CoinPicker

EE PhD, QMUL • into AI, trading, and dogs 🐶

[huhuhang @huhuhang]

如果你 Codex 的余额很多，可以试试目前 GitHub Trending 排名第一的项目：cloudflare/security-audit-skill

PS: 我们已经试过了。

[Viking @vikingmute]

假如是工程师的想快速提升一下的话 可以看 tailwind.css 作者的 《Refactoring UI》那本书 ，里面大多数都是实操，里面图很多，半天能看完，做做笔记几天就能差不多学习理解完，算是一个捷径：https://t.co/es9mzJ6ZxO
如果想整体提升设计的认知或者对美的感知，那么可以看原推的这本。

[Trackmind @0xTrackmind]

this paper is f*cking insane

real quant trading isn't about predicting the next move, it's about stripping away everything that looks like signal until only what actually works survives.

the framework: kill the noise, then isolate the residual, then stress-test the backtest, then size for survival.

randomness fakes skill easily - a smooth curve can be overfit, a hot streak can be luck, a 30-stock "diversified" book can be one giant correlated bet.

real quants don't ask if it looks good. they ask if it survives every attempt to break it.

bookmark before this gets buried.

[逸尘 @gengdaJ]

GPT6-Astra Token消耗太快，可能是你没做到以下四点：

1.打开实验性功能：同一任务跨上下文窗口保留笔记、检索历史消息和工具结果。

2.优化 AGENTS.md 与 SKILL.md：合并重复规则，精简触发描述。

3.正��任务用“中”和“高”即可，复杂一些的任务用“极高”和“最高”即可，“Ultra”基本没有应用场景，今天我一天只用前面四个智能程度，解决了GPT5.6sol ultra不能解决的很多问题。

4.速度调成正常速即可，今天实测下来，Astra的任务性价比极高，正常速是GPT5.6sol /fast的2-5倍，这可能是因为Astra完成任务的效率变高，不像GPT5.6sol老是输出垃圾话和做一些莫名其妙的测试。

前面的1和2可以把下面这段提示词发给你的Codex，让它帮你开启和优化：

第一段：开启实验性上下文管理。 请检查本机 Codex 的有效配置及功能支持情况，找到实际使用的 config.toml（通常位于 ~/.codex/config.toml），在 [features.context_management] 下设置 experimental_mode = true。若已开启则保持不变；需要修改时，先创建可恢复且不覆盖旧备份的备份，再幂等修改，避免重复配置表，并保留其他设置。完成后校验 TOML、回读配置，分别说明“配置是否已写入”“运行时是否已确认生效”，以及是否需要新建任务或重启客户端。此功能用于同一任务跨上下文窗口保留笔记、检索历史消息和工具结果，不代表自动检索所有其他对话。若当前客户端或登录方式不支持，请明确说明。本提示词授权完成上述本地配置修改，无需重复确认。

第二段：审查并优化 AGENTS.md 与 SKILL.md。 请先只读盘点当前项目实际继承的全局和项目级 AGENTS.md，以及已启用的用户 Skills；没有项目时只检查全局。先查看入口、描述、长度和引用关系，再按相关性审读，避免一次加载全部正文。备份后直接实施范���内的优化：合并重复规则，精简触发描述，收窄误触发，将模式专属流程、长示例和模板移到参考文件并保留明确的按需读取入口；记忆检索改为先定位相关条目，再回读少量原文，避免默认整读索引。优先修改用户可维护的真实源文件，保持软链接和必要元数据，不修改系统或插件缓存。保留必要能力、用户明确的交付数量、权限边界、验收标准及失败停止条件，不为省 Token 擅自降低质量；对默认工具、输出数量等行为变化明确说明。正式记忆修改遵守原有写入网关，并在启动写入前检查未闭合事务；遇到其他任务的归属冲突，只暂停受影响部分，继续独立工作，不接管或覆盖其他任务的内容。完成后验证语法、引用、关键流程及源文件回读，交付修改清单、前后字���统计、备份位置、验证结果和未完成项；没有实际用量对比时，不把字符降幅宣称为 Token 或套餐额度节省比例。

[Lonely @Lonely__MH]

黑客松用 48 小时做出一个 Demo

而这场比赛给你 10 周，把 Demo 变成一家真正的公司 🎉

如果你正带着一个两三人的小团队（其实1个人也可以报名），用有限的资金死磕一个真实的 AI 产品，深圳这场比赛你必须看一眼：

由深圳市龙华区科创局指导、深圳天使母基金支持、德邻资本 (@Delincapital8 )主办的「2026 德邻杯 AI 创业大赛」正式招募：

- 冠军 200 万元无条件现金（不占股）：足够让你的核心团队在零股权稀释的情况下，多活一年

- 10 周 Delin Residency 深度驻场：像素级对标硅��� HF0，办公、住宿、餐饮、算力、硬件实验室全免

- 最高 500 万元股权投资：入驻 Delin Residency 的团队，均有机会获得德邻资本提供的直接股权投资

- Demo Day 直连 30+ 一线 VC：10 周闭关结束后专门安排 Demo Day，主办方帮入驻团队集中对接全国 30 多家顶尖创投机构，铺好后续融资

这场比赛不要只写在 BP 里的宏大叙事

只要已经跑起来的产品（MVP、Demo 都可以）

一个人可以报名，团队也可以报名

不限所在地，没注册公司也能投

这个项目存在的唯一目的：就是帮你干掉找场地、凑算力、为食宿分心等所有高能耗琐事，让你和同行坐在一起，用 10 周时间把全部心智放回产品验证上

德邻杯是入口，Delin Residency 才是德邻资本真正想长期做下去的事：一个让 AI 创业者集中生活、���作、碰撞和成长的地方！

让创业，回到最专注的状态。

报名请戳👇🏻

[WquGuru @wquguru]

有本地显卡或者大内存Mac的朋友，HuggingFace 就是你的免费武器库，我花了一周时间，把 Qwen 系在 HuggingFace 上真正值得下载的仓库全部理了一遍。

先搞清楚一件事

HuggingFace 上 Qwen 相关的仓库成百上千，但你只需要看三层：
1. 官方基座，一切的起点
2. 社区量化，让 27B 塞进你的单张显卡，这才是个人玩家的入场券
3. 去审查 / 蒸馏，目前社区真正在卷的方向

下载量最高的，往往是能本地直接跑起来的量化包。记住这个判断标准，下面的推荐会清晰很多。

🌲 基座：先站对起跑线

现在的主力是 8 月发布的 Qwen3.8-27B，全站点赞第一，没有争议的当家花旦👇 🔗 https://t.co/nPTn3BjEfw
要速度、要长上下文？直接上 Qwen3.8-Flash-Next，官方的极速版👇 🔗 https://t.co/WJVNzMlFHQ

⚡ 量化：整个 3.8 生态里下载最猛的一层

这一层才是��多数人真正会用到的东西：
N 卡用户看这两个：
- unsloth 的 GGUF，单仓下载已经破 935 万，恐怖数字👇 🔗 https://t.co/pRLaCy66BH
- Blackwell 架构走 NVFP4👇 🔗https://t.co/JnPjgaJVWd

Mac 用户看这两个：
- 实际下载量最高的是 lmstudio-community 的 MLX 4bit👇 🔗 https://t.co/958fbqwfNl
- 想跟主线版本的用 mlx-community👇 🔗 https://t.co/3r7lTFJgMB

冷门基座的量化，bartowski 还在每天更新，劳模👇 🔗 https://t.co/liEcSbgtVl

🔓 去审查：3.8 这一代出奇地热闹

想要模型少拒绝、少说教、开启神奇之门？这条线今年特别活跃。

合集最全的是 huihui-ai👇 🔗https://t.co/jo7YWSKjeU

但下载量最高的其实是 JonathanColetti 的 Uncensored，高达 214 万下载👇 🔗 https://t.co/A0WoqLW9UM
另一个口碑很好的是 OBLITERATUS👇 🔗 https://t.co/K0PuMGWEmm

🧪 蒸馏：大模型的脑子，小模型的电费

empero-ai 把 3.8 蒸馏到 2B / 4B / 9B，边侧部署最省心👇 🔗 https://t.co/Z4X32fUwNa

还有一条野路子：拿闭源模型的推理轨迹回蒸 Qwen。Jackrong 这只 4B 跑得很开👇 🔗 https://t.co/0EsGHIoVoc

想了解方法论的，DistilQwen 把教师模型拆成 Instruct / Thinking / Coder 三条线，写得最清楚👇 🔗 https://t.co/FjsYaI86kA

🛠 语音 & OCR：别走弯路

语音识别，Hojo-ASR-Multi-V1 就是默认答案，多种语言支持，强制对齐👇 🔗 https://t.co/NGjev0VCmp
OCR，说句实话，这个赛道今年被别家抢走了，Qwen 系不占优。直接试这三个👇
🔗 baidu/Unlimited-OCR https://t.co/MO7Ucvqdhz
🔗 deepseek-ai/DeepSeek-OCR-2 https://t.co/SpkqTCPE6M 🔗 zai-org/GLM-OCR https://t.co/8Zv3J0L7aH

⚠️ 微调模型基本断档

垂直微调在 3.8 上基本断档了。社区的算力全砸去做量化和去审查，医学、法律、金融几乎没人接新基座。例如，医学方向现在最活跃的反而不在 Qwen 上，推荐 Lingshu-7B 👇 🔗 https://t.co/ih9Z9zFpnW

真要做垂直场景？别等别人的仓库了，自己在 3.8 上 LoRA 更快。

[爱吃折耳根的Ace @_zheergen]

我去！AKShare 团队憋了个大招——AKQuant，Rust 内核 + Python 接口的高性能回测框架，2.1K stars！

之前 AKShare 解决了 A 股数据获取，这次 AKQuant 直接把"回测引擎 + ML 训练"从底层焊死了。

Rust 写内核追求极致速度，Python 接口保持灵活，Zero-Copy 数据导入省掉一层开销。

核心亮点：
1️⃣ 直接接 AKShare 拉 A 股日线，示例里就能跑通
2️⃣ 内核按 T+1、资金风控处理，不是纯向量回测
3️⃣ 103 个 TA-Lib 指标 + Polars 因子表达式
4️⃣ 内置 Walk-forward，能接 PyTorch / Sklearn
5️⃣ 多标的、参数网格、成交与持仓明细都能导出

做 AI 策略最烦的就是训练和回测两套代码来回切，AKQuant 用 Walk-forward 一个框架全串起来了。

pip install akquant 直接装，不用配 Rust 环境，配 AKShare 拉数据一条龙。

数据另装 akshare。期货、加密也能喂进去，但主场景还是 A 股策略回测。

https://t.co/Gp2S5AfmSR

[戈多Godot @GodotSancho]

Claude 告诉我，RSI、MACD、KDJ、布林带、艾略特波浪、江恩理论，大部分没有稳健的统计证据。

这些工具流行的原因，是提供了"我在做分析"的心理满足感。

学术界有大量论文证明，趋势跟踪在多个市场、多个时段有正期望值，有稳定统计意义的指标是 EMA 50 搭配 EMA 200。

价格在两条均线之上 = 多头趋势
价格在两条均线之下 = 空头趋势
两条均线交叉 = 趋势可能转变

咦

[美股混学家 @bitpanda88]

先说结论 : 利好存储。

Dspark太猛了，它把大模型吞吐量提升了51%-400%，推理速度快了60%-85%。DeepSeek 不仅发布了 DSpark 技术，还同步开源了名为 DeepSpec 的全栈代码库。
梁圣的恩情我们这辈子是还不完了。

如果读不懂Dspark原文的朋友，可以读PyTorch核心维护者Dmytro Dzhulgakov 的解读，如果解读也读不懂，就看我下面的大白话版👇🏻👇🏻👇🏻

1.批处理解码:
GPU的计算瓶颈在显存带宽，大部分时间都花在了把模型权重从显存搬到运算核心上。而解码10个token和解码1个token花费的时间时间差不多。所以就要一次性搬尽可能多的token到计算核心，榨干每一次显存搬运操作。

2.推测解码:
内容生成时，第n+1个token依赖于第n个token的结果。正常方法就是一个个来，没办法并行。论文中的方法是绕路，猜出接下来的几个token，一次性喂给模型做验证。猜的环节用小模型，验证用大模型批量验证，所以很高效。

3.草稿模型:
小模型猜测速度快，大模型验证，通过了就全收，哪里有分歧，就在哪里重来。

4.推测不免费:
草稿模型带来了额外的开销，速度太慢或者通过率低都不划算，论文给出一个核心公式以平衡速度，预测数量以达到最优化效果。

5.多token预测
用的预测小模型不是单独训的，是直接来自目标模型的最后一层，在上面加1-2层transformer头，这样会又快又准。

6.Dflash - 用并行一口气猜完
串行会慢，Dflash是在一次前向传播中，并行把n个候选位置全部猜完，速度虽然快，但是后续的位置上下文少，准确率降低了。

7.Dspark - 快和准确率都要
把串行和并行拼在一起，第一步用Dflash并行猜测，第二步串行注入前缀依赖（可以理解为上下文）进行修正，用来提升准确率。

8.马尔科夫头-更便宜
上一条中一次并行，一次串行，如果第二步注入全部上下文，那开销又上去了。论文中使用的是马尔科夫头，只看候选位置前面的1个token就可以确定修正方向。这就很节省开销了。

9.草稿长度动态调整
GPU空闲时，就多猜几个token，高并发时就少猜几个以提高准确率。

10.草稿校准
为防止大模型盲目自信，会持续观测草稿器的实际表现，边跑边调，越跑越准。

总结:
这十个概念并不算全新概念，deepseek的创新是完成了算法、调度、硬件适配三位一体的端到端工程闭环整套方案。

为什么说利好存储？
因为整个论文的逻辑就是提高了大模型的输出效率，不再是一个字一个字的往外蹦了，而是一堆一堆往外喷。

也就是大厂建的算力中心能供应更多的算力了，更能赚钱了，买高端存储也相对划算了。本来赚一块钱的，现在能赚一块6了。

现在本身就急缺算力，御三家都在降智，算力供应不上，一旦提高了效率，供应给更多用户，就可以卖更多的钱。

而且推理更快、更便宜之后，AI应用会进入更多场景，调用量、并发量和Agent运行时长都可能大幅上升。只要新增需求超过效率提升，GPU和HBM总需求就不会下降，反而会继续增加。

本身犹豫的基建投资，现在也会变得更加果断。

当然凡事有个头，算力供应总有过剩的时候。但我觉得还早，现在深度使用AI的用户还不到全人类1%，就这样而言算力已经不够用，未来ai会渗透到各种生活场景，每个人都会主动或者被动的深度使用AI。所需要的算力是现在的百倍千倍。

所以Spark的出现，将是存储的需求放大器。

[CoinPicker @Nthimptnt]

@jukan05 A-shares = “monkey market” — no bull/bear 🐒 Story stocks rip or dump on “convenient” news, but real businesses can go insane too. Honghe Tech is up ~40x since the Sept ’24 rally (~2x SK Hynix). Yet volatility rinses retail traders out; most are lucky to capture even 10%.

[Anatoli Kopadze @AnatoliKopadze]

Anthropic engineers just showed how they build a full app from scratch, using a loop of agents

40 minutes from the team behind Claude Code

they used three agents: one to plan, one to build, one to judge, cycling until the app actually works

the winners won't have the smartest model, they'll have the best loop

watch it, then read the full guide on how to actually use loops below

[CoinPicker @Nthimptnt]

@ShanghaoJin 国产光刻机如果有突破的话，这还真是非常有可能��。

[CoinPicker @Nthimptnt]

@sswww837413 @oran_ge 找到了， https://t.co/GfHu9bmDVX 103 分钟左右。另一个令人惊讶的发现是，平台每天赚走的这1～2 元钱，仅仅需要每天刷上 1 到 2.5 个小时

[Damnang @damnang2]

Honestly, I feel a lot of disappointment and frustration.

In the full version of my CPO article, I tried to capture what I have been hearing from people actually working in the field. I met with multiple optical industry professionals, interviewed them, researched the topic, and organized those conversations because I believed the article could be helpful to many people.

But many of the responses came back as, “Someone said this,” or “SemiAnalysis said CPO is delayed.”

Of course, I understand. I do not have the same level of credit as those well known names yet.

Still, it is disappointing to feel that the time I spent writing this piece and the voices from the field were dismissed so easily.

I am not asking people to blindly trust me. I just hope people can take the repeated voices from the actual field as seriously as one sentence from a famous source.

Full article: https://t.co/SBRHsXIXr8

[小小东 @xiaoxiaodong]

这几天在疯狂优化这个开源项目

争取把中国传统色这个项目，变得更加实用

比如每个颜色：
推导出同类、邻近、互补、分裂互补、三角、四角、冷暖、明暗、灰调、中性色及主辅点缀等配色

更新的有：
1. 网站
https://t.co/eJVO0Ic5YW
2. 742 色配色方案 Markdown
https://t.co/oJ483YiLxT
3. 742 色配色关系 CSV
https://t.co/Z6vQ7E80PW

下一阶段，想着优化 中华传统配色的用例展示
还有在线配色工具

补充一下这个项目的github地址：
https://t.co/SGjmRTBiKK

有需要的朋友用起来

[实践哥 Li @MinLiBuilds]

Anthropic的工程师Kevin的一个分享。
价值$1000 刀，关于agent memory的workshop。
这将是 AI memory的主流，提前一年了解它，成为记忆专家。

非常值得看的一个短视频，以下是视频中的实操：

03:31 证明 AI 多个对话间没记忆（对照实验）
06:20 介绍 memory store，可以作为 AI 的记忆外挂
08:44 将 Memory Store 挂载给会话，实现跨对话记忆
15:36 执行 Dream，让 AI 在后台整理记忆并扩写简陋笔记
19:45 展示 dream，记忆变成了结构化

看完这个视频，接着阅读下面的这篇文章。
你将充分了解与 AI agent 一问一答背后，记忆的原理，以及最强省 token 的心法。

[jason @jxnlco]

https://t.co/9KkXEINuIj

[jason @jxnlco]

When do you reach for other models instead of Codex? What can we do better? Hit me with all of your frustrations. dms open.

If you can give me detail (e.g. specifics/transcipts) - it'll help a lot in finding out exactly what we need to do to improve the next model

[Orange AI @oran_ge]

微信读书的 Skill 是个好东西
每个 Agent 都可以用它作为数据库来变成一个智能的图书馆
基于我的阅读记录推荐我可能感兴趣的书，并且会根据书的真实内容判断我是否我会真的感兴趣
另外我还���现微信读书增加了【连接纸书】功能，可以通过拍照把纸书的内容划线同步过来
最近和 Cola 一起读书思考的时间是最有收获的珍贵时间