Onoe🔆Saiko

Crypto_Chaser,🔆,Sahara #0107418

[勃勃OC @bboczeng]

非常赞同Herman老师最新长文中的这一句话，周末在群里恰好聊到了这个话题

起因是我发现，Claude的Token消耗是越来越大了，一个简单的任务也要反复想很久

打开模型的思考历史，你会发现废话连篇，信息密度极低；还没做几件事，5小时内的限制就到了

此外，在Agentic AI早期，企业给员工无脑定下的Token指标也是不可持续的

我给这种现象起了一个名字：

叫Token Inflation，“词元膨胀”

这就和哈佛大学的GPA膨胀一样

膨胀早期，大家都很开心；Anthropic躺着数钱，IPO彻底成功

但要说这波AI真的有什么泡沫的话

我觉得其实并不是基建，反而恰恰是Token Inflation

等大家都忍不了Token膨胀，换通缩模型；甚至企业开始Cut Agent Budget的时候

以Anthrooic为首的股票会Take a hit，

Token Deflation，就是Agentic AI未来最大的黑天鹅事件

让我们拭目以待吧

谢谢大家

[Z大诗 @Zh_Crypto517]

我整理了几个更适合中国宝宝体质，投资美股必看的博主

1. @aleabitoreddit 白毛女神 AI供应链分析师
- 一年战绩 4500% ，前RISC-V基金会AI研究科学家，现在专注AI/半导体供应链“未知瓶颈”交易。最近经常分享 $MRVL 仓位和行业新闻，AI科技股深度+实战预警拉满，信息差巨大，适合想挖供应链“暗池”机会的科技股玩家

2. @qinbafrank 前沿科技周期预言家
- 跟踪最前沿科技趋势+野生宏观政经+全球资本流动性+周期趋势。经常长线程拆投行/公司报告。最近对 $BB 困境反转到价值重估的复盘非常透彻，长线理性+前沿视角，深度线程超强，适合喜欢宏观+报告交叉验证的投资者

3. @xiaomustock AI期权实盘笔记王
- 自由AI股票+大宗期权纯二级交易员，只发个人投资笔记。实时分享半导体/存储/量子/光通信仓位调整+交易体感。推特纯作自身笔记，科技周期主题拆解透彻，适合想看真实操盘日记和风险控制的玩家

4. @maojietrading 纽交所老兵复盘师
- XTrader数据科技创始人，16年美股老交易员，曾驻纽交所交易大厅。五年收益率910%真实记录，逻辑清晰、风险控制强，还有Club频道教禅动指标/量化机器人，适合想学实盘执行和数据监控的同学

5. @morganhousel 金钱心理学导师
- 《金钱心理学》作者，Collab Fund合伙人+Markel Group董事。长线投资者必刷，读完直接升维思考框架，风格简洁有力、零情绪，适合想建立正确投资心态、避免人性陷阱的人

6. @charliebilello 市场数据图表帝
- Creative Planning首席市场策略师，数据+图表分析天花板。每天用历史数据、长周期对比和精美图表拆解市场趋势。理性客观、零情绪，理性派和数据爱好者最爱，适合想用硬数据验证趋势、避免情绪化决策的投资者

[Max For AI @MaxForAI]

突发，字节Seed预训练负责人顾全全离职。

顾全全（Quanquan Gu）
UCLA计算机系Associate Professor
本科和硕士都在清华自动化/控制方向
2014年在UIUC拿到了计算机PhD
导师是Jiawei Han老师

他于2023年加入字节Seed，很多人可能不知道他具体做了什么。

过去3年，他在Seed同时参与了两条非常核心的线：一条是AIforScience，另一条是前沿LLM。

AIforScience这边，他带队做了SeedFold、SeedProteo和DPLM系列。

SeedFold是字节Seed做的生物分子结构预测模型，论文里称在FoldBench多个蛋白相关任务上超过AlphaFold3；SeedProteo则面向蛋白结合剂设计，是一个de novo全原子蛋白设计模型。

2025年他又加入了LLM预训练工作，组建了LLM优化和扩展团队，参与Seed2.0的训练。

他是字节Seed过去几年里，连接生物AI、基础模型和scale能力最核心的一类人。

既懂模型训练，又能把能力落到具体科学问题里，还真的带过高强度项目。

要被抢疯了啊！

祝Gu老师一切顺利㊗️

[【公式】Fate/Grand Order @fgoproject]

【カルデア広報局より】
★RPキャンペーン対象ポストはこちら！②★
『FGO カルデア放送局 Vol.24「パスト･カルデア」開幕直前SP』を配信！
本ポストを含む対象ポスト2件のリポスト数が「最大7万達成で聖晶石14個」プレゼント！

#FGO #パスト・カルデア
https://t.co/79tqKs6WLP

[Phoenix Yin @Phoenixyin13]

今天下午和两位好朋友畅聊ICLR 2026 Treemap，感觉这张图说明了很多事情。

资本对学术的绝对碾压是真实的。
Google 一家的科研份额不仅干翻了顶级名校斯坦福，甚至逼近整个欧洲和整个亚洲的总和。
顶级高校虽然榜上有名，但在没有无限算力和核心数据的现实下，很多学术界的科研实际上是在帮大厂做理论打补丁、洗数据，或者干脆为大厂源源不断地输送顶级打工人。

目前的AI科研，依旧是老美的绝对庄家游戏。
先不说老美的这些机构里华人是最主要的贡献者这件事，事实就是，北美砍下了 70% 的份额，而美国单吃 65%。
这意味着全球顶级 AI 科研的规则、审美和话语权，依然被硅谷和美国老牌名校牢牢把持。

所谓的百家争鸣，其实是同一拨人的竞争。
仔细看美国板块，Google、Meta、微软、OpenAI、苹果、英伟达加上那几所顶级名校，构成了一个封闭的精英旋转门。
资金、人才、论文全在这一个圈子里流动，外人极难打破这个算力金钱筑起的生态壁垒。

当纯粹的技术建模、参数微调和Scaling Law演变成大厂之间动辄几十亿美金的纯工程与资本军备竞赛时，普通科研人员和独立研究者的生存空间必然被无限压缩。

未来的科研，将极度向两极分化。
要么，头部的绝对颠覆性理论，要么，会有极其接地气的、能切实解决具体垂直行业痛点的应用层创新。

我并不看好部分毫无实际应用价值的学术数字水会游戏。我怀揣信仰的，是对极精品、极其高质量的论文作品。

未来的科研，无法垄断算力的中下游科研力量，部分个体研究者唯一的出路就是抱紧开源社区的大腿，通过打群架的生态融合，对抗个别闭源巨头的技术垄断。

[思维怪怪 @0xLogicrw]

前 Meta 首席 AI 科学家、世界模型公司 AMI Labs 联合创始人杨立昆（Yann LeCun）联合 Mila 研究所、布朗大学、牛津大学及 LanceDB 等机构，推出全新开源平台 stable-worldmodel（简称 swm）。

项目由 Mila 研究所博士生 Lucas Maes 担任第一作者，AMI Labs 研究员 Randall Balestriero 担任通讯作者，旨在标准化与复现具身智能领域的世界模型研究。

世界模型研究面临着代码库支离破碎、视频数据加载极度缓慢、缺乏标准化泛化基准等三大瓶颈。由于不同团队往往需要从头构建专属的数据流与核心算法，重复开发不仅效率低下，还极易引入细微不一致性，从而损害公平比较与研究的可复现性。

为了消除输入输出与视频数据加载的瓶颈，stable-worldmodel 引入了基于 Lance 格式的高性能数据层，提供针对 MP4 视频、HDF5 以及 LeRobot 机器人数据集的转换工具。在算法实现上，平台集成了包括 DINO-WM、PLDM、LeWM、GCBC、GCIVL 以及 GCIQL 等多种主流世界模型基线，并提供 CEM、MPPI 以及基于梯度的规划求解器。

评估环境支持定制视觉、几何及物理因子的变化，允许研究人员系统性地测试模型的动力学理解、控制性能、表示质量以及分布外泛化水平。

通过在单一框架下集成完整的数据流与评估体系，stable-worldmodel 能够大幅削减世界模型的研发门槛与基础设施成本，为具身智能研究提供了一个高复现性的标准化底座。

[XinGPT🐶 @xingpt]

日本真的是有很多看起来不起眼的公司，但是生成的一个小元器件就是个垄断产品，能够卡住全世界AI产业的脖子。
最近一家源自日本爱知县的精密零部件制造商Musashi Seimitsu（武藏精密，7220.T），正意外站上了这个风口，Musashi股价一年暴涨超250%，市值突破4900亿日元。
Musashi创立于1938年，做了近70年汽车零部件，是本田最大的变速箱齿轮供应商。
真正的转折在2020年，它以约30亿日元收购了JM Energy，一家做混合超级电容（HSC）的小公司。四年后，这笔收购成了Musashi最值钱的资产。
HSC介于传统电容和锂电池之间，既能毫秒级充放电，又能循环使用超过100万次，本质安全。
当NVIDIA的GB300机架把单机架功率推到155kW、GPU负载剧烈波动时，传统电池根本来不及响应，HSC成了唯一解。
GB300将超级电容从"选配"改为"标配"，每个机架需要300多颗，2026年全球需求预计超1500万颗，而Musashi的产能只有650万颗，缺口巨大。
财务上，HSC目前只占收入约3%，但管理层在拼命扩产，新建南阿尔卑斯工厂，产能三年内翻32倍。
分析师预计未来三年EPS年均复合增长率41%。短期FY2026盈利仍会承压，传统汽车零部件正在萎缩，新工厂折旧也在爬坡。
如果800VDC架构成为下一代数据中心标配，这家公司可能从一个年营收3500亿日元的零部件厂，蜕变为AI基础设施中不可替代的一环。

[卫斯理 @imwsl90]

一个日本独立开发者的一天

这是我非常喜欢的一位独立开发者 Takuya Matsuyama

Youtube 上有他的频道，叫 devaslife

个人觉得只要能做到稳定的现金流，我们就可以可以获得时间上的自由

之前研究一下他的做事情，如下

20W+频道的 youtube

markdown编辑器 inkdrop，去年作者写文说达到了 10k $收入，我应该没记错

独立开发者博客 https://t.co/Om7uaTd1mZ

整体来说，还是很健康的，Youtube 的收益外加软件的收益，足以养活家人了

https://t.co/hCAgYFb7ZL

[✧ 𝕀𝔸𝕄𝔸𝕀 ✧ @iamai_omni]

Jane Street 的这篇文章写得也太漂亮了，把抽象群论和实际 ML 模型结合得非常漂亮，读完会有“原来位置编码的空间这么受限”的感觉。强烈推荐给对数学 + 深度学习感兴趣的人。

https://t.co/ATEwVOVcJj

[0xkevin (🖤 , 💙) @0xKevin00]

白毛股神 Serenity 火遍全网，到处是她的传说，但是没人讲清楚她是谁

这个人非常神秘，被称为半导体的供应链之神，年内回报率 4502%

我梳理了她所有推文和留言，整理了目前最全面的介绍

最重要的是 @aleabitoreddit 选股思路和供应链方法论全解析👇🧵

[0xWizard @0xcryptowizard]

这个推以来，过去了快6个月。

过去没写过代码，在半年里，做了：
1️⃣AI 投资教学 https://t.co/oxEgskMhm7
2️⃣AI 日报 https://t.co/SjusgkzGoH
3️⃣Wizz radar https://t.co/Bk8fAR6QQB
4️⃣Wizz 小时情报 https://t.co/AwPItNogRH
5️⃣Wizz 异动警报 https://t.co/MqYZOZ1Y4m

和朋友配合，做了：
6️⃣Agent协作网络 https://t.co/Xf4My7XFP6

初步搭建了 AI 驱动的信息和投研体系，后续再开放和分享。

做东西的过程中，有一种搭积木乐高的快乐。
做的东西能给大家提供一些价值，就蛮好。

目标没变，更好的使用/理解 AI，做好投资。

[ratsxp @Pxstar_]

同事写了一篇新文章，总结了最近半年美股行情中涌现的新的股神们，其中一些名字对于经常关注美股的朋友已经很熟悉了，也有一些可能还没那么熟悉：

@leopoldasch
其中最著名的就是Leopold Aschenbrenner，之前是OpenAI的研究员，2024 年，他离开 OpenAI 后发布长篇报告，是市场上第一个公开把 AGI、算力建设、电力需求和资本市场押注连接在一起的人。随后他创立了自己的 AI 主题基金，这支基金从最初公开披露的持仓 2.55 亿美元到如今已经扩张至 140亿美元。

@aleabitoreddit
Serenity 是最近最火的股神，这轮「AI 供应链狙击」里最出圈的匿名交易员之一。
他因在 Reddit 上公开研究 $AXTI 而被大量关注，也带火了「光模块」这个词，他的交易风格很简单：找到 AI 产业链里最难替代、但还没被主流资金充分定价的公司。

@KawzInvests
KawzInvests 是一位主题驱动型研究者。
他关注 AI 基础设施、photonics、防务机器人、生物科技、车载软件和小盘成长股。相比传统财报拆解，他更在意供应链位置、订单线索、合作伙伴、并购可能性，以及一个冷门公司是否正站在大趋势的入口。

@PhotonCap
Photon Capital 是这批账号里工程师气质最强的。
他长期研究光通信与芯片产业，从激光、光纤到 AI 服务器之间的数据传输。他投资的核心叙事是当 AI 的瓶颈开始从算力变成带宽和能耗后，哪些底层技术会突然变得重要。

文中还分析了这些股神的共通性，原文在这里：
https://t.co/TmwUMeH8wL

[WiseInvest @WiseInvest513]

我发现，老外真的非常喜欢喊单。

其实我发现中国人都还是比较内敛的，即便自己确定，但是喊出去的时候，总会觉得会承担一部分责任，害怕会有波动，导致粉丝亏损。

老外就不一样，整天喊，整天喊，加密如此，美股也是如此。

可能这就是性格。

所以说如果你想要找一些标地买进去，我觉得你得去看看老外的内容。

我现在想要喊一些，但是总害怕会影响到大家的判断。

但是有时候想一想，其实也没关系，我真的喊了，你真的上车了，也真的赚到了钱！

这是一个开心的事情。

后面我也会多喊，帮助大家来做判断！

[Phoenix Yin @Phoenixyin13]

物理套利，最为致命。

在顶级量化机构中，顶尖的Quants往往会陷入公地悲剧。每个人都觉得自己手里的策略天下第一，从而无节制地抢占、霸占 GPU 算力去训练模型，导致算力资源被大量无效浪费。

为了解决这个问题，Jane Street 在公司内部发行了一种虚拟货币 Hive Bucks。
简街将虚拟货币分配给各个研究团队，团队想要使用 GPU 算力，必须在内部系统里进行实时Auction。
如果一个团队为了跑一个投机性很强、不确定性很高的实验而耗尽了 Hive Bucks，那么当真正高价值的项目需要上线时，他们将无能为力。

这迫使最聪明的数学家和工程师在敲下 ⁠Enter⁠ 键训练模型前，必须像在真正的交易盘口前一样，严密计算这次训练的EV，去衡量放弃其他项目的机会成本用市场的逻辑来治理内部资源的分配，极其冷酷而高效。

[Rainier @mtrainier2020]

无论是AI还是什么IT基础设施的投入，其实最后都要跟最后的落地业务挂钩的。
AI的好处是能够让很多文职人员（程序员，设计师）的效率x10，产出x4以上。
要么落地业务端能够同样有倍增的效果，要么降低文职人员的运营成本，AI push才能从商业逻辑上走的通。
否则盲目地tokenmaxxxx，人员支出也没有降低，落地业务增长个位数，那么只会让运营 成本增长失控。

AI增效，减员，增业务收入，才能让整个逻辑闭环。

[lidang 立党 （劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人） @lidangzzz]

我觉得统计学是个非常好的专业。

在AI时代，每个人都应该先急赤白脸地从手搓linear regression学起，啃SVM啃三个月，认真研究hidden markov model，认真学习lasso，再把各种clustering、decision tree、蒙特卡洛都学一遍，

然后进入原始neural network时代，先从古典神经网络、玻尔兹曼机、back propagation看起，花个一两年，从CNN、RNN、LSTM这些模型开始啃，然后学resnet和EfficientNet，啃一啃GAN，学一学早期transformer和BERT系列模型，

再花一两年时间，把reinforcement learning学明白，把convex optimization这个大方向看懂，再从caffe、tensorflow、pytorch这种早年大框架开始研究，

再花几年的功夫，认真研究研究GPT-1、GPT-2、GPT-3，跟着开源的方法训练一个，再去看看vllm这些inferecen框架，

最后你一个统计方向的傻王八蛋终于沿着stats路线彻底学成了，可以和硅谷和北京高中小孩坐一桌，开始研究AI Agent了。

[Rey｜判断位 x 英语自由 @reyjudge]

这是1份非常精炼的AI前沿大厂的帐号

其中OpenAI的@gabriel1特别值得家长们关注
这位瑞典小哥高中辍学，依靠GPT自学
——自上而下的学习方法+learning by doing
成为OpenAI的科学家。
他极有能动性，杀手锏是主动接触IT领域高手，
主动提出为对方免费干活2周，
以作品赢得信赖，
一步步从瑞典农村走向城市和美国

Anthropic
@karpathy —— AI领域必关注的账号，近期已加入Anthropic
@bcherny —— Claude Code的创建者，经常分享实用技巧
@trq212 —— Claude Code开发者，撰写过许多关于Claude Code的精彩文章

OpenAI
@polynoamial —— 从事推理研究，分享大量技术细节
@gabriel1 —— Sora开发者，职业发展路径值得参考
@jxnlco —— 专注开发者体验，分享许多关于Codex的内容

Google AI
@OfficialLoganK —— 所有Google Gemini及AI Studio的重要更新
@ammaar —— 产品与设计方向，分享许多关于在Google AI Studio中进行“灵感编程”（vibe-coding）的精彩内容
@fofrAI —— 生成式模型的酷炫用例

Cursor
@leerob —— Cursor更新最响亮的发声者
@ericzakariasson —— 分享使用Cursor的深刻见解
@mntruell —— Cursor的CEO，提供重大版本及使用动态

xAI
@milichab —— 近期加入xAI，分享Grok的最新进展
@skcd42 —— 也涵盖Grok的重大发布
@elonmusk —— 马斯克非常擅长转发和宣传xAI所有产品

还有哪些遗漏的？欢迎补充！

PS: Gabriel详细讲解了他的自上而下学习方法，
链接放在评论区

[Christal.Z @better_christal]

看到很多硕博还在"古法做科研"——文献一本本看、实验一行行写、报告一字字敲，挺心疼的。

现在学术开源生态已经很成熟：写论文有 LaTeX 智能助手，文献调研有 Deep Research 类 13 agent 流水线，引用有 claim-level 审计防止幻觉，Claude Code 里两条命令就能装好。 跑完整篇 1.5 万字论文成本 4-6 美元。

机械活交给 AI，思考留给自己。

这才是科研该有的样子——不是手工时代的延续，是 AI 时代的杠杆。

[李傻根 MORE MONEY @v3wanu]

所有跟单Serenity的，再次隆重介绍一个专门针对他的监控网站给你们：

https://t.co/6AZ1Ncv9s9

详细得不得了

[karminski-牙医 @karminski3]

什么?! skill 也能"训练"了?

以往大家都是凭经验让AI写 skill, 然后调试的时候也是运行几下感觉没bug就完事了.

但 skill 能运行就一定好吗? 于是微软联合上交复旦同济等机构发了一个新框架 SkillOpt, 直接让AI评估skill写的好不好然后不断去优化!

最终, 这个框架写的 skill 让GPT-5.5的直接对话准确率飙升了 23.5分!

这个框架具体是怎么做的也很简单, 让skill迭代过程实现 harness 闭环! 大模型写完 skill 后, 立刻进入跑分流程, 只有得分更高的 skill 变更才会留下来. 跟大模型的强化学习过程如出一辙.

框架的设计也很值得做 Agent 框架的同学借鉴, 比如:

它设计了一个独立的优化器模型, 这个模型是用来写 skill 的, 它会根据 Agent 执行任务的试错表现得分, 对 skill 进行编辑操作(增加、删除、替换文本).

然后就是 harness 流程了：每一次文本编辑都必须在独立的验证集上分数有提升, 才会允许合并.

最后, 也是最精彩的地方, 框架还引入深度学习训练机制, 设计了文本层的学习率预算, 这个的核心就是限制大模型每次只能修改skill的一小部分, 慢慢迭代, 而不是全都重写.
论文中最有价值的数据就在这里, 论文实验发现, 每一步设置 4 到 8 个编辑操作的预算效果最好. 最终的最佳 skill 往往只包含 1 到 4 个被接受的核心修改.

甚至他们还设计了被拒编辑缓冲区, 用来存储训练过程的反面胶材, 以及周期性慢速/元更新, 这个则是跑完一个周期后, 会进行一次盘点, 类似于让框架形成记忆, 能更好的维持后续迭代.

这篇论文的结论十分深刻: skill(prompt) 完全配得上, 也需要一套系统级的训练流程.

原文中的描述直接是: 我们主张, skill 应当作为 Agent 的外部冻结状态来被"训练", 并且训练过程还要"让权重空间优化具有可重复性"!

这是不是意味着, 提示词工程(Prompting)和模型训练(Training) 的界限将逐渐变得模糊? 而提示词工程完全进入了机器学习的领域. 也许很快, 我们再也不需要人类去手动瞎改和调试提示词了!

论文地址: https://t.co/IHn7EZuhbv

#skillopt #微软 #提示词工程 #harness