Kings

Ph.D. Candidate of Autonomous Driving & Computer Vision & AI ...

[看不懂的SOL @DtDt666]

兄弟们，我做了个网站，https://t.co/Fz9WNMisQN

没想到访问量就今天突破1万+了

其实没啥高大上的，就是把我这些年自己定投的思路整理了一下，做成几台投资计算机，自动算出现在该买多少。

根据我自己主要投资标的：BTC、黄金、纳指100、标普500、还有国内支付宝上那些美股主动基金设计。

先说为啥做这玩意。

我之前定投，全凭感觉。
市场跌了，慌，不敢买。
市场涨了，怕错过，追进去。
结果可想而知，高买低卖，反着来。

后来我想，能不能搞个打分系统，让数据告诉我现在该买多少，而不是让情绪决定。

就这么简单一个想法。

BTC这台计算机，我看七个东西。
AHR999、MVRV、200日均线偏离度、恐惧贪婪指数、矿工Puell倍数、Reserve Risk、算力丝带。每个单独看都没啥用，合在一起，大概能告诉你现在是不是该多买点。

黄金这台，核心融入了，美元指数和实际利率。

DXY低于96利好黄金，TIPS实际利率低于0%极度利好。

其他的VIX、MACD、RSI、季节性因子也放进去。

回测下来，2015年到2026年，策略DCA总回报232%，普通定投194%。

纳指100这台相对复杂，12个维度，PE、PB、MACD、RSI、布林带、VIX、美债收益率、AAII情绪指数。

回测年化12.38%，普通定投10.63%。

标普500加了席勒CAPE和行业轮动等数据因子，标普 500 就不多介绍了，目前作为底层资产定投，不择时，不看价格，规划好资金即可。

说到这，肯定有人要问了，纳指标普是好，但国内普通人怎么买。

坦率的讲，对大多数人来说，支付宝买纳指ETF和标普ETF，就是最优解。

门槛低，打开支付宝就能买，简单。

但有个问题，限额。

支付宝上的纳指ETF，很多每天只能买100块、300块，多了买不了。

对于想多投点的人来说，这点额度塞牙缝都不够。

所以我做了另一个板块，专门整理支付宝上那些美股主动型基金。

我筛了一遍，把那些长期跑赢了纳指100的主动基挑了出来，年化收益多少、最大回撤多少、具体持仓是什么、重仓了哪些股票、基金经理是谁、管理费多少，全都列出来了。

一目了然。

适合小白。你不用懂什么PE、PB，不用看K线，就看一个表，哪只基金长期跑赢了指数，投哪个就行。

当然，主动基有风险。基金经理会换，风格会漂移，规模大了业绩可能下滑。

所以我把这些风险也标出来了，不是只给你看收益，回撤、波动率、夏普比率，全都放一起。

你一看就知道，这只基金是真的很能打，还是只是运气好。

但说实话，我最花时间的不是这些指标，是风险控制。

BTC仓位不超过总资产20%，黄金不超过20%，标普500 最为底层基础35%， 另外 25% 分配到纳指和主动型基金。

单周最大3倍基础金额，连续高评分自动降档，回撤30%暂停一天修正定倍投值指标。

为啥？因为我自己吃过亏。

2020年3月那种全球熔断，什么模型都得跪。但你不能因为这个就不做风控。风控不是让你不亏钱，是让你亏的时候少亏点的同时让你做好资金规划。

网站上还有个懒人组合板块，我挑了十个全球常见的配置方案，2017到2025年回测，年化6%到15%。不用复杂操作，照着配就行。

我觉得这才是真正的为兄弟着想。不是给你一堆图表让你自己琢磨，而是直接告诉你，按这个配置，长期下来大概是什么结果。

说到这个，我其实挺感慨的。

我以前也觉得，投资嘛，就是要研究透，要看得懂财报，要会技术分析。

后来我发现，大多数人根本没那个时间，也没那个能力。你让一个上班族每天下班后研究K线，这不现实。

所以我把复杂的东西封装成简单决策。

评分78，今天投 规划自己的1. 56倍。就这么简单。

它不是让你变聪明，是让你别犯傻。

网站地址 https://t.co/Fz9WNMisQN，感兴趣的兄弟们可以去看看。

[Joruno @wsl8297]

GitHub 上有一份把大模型算法“画出来”的学习资源：LLM-RL-Visualized。用 100+ 张高质量架构图，把 LLM 到 RL 的关键技术链路拆开讲清楚，让抽象概念直接变成可视化流程。

从大模型基础结构、训练范式，到强化学习与对齐方法，复杂算法不再靠脑补：每一块都配图拆解，按图索骥就能快速建立完整认知框架。

GitHub：https://t.co/WLm7QCRw1r

你会学到：

- LLM 结构与训练全流程：从组件到数据流的可视化解析
- 强化学习算法图谱：PPO、DQN、MCTS 等核心方法一图读懂
- 对齐技术拆解：RLHF、DPO 等关键路径与机制图解
- 微调技术可视化：SFT、LoRA 等原理与训练流程清晰呈现
- 免训练优化方法：RAG、CoT 等策略的结构化图解
- 配套《大模型算法》书籍：图 + 文双线理解，学习更稳更系统

所有图均提供 SVG 矢量格式，可无限缩放、适合二次整理与复盘。想系统掌握大模型技术栈，这份资源值得直接收藏。

[Akshay 🚀 @akshay_pachaar]

CPU vs GPU vs TPU vs NPU vs LPU, explained visually:

5 hardware architectures power AI today.

Each one makes a fundamentally different tradeoff between flexibility, parallelism, and memory access.

> CPU

It is built for general-purpose computing. A few powerful cores handle complex logic, branching, and system-level tasks.

It has deep cache hierarchies and off-chip main memory (DRAM). It's great for operating systems, databases, and decision-heavy code, but not that great for repetitive math like matrix multiplications.

> GPU

Instead of a few powerful cores, GPUs spread work across thousands of smaller cores that all execute the same instruction on different data.

This is why GPUs dominate AI training. The parallelism maps directly to the kind of math neural networks need.

> TPU

They go one step further with specialization.

The core compute unit is a grid of multiply-accumulate (MAC) units where data flows through in a wave pattern.

Weights enter from one side, activations from the other, and partial results propagate without going back to memory each time.

The entire execution is compiler-controlled, not hardware-scheduled. Google designed TPUs specifically for neural network workloads.

> NPU

This is an edge-optimized variant.

The architecture is built around a Neural Compute Engine packed with MAC arrays and on-chip SRAM, but instead of high-bandwidth memory (HBM), NPUs use low-power system memory.

The design goal is to run inference at single-digit watt power budgets, like smartphones, wearables, and IoT devices.

Apple Neural Engine and Intel's NPU follow this pattern.

> LPU (Language Processing Unit)

This is the newest entrant, by Groq.

The architecture removes off-chip memory from the critical path entirely. All weight storage lives in on-chip SRAM.

Execution is fully deterministic and compiler-scheduled, which means zero cache misses and zero runtime scheduling overhead.

The tradeoff is that it provides limited memory per chip, which means you need hundreds of chips linked together to serve a single large model. But the latency advantage is real.

AI compute has evolved from general-purpose flexibility (CPU) to extreme specialization (LPU). Each step trades some level of generality for efficiency.

The visual below maps the internal architecture of all five side by side.

👉 Over to you: Which of these 5 have you actually worked with or deployed on?

[宝玉 @dotey]

作者画的这图效果挺好，不过好像没提供提示词，我仿照着写了一个 GPT Image 2 的提示词模板：
> 请创作一张关于「【数学概念/知识点】」的数学可视化信息图，目标是帮助读者直观理解：它是什么、为什么成立、几何/结构直觉是什么、在不同场景下如何表现。画面要像高质量数学讲义 + 手绘教育海报，优雅、清晰、信息丰富，但不要杂乱。
>
> 视觉风格：竖版或横版均可，干净的浅色纸张背景，深蓝标题，黑色/深灰正文线条，搭配少量优雅的蓝色、青绿色、金色、红色强调色。使用圆角卡片、细线边框、编号标签、手绘箭头、局部放大框和总结栏。整体要美观、平衡、有学术感，让人一眼看懂这个概念的“结构”和“为什么”。

[墓碑科技 @mubeitech]

Google 刚刚悄悄开源了一个用来“预测未来”的 AI。
名字叫 TimesFM。

专门盯着时间序列数据。
能算什么？
超市下周的销量、下个月的股票走势、网站明天的峰值流量。
全靠 1000 亿个真实世界数据点硬喂出来。
而且是 Zero-shot，拿到陌生数据直接出结果，免训练。

最新更新的 2.5 版本才是真正的狠活。
参数量直接从 500M 砍到了 200M。
连一半都不到。
但上下文处理长度从 2048 一口气拉爆到了 16k。

大厂不再只盯着几千亿参数的巨兽。
这种能跑在小设备上算账的专用小模型，才是真正的商业杀器。
AI 正在把精准预测的门槛踩碎。

[Geek Lite @QingQ77]

RetainPDF：PDF 保留排版翻译工具

上传 PDF，一键拿到保留原始排版的中文译文。

https://t.co/3K04Exf5N0

[meme @oooodjdjd]

这个绝对是我用过最好的简历编辑器！！！必须安利！
https://t.co/jHUIjp3bbs
1.使用非常方便，不用下载
2.简单直接高效，没有任何广告
3.生成的效果简洁而明了

支持自定义主题和深色模式，写完直接导出 PDF，数据全部存在本地浏览器里，不用担心隐私泄露

我没有收广告费的哈，确实是真的很好用
没有任何乱七八糟的广告
这点就比大多数在线编辑的好用多了

我也是发了个红包，支持这个开发团队
后面希望他们能继续保持这种便捷高效
一定不要放一堆广告什么的啊

[金尘马 @jinchenma_ai]

最近好多小伙伴问，我文章里这样的简笔画插图是怎么做出来的，分享一下我的方法。

1. 装一个宝玉老师@dotey 的生图 skills：https://t.co/ZolORC9wuJ

里面有两个 skills：
baoyu-cover-image 封面生成
baoyu-article-illustrator 插图生成

2. 用claude code，使用插件，@你的文章，让 ai 根据你的文章进行生图。

具体的风格，你可以看宝玉老师文档，可以按需选择。

3. 也可以直接描述，想要什么风格的图片，ai 会自动去找到合适的风格生成提示词。

比如，我这篇的插图，我就是这么描述的：

/baoyu-article-illustrator @文章.md 我想对文章生成插图，风格采用简笔画，要简洁，稍微有一点色彩，不要花里胡哨，每一幅图都包含一个金句。比例是16:9。

这样，ai 会自动根据你文章内容，分段构建图片。

当然，你也可以手动描述，图片里要什么元素，要呈现什么内容。一般我会在生成封面图的时候，自己主动描述一下，来保证封面图达到自己想要的效果。然后封面图的比例一般是 2.35:1，这个要指明。

4. 我没有配置生图 api，因为我都是用生图软件的免费积分，所以我会再加上一句：直接生成提示词保存在文件里即可。

5. 用生成好的提示词，到 https://t.co/qg0BVtEaIp 上 @lovart_ai nano banana pro。每天会有 80 积分，一个账号能免费生成6幅图，准备一两个账号就足够一天的用量的。（lovart 团队抱歉了😂）

6. 如果某一套图的风格你特别喜欢，你可以让ai把这套图的风格总结成一段通用风格提示词，下次再生图，可以直接让ai根据这段风格提示词来生成同样风格的图片了。

我这套简笔画的通用风格提示词我放在评论区，需要的自取。

[露西的百宝箱 @Lucy_love_AI]

2026年学习AI的最佳YouTube频道（干货）

1. 基础知识 – 3Blue1Brown
2. 深度学习 – Andrej Karpathy
3. AI研究 – Yannic Kilcher
4. 实用AI – AssemblyAI
5. 大语言模型 – AI Explained

6. 机器学习理论 – StatQuest
7. 论文简化版 – Two Minute Papers
8. 生成AI – Matthew Berman
9. AI智能体 – Nicholas Renotte
10. 应用机器学习 – Krish Naik

11. PyTorch – Aladdin Persson
12. 机器学习数学 – Serrano Academy
13. 行业洞察 – Lex Fridman
14. 真实世界AI – DeepLearningAI

[周览资源 @grgerwcwetwet]

图解经典系列：266篇合集：包含易经，风水，道教，奇门，佛学等
🔗：https://t.co/kXyvb3kXTA

[lvwzhen @lvwzhen]

刚刚翻译了《纳瓦尔宝典》作者的新作《埃隆之书》

其中整理了马斯克的公开演讲和博客，赶紧看起来😎

[Dr. Moyu｜摸鱼局长 @Jason23818126]

炒股或玩基金？这个开源 AI 投研工具，大概率帮你多赚点钱。

GitHub 上有个 24.8k Stars 的项目叫 daily_stock_analysis 。它全面支持 A 股、美股和港股，每天自动帮你分析自选股，算好参考点位直接推送到手机。

可以先随手收藏，哪天想用 AI 帮你盯盘了，直接翻出来抄作业。👇

这个项目主要是一段帮你跑数据、定策略的自动化代码，核心就干三件事：

📊 1. 每天发定制研报
把你关心的股票丢给它（直接发持仓截图也能自动识别）。收盘后，它会结合技术面（均线、筹码等）和市场新闻，自动算出一份诊断报告。

💡 2. 给出具体交易计划
它不会泛泛而谈，而是直接输出“进攻/均衡/防守”策略、具体的买卖参考点位，以及操作检查清单。相当于用绝对理性的算法帮你管住手。

📲 3. 零成本全自动推送
不用自己买服务器，直接用 GitHub Actions 设置定时任务。每天固定时间，分析结果会自动发到你的企业微信、飞书或 Telegram。

底层可以接入各种主流大模型（DeepSeek、Claude、Gemini 等），数据源也都是免费公开的接口。

如果想在本地跑带 Web 界面的版本，装好 Docker 后几行命令就能起：
git clone https://t.co/g5kYFiTppG cd daily_stock_analysis
cp .env.example .env
（填入你的大模型 Key 和自选股，基本就搞定了） docker-compose up -d webui

🔗 GitHub 直达：https://t.co/8nB1vh3MJx

链接放上面了，想用 AI 辅助炒股的朋友可以拿去跑跑试试，DYOR。

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

一个链接下载全网视频，GreenVideo这个网站支持40+平台完全免费

粘贴链接→解析→下载，三步完事。GreenVideo是个在线视频下载工具，不用装软件，浏览器打开就能用。
🔗https://t.co/VnKUb7Qlv2

1️⃣平台覆盖很全。国际站：YouTube、Twitter/X、Instagram、TikTok、Facebook、Vimeo。国内站：B站、抖音、快手、微博、小红书、虎牙、斗鱼、知乎、央视。总共40+平台，基本上你能想到的都有。

2️⃣不只是下视频。支持视频、音频、图片三种格式下载，可以选分辨率。做内容二创或者存素材的刚需工具。

3️⃣手机端也能用。安卓用Chrome、iOS用Safari直接访问就行，不需要额外装App。

4️⃣完全免费，没有次数限制。不过这类工具的盈利模式通常是广告，用的时候注意别点到奇怪的东西。

说实话这类视频下载工具网上一抓一大把，cobalt tools、yt-dlp、savefrom都是老牌选手。GreenVideo的优势在于中国平台覆盖比较全（抖音、快手、小红书、B站一个不少），对国内用户更友好。不过要提醒一句：下载的视频版权归原作者，商用有风险。

[看不懂的SOL @DtDt666]

兄弟们。发现一个很好的开源项目，专门教你怎么做 vibe coding，GitHub 上已经有 1.5 万多颗星了。

这个项目最有意思的地方在于，它是用一套哲学框架来讲编程的，分成道、法、术、器四个层次。

道，就是先想清楚你要做什么，确保每一步都有明确的方向。

法，讲的是架构层面的事，模块要独立，接口要先行，整体结构要清晰。

术，聚焦在调试环节，核心思路是拿预期结果和实际结果做比对，然后让 AI 定向去修复问题。

器，说的是工具组合，怎么把 IDE、AI 模型和各种辅助工具搭配到最优状态。

除了这套方法论，它在实操层面也做得很扎实。项目内置了提示词库和可复用的技能模块，拿来就能用。上下文是固定的，AI 不会聊着聊着就忘了项目背景。代码采用模块化设计，干净且容易维护。还有一套递归优化的机制，生成器负责产出，优化器负责打磨，用得越多效果越好。

整体思路就是把 AI 从随意生成代码，变成一个稳定、可用、越用越顺手的开发伙伴。

仓库地址：https://t.co/KR2JIZ6BIL

[看不懂的SOL @DtDt666]

巴菲特推荐过的书（值得反复阅读，附简评）

评分:投资必读的神级💎
《聪明的投资者》 读就完事了
《证券分析》证券分析开山之作
《共同基金常识》买基金必读
《巴菲特致合伙人的信原文》就俩字:必读
《国富论》难读但必读
《怎样选择成长股》巴菲特中后期投资底层逻辑

评分五星:⭐⭐⭐⭐⭐
《我的一生略小于美国现代史》巴菲特红颜知己写的好书
《霍华德马克思历年备忘录》不是书却胜似书
《巴菲特致股东的信》老巴几十年股东信的凝练
《巴菲特致股东的信投资原则篇》跟上面那本不同
《商业冒险》巴菲特推荐盖茨的书
《股市长线法宝第六版》数据控狂喜
《投资最重要的事》老年巴菲特读了两遍
《鞋狗》耐克老板自传非常好看
《IBM帝国缔造者小沃森自传》有血有肉感人至深
《竞争战略》读着费劲但值
《彼得林奇全系列》巴菲特给自家小孩都买了套
《经济学》保罗萨缪尔森版学点基础
《商界局外人》定义什么是神级高管

评分四星:⭐⭐⭐⭐
《管理十诫》可口可乐前总裁管理生涯感悟
《竞争优势》“护城河”概念的剖析
《四十次机遇》对老巴大儿子刮目相看
《杰克韦尔奇自传》相比《赢》故事成分更多
《只有偏执狂才能生存》战略转折点不是点而是线
《危机1932》罗斯福粉丝的好书
《万物简史》非常有趣，钱在宇宙面前就是屁
《费马大定理》高中毕业了就能看懂
《跳着踢踏舞去上班》以为是鸡汤其实硬核
《富甲美国》沃尔玛，老头子一辈子要强
《投资圣经-巴菲特的真实故事》177万字，巴菲特粉丝向
《散户至上》在监管角度谈如何保护散户
《超级金钱》投资中的怪人怪事幽默
《金钱游戏》上本姊妹篇
《客户的游艇在哪里》幽默风趣，业内人的自嘲
《劝说集》凯恩斯的书，这本好读
《投资的艺术》凯恩斯的合伙人信，值得一读
《就业，利息和货币通论》只有第十二章能读懂
《1929年大崩溃》他山之石
《大🐮市1982-2004》好看
《在不确定的世界》高维度看市场
《投机的艺术》作者活了105岁
《大而不倒》金融机构与监管救援中的博弈
《赌金者》赢了天才输了蠢货
《房间里最精明的人》安然，论管理层人品有多重要
《沃伦巴菲特的CEO们》伯克希尔哈撒韦旗下经理们
《压力测试》监管市场机构的博弈
《3g资本帝国》百威大股东发家史
《正在爆发的股权战争》包含格雷厄姆等人的信件非常精彩
《亿万救援》老巴最新推荐的书，意情期间美联储的决策
《源代码》比尔盖茨青少年时期自传内容轻松愉快值得一读

[Frank Nielsen @FrnkNlsn]

"High-Dimensional Data Analysis with Low-Dimensional Models" by Wright & Ma

🆓 PDF https://t.co/aGvUyZcRRd

Preface by Candes: "we learn that most of the mass of a high dimensional sphere is concentrated not just around the equator ... but around any equator!"

[Tom Yeh @ProfTomYeh]

I built Multi-Head Attention in Excel because I wanted to understand how it works. It helped me — now it can help you too. 🔽 Download: https://t.co/jRAZGlq4OG

[Tom Yeh @ProfTomYeh]

I built Multi-Head Attention in Excel because I wanted to understand how it works. It helped me — now it can help you too. 🔽 Download: https://t.co/jRAZGlqCEe

[暖暖爱AI @nuannuan_share]

一图看懂全球金融市场逻辑

[暖暖爱AI @nuannuan_share]

Deepseek--Prompt框架全解析🔥