我們在2024年底買了一間投資房，也成功在2025出租出去，開始有房租收入，所以今年報稅的時候，就要注意一下投資房應該怎麼報稅。


投資理財

職場

閱讀書評

以行動支持創作者！付費即可解鎖

Yi-Ling Chen的沙龍

收入

投資

房屋

報稅

管理

房產

虧損

投資房如何報稅？

之前我曾在「如何用 TurboTax 報 RSU ？」這篇文章裡面分享過如何報RSU的稅，避免被重複課稅，後來換了新公司，公司一樣有提供RSU，2025開始發放，所以今年報稅我特別注意，然而卻發現方式略有不同。


國際

稅款

證券商

資本利得稅

股票

RSU 報稅更新

如果在美國有工作，公司會幫忙開設 401k 帳戶，做為日後退休用。401k 帳戶有存入上限，2023 年上限是 $22500，不過其實401k 帳戶可以存入的上限遠遠不止於此。

Mega Backdoor for Roth

年前公司宣布破產，解雇了大部份的員工，我也包含在內，今年我成功找到新工作，開始上工，第一件要做的事就是處理之前的 401k (退休帳戶)。

如何處理前公司的 401k 帳戶？

我時常用 Kobo 閱讀器來看電子書，在閱讀的過程中，我會順手把看了有感覺的句子標註起來，另外我也會用 Notion 來記錄我的閱讀清單，我想利用程式自動把 kobo 閱讀器裡的標註段落(Highlights)匯入到 Notion 裡，該如何做呢?

學習

創作

懶人病發作，每次要整理筆記還要跑程式好懶啊，而且還要手動整理到章節下才是完整筆記。
所以我做了一個網站，可以直接讀取 Kobo 硬碟然後直接顯示章節和筆記，工具網址是：https://kobo-up.runawayup.com/

使用方法是：
1. 插上 Kobo 到電腦
2. 用 Chrome 或 Edge 瀏覽器打開網址 https://kobo-up.runawayup.com/ 
3. 點網站中紫色的上傳框框，選擇 Kobo 外接硬碟，按上傳。

這樣就完成，能看到自己的所有書本和筆記了！

這個網站解決我的痛點是：
1. 顯示所有的書籍和筆記，不用一個一個點匯出
2. 筆記會排到書本的章節標題下，不會全部混在一起
3. 不用寫程式、不用打開隱藏檔，只要選擇 Kobo 外接硬碟就可以用了！

如果有 Bug，或是想要更多功能，請直接告訴我，網站底部有聯絡方式～

軟體開發

如何把連接 Kobo 閱讀器與 Notion 筆記軟體？

台灣的科技公司會發放股票，美國科技公司發放的則是RSU (Restricted Stock Unit)， 通常會分成數年慢慢發放。跟股票或選擇權不同的地方是，RSU 在發放的時候，會納入當年的所得，所以員工需要先繳一筆所得稅，之後買賣股票的時候，如果有賺的話，又會再產生資本利得稅。

如何用 TurboTax 報 RSU ？

ChatGPT 在去年十一月橫空出世，每個人都驚探於它的能力，AI 也從遙遠的科技成為很多人每天都在使用的工具，但是自從 AI 成為最熱門的話題之後，始終有一群人一直大聲疾呼，我們需要小心發展 AI，另一方面則要提防 AI 被壞人利用，在影片中，Andrej Karpathy 介紹了三種已知的安全漏

科技

This is a 1 hour general-audience introduction to Large Language Models: the core technical component behind systems like ChatGPT, Claude, and Bard. What they are, where they are headed, comparisons and analogies to present-day operating systems, and some of the security-related challenges of this new computing paradigm.
As of November 2023 (this field moves fast!).

Context: This video is based on the slides of a talk I gave recently at the AI Security Summit. The talk was not recorded but a lot of people came to me after and told me they liked it. Seeing as I had already put in one long weekend of work to make the slides, I decided to just tune them a bit, record this round 2 of the talk and upload it here on YouTube. Pardon the random background, that's my hotel room during the thanksgiving break.

- Slides as PDF: https://drive.google.com/file/d/1pxx_ZI7O-Nwl7ZLNk5hI3WzAsTLwvNU7/view?usp=share_link (42MB)
- Slides. as Keynote: https://drive.google.com/file/d/1FPUpFMiCkMRKPFjhi9MAhby68MHVqe8u/view?usp=share_link (140MB)

Few things I wish I said (I'll add items here as they come up):
- The dreams and hallucinations do not get fixed with finetuning. Finetuning just "directs" the dreams into "helpful assistant dreams". Always be careful with what LLMs tell you, especially if they are telling you something from memory alone. That said, similar to a human, if the LLM used browsing or retrieval and the answer made its way into the "working memory" of its context window, you can trust the LLM a bit more to process that information into the final answer. But TLDR right now, do not trust what LLMs say or do. For example, in the tools section, I'd always recommend double-checking the math/code the LLM did.
- How does the LLM use a tool like the browser? It emits special words, e.g. |BROWSER|. When the code "above" that is inferencing the LLM detects these words it captures the output that follows, sends it off to a tool, comes back with the result and continues the generation. How does the LLM know to emit these special words? Finetuning datasets teach it how and when to browse, by example. And/or the instructions for tool use can also be automatically placed in the context window (in the “system message”).
- You might also enjoy my 2015 blog post "Unreasonable Effectiveness of Recurrent Neural Networks". The way we obtain base models today is pretty much identical on a high level, except the RNN is swapped for a Transformer. http://karpathy.github.io/2015/05/21/rnn-effectiveness/
- What is in the run.c file? A bit more full-featured 1000-line version hre: https://github.com/karpathy/llama2.c/blob/master/run.c

Chapters:
Part 1: LLMs
00:00:00 Intro: Large Language Model (LLM) talk
00:00:20 LLM Inference
00:04:17 LLM Training
00:08:58 LLM dreams
00:11:22 How do they work?
00:14:14 Finetuning into an Assistant
00:17:52 Summary so far
00:21:05 Appendix: Comparisons, Labeling docs, RLHF, Synthetic data, Leaderboard
Part 2: Future of LLMs
00:25:43 LLM Scaling Laws
00:27:43 Tool Use (Browser, Calculator, Interpreter, DALL-E)
00:33:32 Multimodality (Vision, Audio)
00:35:00 Thinking, System 1/2
00:38:02 Self-improvement, LLM AlphaGo
00:40:45 LLM Customization, GPTs store
00:42:15 LLM OS
Part 3: LLM Security
00:45:43 LLM Security Intro
00:46:14 Jailbreaks
00:51:30 Prompt Injection
00:56:23 Data poisoning
00:58:37 LLM Security conclusions
End
00:59:23 Outro

[1hr Talk] Intro to Large Language Models

如何攻擊 LLM (ChatGPT) ?

終於看完了進擊的巨人最終章，非常感謝 MAPPA 製作了動畫，補足了很多當初漫畫匆匆結束的疑惑與不滿，我終於能透體會為什麼艾連要發動地鳴。

電影戲劇

<div class="draft-block draft--p left">寫得很好耶！謝謝分享</div>

《進擊的巨人》為什麼艾連要發動地鳴？

最近「How to Do Great Work」很紅，我對這篇文章很有共鳴，覺得這篇文章提到的很多原則可以廣泛的應用在做人做事上，就算我們只是平凡人，沒有野心完成什麼偉大成就，應用這些原則也能確保我們的人生不會徒勞白費。

職場產業

《How to Do Great Work》讀後感

九月第一個星期一是美國的勞工節，原本應該是個快樂的長週末，然而我卻這個週末收到公司通知「因為資金短缺，即日起開始放無薪假」，而我要做的第一件事除了打開 Linkedin 外，當然就是開始申請失業補助。