究极风暴5官网究极风暴官网入口

来源：优游网责编：网络时间：2025-09-06 19:00:16

OpenAI CEO 最新访谈：20 岁和 35 岁的人，用 ChatGPT 的方式完全不同

最近在美国洛杉矶结束了第三次红杉资本AI峰会，其中150名世界一流的AI创始人讨论了最尖端的AGI趋势。

红杉资本的合伙人帕特·格雷迪（Pat Grady）认为，“在AI的下一轮中，销售不是工具，而是收益。”最近在AI圆圈中也广泛循环。

Openai United兼首席执行官Sam Altman曾经错过了公司新产品的推出，因为他正在陪产假，并终于出现在此AI峰会上。

Ultraman接受了红杉资本的独家采访。图像来自：YouTube

在与主持人进行了简短的问候之后，Ultraman回顾了自2015年成立以来Openai的发展历史，并将10年分为6个关键节点：

1。发行的14人团队Openai的第一批产品；

2。团队决定深入无监督学习领域，从而建立了GPT-1和GPT-2大型模型。在此之前，他们探讨了自我创建的游戏系统，机器人技术等的可能性。

3。在迭代GPT-3的大型模型之后，他们发现，如果他们继续赚钱升级到GPT-4，他们将进入“ 10亿美元模型”的时代，所需的资金远远超出了他们的能力；

4。因此，Openai试图通过打开GPT-2权重并开发GPT-3 API来逐渐发展收入业务，这引起了许多硅谷初创公司的关注；

5。由GPT-3.5，OpenAI的API大约有8个应用程序方案；

6。受API用户的商业化场景的启发，OpenAI的新产品Chatgpt于2022年11月推出，其团队继续投资于建造“允许用户与AI模型交谈的产品”。

GPT-4O版本的Chatgpt。图片来自：OpenAI X帐户

今天，在不到两年半的时间里，Chatgpt的每周活跃用户超过了5亿。最初遵循AI聊天助手的业务模型之后，Openai并没有放松。它在过去六个月中进行了频繁的动作，启动了GPT-4.1系列模型，GPT-4.5型号，O3和O4-Mini Visual Chanperce模型，这是一系列基于GPT-4O功能，深入研究功能等的音频模型。

当被问及“ GPT-5会超越人类？” Ultraman说，O3已经非常聪明，如果您认为自己的能力远远超过了GPT-3，则可能需要更多时间。

Openai产品能够保持更快更新频率的原因与该公司背后的高级管理层有意识地减轻“大公司疾病”的事实是不可分之的。正如Ultraman在这次采访中所说的那样，尽管许多公司越来越大，但产品升级的效率实际上已经下降。

他还无情地开玩笑：

否则，公司中将有很多人坐在房间里，举行会议，争论一些无害的产品细节或谈论其他事情。

Openai关键人物。图像来自：CNN

此外，在他看来，该理论也适用于当前大公司的AI转型困境。

“大公司在转型中始终落后，许多初创公司已经超过了它们。这是因为大公司通常仅限于严格的流程，例如每年开设安全委员会一次，而且这种速度根本无法跟上AI领域的变化。”他“失望”，但“并不感到惊讶”。

同时，他认为它是智能手机还是chatgpt也存在类似的代差异。 “年轻人20岁左右的方式与35岁左右的中年人完全不同，就像智能手机首次出现时一样。”

Ultraman进一步得出结论：

年轻人通常将Chatgpt用作操作系统，将其连接到各种文件，为其设置复杂的提示单词，甚至在做出许多重要的人生决策之前向Chatgpt提出意见；年长的用户更多地将Chatgpt视为替代Google Chrome。

目前，Openai已要求Chatgpt在其中编写一些关键代码。将来，Openai希望Chatgpt最终将有能力扮演用户的私人AI助手的角色。

“我们希望继续做更多的事情，并建立一个重要的互联网平台，使AI一生都可以陪伴用户，并可以帮助您提供不同类型的服务。” Ultraman还揭示了围绕此的一些可能的执行路线：

优化Chatgpt的Core AI订阅服务，不断升级该模型，并提供API或SDK，以帮助他人根据平台创建更多价值；

API与Chatgpt集成在一起，并成为用户处理各种交易的个人AI助手。通过新的类似于HTTP的协议，它支持数据传输，身份验证和付款，并可以连接不同的工具和代理。

在公开访谈视频中，主持人和观众多次询问Ultraman与Openai的“下一步是否将是”有关的问题。总体而言，Ultraman提到以下6个主要趋势：

1。语音互动：声音对Openai非常重要。目前，OpenAI的语音产品还不够好，但将继续优化。将来，高质量的语音模型将带来全新的设备表格。

2。编程能力：编程能力是OpenAI的核心。未来的模型不仅支持文本或图片的生成，而且还直接生成完整的程序来帮助用户执行操作；

3.模型自定义：理想状态是一个小型模型具有巨大的上下文窗口长度，可以存储所有用户数据和历史操作而无需进一步培训。这是Openai的长期目标之一；

4。传感器数据收集：有些人将这些数据连接到API，有些方案显示出良好的结果。最新模型可以更好地处理此数据。将来，OpenAI还将更加系统地集成这些数据。

5。API访问：OpenAI与学术界有合作项目，以提供模型访问服务，以帮助社会科学和人文科学研究人员探索长期存在的未解决问题；

6。算法开发：算法突破仍然是最高杠杆的要素，数据，计算能力和算法是三个关键点。

Ultraman回答了观众的问题。图像来自：YouTube

Ultraman的眼睛包括AI技术路线，AI功能变化和AI应用方向，这些方向似乎始终处于快速而动态的变化过程中。

根据Ultraman的判断，2025年度会议是“ AI代理进行推理”的一年，它可能不止于此；预计2026年将进入AI的阶段。预计2027年，机器人将从研究对象转向真正的经济创造者。

当然，将来的一切都是未知的和不变的。与选择使用逆向工程计划公司的发展不同，对于Ultraman而言，通过“反相反的推论”和“反映原因”来最终确定公司的长期发展策略并不是一个明智的选择。

Ultraman直言不讳：“历史上的某些人通过这种背部球方法取得了成功。” Openai不采用所谓的最终策略，而是对当前状况的反应灵活地反应，不断调整其策略，并继续生产更好的模型和产品。换句话说，Openai的游艇更倾向于随着时代的发展并遵循趋势。

此外，在谣言说OpenAI计划筹集400亿美元的融资和公司的投资后估值可能达到3400亿美元时，Ultraman并未透露更多相关内容，但并未直接否认。

Ultraman全面采访视频入口：

https://www.youtube.com/watch?v=ctcma6chfdy

AI粉丝|原始链接·Sina Weibo

GPT-4V仅达Level-2？全球首个多模态通才段位排行榜发布，General-Level打造多模态通用AI评测新范式

多模式大语言模型（MLLM）正在迅速出现，从仅了解单一模式到能够同时理解和生成多种模式，例如同时了解图像，文本，音频甚至视频。

在回答“如何全面客观地评测多模态大模型”问题的回答中，过去常用的多模式大型评估方法是堆积多个任务的结果。但是，仅通过“在更多任务上的更高分数”来衡量模型的强度并不可靠，并且该模型在某些任务上的出色表现并不一定意味着它更接近所有领域的人类智能水平。

因此，随着AI竞争进入“下半场”（最近的Openai研究员Yao Shunyu触发的共识观点），设计科学的评估机制俨然成为决定胜负的核心关键。

最近，ICML’25（聚光灯）的论文《On Path to Multimodal Generalist: General-Level and General-Bench》由一套全新的评测框架General-Level和配套的数据集General-Bench提出，这为这个问题带来了基本答案和突破。

评估框架已在社区中实施：上文的项目团队建立了超大规模的评估基准，涵盖了700多个任务，涵盖了5个常见模式，29个领域，多达320,000多个领域，多达320,000多个测试数据，以及该行业最完整的多模式的通才模型，提供了010-59,000的基础构建，以提供公平群体和综合构建的基础群体。

Leaderboard通用级别评估框架引入了General-Level评估算法：五级段位体系与协同效应，类似于测量多模型模型能力的“等级促销”方法。

通用评估的核心位于五级段位体系中，这是指该模型将知识从一种模态或任务传递到另一模态或任务的能力。简而言之，这是1+1 2的效果。

该模型的排名从低到高：1级专业主人，2级通才新秀（无协调），级别3任务协调，4级范式协调和5级5级完整模态完整协调。等级越高，模型显示的“一般智能”越强，协同效应水平就越高。

通用级别通过检查不同级别的协同作用来确定模型所属的等级：

协同泛化效应（Synergy）此级别包含每个任务的Level-1 专家型选手（Specialist），通常是SOTA模型，该模型单独调整到Extreme以用于某些数据集或任务。

专精模型实现2级的指示意味着该模型开始具有“专门从事多能量”并可以支持多种模式和任务的能力，但尚未反映出协同增益效应。

Level-2 入门通才（Generalist，无协同）促销级别3要求模型出现Level-3 任务级协同（Task-level Synergy）。这意味着该模型在某些任务上的性能通过多任务联合学习超过了任务的专业模型SOTA。

任务层面的协同提升要输入级别4，该模型必须显示Level-4 范式级协同（Paradigm-level Synergy），这意味着在“理解和生成”的两个任务范式之间形成协同效应。该等级表示已开始具有跨范式的协同的模型，该模型可以在不同的任务上传输知识。

“生成-理解一体化”的推理能力这是通用评估的最高等级，标志着模型Level-5 全模态完全协同（Cross-modal Total Synergy），也是理想的AGI状态。

但是，截至目前，尚未达到5级水平。

5级代表了AGI的最终目标。一旦模型进入此级别，可能表明通才AI已迈出了“通用人工智能”的关键一步。

一般而言，通用级别通过此五级系统从简单地堆叠任务分数到检查在跨模态、跨任务范畴达成了全面协同的评估角度提高了评估的观点。

在确保客观量化的同时，该等级系统还为从专业人士到通才再到“全能者”的行业绘制了高级路线图。

目前，模型内部知识的迁移融合能力通用基础基础被誉为最大，最宽，最全面的多模式AI评估基准。

它不仅是一份“一般大学入学考试”，它研究了多模式AI功能，而且还综合了全景评估系统，该系统整合了广度，深度和复杂性。

在广度上，通用台面涵盖了五个核心模式——图像，视频，音频，3D和语言，真正实现了从感知到理解然后生成的全链接模式覆盖范围。

在深度维度中，通用基础不仅涵盖了大量传统的理解任务（例如分类，检测，问答等），还包括一项丰富的生成任务（例如图像生成，视频生成，音频生成，描述生成等）。

更值得注意的是，所有任务都支持自由形式的免费答案，而不仅限于多项选择问题或多项选择问题，但是基于填补行业长期评估盲点的任务本机的开放指标，进行了客观评估。

从数据量表的角度来看，General Bench收集了700多个任务，325,000多个样本，并已将其分为145个特定技能，涵盖了视觉，听觉，语言和其他方式下的核心能力点。

在这些技能的背后，一般基础跨越了29个跨学科知识领域，包括自然科学，工程，医学保健，社会科学，人文科学等，从图像识别到跨模式推理，从语音识别到音乐发电，从3D模型到视频理解和一代，一切都可以使用。

此外，通用基础还特别注意该模型在高级能力上的表现，例如内容识别，常识推理，因果关系判断，情绪分析，创造和创新，为通才AI模型提供了多维和三维评估空间。

可以说，普通基础是从模态维度到任务范式，再到知识领域的前所未有的多模式综合测试纸，然后全面地测试了AI模型的广度，深度和全面的推理能力。

目前，General Bench的任务样本的总数已达到325,876，并将保持开放的动态增长。这种开放性和可持续的更新可确保通用基础具有长期活力，并可以继续支持多模式通用主义AI的研发和发展。

General-Bench评测基准：一张多模态通才的超级考卷具有通用评估标准和数据集，还需要一个开放透明的排名列表来介绍每个模型的评估结果和排名。这正是该项目的排行榜系统。

为了平衡评估的全面性与参与阈值之间的平衡，排行榜设计为多Scope Leaderboard设计：全模态通才到子技能通才。

不同的范围等同于不同范围和困难的子排名，使具有不同能力的模型可以表现出自己的优势，从“全能冠军”到“单一能力竞争”。这不仅可以确保顶级通才模型具有竞争全能冠军的舞台，而且还允许普通模型选择合适的范围来参与比较，从而降低了社区参与的门槛。

多层次的榜单Scope分层解耦机制（Scope-A/B/C/D）：“全模式通才”争夺电力。

这是最困难，最广泛的主要列表：参与的模型必须通过一套通用基础的完整集进行测试，即对所有受支持的模式和所有类别任务的完整评估。

Scope-A旨在选择真正的Scope-A: 全谱英雄榜，以在全面而复杂的情况下测试其全面的力量。

全能型的多模态基础模型：“单态通才”竞赛。

Scope-B包括几个订阅者，每个都有Scope-B: 模态统一英雄榜或有限的模态组合。

具体而言，Scope-B划分出7个并行列表：其中4个是单式模态列表（例如纯视觉，纯语音，纯视频，纯3D），而其他3个是模态组合列表（例如跨模式组合，例如图像+文本，视频+文本）。

参与模型仅需要特定模态来完成多任务评估，并且不涉及其他模式的数据。

在所选模态范围内：“段落能力”小组比赛。

Scope-C进一步将评估细分为两个范式：Scope-C: 理解/生成英雄榜和理解类任务，并在每种模式下分别设置排名。具体来说，在图像，视频，音频和文本的模式中，每个列表都有两个列表，“理解能力列表”和“生成能力列表”，共有8个列表。

Scope-C评估强调了生成类任务的转移能力：例如，模型在视觉理解列表中表现良好，这意味着它具有在视觉分类和检测等各种理解任务之间共享知识的能力；视觉生成列表上的高分意味着它在各种一代任务中具有一般能力（描述，绘图）。

由于任务范式范围的限制，Scope-C的资源需求较低（三星难度），因此它非常适合具有同一模态内跨任务范式或有限资源的团队。

轻量级模型：“细分技能”竞技场。

这是粒度最好和参与阈值最低的列表。 Scope-D根据特定技能或任务类型在一般基础上进行任务，每个子类别分别构成列表。

例如：“ Visual问答（VQA）列表”，“图像字幕生成列表”，“语音识别列表”，“ 3D对象检测列表”等。每个列表涵盖了一组紧密相关的任务。

参与模型可以在Scope-D: 技能专长榜提交结果，从而将它们与最狭窄区域的其他模型进行比较。

这种技能列表机制鼓励模型逐步发展：首先实现单点技能的最终，然后逐渐挑战更广泛的多任务和多模式评估。

在文章的末尾可以看到排行榜链接。

只针对某一类技能为了促进社区参与，通用项目提供了清晰的Leaderboard参赛指南：提交流程与公平评测机制和严格的Leaderboard参赛流程。

无论是学术研究团队还是工业实验室，您都可以根据以下步骤将开发的多式联模型提交给排行榜：

公平性保障机制首先，基于模型能力，选择适当的排行榜范围（范围）和特定列表ID。

选择列表后，从官方链接下载与列表相对应的近距集合数据。

这是一个仅包含输入的测试数据，1.选择榜单与下载评测数据用于正式评估。

该官员还提供了一个开放开发集（开放设定数据），用于调试和开发，可用于在列出列表之前在本地测试模型输出格式。

不公开标准答案获得封闭的测试集后，使用该模型在本地推理并生成相应的输出结果。

应该注意的是，每个列表可能包含多种任务类型，并且提交的结果文件应严格遵循官方格式和目录结构。请确保参考官方详细信息2.本地运行模型推理，以在提交之前确认格式要求。

一旦整理出输出结果，请将其命名为“ [模型名称] - [列表ID] .zip”以上传。

提交文档在排行榜网站的提交门户中将上述结果ZIP文件上传。同时，您需要填写一些3.提交结果并填写信息（例如型号名称，参数刻度，简介等）和联系电子邮件，以便组织者的背景可以正确处理结果。

如果您想更多地接触模型，团队还可以选择在提交结果后披露模型的详细描述或技术报告，以便社区可以理解模型的亮点。

必要的模型信息提交结果后，系统将在背景中评分模型输出，包括计算每个任务指标并将其汇总为一般级别等级分数。

由于封闭测试集的答案和评分脚本在后台秘密地运行，因此提交者无法直接知道未发表的数据的答案，从而确保评估的公平性。

评估完成后，排行榜页面将实时更新：新型号将出现在相应的列表中，显示诸如模型名称，模态类别，每个模式下的分数以及总分，等级级别和提交日期之类的信息。这样，提交者和公众都可以立即在排名上看到模型的4.等待评测与查看榜单。

排名列表支持按等级或分数排序，清楚地确定哪些模型已达到3级，4级和其他协作级别的水平。

为了确保排行榜评估名次和段位，该项目还制定了一系列规则和限制：

公平性和权威性：排名中使用的所有数据集均已封闭，该模型为封闭测试，这是通过协议约束和数据监视严格实现的。

同时，由于它是封闭式评估，因此模型开发人员在提交结果之前无法获得正确的答案，从而从根本上确保了结果的可信度。

不得使用这些测试数据进行训练或调优：每个用户最多在24小时内提交2次，并在7天内最多4个结果。当先前的提交审查尚未完成时，不允许新提交。

这些措施有效地消除了使用提交机会来扭转标准答案或过度安装封闭设置的可能性，避免反复反复试验和错误投机，并保持排名的严重性。

限频提交：所有模型提交都在组织者的统一评估环境中评分，以确保在统一评测环境下进行不同模型的比较。

不管模型使用的框架或推理加速度如何，最终结果均以相同的索引系统进行测量，并根据常规级算法转换为等级得分，以便可以直接进行水平比较。

通过上述过程和机制，通用级排行榜为研究人员提供了相同标准的舞台。

在这里，可以客观地测试新模型算法，并在同一阶段与行业中现有方法进行竞争。同时，封闭式评估还确保结果的可信度，使排名列表成为开放且公平的数据点。

公认权威截至目前，排名列表包括100多个多模式的结果，并根据一般级别的标准揭示了他们的座位能够取得成功的能力。

在发布的第一批封闭组评估列表中，每个模型均为排行榜现状：代表模型段位分布与社区反馈。

从排名看，不同的等级已经开始显示梯队的分布。

整体表现差异悬殊，甚至颠覆大家对常见的多模态大模型的能力排位的认知级别2等级模型在排名列表中的比例最高，包括重量级封闭源模型，例如GPT4-V，以及其中包括大量其他常用的开源模型。

这些模型比支持任务更好，涵盖了几乎所有评估任务，但Level-2（无协同）。因此，它们被一般级别评为2级通才，只能被视为“实质上有资格”的水平。

值得注意的是，尽管GPT4-V和其他人是顶级商业模型，但并未专门针对评估任务进行优化，也没有反映协同的收益，而得分并不加路。

相反，一些开源模型已经通过多任务培训全面开花，并且加入了2级等级，例如种子式，统一，统一- io等。该层次模型的主要功能在极少在任何任务上超越单项SOTA分布，单式态状态的平均得分频段大约在10-20点左右，并且在10-20点上大约在10-20点上，并且仍然是高度的改进，以进一步改善表演。

当前的首次第三名在2级中是：Unified-IO-2-XXL，AnyGPT和Next-GPT-V1.5。

图片模态在此级别收集的多模式大型型号远小于级别2。他们在几个任务上击败了专业模型，显示了协作学习带来的表现飞跃。

2024年以后的许多新型号已晋升为此列表，包括开源SA2VA-26B，LLAVA-ONE-VISION-72B和QWEN2-VL-72B系列。这些模型通常具有Level-3（任务协同），并且经过了大规模的多模式和多任务训练，因此在某些基准测试上超过了传统的单任务SOTA结果。

这证明了协同效应的价值：统一的多任务培训使模型可以学习更多的一般表示形式并促进相关任务的绩效。

相反，一些封闭式模型，例如OpenAI的GPT4-O，GPT4-V和Anthropic的Claude-3.5在级别3上的表现不佳。

3级模型的总体平均得分范围的比较

Level-2继续降低，这表示本Level更加困难的得分情况。Level-4（范式协同）达到此段位的模型目前仍属凤毛麟角。

据Leaderboard显示（截止评测日期24年12月），仅有极个别模型被评为Level-4，如体量巨大的Mini-Gemini、Vitron-V1、Emu2-37B等原型开源模型。这些模型在跨范式推理上有所突破，兼具卓越的理解与生成能力，并能将两者融会贯通。例如Mini-Gemini模型在图像理解和生成两方面均取得领先，其在Leaderboard的范式协同评分上名列前茅。 Level-4段位的出现，意味着离真正的跨模态推理AI又近了一步。不过当前Level-4模型的平均分非常低。这揭示了构建范式全面协同AI的巨大挑战：要兼顾多模态的理解与生成并取得双重突破，非常不易。Level-5（全模态总协同）这一段位至今依然是空缺状态，没有任何模型能够达成。这并不意外，因为要在所有模态和任务上都超越专家并同时提升语言智能，目前来看超过了现有技术的能力范围。 General-Level团队推测，也许下一个里程碑将来自“多模态版”的GPT-5，它们有可能首次展现全模态协同的苗头，从而改写Level-5无人问津的局面。不过在那一天到来之前，Leaderboard上Level-5位置还将继续空悬，也提醒着我们距离真正的AGI依然有不小的距离。当前Leaderboard的推出在AI研究社区引发了热烈反响。许多研究者认为，这样一个统一的、多维度的评测平台正是多模态领域所急需的：它不仅规模空前（覆盖700+任务）、体系完整（有等级有分项），而且公开透明，为业界提供了共同进步的参照。在社交媒体和论坛上，大家对排行榜上的结果展开讨论：有人惊讶于开源模型Qwen2.5-VL-72B竟能击败许多闭源巨头，证明开源社区的潜力；也有人分析GPT-4V在复杂视听任务上的短板，探讨如何弥补。 Leaderboard的数据还被用来指导研究方向：哪些任务是多数模型的薄弱项，哪些模态结合尚未被很好解决，一目了然。可以预见，随着更多模型加入打榜，排行榜将持续更新，这不仅是一场竞赛，更是在不断积累宝贵的科研洞见。 General-Level评测框架与其Leaderboard排行榜的推出，标志着多模态通才AI研究进入了一个新阶段。正如作者在论文中所期望的那样，该项目构建的评估体系将成为坚实的基础设施，帮助业界更科学地度量通用人工智能的进展。通过统一标准的段位评测，研究者可以客观比较不同模型的优劣，找出进一步提升的方向；通过大规模多任务的Benchmark，可以全面考察模型在不同领域的能力短板，加速发现问题并迭代改进。这一切对于推动下一个世代的多模态基础模型、乃至朝真正的AGI迈进，都具有重要意义。更可贵的是，General-Level项目秉持开放共享的态度，欢迎社区广泛参与共建。无论您是有新模型方案，还是手头有独特的数据集，都可以参与进来：提交模型结果上榜，与全球顶尖模型一决高下；或贡献新的评测数据，丰富General-Bench的任务多样性。每一份数据集的加入，都会在官网主页获得鸣谢并在技术报告中被引用。 https://generalist.top/ https://generalist.top/leaderboard https://arxiv.org/abs/2505.04620 https://huggingface.co/General-Level

重要赛程！5月17日央视5套直播时间表！附CCTV5、CCTV5+节目表

### 29岁CBA巨星被郭士强关注，归化基本成定局！今晚大概率夺得FMVP 今天（5月17日）晚上，CBA总决赛第五场要开打了，广厦男篮在主场迎战北京首钢。广厦现在只差一场胜利就能拿到队史第一个冠军了，全国球迷都在期待这个历史性时刻。广厦男篮信心满满，觉得自己能在主场结束战斗。反观北京首钢，已经连输三场，信心有点被打击了，核心外援杰曼和陈盈骏状态也不好，很难和广厦抗衡。目前CBA官方发布的FMVP排名显示，北京首钢的球员基本没戏了，因为一旦丢冠就无缘评奖。广厦这边，小巴里·布朗、胡金秋和孙铭徽排在前三，但孙铭徽和布朗差距有点大，所以FMVP很可能在布朗和胡金秋之间产生。布朗现在领先，只要他今晚发挥正常，帮广厦夺冠，FMVP基本稳了。 29岁的布朗正处于职业生涯的巅峰期，他不仅在CBA表现出色，还在NBA发展联盟、德甲联赛和澳大利亚联赛打过球。现在他成了中国男篮归化的头号目标。郭士强特别关注他，甚至在总决赛期间还到现场看他比赛。布朗在总决赛第三场曾单场砍下44分，表现特别出色。中国篮协已经启动了归化球员的相关程序，布朗不仅能力出众，还符合篮协的归化标准，归化他的可能性很大。据国内记者报道，郭士强正在推动归化布朗的流程，总决赛结束后可能会有重大进展。布朗符合篮协、男篮教练组提出的所有条件，加上他和郭指导的师徒关系，以及很可能加冕CBA联赛的FMVP，这让关于他的归化看起来水到渠成，从目前种种迹象显示，基本上成为定局，总决赛结束后相信会有更重大的进展。今晚8点，中超联赛第13轮迎来一场焦点战，泰山队客场挑战海港队。赛前，泰山队并不被看好，但其实他们很有机会赢下这场比赛。首先，崔康熙执教泰山队以来，虽然表面上从未赢过海港，但其实有些比赛虽败犹荣。比如上赛季第6轮，泰山队在伤病满营的情况下，一度3-1领先，最后只以3-4惜败。第21轮，崔康熙因病缺席，泰山队仅以0-1告负，比赛结果还有争议。足协杯决赛的情况就更复杂了，但总体来说，崔康熙并没有真正输给海港。其次，泰山队最近好消息不断。5月8日，俱乐部明确支持崔康熙继续执教，随后泰山队4-2击败浙江队，状态回升。此外，右后卫缺员问题也有望解决，高准翼和张驰随队出征。反观海港队，状态起伏不定，主力门将颜骏凌受伤，中卫蒋光太状态欠佳，中前场缺乏清晰战术。最后，这场比赛对双方都非常重要，被称为“9分战”。如果泰山队获胜，积分将追平海港；如果海港队获胜，泰山队可能被云南玉昆反超。李源一和王大雷都需要在这场比赛中证明自己，相信他们会全力以赴。综合来看，泰山队在这场比赛中具备较强的求胜欲望和底气。说这是一场“9分战”，盖因目前联赛积分榜上，排名第四的海港（少赛一轮）只比第五的泰山多3分。泰山若胜，则双方积分相同（23分）；反之，海港胜，只领先第6名云南玉昆2分的泰山队，就有可能在下一轮被对手反超。 5月16日，NBA西部半决赛第六场，掘金主场119-107击败雷霆，把系列赛拖入抢七。这场比赛，掘金展现了强大的韧性。约基奇砍下29分14篮板8助攻的全能数据，穆雷带病作战贡献25分，替补奇兵斯特劳瑟末节独得15分，帮助球队逆转获胜。反观雷霆，亚历山大4犯离场，杰伦·威廉姆斯表现低迷，年轻球队的经验不足暴露无遗。赛后，掘金释放出三大必胜信号。首先，主帅阿德尔曼强调球队学会了在绝境中寻找解药，G6比赛中掘金在末节稳扎稳打，成功逆转。其次，掘金替补席表现出色，合力砍下27分，而雷霆替补仅得12分，差距明显。最后，掘金在比赛中减少了失误，成功限制了雷霆的快攻得分，这种“以慢制快”的战术将成为G7的关键。掘金在G7中拥有两大优势。一是经验，约基奇生涯7次抢七胜率高达66.7%，季后赛经验丰富。二是阵容深度，掘金的“双核驱动”和“双保险战术”在G6中发挥出色，即便穆雷和波特带伤作战，球队仍能通过三分球压制对手。反观雷霆，过度依赖亚历山大的单打，战术单一，且缺乏稳定的第三得分点。 G7比赛将于5月19日凌晨3:30进行，掘金凭借经验和阵容深度的优势，剑指晋级。而雷霆则需要提升三分效率，减少犯规，发挥年轻球员的冲击力，才有机会逆天改命。经验与深度才是季后赛的终极答案。而雷霆的失利，则为年轻球队敲响警钟——想要登顶，光有天赋远远不够。G7的硝烟即将升起，究竟是掘金“老炮”再下一城，还是雷霆“青春风暴”逆天改命？5月19日凌晨3:30，答案揭晓！