【菜科解读】

许多人尽管说两个月宝宝吐奶瓣是很正常的事情，但是也不能完全的放下心来，对于宝宝吐奶瓣的情况一定要重视这是因为小宝宝的胃部没有完全发育好，类似一个盘子一样这种结构就容易出现溢奶，奶瓣就是奶汁进入胃里综合了消化液的结果，吐出来的肯定都是奶瓣！下面我们就来说一说两个月宝宝吐奶瓣该怎么办？

1 帮宝宝拍打嗝。

当宝宝喝完奶后，由于胃里下部是奶，上部是空气，所以就会造成胃部压力，出现溢奶、吐奶现象。

因此爸爸妈妈应及时帮宝宝拍打嗝，把气体排出。

只要减少了胃里的压力，自然就能够减轻吐奶、溢奶的情况和次数。

如果帮宝宝拍打嗝有困难，那么爸爸妈妈就应该将宝宝直立抱起，让宝宝趴在自己的肩上至少30分钟，然后将枕头垫高，让宝宝右侧躺下，这样可以有效地增加胃部排空速度。

2 改变奶粉的冲泡方式

在给宝宝平常喝的牛奶中添加谷类食物，或是将牛奶冲得稍微浓稠一些，这样就不太容易发生逆流现象。

不过，太稠的牛奶容易造成肠胃阻塞或导致腹泻，这也会让宝宝感到身体不舒服，所以爸爸妈妈也应当加以注意。

3 药物治疗

如果有严重的吐奶、溢奶现象，则应当请医生开一些刺激肠胃蠕动的药物，以改善溢奶情况。

不过，通常把药物治疗作为最后的考虑，还是应当以其他的解决方法为主。

以上就是出现宝宝吐奶瓣的时候应该可以采取的措施，宝宝吐奶瓣很大程度上跟消化系统有关，并且两个月大的宝宝消化系统还不完全，所以在平时一定在宝宝喂完奶的时候喂一点清水帮助消化，给宝宝揉一揉肚子也有助于宝宝的消化。

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

原创 开战两个月，轮到美国被伊朗羞辱，特朗普：伊朗告诉我，他们崩了

美伊冲突，转眼已经过去整整两个月。

当初，特朗普政府可真是气吞万里如山，誓言要速战速决，然而，结局却让人意外得多——不仅没能如愿获胜，反而深陷泥潭，越陷越深，根本拔不出来。

更尴尬的是，这场打脸不仅是来自伊朗的反击，连美国自己那些所谓的盟友也开始站出来添把火，毫不掩饰地落井下石。

美国正被伊朗羞辱，而这一切，竟然从他们的盟友口中说出。

4月28日，特朗普还在四处搜寻素材想要为自己添点光彩，却没想到，德国总理默茨的一番话，犹如一记响亮的耳光，狠狠打在了白宫的脸上。

默茨直言不讳地表示：美国现在正被伊朗的领导层羞辱。

听到这话，多少人心里都会一震：这不只是挑明了美国的困境，更是对特朗普政府的赤裸揭露。

简而言之，伊朗比人们预期的要坚韧得多，谈判桌上比任何人都要精明，而反观美国，显然已经陷入了困境，无法自拔，局面尴尬至极。

如果这话是从中俄嘴里说出来的，特朗普肯定会立马反击，称之为虚假宣传。

但是，话是从德国总理口中说出来的，而德国恰恰是美国的核心盟友，这可就大不相同了。

这意味着什么？意味着连西方阵营内的伙伴都看透了：美国这场战争不仅没有占到任何便宜，反而把自己搞得一团糟，连脸面都丢给了欧洲。

而此时的欧洲，正面临着自己的巨大压力——海峡封锁，油价暴涨，经济陷入困境。

看到美国在那儿瞎折腾，却毫无作为，默茨这番话，实际上正是欧洲早已憋在心里的不满。

连自家的兄弟都开始同情对手、讽刺美国领导了，试问，美国的国际信誉还能剩下多少？ 而伊朗接下来的操作，更是让人咋舌，堪称一场阳谋。

4月28日，在上合组织的会议上，伊朗国防部发言人塔拉伊·尼克直接放话：我们愿意与所有独立国家，尤其是上合组织的成员国，分享‘对付美国的经验’！这一番话，不仅仅是说气话，而是在全球面前赤裸裸地展开了战略布局。

伊朗此番言辞，等于是在告诉世界：美国这头所谓的纸老虎，其实并不像它所展现出来的那么强大。

伊朗的经验到底有多震撼？首先，它们在美国的极限施压下，不但没有崩溃，反而更加团结了。

其次，伊朗运用几万美元的无人机，将美军价值数百万美元的防空导弹打得满地找牙，直接让美国的财力吃了大亏。

再者，伊朗利用霍尔木兹海峡这个全球经济的咽喉，成功卡住了美国及其盟友的脖子，让他们如坐针毡。

值得注意的是，伊朗通过鲜血换来了大量美军战机、导弹的残骸，甚至包括美军自豪的GBU-57钻地弹的完整弹头，里面藏有大量美国的先进技术。

塔拉伊明确表示，这些带血的成果将与有需要的国家分享，让各国看清美国在局部战争中的短板。

对于中国和俄罗斯而言，这些实战经验无疑是极其宝贵的。

对美国来说，这简直是一场噩梦。

伊朗不仅没有被打垮，反而还练出了绝活，并准备将这些宝贵的经验传授给更多潜在的对手。

比丢失几架飞机还要令人痛苦的是，这些经验无疑会进一步削弱美国的军事实力，给五角大楼带来难以承受的打击。

而特朗普呢？面对这种内外交困的局面，他又能做什么呢？自然是依靠他的特长——打嘴炮。

就在默茨刚刚发出言论不久，特朗普便迫不及待地在社交媒体上发帖称：伊朗有人偷偷告诉我们，他们快‘崩溃’了，求我们赶紧开放霍尔木兹海峡，好让他们理顺内部领导问题。

听起来是不是很耳熟？这典型的就是特朗普式的精神胜利法。

我们不妨来拆解一下这一说法：谁说的？特朗普并没有提供任何证据，也没有说明是谁告知他的。

媒体一查，根本找不到任何可信的消息来源。

而且，从逻辑上来看，美国封锁了伊朗的港口，导致霍尔木兹海峡无法通行，然后特朗普却声称，伊朗求他开放海峡。

简直可以称得上是一场精心策划的自导自演。

事实上，伊朗军方在前一天还强硬表示，如果想通过海峡，必须听从指挥并支付过路费，否则一滴油也别想流出去。

为什么特朗普要编造这样的故事？原因很简单——5月1日，《战争权力法》规定的60天期限就要到了，他迫切需要一场胜利来向国内交代。

尽管阿联酋退出欧佩克可能让油价稍微下跌，但这无法掩盖他在战场上的失败。

因此，他只能通过编造故事来勉强维持自己的形象。

在他看来，只要嘴硬，他就能永远是赢家，即使现实早已变得一团糟。

两个月过去了，美国的牌基本已经打光。

军事上，速战速决的计划变成了僵局；

外交上，盟友的支持逐渐动摇；

国内，反战情绪高涨，民众的口袋被高涨的油价掏空。

而伊朗呢？虽然也遭受了不少空袭，但它的腰杆依旧挺立。

它不仅扛住了美国的压力，还将这场战争转化为一场展示如何反霸权的公开课。

特朗普的嘴炮或许能愚弄他的支持者，但无法掩盖全球的眼睛。

当对手开始教别人如何打败你，当昔日的盟友公开羞辱你，这场战争输得究竟如何，已无需再言。