Google Ads 推出两项新的可选预算控制功能：渠道优先级（channel prioritization）与预算分配（budget allocation）。渠道优先级允许广告主将 Search、Shopping、Performance Max、Demand Gen 中的渠道或渠道组合标记为"高优先级"或"低优先级"，系统会先充分满足高优先级渠道的预算（在使用 Target CPA 或 Target ROAS 时受目标约束），再将剩余预算分配给低优先级渠道。预算分配则允许对低优先级渠道设定占日预算的最高百分比上限，广告主可借此以更低风险测试 Search partners 和 Google Display Network 等渠道，而无需完全关闭。自 2027 年 2 月起，启用了 Google Display Network 的 Search 广告系列将取消原有的支出分配设置，广告主若想维持现有配置，可将 Google Display Network 设为"低优先级"并配置 50% 预算上限。这些功能将在未来数月内陆续面向全球推出。
全部资讯
NTangible 公司由前职业棒球手 Dan Connerty 联合南佛罗里达大学荣休教授 Ed Levine 共同创立，核心产品 Clutch Factor 心理评估借鉴主题统觉测试，要求受试者描述模糊情境图片，依据关键词、语义措辞与神经语言评分指南生成 0–1000 分的「关键先生分数」，声称 750 分以上运动员进入 NCAA 一级联赛的概率翻倍。Connerty 表示该分数可用于大学体育招募排名、NIL 谈判与奖学金决策，并透露产品目前已覆盖 9 个项目，他还计划将测评延伸至企业 HR 场景，配套产品 NTerpret 用于评估员工对指导与反馈的反应方式。作者实测两次分别得 584 与 802 分，提示存在受试者迎合回答的操纵风险。该公司目前位居 TechCrunch Disrupt 创业大赛前 20 强，将于本周在旧金山登台公布商业策略。
B2B 销售 AI 代理平台 Floqer 在 TechCrunch Disrupt 2026 Startup Battlefield 舞台亮相，并宣布将开源其自主客户知识数据库技术，计划于 2027 年初发布，具体时间取决于安全审查结果。Floqer 由 Shivam Mahajan 和 Zaaheda Islam 在大学相识后于 2024 年创立，初期产品为 Chrome 扩展 Super Chat，后根据企业客户在 CRM 数据清理方面的需求调整方向。公司目前 ARR 突破 120 万美元，过去一年整体收入增长约十倍，团队规模 8 人，客户超过 1000 家，包括 Perplexity、Wise 和 AngelList。其平台通过 AI 代理整合 100 余个第三方数据源，采用瀑布流方式验证联系方式，并持续监控网络动态以自动更新客户档案，客户反馈可将潜客研究时间缩短约 70%。融资方面，公司已筹集 200 万美元 pre-seed 轮，投资方包括 Perplexity 的 F7 Fund、N49P、Tidal Venture Partners 以及 Perplexity 联合创始
Netflix确认将裁员约1,000人，占其员工总数约6%，受影响部门主要集中在产品、技术、法务和人力资源。公司表示将"继续在高影响力领域大力投资"，并重申全年业绩指引符合预期。裁员消息由《华尔街日报》率先报道，援引联席CEO Ted Sarandos和Greg Peters发给员工的内部备忘录，二人称要"在人员和资源配置上保持纪律性"。背景是Netflix今年早些时候在竞购Warner Bros Discovery流媒体及影业资产中败给Paramount Skydance，且近年来面临来自YouTube、TikTok、Instagram等社交应用对用户注意力的激烈争夺——据多方调研，TikTok的用户参与度正在逼近Netflix，YouTube 2025年日均观看时长已超过Netflix。Netflix正通过提价、扩展广告套餐、押注直播与体育、游戏、儿童节目、AI功能、视频播客及移动端改版来提升用户参与和变现。2025年公司营收452亿美元，广告收入超过15亿美元。
基于 Scott Aaronson 序列预测思路推出的网页小游戏 Aaronson Oracle 让玩家在两个按键间选择，程序尝试预测下一次输入以演示人类并非可靠的随机源。多名玩家实测预测命中率约 50%，但通过跟随节拍切歌或刻意增加双连、三连、四连等反预测策略，可将命中率压至 32%–37%。讨论同时指出，1960–1970 年代的心灵感应研究因让人手动选择目标而存在实验缺陷，人类倾向过度交替以制造"看起来不像模式"的序列。网站将该思想追溯至 Hagelbarger、Shannon 与 Aaronson 的工作，并与 CPU 分支预测器、会学习玩家习惯的猜拳 AI 做类比。不过多位评论者认为页面冗长压缩的说明文字带有 LLM 文案痕迹，措辞像"claudeslop"，且未把可视化图表与游戏画面明确对应，导致解释被认为难读。
本文围绕儿童绘画软件 Kid Pix 展开讨论，回顾其作为 Macintosh 学校电脑室标配软件的历史地位。Kid Pix 以印章、音效和动画降低儿童创作门槛，其标志性“Bomb”清屏功能凭借夸张动画和爆炸音效成为一代学生的集体记忆，用户甚至利用暂停与叠加制造出类似摩尔纹的视觉效果。文章将 Kid Pix 与 Oregon Trail、Carmen Sandiego 并列为同代经典校园教育软件，提及 Windows 版 Kid Pix Studio 及随显卡捆绑的版本，并讨论了 Shift、Command、Option 等隐藏操作对儿童的吸引力。评论中有人回忆自己因迷恋炸弹工具而在校园宣称书包里有炸弹，触发校方在科伦拜恩枪击案后的高度敏感反应，被报警处理，揭示儿童对戏谑元素与成人对真实暴力威胁理解的错位风险。此外，文章指出 Kid Pix 通过 iOS 移植版和浏览器版 kidpix.app 在现代设备延续，六岁儿童仍热衷其海量印章。
科技从业者 Eric Binnion 于 3 月底确诊重病、5 月被告知预后约六个月后，在个人博客写下关于继续治疗、陪伴孩子与安排家人的告别文字，随后去世。其友人建起的 Friends of Eric Binnion 纪念网站以"Automattician"身份、代码行数和 pull requests 等指标呈现其职业贡献，并疑似采用 Claude 等 AI 自动生成内容。该页面在 Hacker News 引发争议：批评者认为以公司产出量化一生、并用 AI 撰写悼文属于"AI slop"，把企业化、数据化的悼念强加于仍需真诚连接的生者；也有人为悼念视角的差异和为生者服务的初衷辩护，认为工作伙伴本就从职业维度记忆一个人。
原标题：《RIP Eric Binnion》 评分: 21 | 作者: speckx 💭 人死后还得用 PR 和 LOC 证明来过？ 🎯 讨论背景 Eric Binnion 是一名科技从业者，确诊重病后在个人博客写下关于六个月预后、继续治疗、陪伴孩子和安排家人的告别文字，随后去世。与其相关的 Friends of Eric Binnion 纪念网站以其 Automattician 身份、代码行数和 pull requests 呈现职业贡献；Automattic 是运营 WordPress.com 等产品的科技公司。评论者将这种企业化、数据化的纪念方式，与家人和朋友对一个完整人格的记忆相对照。网站疑似采用 Claude（Anthropic 开发的大语言模型）等 AI 生成内容，因而引出“自动化是否正在替代真诚悼念”的伦理争论。 📌 讨论焦点 面对绝症与有限生命的反思 评论者提到，Eric 在 3 月底确诊、5 月被告知仅余六个月，却仍以平静和尊严面对病情。他在最后的博客中表示会继续工作以争取推翻预后，同时优先陪伴孩子、为妻子 Sara 尽量安排好身后事务，并珍惜剩余时日。许多人认为
原标题：《The Aaronson Oracle》 评分: 25 | 作者: routeroff 💭 预测人类按键前，能先预测读者会弃读吗？ 🎯 讨论背景 Aaronson Oracle 是以 Scott Aaronson 提出的序列预测思路为基础的网页小游戏：用户反复在两个按键间选择，程序尝试预测下一次输入，从而展示人类并不擅长手动制造随机序列。页面将其思想谱系追溯至 Hagelbarger 和 Claude Shannon（信息论奠基者）关于序列预测的工作，并称这是非官方教学实现，已有其他网页版本。讨论的核心前提是，人会因回避重复、偏好交替或形成节奏而留下统计规律；这也解释了它与 CPU branch predictor（预测程序分支的处理器机制）及自适应猜拳程序的联系。争议还延伸到页面表达方式：尽管网站声称采用原生前端并仅将会话存于 localStorage（浏览器本地存储），不少读者认为其冗长压缩的说明文字带有 LLM 文案痕迹。 📌 讨论焦点 玩家结果与反预测策略差异很大 多名玩家报告预测器命中率约为 50% ，在数百次按键后仍接近随机猜测的水平。也有人把按键跟随歌曲节
本文是阿里技术发布的CS336课程系列学习笔记第一篇，作者以工程背景视角分享从零实现Transformer的全过程。文章先通过MLP示例建立神经网络基础体感，介绍线性回归、损失计算、梯度下降等核心概念；随后用TinyGPT极简示例演示语言模型从字符编号、Embedding、因果Attention到逐字预测与生成的完整流程。接着按Assignment1要求拆解Transformer各模块：用byte-level BPE实现Tokenizer，对比字符级和BPE分词差异；实现可学习查表的Embedding层；实现无偏置的Linear层及其在SwiGLU前馈模块中作为门控分支的应用。此外还预告将逐步实现RMSNorm、RoPE、Pre-Norm Block等Llama风格decoder-only架构组件。