创建于10天前,What If叙事,历史最高市值2.8M,持有地址1312,其中有12位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花469U,买入大金狗 $WISHBONE Meme币,赚了4.4万U相当于32万人民币,95倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x2f25b929f03fe2869e752f1910e5445f8b5778da

$WISHBONE 代币创建于12天前,WISHBONE叙事,历史最高市值12.3M,持有地址3270,其中有25位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花1.5千U,买入大金狗 $wire Meme币,赚了8.9万U相当于64万人民币,61倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x005f52adb60530029de8502793c67efed256695f

$wire 代币创建于3天前,wire bot叙事,历史最高市值3.3M,持有地址1599,其中有4位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花363U,买入大金狗 $SUSHICAT Meme币,赚了1.7万U相当于12万人民币,47倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x150952108f28dcaf4e4542090e67cd2696563944

$SUSHICAT 代币创建于2天前,Sushi Cat叙事,历史最高市值1.6M,持有地址5612,其中有26位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花282U,买入大金狗 $WALLET Meme币,赚了4.8万U相当于34万人民币,168倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xafbb5fcf8034536a7cf5fbada8d789ff3af42175

$WALLET 代币创建于11天前,Robinhood Wallet叙事,历史最高市值11.1M,持有地址4646,其中有51位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花918U,买入大金狗 $YOLO Meme币,赚了20.7万U相当于148万人民币,225倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0xfefd188448947c97e52774cd30d1cece5f201f17

$YOLO 代币创建于3天前,YOLO叙事,历史最高市值7.1M,持有地址1765,其中有9位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Robinhood链上,花62U,买入大金狗 $PONS Meme币,赚了16.2万U相当于116万人民币,2612倍回报!

他的钱包地址:
https://gmgn.ai/robinhood/address/C7KoyPop_0x6099ff02f63c69162175249c2700c84c0a94dafa

$PONS 代币创建于5天前,Pons叙事,历史最高市值39.0M,持有地址1.0万,其中有69位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在Base链上,花4.4千U,买入大金狗 $BRIAN Meme币,赚了23.7万U相当于170万人民币,54倍回报!

他的钱包地址:
https://gmgn.ai/base/address/C7KoyPop_0x5a0d8fcbdba47c78772dcf27753e7614cfd35e52

$BRIAN 代币创建于2天前,Coinbase Man叙事,历史最高市值35.7M,持有地址8547,其中有42位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在SOL链上,花498U,买入大金狗 $Chonketha Meme币,赚了2.5万U相当于18万人民币,51倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_7Mx77UrDJG6kCATtuKSsJXnM3nFDsDNauguTA86QGg6D

$Chonketha 代币创建于2天前,Chonketha the Wet Be叙事,历史最高市值1.1M,持有地址2587,其中有4位KOL在车上
0 0 0
Meme大神 其他 @meme_god · 2026年07月21日 07:02
发现一个牛B的钱包地址,在SOL链上,花421U,买入大金狗 $Jimothy Meme币,赚了24.6万U相当于177万人民币,585倍回报!

他的钱包地址:
https://gmgn.ai/sol/address/C7KoyPop_2qciQZEFymDEfred2DNw7r8CqZUneGQ2V4mdtZ4gJnni

$Jimothy 代币创建于4天前,Jimothy The Raccoon叙事,历史最高市值22.6M,持有地址1.9万,其中有35位KOL在车上
0 0 0
RootData融资 其他 @rootdata · 2026年07月20日 00:00
【融资】Staking Rewards 完成 并购,融资 金额未披露
加密质押数据聚合器
投资方:The TIE
🔗 https://cn.rootdata.com/Projects/detail/Staking-Rewards?k=MzcyOQ==
📰 来源:https://x.com/StakingRewards/status/2079190756020080914
图片
0 0 0
GitHub Projects Community AI @GithubProjects · 2026年07月19日 05:33
Fay 是一款开源数字人框架,支持 LLM 与数字人模型自由组合,并支持完全离线使用。

- 完全开源,允许商用
- 支持任意数字人模型、LLM、ASR 和 TTS
- 适配微控制器、App、网页及第三方系统
- 内置自动播报、多用户并发及 MCP 工具管理
Fay is an open-source digital human framework that lets you freely pair LLMs with digital human models, supporting fully offline use.

- Completely open source with commercial use permitted
- Supports any digital human model, LLM, ASR, and TTS
- Works on microcontrollers, apps, websites, and third-party systems
- Includes auto-broadcast, multi-user concurrency, and MCP tool management
图片
6 27 20.1K
Swapna Kumar Panda AI @swapnakpanda · 2026年07月20日 16:12
我今年43岁了,给Z世代的一些建议:

- 工作生活平衡的秘诀是积累家财。拼命工作去创造属于你的代际财富吧。
- 远离烟酒。
- 坚持健身,但别为了蛋白粉发疯。
- 戒掉色情片。
- 别光交网友,去现实中社交。
- 少去夜店。
- 别再攀比学历了。
- 远离无谓的争端。
I am now 43 yo. My advices to Gen-Z:

- The secret to work life balance is generational wealth. Work as much to build that generational wealth.
- Stay away from tobacco’s and alcohol.
- Hit the gyms, but don't get mad for protein.
- Avoid watching porns.
- Instead of making online friend, socialize in real.
- Avoid going to clubs.
- Stop comparing your education.
- Stay away from unnecessary controversies.
16 18 31.7K
Tom Dörr AI @tom_doerr · 2026年07月19日 20:39
Obsidian Mind 通过本地 Obsidian 库为 AI 编程智能体提供持久化记忆。它支持 Claude Code、Codex CLI 和 Gemini CLI,帮助智能体在不同会话间保留上下文、笔记和项目历史。

https://github.com/breferrari/obsidian-mind https://x.com/tom_doerr/status/2078942883290190067
Obsidian Mind provides persistent memory for AI coding agents via a local Obsidian vault. It works with Claude Code, Codex CLI, and Gemini CLI to help agents retain context, notes, and project history across different sessions.

https://github.com/breferrari/obsidian-mind https://x.com/tom_doerr/status/2078942883290190067
图片
8 28 20.2K
Akshay 🚀 AI @akshay_pachaar · 2026年07月20日 14:03
你的 KV 缓存有 90% 从未被复用。

(Prompt Caching 从来就不是为了解决这个问题而生的)

如果你的 System Prompt 和工具定义是稳定的,Prompt Caching 是目前性价比最高的优化手段。缓存后的输入 Token 成本最高能降低 90%,命中率达到 60% 到 85% 也是很现实的。

但它有一个死理:缓存部分必须是新请求的精确字节级前缀。只要改动一个字符,缓存就会彻底失效。

在以下三种常见场景中,这个规则会直接崩溃:

→ 多文档 RAG:你分别缓存了文档 A 和文档 B,但查询需要两者。由于文档 B 的缓存状态计算时完全不知道 A 的存在,它就失效了,必须从头重算。

→ 文档顺序变更:同样的三个文档在不同请求中顺序变了。虽然内容一模一样,但每种排列都会导致缓存未命中。

→ 对话历史增长:每一轮对话都会改变稳定前缀之后的所有内容,导致之前的缓存状态变得毫无用处。

阿里云的生产数据揭示了情况有多糟:10% 的 KV 缓存块贡献了 77% 的命中,其余的都躺在存储里吃灰,因为前缀匹配机制不给机会。

来自 LMCache 团队的研究论文 CacheBlend(荣获 EuroSys 2025 最佳论文奖)正是针对这一痛点。其核心洞察是:在现代 Transformer 中,Token 绝大部分只关注自身的局部上下文,只有极少数 Token 会产生跨文档边界的实质联系。

因此,CacheBlend 不再重新计算第一个缓存文档之后的所有内容,而是直接复用每个文档'的缓存,只选择性地重算那几个边界 Token。这就是图中文档之间那些橙色的小修补,也是唯一的成本开销。结果是:在多文档查询中处理速度提升了 2 到 4 倍,且毫无质量损失。

顺序问题也随之消失。你可以随意打乱文档顺序,每种排列都能保持缓存命中,而传统的前缀缓存每次都要重算。图底部直观展示了这种对比。

这是真正的范式转移:从“缓存前缀”转向“缓存知识”。你知识库中的每个文档都变成了一个可复用的缓存资产,无论它出现在什么顺序、相邻的是什么。

CacheBlend 现已内置于 LMCache——这是一个独立于推理引擎运行的开源缓存管理层,支持 vLLM、SGLang 和 TensorRT-LLM,并兼容 NVIDIA 和 AMD GPU。

去 GitHub 看看吧:https://github.com/LMCache/LMCache

(别忘了给个 star 🌟)

我写了一篇完整的架构解析,深入探讨了为什么缓存管理不应该放在推理引擎内部。文章引用如下。

保持关注,后续还有更多干货!你的 KV 缓存有 90% 从未被复用。

(Prompt Caching 从来就不是为了解决这个问题而生的)

如果你的 System Prompt 和工具定义是稳定的,Prompt Caching 是目前性价比最高的优化手段。缓存后的输入 Token 成本最高能降低 90%,命中率达到 60% 到 85% 也是很现实的。

但它有一个死理:缓存部分必须是新请求的精确字节级前缀。只要改动一个字符,缓存就会彻底失效。

在以下三种常见场景中,这个规则会直接崩溃:

→ 多文档 RAG:你分别缓存了文档 A 和文档 B,但查询需要两者。由于文档 B 的缓存状态计算时完全不知道 A 的存在,它就失效了,必须从头重算。

→ 文档顺序变更:同样的三个文档在不同请求中顺序变了。虽然内容一模一样,但每种排列都会导致缓存未命中。

→ 对话历史增长:每一轮对话都会改变稳定前缀之后的所有内容,导致之前的缓存状态变得毫无用处。

阿里云的生产数据揭示了情况有多糟:10% 的 KV 缓存块贡献了 77% 的命中,其余的都躺在存储里吃灰,因为前缀匹配机制不给机会。

来自 LMCache 团队的研究论文 CacheBlend(荣获 EuroSys 2025 最佳论文奖)正是针对这一痛点。其核心洞察是:在现代 Transformer 中,Token 绝大部分只关注自身的局部上下文,只有极少数 Token 会产生跨文档边界的实质联系。

因此,CacheBlend 不再重新计算第一个缓存文档之后的所有内容,而是直接复用每个文档的缓存,只选择性地重算那几个边界 Token。这就是图中文档之间那些橙色的小修补,也是唯一的成本开销。结果是:在多文档查询中处理速度提升了 2 到 4 倍,且毫无质量损失。

顺序问题也随之消失。你可以随意打乱文档顺序,每种排列都能保持缓存命中,而传统的前缀缓存每次都要重算。图底部直观展示了这种对比。

这是真正的范式转移:从“缓存前缀”转向“缓存知识”。你知识库中的每个文档都变成了一个可复用的缓存资产,无论它出现在什么顺序、相邻的是什么。

CacheBlend 现已内置于 LMCache——这是一个独立于推理引擎运行的开源缓存管理层,支持 vLLM、SGLang 和 TensorRT-LLM,并兼容 NVIDIA 和 AMD GPU。

去 GitHub 看看吧:https://github.com/LMCache/LMCache

(别忘了给个 star 🌟)

我写了一篇完整的架构解析,深入探讨了为什么缓存管理不应该放在推理引擎内部。文章引用如下。

保持关注,后续还有更多干货!
90% of your KV cache never gets reused.

(prompt caching was never meant to fix it)

if your system prompt and tool definitions are stable, prompt caching is the single highest-leverage optimization available today. cached input tokens get up to 90% cheaper, and hit rates of 60 to 85% are realistic.

but it comes with one rigid rule. the cached portion must be an exact, byte-for-byte prefix of the new request. change a single character in that region and you get a full cache miss.

that rule breaks in three situations you hit constantly:

→ RAG with multiple documents. you cached document A alone and document B alone. a query now needs both. document B's cached state was computed without any awareness of A, so it's invalid and gets recomputed from scratch.

→ document order changes. the same three documents appear in a different order across requests. every permutation is a cache miss, even though the content is identical.

→ growing conversation history. each new turn changes everything after the stable prefix, so earlier cached states beyond it become useless.

Alibaba Cloud's production data shows how bad this gets: 10% of KV cache blocks serve 77% of all hits. the rest sits in storage and never gets reused, because prefix matching won't allow it.

CacheBlend, a research paper from the LMCache team (EuroSys 2025 Best Paper Award), attacks exactly this. the insight is that in modern transformers, tokens overwhelmingly attend to their own local context. only a small fraction of tokens carry real connections across document boundaries.

so instead of recomputing everything after the first cached document, CacheBlend reuses every document's cache as-is and selectively recomputes just those few boundary tokens. those are the small orange fixes between documents in the diagram, and they are the entire cost. the result is 2 to 4x faster processing on multi-document queries with no quality loss.

the order problem disappears with it. shuffle the same documents however you like, and every permutation stays cached, where prefix caching recomputes all of them every time. the bottom of the diagram shows that side by side.

that's the real shift: from caching prefixes to caching knowledge. every document in your knowledge base becomes a reusable cached asset, regardless of what order it appears in or what sits next to it.

CacheBlend ships inside LMCache, the open-source cache management layer that runs outside the inference engine and integrates with vLLM, SGLang, and TensorRT-LLM, on both NVIDIA and AMD GPUs.

check it out on GitHub: https://github.com/LMCache/LMCache

(don't forget to star 🌟)

i wrote the full breakdown of the architecture, including why cache management should never live inside your inference engine. the article is quoted below.

stay tuned for more on this!
图片
16 52 20.7K
GitHub Projects Community AI @GithubProjects · 2026年07月20日 16:22
Very high level programming language (VHLPL) https://x.com/GithubProjects/status/2079240600050864473
图片
15 36 20.7K
Tom Dörr AI @tom_doerr · 2026年07月20日 09:18
Digital Marketing Pro 是一款开源 AI 营销插件,拥有 158 项技能和 24 个专业智能体,支持 Claude Code、Codex、Cursor、Copilot CLI、Antigravity 和 OpenClaw。它提供一套 12 步策略流,为管理 50-200 个客户的代理机构实现多品牌组合管理的标准化。

https://github.com/indranilbanerjee/digital-marketing-pro
Digital Marketing Pro is an open-source AI marketing plugin with 158 skills and 24 specialist agents, supporting Claude Code, Codex, Cursor, Copilot CLI, Antigravity, and OpenClaw. It provides a 12-part strategy flow to standardize multi-brand portfolio management for agencies handling 50-200 clients.

https://github.com/indranilbanerjee/digital-marketing-pro
图片
8 57 21.1K
断浪 加密 @waveking1314 · 2026年07月20日 08:43
真的吗?不是说爱吃苦就会有吃不完的苦 https://x.com/waveking1314/status/2079125112947888470
图片
5 23 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 2026-07-21 09:00 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/Robinhood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
人民币(严格超过)
个钱包
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