【菜科解读】

昨天婆婆从老家山上采摘了好多野生猕猴桃，野生猕猴桃营养价值丰富，含有多种维生素，尤其是小孩吃了对身体有很大的益处，但是刚刚采摘回来，还是硬邦邦的，硬邦邦的猕猴桃可以放冰箱吗，怎么可以变软呢？今天菜科网小编就来和大家一起看看。

全文目录：

1、猕猴桃可以放冰箱冷藏保存吗<1 />2、猕猴桃的药用价值<1 />3、猕猴桃怎么保存才好<1 />4、猕猴桃要多久才能变软<1 />5、怎样使硬的猕猴桃变软<1 />6、猕猴桃是酸性还是碱性

猕猴桃可以放冰箱。

猕猴桃是可以放在冰箱里的，而且硬的猕猴桃放在冰箱里可以保存两到三个月，如果是已经软了的猕猴桃，那就保存不了几天，需要尽快吃掉。

但是，如果不需要长期保存的话最好还是不要放在冰箱里的，因为温度太低的话会一定程度上破坏猕猴桃的营养，而且就放在通风干燥的地方也可放十天左右。

猕猴桃的营养价值极高，其可溶性固形物含量为14%～20%，含有亮氨酸、酪氨酸、缬氨酸、苯丙氨酸、异亮氨酸、丙氨酸等十多种氨基酸，还含有丰富的矿物质。

1、放冰箱保存

生猕猴桃放在冰箱里(1～5度左右)可保存一个月左右，要吃的时候提前几天拿出来催熟，可将要吃猕猴桃和成熟的香蕉、苹果放在一起变软后即可食用。

2、阴凉处保存

将猕猴桃放在盒子或塑料袋中，最好不要完全密封，然后放在阴凉处，但不要放在通风处，因为容易流失水分，使硬的变的更硬，软的变的没有水分。

如果是那种特别生的硬猕猴桃,不进行催熟的话,在常温状态下,需要放半个月或者更久的时间才能变软。

如果用箱子或者塑料袋密封起来的话,用香蕉或者苹果进行催熟,那么基本上两到三天左右的时间就会变软。

1、最常见的方法就是通过密封的 方法，让猕猴桃快速成熟，不过单纯密封需要的时间相对要长一些。

2、乙烯催熟，乙烯可以是一种催熟水果的化学成分，生活中常见含有乙烯的物质就是香蕉皮，我们把吃完的新鲜香蕉皮和猕猴桃放置在一起，然后密封，能够比较快的催熟。

3、也可以借助生活中的白酒，我们把猕猴桃放置到罐子中，然后洒上少许白酒，可以加速催熟猕猴桃

4、我们也可以借助一个比较专业的道具：电石，这个东西我们可以很方便的在网上买到，它可以重复使用。

我们把猕猴桃放置到灌中，然后再里面放一个碗，里面放一小块电石，加入少许的水，等待开始冒热气时把罐子封闭起来，一般24小时就可以催熟

5、其实大家可能不知道的是，大米是一个很好的催熟工具，我们把猕猴桃用塑料袋密封好，然后把它放置到大米堆里面，一天左右就能催熟。

猕猴桃是碱性的。

猕猴桃享有“神奇之果”“维C之冠”的美称，缘于它有非凡的营养价值。

据分析，其每100克可食部分含糖11克、蛋白质1.6克、类脂0.3克、维生素C 300毫克、磷42.2毫克、钾320毫克、钙56.1毫克、铁1.6毫克，此外还含维生素P。

特别令人称道的是，猕猴桃中含有10多种氨基酸，所含的维生素C是柑桔的10倍、苹果和梨的30倍。

猕猴桃既是佳果，又为良药。

祖国医学认为，猕猴桃性寒，味甘酸，有解热、止渴、通淋之功效，主治烦热、消渴、黄疸、石淋、痔疮，对肝炎、消化不良、食欲不振、烧烫伤、呕吐等病患者有益。

《食经》说猕猴桃“和中安肝。

主黄胆，消渴。

”《开宝本草》称猕猴桃“止暴渴，解烦热，下石淋。

”民间有“常吃猕猴桃，浑身不知劳”之说。

英伟达力荐，小团队两个月开源一款「光速级」智能体推理引擎

尤其是在 Coding Agent 爆发之后，算力问题变得前所未有地尖锐。

Claude Code、Codex、Cursor 等产品正在把 AI 从「问答工具」变成「持续运行的软件协作者」，单次会话轻松突破 50K tokens，系统负载转向了更极端、更复杂的智能体负载。

最近有关算力的大新闻层出不穷。

今天的最新消息：马斯克的 SpaceX 与 Anthropic 宣布达成了重磅协议，超过 22 万块英伟达 GPU 将为 Anthropic 所用。

而 Anthropic 对与 SpaceX 合作开发未来的太空算力体系「表示有兴趣」。

在如此庞大的算力需求下，除了开源还有节流。

也是今天的最新消息：OpenAI 发布了多路径可靠连接 (MRC)，可帮助大型 AI 训练集群更快、更可靠地运行，并减少 GPU 时间的浪费。

我们知道，即便只是单 GPU 吞吐率上的微小提升，一旦应用到生产级集群中，也能够在服务持续增长需求的同时，节约相当可观的算力。

来自 LightSeek Foundation 的一个小团队，在两个月时间内打造了一个全新的，号称「光速」的大模型推理引擎 TokenSpeed。

这一引擎拥有 TensorRT LLM 级别的性能，vLLM 级别的易用性。

并且拥有 NVIDIA Blackwell 上最快的 MLA 注意力内核。

一经发布，TokenSpeed 就受到了英伟达发推文力荐。

目前，该引擎已经开源。

让我们参阅其技术博客，来深入了解「光速」引擎的技术细节。

博客标题：TokenSpeed: A Speed-of-Light LLM Inference Engine for Agentic Workloads 博客链接：https://lightseek.org/blog/lightseek-tokenspeed.html Github 链接：https://github.com/lightseekorg/tokenspeed TokenSpeed 技术简介 TokenSpeed 从第一性原理出发，专门为智能体推理场景设计。

它为智能体负载提供接近「光速级」的推理能力，核心包括：基于编译器的并行建模机制、高性能调度器、安全的 KV 资源复用约束、支持异构加速器的可插拔分层 kernel 系统，以及用于低开销 CPU 侧请求入口的 SMG 集成。

建模层采用本地 SPMD（Single Program, Multiple Data，单程序多数据）设计，在性能与易用性之间取得平衡。

TokenSpeed 允许开发者在模块边界指定 I/O placement 注解。

随后，一个轻量级静态编译器会在模型构建过程中自动生成所需的 collective operation，从而无需手动实现通信逻辑。

TokenSpeed 调度器将控制平面（control plane）与执行平面（execution plane）解耦。

控制平面使用 C++ 实现，并被构建为一个有限状态机（FSM），结合类型系统，在编译期而非运行期强制执行安全资源管理，包括 KV cache 状态转移与使用。

请求生命周期、KV cache 资源以及重叠执行时序，都通过显式 FSM 状态迁移与所有权语义进行表示，因此系统正确性并非依赖约定，而是由一个可验证的控制系统来保证。

执行平面则使用 Python 实现，以保持开发效率，使研究人员与工程师能够更快进行功能迭代，并降低整体认知负载。

TokenSpeed 的 kernel 层将 kernel 从核心引擎中解耦，并将其视为一级模块化子系统。

它提供了可移植的公共 API、集中的注册与选择机制、组织良好的实现结构、面向异构加速器的可扩展插件机制、经过整理的依赖体系，以及统一的快速迭代基础设施。

与此同时，团队还针对 NVIDIA Blackwell 架构进行了大量性能优化。

例如，他们构建了当前智能体负载场景下速度最快的 MLA（Multi-head Latent Attention，多头潜在注意力）kernel 之一。

在 decode kernel 中，由于部分场景下「num_heads」较小，团队通过对「q_seqlen」与「num_heads」进行分组，以更充分利用 Tensor Core 的计算能力。

而 binary prefill kernel 则包含了经过精细调优的 softmax 实现。

目前，TokenSpeed MLA 已被 vLLM 采用。

TokenSpeed 性能预览 Coding Agents（编码智能体）带来了异常严苛的推理工作负载，上下文通常会超过 50K tokens，对话也经常跨越数十轮。

大多数公开基准测试并不能充分捕捉这种行为。

研发团队与 EvalScope 团队一起，基于 SWE-smith 轨迹对 TokenSpeed 进行评估，这些轨迹密切反映了生产环境中 Coding Agents 的流量情况。

由于生成速度对 Agent 的用户体验至关重要，因此，团队的目标是在维持单用户 TPS（每秒 token 数）下限的同时，最大化单 GPU 的 TPM（每分钟 token 数）—— 通常是 70 TPS，有时是 200 TPS 或更高。

此外，研发团队针对 TensorRT-LLM（目前 NVIDIA Blackwell 平台上的最高水平）对这一设计进行了基准测试，并在认为针对 Agentic workloads 存在更好权衡的地方，采取了与之不同的设计方案。

下图展示了在不同部署配置下（无 PD 解耦），TokenSpeed 与 TensorRT-LLM 的 Kimi K2.5 性能帕累托曲线（Pareto curves）。

每条曲线都以 TPS/User（横轴）作为延迟指标，以 TPM/GPU（纵轴）作为吞吐指标，并通过扫描并发数绘制而成。

对于 Coding Agents（高于 70 TPS/User），最佳配置是 Attention TP4 + MoE TP4。

在这一配置下，TokenSpeed 在整个帕累托前沿上均优于 TensorRT-LLM：在最低延迟场景下（batch size 1）大约快 9%，在 100 TPS/User 附近吞吐量大约高 11%。

团队表示，他们的核心优化之一是 TokenSpeed MLA。

下图对比了 TokenSpeed MLA 与 TensorRT-LLM 的 MLA，后者是目前 NVIDIA Blackwell 上的 SoTA。

可以看出来，优化后的二进制版本预填充内核（prefill kernel），使用 NVIDIA 内部旋钮来微调 softmax 实现，在 Coding Agents 的五种典型预填充工作负载（带长前缀 KV cache 的 prefill）中，都超过了 TensorRT-LLM 的 MLA。

解码内核则将查询序列轴折叠进头轴，以更好地填充 BMM1 的 M tile，从而提升 Tensor Core 利用率。

结合其他优化，在带有 speculative decoding 的典型解码工作负载中（batch size 为 4、8、16，且带长前缀 KV cache），这使得相对于 TensorRT-LLM 来说，延迟几乎降低了一半。

最后，研发团队也表示，该项目于 2026 年 3 月中旬启动开发，虽然目前展示了惊人的性能，但仍有大量底层代码（如 PD 分离、KV 存储等）正在合并和完善中，接下来将继续推进。

从上述性能表现来看，不难看出，TokenSpeed 的出现旨在通过更现代化的架构设计，打破传统推理框架在易用性与极致性能之间的平衡点，为大规模 Agent 部署提供了一个高性能、开源的底座。

而英伟达的力荐，也说明推理引擎正在成为 Agent 时代基础设施竞争的一个新焦点。

更多信息，请参阅原博客！ 参考链接： https://x.com/lightseekorg/status/2052048105412141376 https://x.com/NVIDIAAI/status/2052061195381911806

“4只皮皮虾1035元”最新进展：当事人称已接到最新回复“市监局说价格没问题”

5月7日上午，记者联系上该网友，其回复称目前已经接到三亚市场监督管理局说价格没问题。

据极目新闻：5月5日，有网友反映，其在三亚一家海鲜店宵夜时，仅4只皮皮虾就花费1035元，价格过高，店家存在宰客行为。

网友发帖 该网友发布的图片显示，其于5月4日晚间前往三亚某海鲜店用餐，点了中号红花蟹、大号泰国濑尿虾、椰子饭及部分酒水饮品，4人共计消费1815元。

账单显示，大号泰国濑尿虾的单价为每千克1512元；

另一张点菜单则标注“大泰虾”4只，单价756元。

该网友在帖子中明确表示，已拨打12345政务服务热线进行投诉。

评论区多名网友称价格过高，并表示在其他地方吃没有这么贵。

账单 6日凌晨，三亚市市场监督管理局微信公众号发布情况通报回应此事：“5月5日，我们关注到有网友反映我市一海鲜店存在价格过高的问题，我局立即联合相关部门介入调查，目前三亚放心游平台已启动先行赔付机制。

一旦查实存在违法违规行为，我们将依法从严处理，绝不姑息。

” ▌来源：大象新闻、极目新闻 ▌编辑：韩明霞 校对：汤琪