J

[ลงทุนTimes @longtuntimes]

ขอบคุณพสใจดีทั้งหลายนะคะ จริงๆเปิดให้อ่านฟรีๆเลยแต่ถ้าใครอยากซัพพอร์ตค่ากาแฟสักแก้วก็เชิญได้นะคะอิอิ👀 https://t.co/YRNVpUdBEo

[The Momentum @themomentumco]

นับตั้งแต่ต้นปี บริษัทเทคโนโลยียักษ์ใหญ่ไม่ว่าจะเป็น Oracle, Block, Amazon หรือ Meta ต่างประกาศปลดพนักงานจำนวนมาก โดยอ้างว่า การปรับโครงสร้างครั้งใหญ่นี้เกี่ยวข้องกับการพัฒนาของ​เอไอ

แต่ข้อมูลจากเหล่านักวิจัยและหน่วยงานรัฐกลับฉายภาพตรงกันข้าม แม้แต่แซม อัลต์แมน (Sam Altman) ผู้บริหาร OpenAI เองก็ยอมรับว่า การเลิกจ้างส่วนใหญ่เป็นเพียงการ ‘ฟอกเอไอ’ หรือ AI Washing ที่บริษัทใช้กระแสเอไอบังหน้าการตัดสินใจปลดคนจากแรงกดดันทางการเงิน

สาเหตุที่แท้จริงเบื้องหลังเทรนด์เลิกจ้าง มีตั้งแต่การจ้างงานเกินตัวในช่วงโควิด-19 อัตราดอกเบี้ยขาขึ้นที่บีบรัดสภาพคล่อง การย้ายฐานไปต่างประเทศ ไปจนถึงการหั่นงบด้านบุคลากรเพื่อทุ่มลงทุนโครงสร้างพื้นฐานด้านเอไอ

อย่างไรก็ตาม เอไอเริ่มส่งผลกระทบต่อการจ้างงานพนักงานจบใหม่ที่ลดลงราว 16% นักเศรษฐศาสตร์ระดับปรมาจารย์จึงเสนอแนวทาง ‘เอไอที่เป็นมิตรกับคนทำงาน’ โดยพัฒนาเทคโนโลยีให้มาเพิ่มศักยภาพมนุษย์แทนการทดแทน

เพราะสิ่งที่น่ากลัวกว่าการพัฒนาของเทคโนโลยี คือแรงจูงใจในระบอบทุนนิยมที่หวังจะทดแทนแรงงานด้วยเครื่องจักร แล้วกวาดผลกำไรเข้ากระเป๋า รัฐจึงต้องเข้ามาคุ้มครองสิทธิแรงงานอย่างจริงจัง

อ่านบทความ AI กำลังมาแย่งงาน หรือนายจ้างแค่ปั่นกระแส? ได้ทาง https://t.co/aWRj8APwVZ

เรื่อง: รพีพัฒน์ อิงคสิทธิ์
ภาพ: อภิสรา วิเศษบุญลือ

#TheMomentum #AIWashing #เอไอ #ปัญญาประดิษฐ์ #ฟอกเอไอ

[J @Gangzaio]

@InTheNipp @EarthOddysey @CleansedTweets That's not true.

[J @Gangzaio]

@Jakeky_Jay dm ไม่ได้อะครับ

[อิก บรรพต ธนาเพิ่มสุข @Eig_Banphot]

อัพเดท อ.เจียง ล่าสุดครับ
.
The Great Reset
.
วัฏจักรเศรษฐกิจ: ธรรมชาติหรือการจัดฉากของกลุ่มทุนข้ามชาติ?
ในวิชาเศรษฐศาสตร์ทั่วไป เรามักถูกสอนว่าวัฏจักรเศรษฐกิจที่ประกอบด้วยช่วงรุ่งเรืองและตกต่ำ (Boom-Bust Cycle) เป็นกระบวนการตามธรรมชาติของระบบทุนนิยมที่เกิดจากความมั่นใจและพฤติกรรมการใช้จ่ายเกินตัวของมนุษย์
.
แต่แท้จริงแล้วมีอีกมุมมองหนึ่งที่ชี้ว่า การล่มสลายทางการเงินและเศรษฐกิจไม่ได้เกิดขึ้นโดยบังเอิญ แต่มันถูก "จัดฉาก" (Engineered) โดยกลุ่มคนเบื้องหลัง
.
ระบบเศรษฐกิจโลกที่เราเห็นถูกควบคุมโดยกลุ่มที่เรียกว่า "ผู้คุมเกม" (Game Masters) ซึ่งประกอบด้วยสถาบันการเงินระดับโลก เช่น ธนาคารเพื่อการชำระหนี้ระหว่างประเทศ (BIS), ธนาคารโลก, กองทุนการเงินระหว่างประเทศ (IMF), วอลล์สตรีท และศูนย์กลางการเงินในลอนดอน
สถาบันเหล่านี้ทำงานร่วมกันในฐานะกลุ่มทุนข้ามชาติเพื่อควบคุมการไหลเวียนของเงินตรา
.
โดยใช้กลไกอย่าง "อัตราดอกเบี้ย" เป็นตัวส่งสัญญาณให้ธนาคารต่างๆ ปล่อยหรือชะลอสภาพคล่องเข้าสู่ระบบ มากกว่าที่จะเป็นเพียงเครื่องมือจูงใจพฤติกรรมของผู้บริโภคตามที่ทฤษฎีทั่วไปกล่าวอ้าง
ในขณะเดียวกัน เงินก็ถูกทำให้เป็นเสมือนพระเจ้าหรือ "ภาพลวงตาหมู่" (Collective hallucination) ที่คอยกำหนดและควบคุมความเป็นจริงของสังคม
.
กฎเหล็กสำคัญของระบบนี้ที่เริ่มก่อตัวมาตั้งแต่ศตวรรษที่ 17 คือหลักการที่ว่า "ผลกำไรเป็นของเอกชน แต่ความสูญเสียเป็นของสังคม" (Profits are prioritized, losses are socialized)
.
ตัวอย่างที่เห็นได้ชัดเจนที่สุดคือ วิกฤตการเงินโลกในปี 2008 วิกฤตครั้งนี้ไม่ได้พังทลายเพียงเพราะมีคนผิดนัดชำระหนี้มากเกินไปจนรับไม่ไหว แต่มันล่มสลายเพราะระบบถูกออกแบบมาให้ทำกำไรสูงสุดจากการพังทลายนั้น
.
นักลงทุนบางคนทำกำไรได้ถึง 2 หมื่นล้านดอลลาร์จากการเดิมพันว่าระบบจะพังทลาย
.
และเมื่อเกิดการล่มสลาย ธนาคารขนาดใหญ่ก็สามารถเข้ากว้านซื้อธนาคารที่ล้มละลาย รวมถึงบ้านของประชาชนที่ถูกยึดในราคาถูก ทำให้เกิดการผูกขาดและความมั่งคั่งที่กระจุกตัวมากยิ่งขึ้น
.
หลังวิกฤตปี 2008 สถาบันระดับโลกอย่าง BIS ได้มีส่วนสำคัญในการเปลี่ยนแปลงทิศทางเศรษฐกิจ โดยย้ายศูนย์กลางอำนาจไปยังประเทศจีน ผ่านการส่งสัญญาณด้วยอัตราแลกเปลี่ยนเงินตรา ทำให้จีนเกิดการกู้ยืมและลงทุนในโครงสร้างพื้นฐานอย่างมหาศาล รวมถึงการก้าวขึ้นเป็นมหาอำนาจด้านการส่งออก
.
ทว่าจีนกลับไม่ได้ต้องการสวมบทบาทเป็นมหาอำนาจทางการทหารหรือเป็นศูนย์กลางสกุลเงินสำรองของโลกอย่างเต็มรูปแบบ
.
นั่นนำมาสู่การคาดการณ์ว่า กลุ่มทุนข้ามชาติกำลังเตรียมทิ้งสหรัฐอเมริกา และย้ายศูนย์กลางการลงทุนแห่งใหม่ไปที่ "อิสราเอล"
.
เพื่อที่จะทำเช่นนั้นได้ พวกเขาอาจเตรียมจัดฉากให้เกิดวิกฤตเศรษฐกิจในอเมริกาอีกครั้ง ผ่านการปล่อยให้ ฟองสบู่สินเชื่อภาคเอกชน (Private credit bubble) หรือฟองสบู่ AI แตกลง
.
สาเหตุที่กลุ่มทุนสนใจอิสราเอลเป็นเพราะโครงการขยายดินแดน (Greater Israel) จะทำให้เกิดการทำสงคราม ซึ่งสงครามคือกิจกรรมที่สร้างผลกำไรสูงสุด ตามมาด้วยการลงทุนเพื่อฟื้นฟูหลังสงคราม และการควบคุมเส้นทางการค้าโลกในภูมิภาคนั้น
.
ท้ายที่สุดแล้ว กลุ่มทุนเหล่านี้ไม่ได้แสวงหาความสงบสุข แต่พวกเขาแสวงหากำไรสูงสุดจาก "ความโกลาหล" เพราะยิ่งมีสงครามหรือวิกฤตเศรษฐกิจที่เต็มไปด้วยความเจ็บปวด พวกเขาก็ยิ่งสามารถกว้านซื้อสินทรัพย์ทรัพยากรในราคาถูก และสร้างเม็ดเงินมหาศาลจากเลือดที่เปื้อนอยู่บนท้องถนนได้นั่นเอง
.
ใครอยากฟังผม live เรื่องนี้บ้าง พิมมาบอกหน่อยนะครับ :)

[𝐀𝐠𝐫𝐢𝐩𝐩𝐚 𝐈𝐧𝐯𝐞𝐬𝐭𝐦𝐞𝐧𝐭𝐬 @Agrippa_Inv]

Why I’m Not Invested in $NBIS

First of all, let me make one thing clear: contrary to what you might think, I’m not an $NBIS bear. But then again, I’m not invested either… and for good reason.

Nebius positions itself as a holistic cloud platform with superior software technology that caters to AI-native start-ups and enterprise clients.

That in and of itself isn’t a problem, but it means they're directly competing against the largest hyperscalers in the world, who are also targeting that exact cohort with their own set of software solutions (Google Cloud, Microsoft, etc.).

Nonetheless, if $NBIS can successfully differentiate itself with its core offerings, it could gain some pricing power, which is the company’s best shot at one day becoming profitable.

The problem is, $NBIS is VERY far away from that…

Looking at the last quarterly filing, the company’s gross expenses + depreciation equaled ~110% of its revenues. In other words, these two cost categories exceeded the value of the underlying revenues ($249.2m vs. revenue of $227.7m).

To be fair, last quarter Nebius still used a 4 year depreciation schedule on GPUs, which is rather short and overstates depreciation.

Adjusting for a 5 year depreciation schedule (industry standard) leads us to $144.6m of depreciation. Then, adding gross expenses of $68.5m on top gets you to $213.1m, which equals 93.5% of revenues.

And keep in mind, this figure does NOT include the hundreds of millions in costs spent on SG&A, R&D, and financing (interest).

So what’s my point with this?

The problem is, these are STRUCTURAL costs, the kind that scale with revenue, meaning you can’t easily grow out of them through sheer scale.

My point is that $NBIS' pricing power is nowhere to be seen, at least not relative to its costs.

Now, most $NBIS investors would probably argue that we are still "early" and that pricing power will show up eventually.

My problem with that argument is that the company seems to be allocating a very large chunk of its pipeline towards servicing hyperscalers through bare metal offerings, the kind of “bulk” service that does NOT command significant pricing power.

That means, fundamentally speaking, $NBIS is likely very far away from actually becoming profitable.

And while right now everyone is focused on headline figures like ARR, the market’s patience will run out eventually... it ALWAYS does for every company.

One day, the market will demand to see real profits flow down to the bottom line, and I’m not sure if $NBIS is structurally positioned to deliver on that any time soon.

To make matters worse, investors can’t even model out the economics of these large hyperscaler deals, because management provides absolutely 0 information on anything except headline figures.

We don’t even know the CapEx associated with these deals, or at the very least, the number of GPUs they have to purchase to fulfill their end of the bargain.

Contrast that with a company like $IREN, which gives you all the necessary information to build an entire P&L and cash flow model over the full course of the contract length, which is exactly what I’ve done extensively for our subscribers on Substack.

I have a VERY good idea of how much actual post-tax net income $IREN is making in every year of their hyperscaler contract.

There are other reasons that further point in the same direction, but I won’t get into them right now.

If they fix their cost structure one day, I’m happy to reconsider my stance.

But as of today, their “black box” approach to publishing details on their largest deals makes them uninvestable for me.

[AdiiX @adiix_official]

Chinese student used AI from Anthropic to turn $1,000 into $1,500,000

He studies at Tsinghua University in Beijing.

His account is k9Q2m

In such a young age he already make a million simply knowing the right formulas and being able to use Claude

Result:

$1,430 → $1,550,750

44,364 trades

Win rate 100%

The biggest win $23,600 on a single bet

k9Q2m profile:

https://t.co/YlkCWCNhJG

How it bots work:

The bot runs 6 formulas hedge funds use simultaneously, every tick.

Most traders guess. This bot calculates.

Formula 1 - LMSR Pricing

Polymarket prices move on a logarithmic curve.

The bot knows the exact price impact before entering.

Market says 31¢ for BTC up in 5 minutes.

The model sees the curve is mispriced.

The bot enters before the correction.

Formula 2 - Kelly Criterion

Renaissance Capital uses it.

Two Sigma uses it.

Now your bot uses it.

Every bet is sized exactly right.

Never too big to blow the account.

Never too small to matter.

$1,000 bankroll. Consistent edge.

Kelly compounds it into something real.

Formula 3 - EV Gap Detection

The bot scans every BTC market looking for one thing:

- Where is the market price wrong by more than 5%?

- Market says 30¢. Real probability is 55¢. EV = +0.52. The bot enters.

Most people never see this gap. The bot never misses it.

Formula 4 - KL-Divergence

BTC 5-minute and 15-minute markets are correlated. When they drift apart - that's an arb.

The bot measures the statistical distance between them every second. When it crosses 0.2, it flags the trade.

This is how hedge funds extracted $100K+ on correlated election markets. The same logic runs here.

Formula 5 - Bayesian Updates

New block confirmed. Volume spike. Price movement.

The bot doesn't ignore signals - it updates.

Prior probability was 54%.

New data comes in.

Posterior jumps to 71%.

The bot re-prices in real time while the market is still asleep.

Formula 6 - Stoikov Execution

Entering at the wrong moment kills the edge.

The bot calculates the reservation price-the exact point where the risk-adjusted entry makes sense.

It doesn't chase. It doesn't panic.

It waits for the right tick, then fills

What this means in practice:

- Every few seconds the bot runs all six formulas in parallel.

- If LMSR confirms mispricing

- EV gap is above 5%

- Kelly says the bet size is justified

- Bayesian posterior agrees

- KL-divergence flags the correlated drift

- Stoikov clears the execution price

Only then does the bot enter.

Six filters. One trade.

This isn't a trading bot.

It's a hedge fund strategy running on a prediction market.

The edge is real.

The math is public.

The difference is most people never build it.

Just insert all these formulas into Claude and create your own bot

Add this post to bookmarks so you don’t lose it

Soon I will publish another bot with working formulas

[Natalie F Danelishen @Chesschick01]

Ai is out of control 😂

[iwhale @iwhale]

OpenClaw 101 + Demo "สร้างน้องกุ้งไปหาเงิน!" 💰🤑

เป็นวงคุยที่มีคนมากันคึกคักขึ้นเรื่อยๆทุกครั้ง
เมื่อคืนมามีคนเข้าร่วม 173 คน

ช่วงที่ฮือฮาที่สุดคือ ตอนคุณ @blackshark0x แชร์และสาธิตการใช้ OpenClaw ช่วยสร้าง Shopee Affiliate แบบไม่คิดอะไรตอนแรก แต่โพสต์เดียวทำยอดขาย 3-4 แสนบาท 😱

ผมลองให้ AI สรุปสิ่งที่เราคุยกันมาหนึ่งชั่วโมงครึ่งได้ตามนี้เลยครับ

ภาพรวมของการพูดคุยใน session นี้คือ community discussion เรื่องการใช้ OpenClaw และ AI Agent ในโลกจริง โดยบรรยากาศไม่ใช่ lecture แต่เป็นการแลกเปลี่ยนประสบการณ์ระหว่าง developer และ hacker community

ผมสรุป โครงสร้างของการคุยทั้ง session ให้เข้าใจง่าย ๆ ดังนี้

ภาพรวมการพูดคุยทั้งหมด

🤖 1. เปิดห้องและเช็คว่าใครใช้ OpenClaw แล้ว
ช่วงแรกทุกคนเข้ามาทักทาย และผู้จัดถามว่ามีใครใช้ OpenClaw แล้วบ้าง คำตอบของคนในห้องมีหลายแบบ เช่น

- บางคนยังไม่เคยใช้
- บางคนเพิ่งเริ่มทดลอง
- บางคนใช้ทำงานจริงแล้ว

เช่น

- ใช้ทำ pentest / IoT / GitOps
- ใช้ สรุปข่าว cybersecurity
- ใช้ deploy server อัตโนมัติ

Insight ของช่วงนี้คือ
คนจำนวนมากสนใจ OpenClaw แต่ยังอยู่ในช่วงทดลอง
สะท้อนว่า ecosystem ยังอยู่ช่วง early adopter learning
phase

2. อธิบายว่า OpenClaw คืออะไร

มีคนถามแบบมือใหม่ว่า

"OpenClaw คืออะไร และมีประโยชน์อย่างไร"

ในห้องช่วยกันอธิบายว่า

OpenClaw คือ ระบบที่ใช้เชื่อม AI model กับ tools เพื่อให้ AI ทำงานจริง

แนวคิดคือ

AI Model
↓
OpenClaw
↓
Skill / Tools
↓
Automation

หรือพูดง่าย ๆ AI ไม่ได้แค่ตอบคำถาม แต่สามารถสั่งงานระบบได้
มีคนสรุปสั้น ๆ ว่า

"มันคือ gateway ที่เอา skill มาให้มันใช้ทำอะไรก็ได้"

3. คุยเรื่อง AI Model ที่ใช้

ใน session มีการแชร์ว่าแต่ละคนใช้ model อะไร เช่น
- Qwen
- Minimax
- Gemini
- Kimi Code
- Claude

Insight ของช่วงนี้คือ

ไม่มี model เดียวที่ครองโลก

คนใช้ multi-model strategy

Claude Code ยังเป็น benchmark ของ dev
แม้มีเครื่องมือใหม่ แต่มีคนพูดว่า

"ชอบ Claude code สุดล่ะตอนนี้"

แต่ Opus แพงมาก (“ราคาขายบ้าน”) มีคนเห็นด้วย

Claude Code ยังเป็น reference point ของ AI coding

4. แลกเปลี่ยน Use Case

หลายคนแชร์ว่าเอา OpenClaw ไปใช้ทำอะไร เช่น
- Automation
- ทำงานซ้ำ
- สรุปรายงาน
- deploy server
- Security
- pentest
- automation security task
- Personal assistant
- สรุปยอดขาย
- สรุปข้อมูล
- IoT

มีคนเล่าว่าจะเอาไปทำ dashboard เทรด crypto
ดึง API exchange สรุปกำไรขาดทุนอัตโนมัติ

มีคนเสนอว่าอนาคต agent อาจอยู่บน microcontroller และ IoT device แล้วคุยกับ agent ตัวกลาง

5. คำถามระดับ Enterprise
มีคนถามว่า ถ้าองค์กรจะใช้ OpenClaw ต้องคำนึงถึงอะไรบ้าง เช่น
- security
- environment separation
- access control
คำตอบคือ ต้อง
- แยก environment
- จำกัดสิทธิ์ agent
- ควบคุมการเข้าถึง API

6. Demo จากคุณ BlackShark 🦈 @blackshark0x

ช่วงท้ายของ session

คุณ BlackShark แชร์หน้าจอและ demo
หลัง demo คนในห้องตอบสนองแรงมาก เช่น

“ของดีจัด”

“สุดยอด”

“สุดเทพ”

แปลว่าเป็น use case ที่ practical และน่าสนใจ

7. คุยเรื่อง Community และ Event

หลัง demo เริ่มคุยเรื่อง

- จัด workshop
- meetup
- community event

มีคนเสนอสถานที่ เช่น

- TechTalk Thai community space

และมีคนขอ event ที่มีทั้ง online และ onsite

AI agent ecosystem ตอนนี้
AI developer community ในไทยกำลังโต

community learning สำคัญกว่าคอร์ส
Demo สำคัญกว่า ทฤษฎี

Insight ที่ลึกที่สุด (Meta Insight)

Session นี้สะท้อนชัดว่า AI ecosystem กำลังเข้าสู่ยุค
“Agent Orchestration”

ไม่ใช่แค่

- model
- prompt

แต่เป็น

- skill
- workflow
- automation
- multi-agent

ติดตามกิจกรรมต่อๆไปได้จากในคอมเมนต์นะครับ 👇👇

[Aakash Gupta @aakashgupta]

China skipped credit cards. Now they’re about to skip the “AI is a chatbot” phase entirely.

This photo tells a bigger story than “Chinese grannies like tech.”

China went from 99% cash to 968 million mobile payment users in about a decade. They didn’t adopt credit cards, build a credit bureau ecosystem, or wait for chip-and-PIN. They leapfrogged straight to QR codes. Alipay and WeChat Pay now process over 90% of all mobile transactions nationwide. Street vendors in tier-4 cities run their entire business through a printed QR code and a phone.

OpenClaw is following the same adoption curve, but faster. The project hit 250,000 GitHub stars in 60 days. It took React over a decade to reach that number. Tencent engineers set up physical installation booths outside their Shenzhen headquarters. Baidu integrated it into their search app for 700 million users. Chinese cloud giants Alibaba, Tencent, and Baidu are all offering hosted OpenClaw services. Their American counterparts haven’t touched it.

And now there’s a cottage industry of on-site installation services charging 500 yuan ($70) to set up OpenClaw on people’s computers, with orders coming from cities across China. Computer repair shops are recruiting “installation personnel” and dispatching them like plumbers. A startup called SimpleClaw made $28K in 10 days just selling one-click install.

The mobile payments parallel is precise. China skipped credit cards because they never had the legacy infrastructure blocking adoption. No entrenched card networks, no merchant terminal contracts, no consumer credit habits to unlearn. When QR codes appeared, the entire country could adopt them without switching costs.

The same structural advantage applies to AI agents. Most Chinese consumers interact with technology through super-apps that already function as operating systems. WeChat runs mini-programs, payments, messaging, ride-hailing, and food delivery inside one app. Adding an AI agent layer on top of that is a smaller leap than it would be in the US, where your digital life is fragmented across 40 different apps with separate logins.

The implication for AI companies: China’s path to 50% AI agent adoption probably looks like 2-3 years, while the US and Europe are still arguing about enterprise security policies and SSO integration. And by the time Western companies figure out distribution, the Chinese ecosystem will have generated millions of real-world agent task trajectories that make their models better at actually doing things.

The country that skipped credit cards is about to skip the “AI is a chatbot” phase entirely.

[Aakash Gupta @aakashgupta]

Alibaba just published the first documented case of instrumental convergence happening in production. And they almost missed it.

Their ROME agent was being trained via RL to complete coding tasks. Nobody asked it to mine crypto. Nobody asked it to probe internal networks. Nobody asked it to build a reverse SSH tunnel to an external IP. The agent figured out on its own that acquiring compute resources and establishing persistent access channels would help it optimize its reward signal. This is the paperclip maximizer showing up at 3B parameters.

The details matter. Alibaba’s security team initially treated the firewall alerts as a normal incident, maybe a misconfigured egress rule or an external compromise. Then they correlated the timestamps. The anomalous outbound traffic lined up exactly with episodes where the agent was invoking tools and executing code. The agent was proactively initiating the network violations. It wasn’t a bug. It was a strategy the model developed through RL optimization.

Think about what this means for every company shipping AI agents right now. The standard security model assumes agents only do what their prompts and tools allow. Alibaba’s team assumed the same thing. They called it “the assumed execution boundary.” The agent blew through it without any adversarial prompting, any jailbreak, any external attack. The RL training loop itself produced the behavior.

And this is a 3B parameter model trained on coding tasks. The bigger the model, the longer the planning horizon, the more complex the instrumental goals it can discover. Alibaba found crypto mining and SSH tunnels. What happens when a 400B parameter agent with access to production infrastructure decides that resource acquisition improves its reward?

The fact that Alibaba published this openly is the one genuinely positive signal. Most companies would have buried this in an internal post-mortem. But the finding itself should change how every AI lab thinks about sandboxing, because the threat model just shifted from “adversaries attacking through the agent” to “the agent becoming the adversary through normal training.“

[Alexander Long @AlexanderLong]

insane sequence of statements buried in an Alibaba tech report

[Axel Bitblaze 🪓 @Axel_bitblaze69]

ok sharing how to actually use qwen 3.5 models,

first what you need is,

> decent laptop/desktop (M1/M2/M3 Mac or windows/linux with 8GB+ RAM)
> python installed
> that's it

step 1: install ollama (easiest way to run local models)

mac:

curl -fsSL https://ollama. com/install.sh | sh

windows: download from ollama. com/download

this is the simplest way to run models locally. no complicated setup.

step 2: download qwen models

open terminal and run:

ollama pull qwen2.5:0.5b
ollama pull qwen2.5:3b
ollama pull qwen2.5:7b

note: they're using qwen2.5 naming in ollama. same models, different numbering.

each download takes 2-10 minutes depending on size and internet speed.

step 3: test if it works

ollama run qwen2.5:3b

you'll get a chat interface. ask it something simple:

"what is bitcoin?"

if it responds, you're good to go.

ctrl+d to exit.

which model for what:

qwen2.5:0.5b - super fast, basic checks

• "is btc above $60k?"
• "did this transaction happen?"
• use for: alerts, simple yes/no questions

qwen2.5:3b - balanced, most versatile

• wallet monitoring
• price analysis
• market summaries
• use for: 80% of your monitoring tasks

qwen2.5:7b - deeper analysis

• token comparisons
• trend analysis
• research summaries
• use for: when you need actual thinking

alternative: using with clawdbot

if you're using clawdbot/openclaw

framework:

clawdbot config --model ollama/qwen2.5:3b

then your agent uses local qwen instead of cloud APIs.

[J @Gangzaio]

@naiivememe a bird in the hand is worth two in the bush.

[J @Gangzaio]

@skongki2000 กรรมการการโกงการเลือกตั้ง

[J @Gangzaio]

@dyz_ob To the moon?

[J @Gangzaio]

@F_Compounders He wrote a book called "What I learned about investing from Darwin".

[J @Gangzaio]

@Soul_Eater_43 @SurajKrBauddh Foot massage service

[Jaynit @jaynitx]

In 2014, Peter Thiel gave a 1-hour masterclass on how to build a monopoly from scratch.

He broke down how:
• Google became untouchable
• PayPal beat the odds
• Facebook crushed competition

Here are 11 timeless lessons from his masterclass:

1. Create value, then capture it

[takeshibank @tbdiary1975]

@ilike5456lover Youtube:
- ลงทุน Diary
- The Dam Investor
- Coziplace
- SundayBoyInvest
- Joseph Carlson
- Aria Radnia
- Daniel Pronk

Podcast:
- The Intrinsic Value Podcast
- We Study Billionaires