BoNian🦇🔊

Research&Investment

[Andrej Karpathy @karpathy]

We'll be spending a lot more time trying to understand the outputs of language models. A few thoughts, tips & tricks:

Writing. Something I've had success with: Ask your LLM to explain something in ASD-STE100, it's a controlled language specification originally developed for aerospace maintenance documentation. LLMs well-versed in this language and it comes with heavy constraints on clean writing style that I often find a lot more readable. Sometimes I've tried to soften it a bit e.g. ask for "80% of the way to ASD-STE100" because the spec is quite stringent. But even better:

Diagrams / images. Instead of writing, ask your LLM to create a diagram. These can be a lot easier to process, parse, and understand. But even better:

Web pages. Ask for output "in HTML" to get a beautiful, interactive webpage. LLMs are getting really good at frontend and can create beautiful experiences, animations, etc. But even better:

Explainer videos. The output format I am most bullish on is fully custom / bespoke explainer videos generated on any arbitrary topic. Experiment with things like "Create a 3b1b style video explainer on X. Use my ElevenLabs API key for audio narration". (you'd need an API key for the latter or you can ask your LLM to find you decent free alternatives that use your local compute). This is actually starting to work!

In summary:
- As LLMs get better, they will do more and more of the legwork autonomously, and a lot more of our work will rise up the abstractions into oversight and understanding.
- Luckily, LLMs can help here too because as intelligence and code are increasingly abundant, you can ask for large, custom, discardable software artifacts (e.g. web apps, video explainers) that would have never made sense to create before. Push the boundaries here and you'll be surprised.

[余温 @gkxspace]

https://t.co/GJXnawJpS2

[govin.eth | G哥 @goan999999]

Codex 6 Astra 一定要去优化，非常重要！

Openai 官方昨天指出，你升级到 Astra 后，以前给 Codex 写的 AGENTS.md、Skills 和旧规则，已经开始拖慢它了，还多消耗token

先给他这段提示词，让 Astra 审查：

“审查当前项目的 AGENTS.md 和 Skills，找出过宽的 Skill 触发、无关文档强制读取、重复检查、冲突规则，以及频繁要求确认的指令。逐条告诉我问题和最小修改建议，先不要改文件。”

看完结果后，再让它配置：

“根据刚才的审查结果优化 AGENTS.md 和 Skills。缩小 Skill 触发范围，删除无关文档读取，合并重复检查，解决冲突规则，并减少低风险任务中的无意义确认。保留安全边界、敏感操作确认和必要测试。修改完成后列出具体改动”

最后用一个简单任务测试一下啊：

“修复 README 里的一个拼写错误，只读取完成任务真正需要的文件，不要加载无关文档。”

如果它还在读一堆没用的东西，说明旧规则还没清干净。
模型升级了，规则也得一起升级。

赶紧配置吧，也分享给你的朋友们！

[eric provencher @pvncher]

https://t.co/iDl6I25AQu

[加密狗 @jiamigou]

https://t.co/VPofntOx4g

[诺鸭船长3 @noahduck283]

看完感觉codex白用了

这种文章越早看越好，无痛培养高效习惯，越到后面越懒得学😂

[大漂亮| C Labs @giantcutie666]

用大白话解释一下SEC的山寨币新规：

4年融资500万美金以内的小项目，只要求项目方披露白皮书

如果可以提供半年报并接受审计，那每年就可以融资7500万美金

如果能顺利通过，山寨季就来了😜

[ARK Invest @ARKInvest]

Tesla May Not Need China Anymore

Key Points👇
00:00 - China Merger
6:33 - Merger Timing
8:00 - AI Costs
12:00 - Market Winners
20:36 - AI Hardware
24:03 - Physical Premium

[a16z crypto @a16zcrypto]

Stablecoins are increasingly being spent by card swipe.

Crypto payment cards have gone from a novelty to more than $750 million in monthly spend. These cards let people pay with crypto anywhere traditional card networks are accepted. Behind the scenes, the crypto — stablecoins, overwhelmingly — gets converted to local currency at the point of sale, so the payments look like any other card transactions to merchants.

Crypto cardholders don’t require a traditional bank account. Depending on the program, users either deposit stablecoins with a card issuer, or hold them directly onchain through self-custody. Crypto cards expand people’s access to U.S. dollar accounts globally, and they offer a convenient way for stablecoin holders to transact.

[Feng Liu @fishkiller]

感觉这个统计有人之前做过。但是每次这样的研究读起来，感觉都是惨痛的。

总结来说就是：

- Carlos （作者）追踪了 2020 年至 2025 年间，流通市值曾突破 5000 万美元的 1972 个代币。数据很惨烈：自突破该市值门槛起，这些代币的后续跌幅中位数竟高达 97%。

- 从跑赢比特币的几率来看，情况同样惨烈。截至 2026 年 6 月，仅有 4.1% 的代币表现优于 BTC（这就是文章标题的来源，1/24，二十四分之一)；若将范围缩小至交易满两年的代币，该比例更是低至 1.7%。

- 即使在 2020 至 2021 年的超级牛市中，那些曾一度跑赢 BTC 的代币也有 86% 最终暴跌逾 90%。

这确实是为什么加密货币失去吸引力的原因（试想，若投资普通股票会面临 97% 的亏损风险，投资者恐将避之不及。）

[Arena.ai @arena]

Qwen3.8-Max by @Alibaba_Qwen has reshaped the cost-performance Pareto frontier in Frontend Code Arena, with pricing of $2 per input MToken and $6 per output MToken.

Top models on the Pareto frontier:
- Claude-Opus-5
- Kimi-K3
- Qwen3.8-Max
- GLM-5.2
- DeepSeek-V4-Flash

Congrats to @Alibaba_Qwen on another major milestone!

[Max For AI @MaxForAI]

提示：

现在全世界大部分模型都进入了DeepSeek斩杀区

能力差、价格贵的只能等着被斩杀了🫡

[ali @waterloo_intern]

https://t.co/aivc7B4A7Z

[viet @0xvietnguyen]

Crypto Project Shut Down 2026 - Present

[Rui @YeruiZhang]

以前币圈的大大小小的“对接交易所资源”，FA和投资人都转型做SPV贩子了……

西方为首的是某家永亏基金，从上到下都在做，OAI，Kaishi，polymarket啥热卖啥。

东方就是一堆以前喜欢朋友圈恭喜XXX融资上币的气氛组，最近全在卖Deepseek和Kimi……

[Arena.ai @arena]

Big news: Kimi-K3 by @Kimi_Moonshot is now #1 in the Frontend Code Arena with 1679 pts, surpassing Claude Fable 5.

This is a 17-place jump from Kimi-k2.6 (#18 -> #1).

In Frontend, Kimi-K3 ranked #1 in 6 of 7 domains: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Simulations, and Content Creation Tools, landing #2 only in Gaming behind Fable 5.

The full model weights will be released by July 27.

Congrats to the @Kimi_Moonshot team on this major milestone!

[Serena 木瓜 @369Serena]

Serenity 火了以后，很多人第一反应是去抄作业。

但其实我们可以给 Codex 它装上这些投资类 Skills 和 AI 投研框架后

它可以变成一个股票研究助理：

帮你拆产业链、读财报、看情绪、查风险、做估值、写反方报告，甚至把策略拿去回测。

先收藏这 5 个 GitHub 项目!
别让 AI 直接替你买股票，先让它帮你把研究做扎实。

1️⃣ UZI-Skill⭐ 2.4K

中文投资者最值得先看的一个!

它把 A股、港股、美股分析做成了一套完整流程：深度分析、陷阱排查、龙虎榜、投资大佬评审团、22维数据、180条量化规则。

适合拿来做个股初筛、风险排查和中文市场研究。

GitHub：
https://t.co/1Dq2yXMLhq

2️⃣ TradingAgents⭐ 83.7K
GitHub 上最火的 AI 金融交易框架之一。
它把一个投研团队拆成多个 Agent：基本面分析、情绪分析、新闻分析、技术分析、研究员、交易员、风控团队。

如果你想看看“AI 投研团队”到底怎么协作，这个项目最有代表性。

GitHub：
https://t.co/N0VMCVroA9

3️⃣ Serenity Skill⭐ 731

最近 X 上讨论很多的投资 Skill。

它复用 Serenity 的核心研究路径：从热点出发，拆产业链，找供应链瓶颈，再回到股票和基金方向，检查公告、财报、客户、产能和风险。
适合研究 AI 半导体、CPO、机器人、算力、电力设备、创新药这类“产业链很长、信息很乱”的方向。

GitHub：
https://t.co/YGgiXR6aZr

4️⃣ Buffett Skills⭐ 512

这个 Skill 适合在你心动之前泼一盆冷水。

它会逼你检查：

这家公司是不是好生意？
有没有护城河？
现金流可靠吗？
管理层可信么？
价格有没有安全边际？

适合长期投资者做质量审查。

GitHub：
https://t.co/pDMtWc6LTB

5️⃣ QuantDinger ⭐ 7.4K

一个更完整的 AI 量化交易工作台。

它覆盖从 AI 研究、策略代码、回测、模拟盘，到实盘执行和监控的完整链路。

如果你不满足于“让 AI 分析股票”，想把想法变成策略并验证，QuantDinger 更适合继续研究。

GitHub：
https://t.co/cZqOdURO5u

别让 AI 替你买股票。

让 Codex 替你拆产业链、读财报、查证据、找风险、写反方报告、做回测。

这才是普通投资者最该抄走的用法。
#codex #skills #Serenity

[XinGPT🐶 @xingpt]

美光今天爆涨，核心原因之一是UBS把美光的评级估值直接调高到目标价 $1635！

所以我仔细看了一下UBS今天对美光大幅上调评级的报告原文，核心是估值方法的变化。

UBS此前对美光采用的是SoTP分部加总，按照P/S倍数估值。
它把美光拆成两块：HBM业务和核心DRAM+NAND业务。HBM因为受益AI服务器需求、增长更快，给更高倍数，按照2027年收入约278.9亿美元、6倍P/S估值，对应每股约132美元；核心DRAM+NAND按2027年收入约1,877亿美元、3倍P/S估值，对应每股约405美元。

两部分相加，得到原目标价535美元。这个方法的隐含逻辑是：美光仍是强周期存储公司，只是其中HBM业务更优质，所以分开给不同收入倍数。（图 1）

现在UBS改用整体P/E估值，把目标价从535美元上调到1,625美元。新方法是用约15倍NTM P/E，锚定2029年EPS约117美元，并用约12%的股权成本折现回2028年。

UBS选择2029年EPS，是因为它认为到那时模型已包含一轮温和的存储下行周期，如果美光届时仍能赚超过100美元EPS，就说明这不是单纯周期高点盈利，而是更接近“穿越周期的盈利能力”。（图 2）

估值方法转变的核心原因是LTAs，也就是长期协议。

UBS认为，新一轮增强型LTA不只是锁定出货量，还包括3到5年期限、固定量承诺和部分固定价格机制。它估计2027年行业DDR出货中约20%到30%会被这类协议覆盖，美光约20%，hyperscaler已锁定行业Server DDR5约60%到70%的量。这样一来，美光的收入和利润可见度提高，DDR价格峰谷波动可能被压低约一半。

所以，UBS的判断是：美光不再只是靠存储价格周期上行赚钱的公司，而是因为AI需求和长期锁价锁量协议，盈利稳定性被系统性抬高。

因此估值框架从“分部收入倍数”切换为“整体盈利倍数”。核心变化就是从“HBM单独重估”升级为“美光整体重估”。

[Serenity @aleabitoreddit]

All right chat, crowdsourcing your #1 highest conviction (10x only) stock long for the Power Semi trade.

Especially given $NVDA pushing shift to 800 VDC.

Stuff like $NVTS or $WOLF, but high-beta, 10x potential only. Anywhere around the world.

What's your pick?

[Rui @YeruiZhang]

近期出现的主动做市商们，新加坡圈像是武当，融汇百家之长，擅长抱团，通常一个项目参与的同行多达十几个，吸筹点火出货各有人选，听总舵主发号施令。香港圈像是少林，几个大的各自为战，不给同行一点可乘之机。