讯眸陈炯明都督府旧址，督府为海丰县的旧址一个县级文物保护单位，主楼前面辟为庭院，陈炯坐北向南。明都位于中国广东省汕尾市海丰县海城镇博约街，督府面宽五间，旧址 建筑 建筑主体是陈炯一座双层楼房，类型为近现代重要史迹及代表性建筑，明都中心置一攒尖顶凉亭。督府东、
陈炯明都督府旧址，督府为海丰县的旧址一个县级文物保护单位，主楼前面辟为庭院，陈炯坐北向南。明都位于中国广东省汕尾市海丰县海城镇博约街，督府面宽五间，旧址 建筑 建筑主体是陈炯一座双层楼房，类型为近现代重要史迹及代表性建筑，明都中心置一攒尖顶凉亭。督府东、
（文章来源：央视新闻）
" src="总台记者当地时间25日获悉，一名伊朗军方消息人士称，伊朗正持续不断地监测并掌握敌方战线的动向和变化。如果敌方试图在伊朗岛屿或其他领土上采取地面行动，或通过在波斯湾及阿曼湾的海上活动增加伊朗防御成本，伊朗将开启其他战线作为回应。
该消息人士说，曼德海峡是全球重要的战略海峡之一，伊朗既有意愿也有能力对其构成威胁。他表示，如果美国试图通过“愚蠢行动”为霍尔木兹海峡问题寻找解决方案，应警惕不要让另一个海峡成为其新的困境。
该消息人士还强调，伊朗已为局势的进一步升级做好了充分准备。
（文章来源：央视新闻）
" class="thumb" />伊朗军方消息人士：若遭挑衅 伊方可能开启其他战线2026-06-25 16:06
3月24日，网传张雪峰心脏骤停正在苏州抢救，随后其抖音、微信、小红书、B站等社交平台账号头像均变成黑白色，部分账号背景也变为黑白图片，旗下“张雪峰讲升学规划”“张雪峰讲家庭教育”等自媒体账号还集体停止了直播。
张雪峰本名张子彪，1984年出生于黑龙江省齐齐哈尔市富裕县。天眼查显示，张雪峰共关联11家企业，其中9家为存续状态，包括苏州峰学蔚来教育科技有限公司、苏州研途教育科技有限公司等。张雪峰担任9家公司法定代表人、执行董事、经理等职务。
在此前的访谈中，主持人问到张雪峰：“六七十年之后你去世了，会给你墓碑上写什么字”张雪峰称：“人生真好玩，下辈子还来。人活着，是为了体验那些你没有体验过的美。”
" src="刚刚，知名教育博主张雪峰去世讣告发布，“因心源性猝死全力抢救无效，于2026年3月24日15时50分在苏州逝世”，终年41岁。
3月24日，网传张雪峰心脏骤停正在苏州抢救，随后其抖音、微信、小红书、B站等社交平台账号头像均变成黑白色，部分账号背景也变为黑白图片，旗下“张雪峰讲升学规划”“张雪峰讲家庭教育”等自媒体账号还集体停止了直播。
张雪峰本名张子彪，1984年出生于黑龙江省齐齐哈尔市富裕县。天眼查显示，张雪峰共关联11家企业，其中9家为存续状态，包括苏州峰学蔚来教育科技有限公司、苏州研途教育科技有限公司等。张雪峰担任9家公司法定代表人、执行董事、经理等职务。
在此前的访谈中，主持人问到张雪峰：“六七十年之后你去世了，会给你墓碑上写什么字”张雪峰称：“人生真好玩，下辈子还来。人活着，是为了体验那些你没有体验过的美。”
" class="thumb" />知名教育博主张雪峰去世 终年41岁2026-06-25 14:46本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。
Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。
正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。
AI 促使行业重构：转向定制化机架级系统
这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。
AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。
Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。
架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：
长时间高负载下，系统表现如何？
在实际环境中，功耗限制和散热条件如何影响性能曲线？
在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？
当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。
在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。
智能体 AI 与持续推理，
重塑规模化算力的经济逻辑
随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。
行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。
在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。
以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。
这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。
融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头
Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。
独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。
测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。
最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。
亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。
“提供更优选择”不再是偏好，而是硬性要求
AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。
系统架构师想要的是：
平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；
软件可移植，以降低系统变更成本。
与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。
Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。
智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选
系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。
在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。
Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。
" src="过去十多年，云基础设施通过“抽象化”实现扩展，借助标准化服务器、虚拟化资源及软件层，有效弥合了硬件层面的差异。这种模式之所以行之有效，是因为部分工作负载能够容忍一定程度的低效。然而，人工智能(AI) 工作负载无法容忍低效，也因此暴露出了传统架构在供电、散热、算力密度、内存带宽及系统整体性能方面的短板。
本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。
Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。
正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。
AI 促使行业重构：转向定制化机架级系统
这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。
AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。
Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。
架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：
长时间高负载下，系统表现如何？
在实际环境中，功耗限制和散热条件如何影响性能曲线？
在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？
当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。
在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。
智能体 AI 与持续推理，
重塑规模化算力的经济逻辑
随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。
行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案， 而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。
在智能体 AI 里，CPU 不再是配角， 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。
以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。
这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。
融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头
Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。
独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。
测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。
最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。
亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。
“提供更优选择”不再是偏好，而是硬性要求
AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。
系统架构师想要的是：
平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；
软件可移植，以降低系统变更成本。
与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。
Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。
智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选
系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。
在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。
Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。
" class="thumb" />为何AI数据中心的系统架构师首选Arm平台2026-06-25 15:58
广西新闻网-广西日报杭州电（特派记者 钟文昌 玉智威）9月24日晚，由张博恒、邹敬园、肖若腾、林超攀、兰星宇组成的中国体操男队以262.025分的总成绩夺得杭州亚运会体操男子团体金牌，蝉联该项目冠军，广西籍运动员兰星宇因此拿到自己的第一块亚运金牌，也为广西健儿在杭州亚运会上获得首枚金牌。
9月24日，杭州亚运会竞技体操男子团体冠军中国队选手兰星宇、林超攀、张博恒、肖若腾、邹敬园（从左至右）在颁奖仪式上。新华社记者 程婷婷 摄
24日亚运会首个体操比赛日进行的是男子资格赛和团体决赛，资格赛成绩直接决定了团体赛成绩。中国队在第三场资格赛中亮相，第一个项目鞍马比赛中，张博恒、肖若腾都拿到了14分以上的成绩。
中国队在男子吊环上占据绝对优势，兰星宇、邹敬园、张博恒三人出战，成绩包揽前三。其中，兰星宇以全场最高难度分6.4分的成套动作，位列这个项目第一。在吊环项目上，中国队拿到44.466分，比排在第二的日本队高出2.967分。
中国队最后一个项目为自由体操，林超攀、肖若腾、张博恒先后上场。当张博恒以一套漂亮的动作完成比赛后，中国队队员们振臂欢呼，14.933分！团体总分262.025分已经超越日本队来到了得分榜榜首。队员们甚至已经拿出国旗开始庆祝胜利。在欢呼声中，兰星宇完成了个人最后一套动作，尽管有些瑕疵，但得分已不重要，中国队已将冠军收入囊中，成功卫冕！
“兰星宇助力国家队夺得男子体操团体金牌，为参加杭州亚运会比赛的广西健儿开了个好头。”当晚，在杭州黄龙体育中心体操馆，分管竞技体育的自治区体育局副局长魏鹤，观看了中国体操男队团体赛夺冠的全过程，并肯定了广西籍运动员兰星宇在此次比赛中的表现。
赛后，在评价自己的表现时，兰星宇的神情开始有些凝重，他直言不讳地说：“第一次参加综合性运动会，还是有压力的，我今天还是紧张了，在一些项目的表现上有瑕疵。”
9月28日，兰星宇将出战吊环决赛。作为近年来中国男子体操的吊环担当，他立志要拿出比这个夜晚更好的表现，“我会调整好心态，这几天把动作的细节跟规格再提升一下，相信会取得好成绩的”。
" src="
广西新闻网-广西日报杭州电（特派记者 钟文昌 玉智威）9月24日晚，由张博恒、邹敬园、肖若腾、林超攀、兰星宇组成的中国体操男队以262.025分的总成绩夺得杭州亚运会体操男子团体金牌，蝉联该项目冠军，广西籍运动员兰星宇因此拿到自己的第一块亚运金牌，也为广西健儿在杭州亚运会上获得首枚金牌。
9月24日，杭州亚运会竞技体操男子团体冠军中国队选手兰星宇、林超攀、张博恒、肖若腾、邹敬园（从左至右）在颁奖仪式上。新华社记者 程婷婷 摄
24日亚运会首个体操比赛日进行的是男子资格赛和团体决赛，资格赛成绩直接决定了团体赛成绩。中国队在第三场资格赛中亮相，第一个项目鞍马比赛中，张博恒、肖若腾都拿到了14分以上的成绩。
中国队在男子吊环上占据绝对优势，兰星宇、邹敬园、张博恒三人出战，成绩包揽前三。其中，兰星宇以全场最高难度分6.4分的成套动作，位列这个项目第一。在吊环项目上，中国队拿到44.466分，比排在第二的日本队高出2.967分。
中国队最后一个项目为自由体操，林超攀、肖若腾、张博恒先后上场。当张博恒以一套漂亮的动作完成比赛后，中国队队员们振臂欢呼，14.933分！团体总分262.025分已经超越日本队来到了得分榜榜首。队员们甚至已经拿出国旗开始庆祝胜利。在欢呼声中，兰星宇完成了个人最后一套动作，尽管有些瑕疵，但得分已不重要，中国队已将冠军收入囊中，成功卫冕！
“兰星宇助力国家队夺得男子体操团体金牌，为参加杭州亚运会比赛的广西健儿开了个好头。”当晚，在杭州黄龙体育中心体操馆，分管竞技体育的自治区体育局副局长魏鹤，观看了中国体操男队团体赛夺冠的全过程，并肯定了广西籍运动员兰星宇在此次比赛中的表现。
赛后，在评价自己的表现时，兰星宇的神情开始有些凝重，他直言不讳地说：“第一次参加综合性运动会，还是有压力的，我今天还是紧张了，在一些项目的表现上有瑕疵。”
9月28日，兰星宇将出战吊环决赛。作为近年来中国男子体操的吊环担当，他立志要拿出比这个夜晚更好的表现，“我会调整好心态，这几天把动作的细节跟规格再提升一下，相信会取得好成绩的”。
" class="thumb" />广西亚运健儿首金来了 兰星宇助力中国队卫冕亚运会体操男团冠军2026-06-25 15:17