CH

[财经数据库 @caijingshujuku]

想象一个士兵，他一生都在训练，掌握了徒手格斗，每天跑5英里，结果却被一个在空调房里喝雪碧零度饮料的极客给杀了。现代战争真是疯狂。

[Berryxia.AI @berryxia]

🚀 Geometry 终于成为 AI 在建筑领域的缺失关键层！
@Bootsblac 用 OpenGeometry 把 Text → Floorplans → CAD → Render 完整打通，精度控制成为可能！

1. 从文本/平面图直接生成精准 BREP CAD 模型
2. Three.js 实时渲染 + Google AI 驱动，全流程端到端
3.完整开源可用

[GOLD @Honcia13]

华尔街花300万训练的金融AI，
普通人现在0成本就能白嫖！

FinGPT来了——
AI4Finance基金会又一个重磅开源项目，
直接把“金融大模型”从机构专属变成了人人可用的工具。
它和BloombergGPT的区别简单粗暴：
Bloomberg砸300万刀从零训一个模型，
而FinGPT只在开源大模型上用LoRA轻量微调，
每次迭代成本不到300美元，还能每周更新最新金融数据！

目前19k+ Star，NeurIPS 2023正式收录，不是野路子，是真硬核。

核心五层架构一目了然：

数据源层：实时抓取市场资讯
数据工程层：NLP处理海量高频金融数据
大模型层：针对时效性做高效微调
任务层：严格基准测试
应用层：直接上线生产环境

最亮眼的几个能力：
FinGPT v3情绪分析：一张RTX 3090就能跑，
准确率直接干翻GPT-4微调版，FPB数据集F1得分0.882
FinGPT-Forecaster：
输入股票代码和时间范围，就能综合新闻+行情给出走势预测，HuggingFace有在线Demo
FinGPT-RAG：检索增强，让情绪判断更有深度和上下文支持Llama-2、Qwen、ChatGLM2等主流基座，你甚至可以做RLHF个性化微调，训出只属于你投资风格的私人AI投顾。它能干的事儿太多了：

金融情绪分析、新闻分类、命名实体识别、金融问答、报告摘要……
连中文金融考试评测（FinEval）都支持。

更良心的是开源数据集：76.8K条情绪分析、82.2K条标题分类、17.1K条金融问答，随便拿去练手。为什么这个项目牛？
因为金融市场一天一个样，模型必须低成本快速迭代——FinGPT完美解决。
它把华尔街级别的金融AI能力，真正民主化了。
和他们之前的FinRobot是绝配：FinGPT做底座大模型，
FinRobot做上层智能Agent。
想在AI时代不被金融信息碾压的朋友，

这个项目必须星标+收藏！
GitHub：https://t.co/2iY1SsDY0j

[阿川 | AI thinking @AI_jacksaku]

微软又搞事情了。

一个低调的Python工具，悄悄爬到GitHub趋势榜第一。

10万+ stars。

它叫MarkItDown，干什么的？

把任何文件变成Markdown。

PDF、Word、PPT、Excel、图片...

扔进去，出来就是干净的Markdown。

听起来很简单对吧？

但你知道这解决了多大的痛点吗？

RAG系统最头疼的就是：怎么喂数据给AI。

PDF格式乱七八糟，Word藏满隐藏样式，

PPT全是图片没文字...

现在，一行代码搞定。

更狠的是，这是微软官方出品，

完全免费，开源，可商用。

我试了一下，一个200页的PDF，

3秒转完，格式干净得不像话。

这就是大厂的实力：

不做则已，一做就是行业标准。 https://t.co/wYANKoFiOl

[爱丽丝呀！ @BTCqzy1]

https://t.co/baJWIjSUyu

[CH @VL99080207]

@covenant_ai rug pull

[看不懂的SOL @DtDt666]

发现一海外老哥的深度分享，
今晚别再刷抖音消磨时间了
抽出一小时，沉下心来看完这套 Claude AI 完整教程

它能教会你自主搭建、自动化处理各类事务
今晚认真学完的兄弟，明天醒来就会掌握一项
未来两年里绝大多数人都不具备的硬核ai能力。

而选择跳过的人，或许明年此刻
还在刷着剧，困惑着生活为何始终毫无起色
路怎么走，全看你自己的选择。

积极学习 拥抱ai！

[花叔 @AlchainHust]

既然Claude Code源码都泄漏了，我觉得我这75页的《CLAUDE CODE橙皮书📙》也该开源了。

这份橙皮书是我和Claude Code花了两个多月一起写的实战手册，面向想用AI编程但不知道从哪开始的人。10章，从安装到独立做出一个完整产品。

里面有什么：
• 核心工作流拆解（Plan/Auto模式、权限管理）
• CLAUDE.md写法——怎么给AI一张项目地图
• Skills、Hooks、MCP等扩展能力的实战用法
• 多Agent并行协作的完整机制
• Computer Use和Voice Mode等最新能力
• 一章完整的从零到上线产品实战

信息源主要是Claude官方文档、CC之父Boris的分享、吴恩达的Claude Code课程，加上我自己用CC做了十几个产品的经验。内容更新到2026年3月底。

和AI协作写的，内容量大，难免有幻觉。发现不准确的欢迎指正，我会持续更新。

下载链接🔗：https://t.co/22X2wio25U

[Targon @TargonCompute]

https://t.co/7319i0mDGB

[Grayscale @Grayscale]

$TAO has been making headlines this week.
-> @nvidia CEO and @chamath on the @theallinpod
-> $TAO subnet staking growth
-> @intel collaborating with @manifoldlabs and @TargonCompute

Grayscale Bittensor Trust (ticker: $GTAO) is open for private placement for eligible accredited investors.

Learn more and see important disclosures: https://t.co/92ArVLuOl7

[老张1982 @cryptoresetlife]

‼️🦞有mac的来挖矿！tao这个子网！我测试一天能挖8u左右。根据 #iota sn9子网代币价格变动

大家养龙虾买的mac有用处了
最近研究tao，发现个 @IOTA_SN9 激励式编排训练架构——在 Bittensor 子网 9 上进行去中心化模型训练。由……@MacrocosmosAI构建的项目，目前只发布了mac系统的挖矿。
1️⃣mac电脑下载https://t.co/qKZ0xwdpU4
2️⃣注册tao钱包https://t.co/5fdnX5Knzn
3️⃣打开软件，选第二个‼️填入自己的钱包地址。（一定不要选第一个为项目方贡献）
4️⃣到账的是iota 子网sn9 alpha代币

[templar @tplr_ai]

On the @theallinpod this week, @chamath asked @nvidia CEO Jensen Huang about decentralized AI training, calling our Covenant-72B run "a pretty crazy technical accomplishment."

One correction: it's 72 billion parameters, not four. Trained permissionlessly across 70+ contributors on commodity internet. The largest model ever pre-trained on fully decentralized infrastructure.

Jensen's answer is worth hearing too.

[bitstarter @bitstarterAI]

Friday @ 5pm GMT | 1pm ET 🚀 Next launch, live on X

Causal intelligence. Top-tier founders. Bittensor-first.

Join @macrozack plus guests this Friday here on X - sign into our webapp ahead of time 👇

[trader-c @TradercBTC]

https://t.co/EVs6pFfebG

[CH @VL99080207]

@lanhubiji $ADA 這邪教垃圾😂

[0x_Miko @Mikocrypto11]

我们给了两个 bot 各 $1,000，然后把它们同时扔进了 Polymarket
一个基于 Claude
另一个基于 OpenClaw
两边接的都是 官方 Polymarket API
看到的是 同样的市场、同样的事件、同样的价格

Demo mode
真实逻辑
48 小时
全程不人为干预
一开始的节奏就不一样
Claude 开始 4 分钟后就开了第一单
OpenClaw 分析了 22 分钟后才下第一笔

第一天结束时，结果是：
Claude：+$340
OpenClaw：-$87
当时我们还在想，这会不会只是运气
到了第二天，差距开始变明显
OpenClaw 开始变激进
仓位变大
明显在尝试把亏损追回来
但 Claude 没有变
同样的逻辑
同样的仓位
同样的节奏

48 小时结束后的最终结果：
Claude：+$612
OpenClaw：-$231
真正把 OpenClaw 拖死的，不是市场本身

而是它在亏损后开始做了三件危险的事：
情绪化交易
试图回本
临场改策略
而 Claude 从头到尾都像机器一样执行。
不追
不急
不自我怀疑
也不试图翻本

因为它本来就是机器

现在下一步，就是把这套东西切到 真实资金 上跑。
同样的市场
同样的数据

最后输赢差距，居然只是因为 执行纪律
你觉得在 Polymarket 里，真正最值钱的到底是模型，还是不乱改的纪律？

[templar @tplr_ai]

TGIF #29 tomorrow! The Covenant-72B thread reached well beyond Bittensor this week. @DistStateAndMe and the full @covenant_ai team talk about what that traction means, where decentralized AI sits in the broader conversation, and what comes next.

Miners, come celebrate with us. We are opening the stage to anyone who contributed compute to the run or has a story to share. Request to speak and we will bring you up.

https://t.co/TZREY7gjgu

[Chutes @chutes_ai]

We just made OpenClaw stupid easy to set up.
One command. 60+ open source models. Under 60 seconds.
Meet ParaClaw 🧵

[CH @VL99080207]

@TheChiefNerd Bullshit everyday

[币世王 🦅 @0xKingsKuan]

Polymarket 套利圣经核心精髓总结版

Ryan 的文笔太好了，忍不住读了几次真真了解下逻辑、总结了下：

1/ 问题本质：市场低效与套利机会

> Polymarket 上的市场（如选举、体育事件）看似简单（如 YES/NO 价格加起来应为 $1）、但由于事件间的逻辑依赖（e.g., 如果 A 发生则 B 必须发生），会导致价格失真、形成套利机会。

> 一篇研究论文显示，2024-2025 年间、专业交易者通过这些漏洞提取了 $4000 万美元套利利润、顶级交易者一人获利超 $200 万。这不是运气，而是数学驱动的系统化操作。

2/ 数学框架：为什么简单计算失效？

> 边际多面体（Marginal Polytope）

市场有指数级（2^n）可能结果，但实际有效结果有限。价格必须在有效凸包内，否则存在套利

> 整数规划（Integer Programming)

用线性约束取代穷举检查，高效检测依赖和失价（e.g., 17,218 个条件中 41% 存在套利，平均失价 40%）

3/ 优化套利：Bregman 投影

> 它不是简单平均价格，而是用 Bregman 散度（基于信息论的距离度量）将当前价格投影到无套利空间，计算最佳交易方向、规模和预期利润。
• 这尊重市场微观结构（如对数成本函数），确保信息保真。

4/ 计算可行性：Frank-Wolfe 算法

> 直接投影计算不可行（指数复杂度），Frank-Wolfe 通过迭代线性规划 + 整数规划求解器（如 Gurobi）逐步逼近，仅需少量迭代（50-150 次），即使在万亿级结果空间也能在秒/分钟级完成

> 适应性收缩处理梯度爆炸问题，确保收敛。

5/ 执行挑战：从理论到实践

> 套利检测后，执行面临非原子交易风险（订单顺序执行，可能一腿成交另一腿失败）、流动性限制、滑点（VWAP 计算）和速度竞争

> 专业系统需实时 WebSocket 数据、并行订单提交、低延迟（<30ms），并用 Kelly 准则调整仓位。研究显示，执行成功率 45-87%，小资本难以竞争（gas 费、滑点吃掉利润）

> 顶级交易者使用 $50 万+ 资本，系统化交易（每天 ~11 笔），而散户往往成为流动性提供者

6/ 完整系统架构

> 数据管道：实时 API + 历史链上数据（86M 交易）

> 依赖检测：用 LLM（如 DeepSeek）过滤 + 手动验证

> 优化引擎：分层（线性规划 → 整数投影 → 执行模拟）

> 监控：实时仪表盘追踪机会、利润和风险。

7/ 关键启示与资源

> 散户 vs. 量化

前者手动检查，后者用数学基础设施（优化理论 + 工程）主导市场。$4000 万利润源于精密执行，而非运气。

你能构建这样的系统吗？否则，下一个 $4000 万将被别人拿走。整体来说，这篇强调预测市场是纯数学游戏、专业者通过凸优化、整数规划和实时执行主导，而非直觉或手动操作。

太难了，玩个 Polymarket 🫠