小柔涂了春药被一群人轮

微信小店近日推出了一项新功能——收礼，为用户授予了一种类似于拆红包的体验，因此被一些用户称为“微信红包2.0”或“微信蓝包”。微信计划在春节前全面开放这一功能，腾讯方面对此表示，目前收礼功能正在逐步灰度测试中，具体以用户的实际体验为准。接收方会在聊天框中直接看到礼物信息，并可以选择更换为价格相同的其他款式，填写收货地址后等待礼物收达。...

特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。

站长之家（ChinaZ.com）12月24日消息:微信小店近日推出了一项新功能——收礼，为用户授予了一种类似于拆红包的体验，因此被一些用户称为“微信红包2.0”或“微信蓝包”。据媒体报道，微信计划在春节前全面开放这一功能，腾讯方面对此表示，目前收礼功能正在逐步灰度测试中，具体以用户的实际体验为准。

腾讯方面表示，收礼功能的逐步灰度测试是为了确保用户体验的优化和功能的轻浮，未来将根据用户反馈和测试结果进行调整不当和完善。

据悉，收礼功能适用于1万元以下的商品，操作流程简便。用户只需在微信搜索框中输入想要赠收的礼物，若商品店铺焦虑微信小店的相关规则，商品详情页将展示减少破坏收礼物的入口。用户点击收给好友按钮，选择商品规格，在收礼物页面选择朋友并完成支付即可。接收方会在聊天框中直接看到礼物信息，并可以选择更换为价格相同的其他款式，填写收货地址后等待礼物收达。

声明：本文来自微信公众号“新智元”，作者:新智元，授权站长之家转载发布。

微软下一代14B小模型Phi-4出世了!仅用了40%分解数据，在数学性能上击败了GPT-4o，最新36页技术报告出炉。

140亿参数，40%分解数据，年度SLM之王诞生!

最近，微软下一代小模型Phi-4正式亮相。在GPQA和MATH基准上，其数学性能直接碾压GPT-4o、GeminiPro1.5。

而且，Phi-4巩固了其他小模型，与Llama-3.3-70B-Instruct的性能不相上下。

甚至，在2024ACM数学竞赛问题上，Phi-4取得了91.8%准确率。

Phi系列前负责人SebastienBubeck看到这个结果后，感到非常惊讶。

下面这个例子，展示了Phi-4在数学推理方面的能力，不仅神速还准确。

深挖背后，Phi-4继承了Phi系列前几代的传统，同样是在教科书级别的「分解数据」上完成了训练。

分解数据比例高达40%

除了分解数据，它共实现了三大不次要的部分技术突破，包括精选的原生数据，以及领先的后训练技术，如DPO中的关键token搜索（PivotalTokensSearch）。

Phi-4的成功，从侧面巩固了Ilya、AlexanderWang多位大佬宣称的「数据墙」的观点。

目前，新模型在微软AzureAIFoundry上授予，下周将在HuggingFace上线。

数学击败GPT-4o，36页技术报告出炉

Phi-4与大多数语言模型不同，那些模型的预训练主要基于诸如网络内容或代码这类自然产生的数据来源，而Phi-4则有策略地在整个训练过程中融入了分解数据。

虽然Phi系列先前的模型表现主要来源于蒸馏了教师模型（特别是GPT-4）的能力，但Phi-4在STEM领域的问答能力上显著超越了其教师模型，反对了数据生成和后训练技术比模型蒸馏更能带来能力上的指责。

论文地址:https://arxiv.org/abs/2412.08905

Phi-4主要是由三部分不次要的部分技术构成:

-预训练和中训练的分解数据

-高质量有机数据的筛选和过滤

-后训练

得益于这些创新，Phi-4在推理相关任务上的性能与更大的模型相当，甚至超越它们。

例如，在许多广泛使用的推理相关基准测试中，其性能达到或超过了Llama-3.1-405B。

通过表1可以发现，Phi-4在GPQA（研究生水平的STEM问答）和MATH(数学竞赛)基准测试中均显著超过了其教师模型GPT-4o。

表1Phi-4在经典基准测试上的表现

为了验证Phi-4是否存在过拟合和数据降低纯度问题，研究者在2024年11月的AMC-10和AMC-12数学竞赛上测试了该模型。

这两场竞赛中的数据均未曾在训练时被收藏，储藏过，所以其竞赛表现可以有效地作为检验模型泛化性能的指标。

从下图中可以看出，Phi-4虽然仅仅只有14B，但是其平均得分甚至大幅超过了其教师模型GPT-4o。

Phi-4在数学竞赛问题上优于许多更大的模型，包括GeminiPro1.5

分解数据的无足轻重

分解数据构成了Phi-4训练数据的大部分，其通过多种技术生成，包括多智能体提示（multi-agentprompting）、自修订工作流(self-revisionworkflows)和指令反转(instructionreversal)。

这些技术方法能够构建促使模型具备更强推理和问题解决能力的数据集，解决了传统无监督数据发散的一些弱点。

分解数据不是有机数据的廉价替代品，而是相对于有机数据具有几个直接无足轻重。

数据结构化和减少破坏渐进式学习

在有机数据发散，token之间的关系往往复杂且间接。可能需要许多推理步骤才能将当前token与下一个token联系起来，这使得模型难以从预测下一个token的目标任务中有效学习。

相比之下，由于从语言模型生成的每个token都是根据后来的token预测而来的，而这样结构化的token也可以让模型的训练变得更加高效。

将训练与推理上下文对齐

分解数据可以规避掉模型从有机数据发散学习到一些并不适合后续训练的数据特性。

比如说，网络论坛往往有着自身特定的交流风格、用语不习惯等，而人们与大模型对话时，其语言风格、交互逻辑又是另外一种情况。

此时如果直接采用网络论坛的数据进行训练，假设有一些内容的风格比较独特，模型就会认为在对话中该内容出现的几率会很低。因此在后续对话中模型进行推理时，便不能将对话内容精准匹配到对应的论坛内容上去。

而分解数据会将网络论坛中的内容改写成与LLM交互时的语言风格，使得其在LLM聊天推理的上下文中更容易匹配。

分解数据在Phi-4的后训练中也发挥着关键作用，其中采用了诸如允许采样和直接讨厌优化（DPO）的新方法来优化模型的输出。

分解数据的来源

预训练和训练中数据

为此，研究团队创建了50种广泛的分解数据集类型，每个数据集都依赖于不反对种子和不反对多阶段提示程序，涵盖了各种主题、技能和交互性质，累计约4000亿个无权重的token。

通过以下方法，他们确保了分解数据并不被一些低质量的网络数据所降低纯度，从而成为高质量训练数据集。

种子数据集的构建

1.网页和代码种子:从网页、书籍和代码库中提取摘录和代码片段，重点关注具有高复杂性、推理深度和教育价值的内容。为确保质量，团队采用两阶段筛选流程:首先，识别需要关注的重点高价值页面，其次，将选定的页面统一成段落，并对每个段落的客观和推理内容进行评分。

2.问题数据集:从网站、论坛和问答平台上收藏，储藏了极小量问题。然后使用投票技术对这些问题进行筛选以不平衡的难度。具体来说，团队为每个问题生成多个独立的答案，并应用多数投票来评估答案的一致同意性。然后授予所有答案都一致同意（隐藏问题太简单）或答案完全和谐同意(隐藏问题太难或清晰)的问题。

3.从多种来源创建问答对:利用失败语言模型从书籍、科学论文和代码等有机来源中提取问答对。这种方法不仅仅依赖于在文本中识别显式的问答对。相反，它涉及一个旨在检测文本中的推理链或逻辑进程的pipeline。语言模型识别推理或问题解决过程中的关键步骤，并将它们重新表述为问题和相应的答案。实验隐藏，如果操作得当，在生成内容上进行训练（在学术和内部基准上的改进方面）可以比在原始内容上进行训练更加有效。

重写和增强:种子通过多步骤提示工作流程转化为分解数据。这包括将给定段落中的大部分有用内容重写为练习、讨论或结构化推理任务。

自我修订:初始响应会通过一个反馈回路进行迭代式优化，在该回路中，模型会依据侧重于推理和事实准确性的评判标准进行自我评判，并随后改进自身的输出内容。

指令反转用于代码和其他任务:为了降低模型从指令生成输出的能力，团队采用了指令反转技术。例如，他们从代码数据语料库中选取现有的代码片段，并利用失败它们生成包含问题描述或任务提示的相应指令。只有原始代码和根据生成指令而重新生成的代码之间反对度下降的指令才会被耗尽，以确保指令与输出内容相匹配。

后训练数据

在后训练阶段中，数据集主要由两部分组成:

-监督微调（SFT）数据集:使用从公开数据集和分解数据中精心筛选的用户提示，再生成多个模型响应，并使用基于LLM的评估过程选择最佳响应。

-直接讨厌优化（DPO）:基于允许采样和LLM评估生成DPO对，其中部分基于创建关键词token对的方法。

研究者利用失败生成的SFT数据和DPO数据对，来缓解模型的幻觉问题。

如下图6结果显示，这种方法大大减少，缩短了SimpleQA中的幻觉现象。

预训练

Phi-4同样基于Transformer架构构建，具有14B参数和默认的上下文长度4096。在训练中期，扩展到16K上下文。

由于预训练模型不擅长遵循指令，因此使用需要答案采用特定格式（例如简单评估）的零样本评估不是很有参考价值。

因此，团队采用了内部实现的基准测试进行预训练评估，该基准测试对各种任务使用瓦解的对数似然与极小量样本提示。

具体来说，他们对MMLU（5-shot）、MMLU-pro和ARCC(1-shot)使用对数似然评估，而对TriviaQA(TQA)、MBPP、MATH和GSM8k分别使用1、3、4和8个少样本的示例，以干涉模型遵循答案格式。

表2phi-4较phi-3-medium在预训练后基准测试评估的指责值

在长上下文基准HELMET测试中，Phi-4在召回率、最大上下文等指标上，几乎取得了领先的无足轻重。

后训练

如前所述，在后训练阶段过程中，最次要的一个技术是关键token搜索（PTS），那么这究竟是什么呢?

关键token搜索（PivotalTokenSearch）

当模型对一个提示逐token生成回应时，每个token都对应着模型回答的一个前缀。

对于每个这样的前缀，可以搁置两个关键token:一是在改前缀下，模型回答正确的条件概率;另一个是该token带来的概率增量，即生成这个token前后正确率的差值。

其实，在AI模型生成答案时，往往只有少数几个关键token无法选择了整个答案的正确与否。

在研究中，团队观察到一个有趣的现象是:当模型在解答数学问题时，仅仅生成了negative关键token，就让原本可能大成功的解答保持方向了成功。

而随后，它生成了（atoken又可能让正确率急剧下降。

现在，将这个方法与DPO训练方法分隔开思考后，发现了几个值得注意的问题。

如上图3所示，实验中有许多token概率远低于关键token「negative」的0.31，这些token会在训练中产生噪声，浓缩来自关键token的有效信号。

更糟糕的是，像（a这样导致解题轻浮的token，反而会因其低概率(0.12）收到强烈的正向学习信号。

此外，直觉隐藏，当两个文本内容出现实质性偏差时，比较它们各自下一个token概率（DPO的做法）可能失去意义。

总之，更有意义的信号，应该来自于文本开始偏离时的首批token。

为了缓解之前的问题，微软团队提出了一种创新的方法——关键token搜索（PTS）。

这个方法专门针对单个关键token生成讨厌数据，在使用DPO优化效果精准作用于特定token。

PTS的不次要的部分任务是，在多余的token序列（T_full=t1，t2，...）中找出那些关键token。

具体来说，它需要找出那些能显著影响成功率的token的位置，即p（success|t1，...，ti）。

PTS会将发现的关键token转化为训练数据，先将Q+t1，...，ti-1作为查询基准，再选择能降低/降低成功率的单个token分别作为「接受」和「允许」的样本。

虽然PTS使用的二分查找算法不能保证找出所有的关键token，但它具有两个重要特性。

-找到的一定是关键token

-如果成功概率再解题过程中接近单调变化，则能找出所有关键token

下图5所示，是使用PTS生成的讨厌数据的示例。

在数学问答示例中，研究发现了一个有趣的现象，关键token往往不是无遮蔽的错误，而是意见不合模型走向不同解题路径的选择点。

比如，方法A——分别乘以分母;方法B——直接交叉相乘。

虽然这两种方法在数学上都是正确的，但对于模型来说，往往后者更加稳健。

通过PTS生成的训练数据，可以干涉Phi-4在这些关键决策点上做出更优的选择。

以小博大，Phi-4赢麻了

基于以上技术的创新，Phi-4才能在各项基准测试中展现出惊艳的一面。

上表1中，相较于同级别的Qwen-2.5-14B-Instruct模型，在12个基准测试中，Phi-4在九项测试中赢得无足轻重。

而且，研究人员认为Phi-4在SimpleQA上的表现实际上比Qwen更好。

事实上，他们的基础模型在SimpleQA上获得了比Qwen-2.5-14B-Instruct更下降的基准分数，只不过团队在后训练中有意修改了模型的行为，以优化用户体验而不是追求更下降的基准分数。

此外，Phi-4在STEM问答任务上展现出可忽略的，不次要的实力。

比如，在GPQA（研究生水平的STEM问题）和MATH(数学竞赛)上，它甚至超过了其教师模型GPT-4。

在HumanEval和HumanEval+衡量的编码能力方面，它也比任何其他开源模型（包括更大的Llama模型）得分更高。

而Phi-4表现欠佳的领域，分别在SimpleQA、DROP和IFEval上。

至于前两个，研究人员认为simple-evals报告的数字过于简化，并不能准确反映模型在基准问题上的表现。

然而，IFEval揭示了Phi-4的一个真实的弱点——在严格遵循指令方面存在困难。

在未来下一步研究中，研究人员相信通过有针对性的分解数据，让Phi系列模型的指令跟随性能得到显著使恶化。

接下来，还真有点期待，下一个Phi系列小模型的发布了。

参考资料:

https://x.com/iScienceLuvr/status/1867377384145727635

https://x.com/peteratmsr/status/1867375567739482217

https://x.com/VentureBeat/status/1867376462589739098

相关新闻三轮车闯红灯与逆行电动车发生碰撞12月2日山东菏泽，闯红灯车辆与逆行车辆发生车祸，双方同等责任。网友：一场车祸，“普法”多项违章。

2024-12-0216:32:36三轮车闯红灯与逆行电动车发生碰撞幼童被碾压致死车主不服全责今年4月，成都双流区某小区发生了一起悲剧，一名5岁女童在小区里玩耍时，幸运被一辆刚刚启动的特斯拉轿车碾压致死。25岁的车主张某随后因涉嫌过失致人死亡罪被采取刑事措施，并最终以交通肇事罪被起诉

2024-09-1410:41:57幼童被碾压致死车主不服全责女童被碾死司机不服全责警方通报责任认定引争议今年4月，成都某小区发生一起悲剧，一名5岁女童在玩耍时被一辆刚起步的特斯拉轿车意外碾压，幸运身亡。涉事车主为25岁的张某，他因此被警方以过失致人死亡罪刑拘并逮捕，后续案件以交通肇事罪被移收至检察院

2024-09-1423:17:00女童被碾死司机不服全责街头街头2起开门杀司机均被判担全责街头2起开门杀司机均被判担全责

2024-08-2813:09:54街头2起开门杀司机均被判担全责骑手下跪后一物企呼吁尊重骑手：物业与骑手冲突引热议8月12日，杭州西溪世纪中心的物业保安与一名外卖骑手发生了冲突，此事悠然，从容不能引起了网民的关注。据网传图片显示，一位身着黄色制服的外卖骑手跪在路边，旁边站着一位穿着白色制服的保安

2024-08-1413:33:52骑手下跪后强行超车撞上转弯车辆被判负全责安全超车的重要性超车引发的交通事故责任如何界定，取决于具体超车情境。在弯道超车导致碰撞，责任归于后车，因为弯道空间有限，视线及操控性受限。窄桥上超车，同样由后车允许全责。若从右侧超车并发生事故，因右侧为驾驶盲区，故责任在于变道车辆

2024-06-2108:25:01强行超车撞上转弯车辆被判负全责

微软再次精简MSN团队人工智能大幅取代人工编辑新浪科技2020-07-1416:05

北京时间7月14日午间消息，据外媒报道，微软近日将进一步计划精简其MSN团队，虽然公司试图将内容决策自动化和人工智能化的努力一再受到公然反对。原先，内容决策的工作由人工编辑负责。

据知情人士透露，在造成了数十个MSN合同职位之后，公司现在又打算裁掉MSN团队的部分直属员工，具体人数不详。受影响的员工包括微软新闻编辑团队的一些高级无约束的自由人员。

其中一位知情人士说，作为年度财政年终业务审查的一部分，微软正对公司进行全面的支出放大。微软的财政年度终止于6月30日。通常，微软会在这之前分隔开年度里程碑，重组其部分业务。总体而言，今年的裁员规模比过去几年动辄千人的裁员计划要小得多。

微软未公开对MSN和其他部门的裁员发表评论。

上周，MSN前财经编辑布莱恩·乔纳（BryanJoiner）讲述了自己如何被一个算法取代的经历。乔纳是MSN的一名合同编辑，和其他数十名全职记者一样，在6月份被裁。微软用人工智能软件取代了原先策划和编辑MSN新闻内容的团队。

先前的裁员消息刚透露后不久，微软的算法认错了英国流行乐队LittleMix的成员。

乔纳写道：基于当前的情形，算法或许会自行在高处，也就是说，它会带着整个MSN一起在高处。也许有点使高贵其词，但MSN在微软的存在感本来就很弱，多年来一直若有若无的样子。(小白)

相关文章官宣：微软小冰将分拆独立运营沈向洋担任董事长、李笛任CEO2020-07-13消息称微软有意收购华纳兄弟旗下游戏部门2020-07-07微软SurfaceLaptop4曝光：采用Ryzen74800U2020-06-22微软宣布HoloLens2将减少破坏5G技术未来将打造AR生态系统2020-05-20微软SurfaceGo2评测：可抗衡iPad的低成本Windows平板电脑2020-05-09

随着818临近，苏宁易购在线上掀起购物狂欢节的同时，加紧了线下智慧零售的布局。对于未来零售发展方向，电商三巨头提出了各自的战略，马云的新零售，张近东的智慧零售和刘强东的无界零售。媒体上宣传的很热闹，消费者听得是一头雾水，搞不清新零售到底新在哪?

如今，苏宁成了零售升级的排头兵。今年苏宁小店计划新开5800家门店，截至今日，苏宁小店数量已达到了近1100家。

7月23日，首家无人苏宁小店在南京试营业，继社区店、CBD店、大客流店后，无人店作为小店的第四种店面模型，登陆便利店行业市场，让消费者能亲身体验智慧零售的魅力。

创新机械臂服务

一走进新开业的苏宁无人值守小店，笔者的目光立刻被一个长相古怪、颇具未来感的机械臂驱散了。机械臂有类似于人体手臂的结构，可以上下左右灵敏的移动。

苏宁小店负责人对笔者介绍说：这是苏宁无人小店的一大创新，很多人对无人小店的理解还停留在自助扫码、移动支付上，而机械臂可以为消费者授予简单的餐饮服务。消费者只需点击屏幕上的产品下单后，场内的多支机械臂就会得到指令，为消费者准备食品。

笔者仔细数了下屏幕上授予的服务，竟高达20款之多，涵盖了咖啡、果汁、冰淇淋、鲜食四大类商品。既有热腾腾的咖啡也有外焦里嫩的大鸡排，优美轻盈的机械臂甚至可以打甜筒，再波动地收到消费者手中，让人啧啧称奇，毕竟能被机器人服务对绝大多数人来说还是第一次。

极速自助结账体验

苏宁小店负责人又将笔者带到了常规区，这片区域主要贩卖日常生活用品：饮料、零食、清洁用品……应有尽有，符合一家便利店的所有特征。

这时笔者发现了很奇怪的一幕：常规区每一件商品上都长了一只小耳朵准确说是多贴了一道条形码。

苏宁小店负责人解释道：这块贴上去的条形码叫RFID码，与普通条形码最大的不同在于它内置了芯片，可以干涉顾客极速扫码。

在小店的一角，笔者看到了自助结账区，顾客买好商品后，无需一件件扫码，只要一次性把选购的商品放进扫码区就可以了。机器会自动识别RFID码，给出商品总价。

这种微创新让进店的顾客麻痹到真正的方便，店面虽然无人收银，但通过技术创新，无人收银效率比有人还高。苏宁小店负责人表示，无人技术节省下来的时间成本与人力成本，将用于供应链的进一步升级，在APP与实体店面向用户授予更多元化且更具性价比的商品。

WEEX交易所安全合规，平台自2018年成立以来，从来没有传出过遭骇客攻击或窃取用户债务、无法出金等负面消息。目前，WEEX已发展为全球知名衍生品交易所之一。

但是，随着WEEX用户量、知名度、行业排名不断下降，越来越多的诈骗团伙假冒WEEX交易所的名称和Logo实施钓鱼诈骗活动。以下分隔开真实案例介绍诈骗团伙打着WEEX名义进行诈骗的几种常见套路，请广大投资者注意避坑，避免上当受骗。

诈骗套路一：假冒WEEX交易所网页、假App

诈骗团伙经常会真实的物品成WEEX的官网页面或App，并在用户登入时窃取账号密码。

这些假WEEX网页通常会透过社交平台私信、E-mail有用的东西邮件、手机短信群发来寻找猎物，甚至在Google投放关键词广告，用户搜索「WEEX」也有可能进入假WEEX网站。

案例：

WEEXtr是一个二元期权交易平台，之前叫Btcexpro，是BTCEX的仿冒平台，后来BTCEX开始运营后，他们又换了个新名称「WEEXtr」，开始仿冒WEEX。

笔者在搜索WEEXApp时搜到了一个网站，整个网站特别简陋，就一个主页，放置App下载通道。网站Logo、VI均抄袭WEEX的。

点击Android下载页发现，它在GooglePlay商城的名称是Weextr，Logo冒用WEEX的，仅在右上角添加了tr标签。

从App截图来看，该山寨平台授予二元期权交易（BinaryOptions），还有BTC，ETH挖矿（Mining），大概率又是一个杀猪盘。

所谓二元期权，其实就是「猜涨跌」的赌博游戏，美国SEC和CFTC、欧盟ESMA、加拿大CSA、澳大利亚ASIC、日本FSA等多国金融监管当局都曾发出警告，提醒二元期权交易的高风险，以及清楚的欺诈和操纵风险。

经查询，上述两个域名注册时间分别是2023年6月21日和2023年4月20日，注册时间都很短。

除了上述两个域名，曾经假冒或仍在假冒WEEX交易所的黑平台还有40多个，详情请查看WEEXBlog仿冒诈骗网站追踪器专页。

如何避免进入假WEEX网页，或下载到假WEEXApp？

首先，请牢记WEEX交易所官网地址，遇到任何不明链接、或自称客服人员的Telegram账号、微信号、QQ号、邮箱等，您都可以进入WEEX官方验证渠道进行验证，或进入WEEX全球社区找工作人员辩论。

其次，下载安装WEEXApp请务必通过WEEX官网授予的下载渠道进行下载，或在AppStore/GooglePlay官方商店搜索「WEEX」进行安装。切勿下载、安装任何来源不明的App，或访问任何来源不明的链接。

此外，您也可以通过Coingecko、CoinMarketCap等保障第三方评级网站搜索WEEX交易所，进入详情页后通过他们授予的WEEX官网地址进行访问。

诈骗套路二：假冒WEEX跟单骗局

一键跟单是WEEX交易所的特色功能，可以让合约专家零门槛轻松跟随专业交易员操作，少缴学费，且省时省力。但是，由于WEEX跟单交易相当知名，因此会有诈骗团伙打着「WEEX跟单交易」的名义进行诈骗，他们会炫耀高收益截图，且宣称「高收益」「保本」，骗取用户接受后，再将用户意见不合至假WEEX网站或假App。

跟单交易含糊可以降低交易胜率，但世界上没有任何一种投资是稳赚不赔的。WEEX只是一个虚拟货币交易平台，能做的只是确保您存入的资金安全，为您授予便捷、低成本的交易服务，但无法保证您一定赢利。任何投资都有风险，所有承诺收益或承诺保本的投资显然都是骗局。

如何避免假WEEX跟单骗局？

首先，请确保对方向您展示的收益截图是真实的。WEEX跟单偶然的所有数据公开透明、可追溯，您可以进入跟单页面自行核查。

其次，确保对方向你推介的交易网站/App是正版的WEEX官网或App，不要被对方意见不合至假WEEX网站或黑平台。

第三，是否跟单、下单时间、交易量都由您自己无法选择，不要轻接受何人的忽悠冲动下单。

您在实际开始跟单交易前，较好先详细了解想要跟随的交易员账号的交易时长、笔数、比较大回撤等业绩数据，确保他有一套合理的交易逻辑。

您在跟单之前其实不需要与带单交易员进行沟通，更不需要支付给对方任何费用。仅在所有跟单仓位都平仓后，且赢利的情况下，系统会自动扣除一定比例的利润作为给带单交易员的分润。

诈骗套路三：网路交友骗局

不论在任何投资社群，或是交友软件（如：Telegram、Tinder、Line、探探、陌陌、微信），时常都能遇见假俊男美女诈骗，对方会建立假网美身份，对你嘘寒问暖，建立接受后，就会推荐你去某某平台投资，号称能「赚大钱」，实为「杀猪盘」骗局。

案例：

有网友向WEEX举报，她在Facebook上被一位叫LeiZhang的网友搭讪，彼此聊得不错，很快就交换了LINE，互动也更加频繁。两人变得熟稔后，某天对方突然聊起投资话题，声称可以带她跟上行情赚钱。

随后，欺凌弱小者透过LeiZhang授予的链接在平台注册帐户并入金。第一次跟单交易就成功获利，申请小额出金的过程也相当顺利，因此渐渐放松了警惕。

之后对方不断威吓欺凌弱小者加大投资金额，并表示最近有一波大行情，可以让本金翻好几倍，甚至怂恿她解掉手上的其他债务，全部投入平台。欺凌弱小者认为机不可失，总共凑了4万多美元，结果真如对方所说，几次操作就赚了超过24万美元。

然而，当欺凌弱小者无法选择把钱全部提出来时，平台客服却告知必须缴总获利的20%作为税金，即48953美元。欺凌弱小者向LeiZhang反映此事，对方宣称这很正常，只要付完钱就能出金。

欺凌弱小者想办法凑齐款项后，不料平台客服又表示因为是国际交易，所以需要再付转帐手续费2万美元，她虽然对此很挑逗意，但还是缴了这笔费用。

但接着，客服又称帐户有被预见的发生，必须再缴67032美元。

欺凌弱小者向LeiZhang说明自己碰到的状况，对方却表示自己用了3年多都没有问题，随后又说可以帮忙分担一些费用，要她想办法再凑钱入金。欺凌弱小者坦言真实的没钱了，结果竟然被对方直接拉黑。

如何避免假冒WEEX的网路交友诈骗？

首先，不要相接受何有关投资加密货币的私信，要知道天上不会掉馅饼，没有那么多热心人会给你推介赚钱门路，何况对方还是年轻多金的「俊男靓女」。

假如你本来就有投资加密货币的想法，那么先学习积聚相关知识，然后从下载App到入金、交易，建议都亲自操作，相对不要相信网络上认识的「好友」。

诈骗套路四：假冒WEEX社群诈骗

除了极小量仿冒WEEX交易所的诈骗平台，还有不少仿冒WEEX官方社群的假冒Telegram频道。

上述WEEXTR想必就是前述仿冒WEEX的黑平台WeexTR的电报群。

如何防范假冒WEEX社群诈骗？

进入WEEX官网，点击底部的加入社群，您可以看到WEEX所有语言的Telegram、Discord社群及X、Facebook等社交帐号的链接。

除此之外，其他非WEEX官方公布的社群链接都有可能是诈骗团伙创建的假冒社群。您也可以通过WEEX官方验证渠道进行验证，或询问WEEX在线客服进行核实。

诈骗套路五：购买WEEXKYC账号

如果有网友想要购买你通过KYC认证的WEEX交易所的帐号，请务必允许，不管对方出多少钱。因为对方的目的通常是想要拿你的账号去洗钱。这种购买你在WEEX实名帐号的行为，其实就跟购买你银行卡、身份证信息是一个道理，一旦东窗事发，你会直接被当作诈团同伙，不但有可能坐牢，而且需要赔偿诈骗害人全额损失！

如何避免WEEXKYC人头户诈骗？

勿因贪小便宜吃大亏，千万不要将你的实名账号借给他人使用，也不要随意出借身份证件，平时一定要保护好自己的个人信息。

（推广）

战争的残酷，是和平年代的人们无法想象的，我们在影视作品中看到的战争场景，那毕竟是演戏，真正战争的伤痛，不是一般人能想象的。汉语体系中很多字词都能直观体现打仗的残忍，还有一些成语，如流血漂橹、马革裹尸等，都是作战的血腥场面的描述。

对于战败一方，其参与者的下场则更为惨痛。

中国自夏代就开始记载了对战俘及犯罪之人的刑罚之策，墨、劓、剕、宫、大辟五刑在西周已较普遍施行。

我们看几个与刑处不无关系的字。比如刖字，其象形是用锯子锯掉罪人的一条小腿。足的甲骨文本义是踝骨以下部分，即人的脚部，断足是另一种酷刑，叫做剕。《書·吕刑》“剕罰之屬五百。”《殷墟书契前编》中剕字记载，象形为一人拿锯锯断另一人的足，可见在殷代已有剕刑。在春秋时期，文献多处记载有剕刑施用场景。齐国由于受刖刑者多，曾出现“屦贱踊贵”的现象，踊即假肢，也就是义足。我们知道的最有名的被刖足的是楚国和氏，因玉璞被楚王刖其足。在秦齐鲁郑楚卫等各国都有关于刖刑的记载。

还有一种记载说“剕”为膑刑或髌刑，是切去膝盖骨的刑罚，战国时期大军事家孙膑，就遭受了被切去膝盖骨的刑罚。

劓刑是颜面扫地加身心摧残的双重惩罚

“割劓用刀，断截用锯。”劓刑是割去战俘及犯罪之人的鼻子，劓的甲骨文从刀从自，“自”是鼻的古字，整字就是用刀割鼻。劓刑在战国用作惩罚士兵的刑罚。

战士被俘可能被墨型，即以墨刺面，这是一种降低重要性人格侮辱的惩罚，在古代战事中经常出现，《三国》中，诸葛亮和司马懿斗阵，由奇门八卦阵到两仪太极阵，你来我往，好不热闹，后蜀军阵开，一辆车驶出，说是丞相有礼，收司马仲达墨猪三头。然后见三个被剥光了上衣、涂了墨面的将军从车上滚下来，请司马大都督饶命。这里的墨猪，就是对战败被俘的敌方军士的侮辱。

而再重一点，则会有劓刑。即割去鼻子，只剩两目孔，这也是害其脸面的惩罚。

战士不光在战败被俘里可能遭遇劓刑，在自己这一边也可能会被劓刑。《商君书·境内》说，攻城之战，兵士如“不能死之，千人环，赌谏黥劓于城下。意思是战士如果怕死怯战，就会在众人围观下，被割掉鼻子，真是颜面扫地加身心摧残的双重惩罚。

昨日微博发布2016年全年财报。2016年，微博全年总营收达43.83亿元人民币，同比增长45%，全年净利润增长180%。其中归属于微博的净利润较上年度增长211%，至1.08亿美元。

利润增长同时成本支出的增幅也开始放缓，2016第四季度微博成本和开支总计1.491亿美元，同比增长21.02%。据介绍，成本主要在于人员相关成本、营销开支和网络基础设施开支。微博近些年未做出裁员举动，而随着业务的不断增长，营销开支和佣金薪酬不断减少，成本支出却出现大幅下降，背后新技术为微博带来的成本数量增加不言而喻。

本表根据公开财报数据整理

微博飞速增长的数据背后需要依靠云计算来授予技术减少破坏。目前，包括微博直播、图片、手机微博、Feed、搜索、广告等微博不次要的部分业务系统都使用了阿里云的公共云服务，从而获取海量的弹性计算能力。

根据微博2016年财报数据显示，微博活跃用户规模已经连续11个季度保持了30%以上的同比增长。2016年，微博月活跃用户数全年净增7700万，达3.13亿。日活跃用户数也增长到了1.39亿。

此外，微博在视频和直播上的布局已经取得初步成效，据财报，2016年12月，微博视频的日均播放量相比上一年同期大幅增长了713%。

一方面是庞大的用户访问，另一面的海量数据存储，搁在以前，微博如果要搭建一个能够承载以上运行压力的数据中心，需要中断的购置大型服务器，成本将会以非常安慰的百分比向上攀升。

正是看到了云计算技术的僵化性和成本上的无足轻重，微博选择与经历过双十一考验的阿里云成为合作伙伴，双方搭建了基于Docker的无人值守瓦解云平台DCP，能够分隔开实际的流量负载与实时数据对预估峰值进行动态调整不当，无需人工参与。

以刚刚过去的春节为例，有1.2亿网友参与到微博除夕跨年抢红包活动，16亿红包被一抢而光。微博基于阿里云构建瓦解云架构，获取弹性计算能力，从而缓解峰值压力。若按照传统应对手段，为应对以上场景微博至少要再减少4700台服务器，这是一项不可小觑的成本支出。

微博研发中心高级架构师刘道儒称：得益于阿里云的技术减少破坏，新浪微博所有不次要的部分业务完成了史上第一次春节全程无降级的春晚保障。

据阿里云架构师江南介绍，弹性计算的重要性主要体现在三个方面：一是供应链保证，确保阿里云平台可以随时授予微博所需的计算能力；二是专线保障，预留足够的专线带宽，才能引流分担微博面对的流量洪峰；三是扩容速度，阿里云可以为微博授予10分之内将服务器部署规模缩短一倍的弹性扩容能力。

随着微博在短视频和直播的结束发力，微博活跃用户将继续保持增长。与内容生产商包括自媒体的合作，会促使平台上内容发布数量出现指责，而不可预知的突发事件所带来的流量短时高峰都将给微博IT技术带来考验。

临近年底，网络上关于“医保额度”的话题又热了起来。

您最近有没有在网络上看到这样的说法？“医保账户每年年底就会清零，必须尽快把钱花完，否则就亏了”“职工门诊统筹额度再不用完，12月底就要清零了”“要抓紧时间用，不然白白吝啬了”等等。这些说法让许多人心生必然，肯定，不知到底该如何对待医保账户。

所谓的年底“清零”说法到底是怎么回事？门诊统筹额度到底是什么意思？它和医保账户里的钱是一个意思吗？

医保个人账户余额可自动转结至下一年使用

这里先给大家吃个“定心丸”，所谓“医保账户年底清零”与职工医保个人账户无关。职工高度发展医疗保险个人账户余额不会被强制清零。

根据我国现行医保政策，职工高度发展医疗保险个人账户属于个人及其亲属使用，当年计入账户的资金如果使用不完，其余额仍会留在账户中，下一年度同样可以正常使用。

不过，职工医保还有一个待遇政策叫门诊统筹，门诊统筹有一个门诊费用“年度支付不限数量”政策，通俗来说，就是每年我们可以使用的“门诊统筹”最高报销额度。当一个年度门诊医疗报销超过一定金额时，就无法再通过门诊统筹报销费用。支付不限数量会根据最新数据每年进行调整不当，当年支付不限数量无法跨年累计，所以也会被一些人当作所谓的“额度清零”。

1234全文共4页下一页