今天刚开的，需要的直接私信我留言上车

想开个海外的小鸡挂 CLIProxyAPI，希望最好能国内裸连，vscode ssh 连过去终端不卡最好。

前段时间屋子里有一个幽灵蛛，益虫也不咬人吃小飞虫的，我没管它。
它还真会找地方，整个屋子就门口那一个角落一直是黑暗的没有光线。
我真是怕它饿死了，屋子里没飞虫。
后来消失了，但是蛛网还在，我还好伤心呢也许它死了。
今天又看到它了，胖了一圈好像，变大变黑了点，不知道它在哪里找的虫子？？我屋子里没有虫子呀。他的吃食在哪里？？
是不是既然有蜘蛛说明我屋子里的确有虫子？？
我还不敢看它害怕被它发现我在盯着它，因为小时候给蜘蛛投喂吃的第二天蜘蛛不见了，我记忆犹新。。。
觉得挺可爱的吧无聊的生活加了几分趣味，反正无害就随它去吧。

前言
在使用 NewAPI 的过程中，我对于渠道的优先级 和权重有一点困惑，比如权重的突然失灵，然后发现官方文档对此描述较为简略。通过阅读源码并结合 AI 辅助分析，有点了解其中具体点算法，其中的一些内容由ai生成，帮助大家理解（实际上大部分都由ai生成），如有发现不对，欢迎指正
一、优先级与重试机制
在 NewAPI 中，优先级并非单纯的静态排序，而是与 重试次数 强绑定的动态选择过程。
1. 核心逻辑

绑定关系：请求的 Retry（当前重试次数）直接对应渠道的 Priority（优先级）。
调度流程：

第 0 次请求 \rightarrow 寻找优先级为 0 的渠道。
第 1 次重试 \rightarrow 寻找优先级为 1 的渠道。
第 N 次重试 \rightarrow 寻找优先级为 N 的渠道。




注意：这意味着，如果你设置了一个优先级为 5 的渠道，但系统最大重试次数只有 3 次，那么这个优先级为 5 的渠道永远不会被调用。

2. 分组与跨组调度
NewAPI 支持多分组配置（如 vip, default）。当结合分组时，优先级的调度算法会变得更有趣。系统会根据配置在不同分组间切换，并重置优先级索引。
具体的调度案例
假设此时请求配置了两个分组顺序：vip → default。


第一次请求 (Retry=0)

当前分组: VIP组 (Auto索引=0)
目标优先级: 0 (priorityRetry = 0)
结果: 使用 VIP组中 优先级0 的渠道。



请求失败，触发第1次重试 (Retry=1)

当前分组: VIP组
目标优先级: 1 (priorityRetry = 1)
逻辑判定: 假设 VIP 组配置的重试次数限制满足条件。
结果: 使用 VIP组中 优先级1 的渠道。
注：此时若 VIP 组重试次数耗尽，系统将准备切换分组。



请求再次失败，触发第2次重试 (跨组切换)

机制: 触发 param.ResetRetryNextTry，重试计数器逻辑上重置。
当前分组: 普通组 (Auto索引=1)
目标优先级: 0 (priorityRetry 回归 0)
结果: 使用 普通组中 优先级0 的渠道。



请求再次失败，触发第3次重试 (Retry=1)

当前分组: 普通组
目标优先级: 1 (priorityRetry = 1)
结果: 使用 普通组中 优先级1 的渠道。




二、关乎权重计算机制
当同一优先级下有多个可用渠道时，NewAPI 使用 权重 来决定流量分配。源码分析显示，它采用了的是轮盘赌选择算法。
1. 源码解析
核心代码逻辑如下（Go语言）：
if len(abilities) > 0 {
    // 1. 计算总权重池
    weightSum := uint(0)
    for _, ability_ := range abilities {
        // 【关键点】每个渠道的权重都会强制 +10
        weightSum += ability_.Weight + 10
    }
    
    // 2. 生成随机数 [0, weightSum)
    weight := common.GetRandomInt(int(weightSum))
    
    // 3. 轮盘赌减法匹配
    for _, ability_ := range abilities {
        // 依次减去当前渠道的有效权重 (设定值 + 10)
        weight -= int(ability_.Weight) + 10
        
        // 如果减到 0 或负数，则命中该渠道
        if weight <= 0 {
            channel.Id = ability_.ChannelId
            break
        }
    }
}

2. 关键部分
代码中 ability_.Weight + 10 是一个非常关键的设计。这意味着：

即使你设置权重为 0，该渠道依然有 10 的基础权重，仍有机会被选中。
低权重的差异被缩小了。设置权重 1 和权重 5，在数学概率上区别并不大（11 vs 15）。

3. 算法实例演示
假设同一优先级下有三个渠道（A, B, C），数据库设置权重如下：

A: 20
B: 0
C: 90

第一步：计算有效权重池

W_{A_{real}} = 20 + 10 = 30
W_{B_{real}} = 0 + 10 = 10
W_{C_{real}} = 90 + 10 = 100
总权重 (Sum) = 30 + 10 + 100 = 140

第二步：概率计算
在这种机制下，各渠道被选中的概率为：

P(i) = \frac{\text{SettingWeight}_i + 10}{\sum_{k=1}^{n} (\text{SettingWeight}_k + 10)}


P(A): 30 / 140 \approx 21.4\%
P(B): 10 / 140 \approx 7.1\%  (即使设置为0，仍有7%的概率)
P(C): 100 / 140 \approx 71.4\%

第三步：命中模拟
假设程序生成的随机数 $R = 35$（范围 0~139）：

遍历 A: 35 - 30 = 5。剩余 >0，未命中，继续。
遍历 B: 5 - 10 = -5。结果 \le 0，命中 B。

用了ai之后，以为能多摸鱼，现实是活压根做不完，以前两周更新一版，现在一周2-3版

最近我的kiro注册机阵亡
所以站内已经没有了claude模型
作为替换上线了一批gcli
价钱随便定的 不知道是不是合理
暂时有200多个帐号应该足够了吧
gpt plus大概有15个帐号
codex可以用

  
      

      api.dev88.tech
  

  
    

New API

  OpenAI 接口聚合管理，支持多种渠道包括 Azure，可用于二次分发管理 key，仅单可执行文件，已打包好 Docker 镜像，一键部署，开箱即用

新人入站
在申请了五次之后终于进来了！哈哈，希望L站佬们能够多多关照新来的小佬
也谢谢通过审核的审核佬佬 
希望大家都能够在科技的道路上越走越远！
真诚、友善、团结、专业

Grok is experiencing server related issues. We are working on restoring service as quickly as possible.
我晚上看的时候就这样了，现在凌晨2点还没恢复，不知道什么时候开始瘫痪的

抢了 5 次码，申请了 5 次，写了 5 次小作文。寝食难安，夜不能寐，真够揪心的。还好，这次进来了，感谢邀请的佬友，感谢审查老师！！我终于可以搜一下自己想要看的内容了。

有人发的，Gemini 3.5 的测试视频Gemini 3.5 Is Google's Greatest Model Ever! Most Powerful AI EVER! (Tested)

听佬们说好像和 @Sigmund 名字撞了
用这个名字是因为这个作者是我最喜欢的心理学家
要不我换个？
我可以换成我最喜欢的浪漫主义文学家

愁人ChatGPT网页对话过长就会，卡顿，卡卡的，根本上下滑动不了。有什么解决办法吗？

之前看过站内佬友的这篇文章https://linux.do/t/topic/1235169?u=jjfenggg测试了硅基流动的各模型翻译能力，但测试内容只是一段文字比较单一，大家阅读的领域不同所以有时候还是自己测试一下比较方便。正好升三级了，不知道如何回馈社区，就用codex写了个自动测试的小脚本发出来也算对社区做点贡献了。
Github地址
https://github.com/JJFenggg/LLM_translation_comparator
特点

理论上支持所有中转/公益站
自动拉取模型列表
结果生成csv文件供参考

用法

环境配置（我用uv来管理包，所以这里用uv了）
uv sync

不用命令行
找到最下面run函数里
    """
    cfg = CliConfig(
        base_url="https://api.siliconflow.cn/v1",
        api_key="YOUR_API_KEY_HERE",
        text="TEXT YOU WANT TO TEST",
        target_lang="Chinese",
        out_path="results.csv",
    )
    """

把里面的参数改成你自己的，别忘了把注释删掉和把上面一行cfg = parse_cli(argv)注释掉。
然后运行脚本就行了，会自动生成在当前目录。
命令行
示例：
uv run python main.py --base-url 'https://api.siliconflow.cn/v1' --api-key-file api_key.txt --target-lang 'Chinses' --text "Hello world"

其他
附一些测试结果，感觉就是陪读蛙默认的Qwen3-Next-80B-A3B-Instruct就挺好

搜索、广告、推荐，可以被誉为互连网时代的“三驾马车”，过去十几年，它们定义了内容如何被看见、流量如何被分发、商业如何完成变现。随着 OpenAI 等引起的大模型浪潮，互联网业务正在遭遇一轮新的结构性冲击。
一方面，搜、推、广依旧是互联网最成熟的变现引擎，商业逻辑和价值清晰：内容吸引用户，广告交易变现，仍旧是如今互连网业务的“主航道”。但是存量和流量增长可能已经逐步见顶，边际收益递减。
另一方面，大模型技术的快速迭代让资本看到 AGI 的曙光，几乎所有大厂与创业公司都被推着“上车”：要么主动 All in ，或者被动跟进。但与此同时，大模型仍然是“少数者的游戏”：算力、数据、工程体系等门槛极高；更重要的是，其商业逻辑仍缺乏足够长时间的验证。
继续投身搜广推，在增长见顶的夹缝里求生？还是拥抱不确定的浪潮，押注大模型带来的下一轮范式切换？这可能是过去几年到现在，所有互连网从业者，包括校招同学都要面临的选择。
如何看待 “搜广推”和“大模型” 未来发展？在当今时间点如何选择？想听听各位佬友，特别是互连网从业者的看法。

www！