【菜科解读】

红薯是我们常吃的营养蔬菜，含有丰富的纤维、蛋白质、维生素等营养成分，是极好的健康保健食材，很多人都喜欢吃红薯，那么红薯冒乳白色液体还能吃吗，红薯生可以吃吗，下面菜科网小编就给大家具体介绍看看。

红薯冒乳白色液体还能吃吗

红薯冒白汁是可以吃的，其实红薯切开来之后，出现白色液体是很正常的，这个白色液体并不是有毒物质，而是里面的果胶、黏液蛋白、水分和水溶性维生素等，多种营养物质对人体好处非常多。

把新挖出来的红薯切开来，就会发现，里面有白色液体流出来，吃了之后，还有甜甜的味道，但是时间久了，白色液体就会消失，水分也慢慢减少了。

这个过程被人们叫做“收浆”，经过收浆之后，红薯吃了味道更佳甜，而且也更容易保存。

红薯的白色液体有什么作用

1、润肠通便

很多便秘的人，吃了红薯之后，可以帮助润肠通便，这是因为红薯切开里面的白色液体，富含一种物质叫做紫茉莉甙，对便秘人群最有利，这种治疗便秘的特殊化合物，可以很快的起到促进肠胃蠕动的作用，不管是便秘、口臭，还是干燥的人群，吃点红薯，好处非常多。

2、提高免疫力

很多人到了换季的时候，或者是室内外温差较大的情况下，就会出现感冒、发烧、咳嗽的情况，不论是老人还是小孩，如果是大家平常总生病、感冒，不妨吃点红薯，因为红薯里面的白色液体，可以补充大量的粘液蛋白，缓解肝脏和肾脏组织萎缩，提高身体的免疫力。

切开的红薯怎么保存

1. 红薯容易氧化，切开的红薯不及时食用的话会变黑，因此切开的红薯可以用保鲜膜包裹之后存放一段时间。

2. 如果没有保鲜膜了可以直接将没有削皮的红薯放在冰箱的冷藏室中，吃的时候将切开面的部分切掉一些就可以了。

3. 也可以将切开的红薯蒸熟，这样就不会发黑，放置一段时间食用依旧很好吃。

4. 将切开淀粉红薯在淡盐水中浸泡五分钟左右，然后将红薯晾干，也不容易出现红薯变坏的情况。

防止红薯变黑的方法

红薯切开后一会儿就会变色，红薯在不削皮的时候有果皮与空气进行隔绝，所以不会出现氧化变黑的情况，但是在削皮之后，果皮这层保护膜被去除，果肉中的多酚类元素与空气接触之后，很快就会产生氧化反应，与苹果削皮放置一段时间会变黄的原因是一样的。

如何防止红薯切开后变黑呢？

1、先打一小盆清水，然后放上几滴柠檬汁，在把削皮的红薯放到水里浸泡一会儿，就不会变色。

2、在削红薯之前用盐在表皮上搓一下，然后洗掉，再削红薯，这样削出来的红薯，不但不会氧化，而且比削完再用盐水泡能保存更长的时间，且没有咸味。

3、把没削的红薯放到温的盐水里泡五分钟再削就不会变色，如果先削了皮也没关系把削好的红薯在盐水里沾一下，放很长时间也不会发黄变色。

红薯能生吃吗?

红薯可以生吃，但是不建议大家生吃;

红薯是人们常吃的营养食物之一，因为现在很多人认为，一些食物生吃更能保存其营养，而红薯这种蔬菜含有丰富的纤维素、淀粉、维生素、果胶等成分，也是可以生吃的，但是生吃也要注意适量不能多吃，生红薯食用过多会危害人们的肠胃健康。

红薯生吃需要注意什么?

1、不能多吃：红薯虽然可以生吃，但是只能少量生吃，因为红薯中含大量淀粉，生吃会刺激肠胃，导致肠胃难以消化，不利于肠胃的健康。

2、肠胃不好的不能吃：对于一些肠胃不好的人群来说，红薯是不能生吃的，因为生吃红薯会加重对肠胃的刺激性，严重的还会导致肠胃疾病。

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