bazi_master

Building, investing, at the edge of capital and fate | VC | Crypto | BaZi

[jietang @jietang]

Thoughts About Scaling Law

Scaling, but not only of parameters. Every model release now ends with the same question: how many parameters? It isn't a question that can be answered on its own. Parameter count is only meaningful alongside three others — how much data you have, where you intend to spend your compute, and who will run the model, under what conditions.

The field learned this the hard way. Kaplan et al. (2020) fit an exponent that told everyone to grow parameters faster than data — roughly 2.7:1 — and the industry complied: GPT-3, Gopher, MT-NLG. Hoffmann et al. (2022) redid the experiment across four hundred models and found the compute-optimal split is closer to 20 tokens per parameter, and that with sufficient compute the two should grow at the same rate rather than drifting apart. The error in the earlier fit compounded with every order of magnitude of compute, which is why the largest models of that generation were the most misallocated. The trillion-parameter round was, in retrospect, a detour the whole field took together and then reversed.

Chinchilla wasn't the end either. It optimized training compute for models that would be trained once and evaluated. Today a model is called billions of times a day and inference dominates lifetime cost. Put inference into the objective and the optimum moves toward smaller models trained far longer — deliberate over-training, which is what Llama-2-7B and Gemma-2-9B were doing at roughly 290 and 889 tokens per parameter.

Sparsity moved the target again. In a MoE model two quantities have to be kept apart: total parameters govern roughly how much the model can hold — knowledge, facts, the long tail — while activated parameters and effective depth govern roughly how far it can think, how many steps of a causal chain it can carry before it comes apart. A dense 20:1 ratio does not transfer. And the ratio isn't a single number at all: Roberts et al. (2025) find the optimal tokens-per-parameter is task-dependent, with memorization favoring more parameters and reasoning favoring more data. Follow-up work on MoE observes that at fixed TPP, pushing total parameters higher actually degrades reasoning, while activating more experts reliably helps it.

This matters for what we are building toward. Finding a vulnerability is not a retrieval problem. It doesn't come from having memorized more CVEs; it comes from carrying a twenty-step chain of inference to the end without losing the thread. That capability does not live in total parameter count.

Which brings us to this release. Total parameters appear to matter up to a threshold — enough to hold the world — after which additional capability comes from scaling elsewhere: effective depth per forward pass, and above all post-training. GLM-5.3 is our controlled experiment on that claim. Same base, same architecture, same total and activated parameters as GLM-5.2. One month of scaling long-horizon environments and RL. The gains are not marginal. Well, scaling has more than one dial. We turned the post-training one this time because it had the most slack left in it — not because the others are finished. Base model size, pretraining data, compute spent per forward pass: all of them are still on the table, and we will come back to each. What this experiment taught us is that the dials do not have to be turned together, and that the one worth turning next is rarely the one that was worth turning last. We are not done scaling. Next time, maybe mid-training, pre-training, and even more.

[数字生命卡兹克 @Khazix0918]

刚刚，智谱创始人唐杰老师，在X上发了一篇超棒的帖子，专门说了下他对Scaling Law的理解。

正好今天AA的成绩也出来了，我把原帖和AA指数都放在评论区了。

GLM-5.3拿到了60分，上一代GLM-5.2是53分，基座是完全相同的，总参数753B，激活40B，而且大家Coding体感也都很棒，都觉得是国产SOTA了。

但也有很多人也在说为啥智谱这次不训个新的基座模型。

唐老师这篇帖子，刚好讲的非常清楚，也有非常多的干货。

他说，Scaling，从来不只有参数量这一个点。

我们以前一聊大模型，最先问的总是参数量，但是参数量���独拿出来，其实说明不了多少东西。
现在它至少还得跟另外三个问题放在一起看：

模型有多少数据。
算力花在了哪。
谁在什么条件下运行它。

这背后，其实是Scaling Law过去几年一直在发生的变化。

2020年，Kaplan等人算出一个比例，认为参数增长应该比数据增长快得多，大概是2.7比1。然后整个行业也都这么走了，很多模型越做越大，万亿参数也一度被当成了模型进步的必经之路。

到了2022年，Hoffmann等人拿四百多个模型重新做了一遍实验，结果发现，算力最优的分配更接近每个参数20个Token。算力继续增加时，参数和数据应该以差不多的速度一起增长。
这就是Chinchilla Scaling Law。

其实现在回头看，之前那一轮最大的模型，��而也是算力分配最失衡的一批。参数堆得太快，数据没有跟上，实际上效果没有那么好。
但版本还在变化，
因为Chinchilla考虑的是一个模型训练一次，然后拿去评测。

但是今天的模型上线以后，每天可能被调用几十亿次，上线后的推理成本可能远远大于那一次训练。
所以如果我们把这笔账也算进去，最优解又会往更小、训练更久的模型移动。

到了MoE时代，那个简单的20比1也不够用了。

唐老师在帖子里区分了两个很重要的东西。
总参数量，大概决定模型能装下多少知识、事实和长尾信息。
激活参数和每次前向计算的有效深度，大概决定模型的长程推理能力。

需要记忆的任务，更吃参数量。
需要推理的任务，更吃数据。

后续研究甚至发现，在每个参数对应Token数量固定时，继续增加总参数可能会让推理变差，激活更多专家反而会稳定地提升推理能力。

所以，大模型到底有多聪明，早就没法被一个总参数量概括了。
GLM-5.3这次，唐老师说，它更像一次控制变量实验。

大模型Scaling依然在继续。

只是它已经从一个越来越大的数字。
变成了寻找最优解的游戏。

[Tigris | 会讲课教授是好老师 @tig88411109]

盘前暴涨90%，近翻倍。什么叫做真正的认知差？ 全网唯一超前的预测和分析

$MRNA Moderna与默沙东联合研发的个性化mRNA癌症疫苗在大型三期临床试验中取得成功

首个在三期试验中证明疗效的个性化癌症疫苗，被业界视为肿瘤免疫治疗领域的里程碑式突破。

[Phoenix Yin @Phoenixyin13]

我认为，量化交易在技术上绝对是先进的，但是在结构上它是落后的。

可以这么讲，从纳秒级时间戳、FPGA、微波链路、在信噪比 0.01 量级上跑大规模 ML，量化是工程强度最高的几个领域之一。
所以说，量化落后的是目标函数：在一个近乎零和、且信号会因为你使用它而自我毁灭的系统里，做纯预测、不做干预。

天花板是结构决定的。
市场是反身的，你的预测一旦下注就开始消灭自己；alpha 有容量上限；边际收益持续被套利掉。
不存在“一种更先进的量化”能突破量化交易本身，要突破只能换轴。

据我观察，量化现在���做法就是试图通过对价格、成交量、因子等历史数据进行统计拟合，用归纳法推导出一个未来规律。

矛盾点在于，顶尖量化机构其实已经非常清楚市场是非平稳的。
Jane Street、Renaissance、Citadel、Two Sigma 等机构不会天真地认为：
“历史规律永远存在。”

恰恰相反，他们大量处理 regime change、distribution shift、alpha decay、adversarial behavior、market impact 等问题。
核心问题是，即使这些机构知道市场是动态系统，他们仍然主要通过观测轨迹来反演系统。这是最糟糕的。

下面让我谈谈我关于这件事的想法。

我大脑里涉及的点和直觉在于进化方向的涌现性：市场是一个由博弈者自主决策组成的复杂自适应系统，其中的价格是由主体的认知模型重构决定的。

很多人想用AI做量化，这并非创新。
我的想法是，把金融市场从一个 time series prediction problem，重新定义成一个 multi-agent generative world model problem。

例如建立一个数字市场

其中：
A_i：不同类型的参与者
B：行为与信念更新机制
I：信息结构
N：网络结构
R：规则与制度
T：交易机制

然后让这些要素在里面交互。

“明天 NVDA 会涨多少？”这种问题在这里是没意义的。

“如果信息传播速度提高 100 倍，会出现什么新的市场结构？”
“如果市场参与者全部拥有某种 AI，会发生什么？”
甚至：
“如果交易规则发生变化，新的 equilibrium 会不会自然涌现？”
这些才是有意义的。

当然，这已经不是传统 quant research 了。
这是computational economics + agent-based modeling + game theory + causal inference + world models的交叉领域。

也就是说，现在的量化是在修补过去，而先进方式是生成未来，甚至是搜索可能的未来。这才可能真正形成新的范式。

假设我们拥有一个足够好的市场模拟器，那么我们就可以，像 AlphaZero 在棋盘上搜索一样，在经济世界里搜索。
如果说，传统 quant是给我历史，我预测下一步。那么World Model就是给我当前世界，我模拟未来。
我想到的是更进一步，给我一个目标，我搜索哪些行动序列能够把世界推向那个状态。

这就从prediction、simulation走向planning再走向intervention。

如果我们能从底层博弈逻辑、参与者心理网络模型、甚至是信息传播的介质变迁去仿真一个市场，而非单纯去拟合它，预测维度就会高出一个维度。

根据Jane Street的情况可以看出，量化本质是黑箱神经网络的暴力计算。只要数据量足够大，我就能得出模型。
但如果我有足够资源的话，我会尝试通过仿真技术，构建出比真实市场更懂博弈机制的数字孪生市场，然后在里面演化出新的��济博弈逻辑，这样就不再是市场的跟随者，而是市场的规则定义者。
这就是比量化交易更强的范式，以因果推理和世界模型为基础的智能。

于是，我确定量化的终极升级根本不是更好的 alpha。
从prediction，simulation，再到planning，intervention。
其实现在的量化处在第一层和第二层，我说的新范式已经在第三、第四层。

这时候你已经超越了市场参与者，你是市场环境的设计者。就是所谓的“换轴”。

当然，这里我要提到一个更残酷的问题：数字孪生市场可能无法成为真实市场。
因为存在 Goodhart’s Law + Lucas Critique + Reflexivity 的组合。
比如你建立一个模拟器，然后在里面发现一个规律，现实世界里的 agent 也可能发现这个规律，但模拟器本身会不会因为被使用而改变它所模拟的对象呢？
其实这已经非常接近复杂适应系统的核心难题。

如果沿着我的思想继续往下推，我会把方向定义成Computational Market Intelligence。

其理论基础同时来自：
Game Theory
Agent-Based Modeling
Causal Inference
Complex Systems
Statistical Physics
Information Theory
Mechanism Design
Reinforcement Learning
Multi-Agent Systems
World Models
Computational Economics

这超越了预测市场范畴，去建立一个能够解释、模拟、干预和设计市场的计算世界。

这和传统 quant 的区别，可能就类似于天气预报 vs 气候模型。
或者棋谱统计 vs AlphaGo。

我认为，量化交易是在一个先进的技术栈上运行着相对传统的认识论。
它把人类的计算能力、统计能力、工程能力发挥到了极高水平。
但问的问题是受限制的。

下一代的问题是：

“如果我们理解构成这个世界的主体、规则、信息与反馈机制，我们能否在计算机中生成它、解释它、并搜索它可能演化出的未来？

[梭哈.AI @SUOHA_AI]

Serenity 问：你现在最有信心的一只股票是什么，为什么？

这条推文100万+浏览量， 1000 +条回复。我用CodeX+X的api全部分析了一遍，免费分享给大家

这里的内容信息量很大，十分有参考价值。你可以完全清楚英文区的散户目前看好哪些股票（美股），以及看好的理由是什么，建议喂给你的AI agent看👇

1. $AMPG（AmpliTech）· 提及 24

-- 美国上市里唯一的 AI-RAN / O-RAN 射频纯正标的，大约 1.46 亿美元市值，几乎不用想
-- 英伟达自己在推 AI-RAN 有多重要，AmpliTech 已经和英伟达 Aerial 做到代码级集成
-- 客户名单本身就很狂
-- 快要从 Telus 大约 660 亿美元的项目里拿到以百万计的订单，小盘圈以外几乎没人知道
-- O-RAN 和 AI-RAN 正在被采用，美国唯一做 MIMO 64T64R 电台的；没有长期债务，接近盈利
-- 核心是低噪声放大器（LNA），可切国防、太空、5G/6G；几乎没债，刚回购，还有新增订单
-- 进入新增长阶段：募了大约 2190 万美元，授权 1000 万回购，7 月又锁定超过 600 万后续订单；AI-RAN 和 Open RAN 可能才刚开始
-- 覆盖 5G/6G、太空、国防、电信；美国公司、没债，市值大约 1.8 亿
-- 只要看��� AI 未来应用，就会明白无线通信是刚需

───

2. $IREN（Iris Energy）· 提及 21

-- 准备在 18 个月里把 ARR 放大大约 115 倍，从 1.3 亿到 150 亿，同时自己拥有从土地到软件的全栈
-- HPC / AI 需求吃不饱，电已经锁住；和英伟达有 DSX 合作；微软是客户；管理团队也过关
-- 交给微软的 H1 应该交接完，机构已经拿到筹码
-- 财报后会对空头发力，走出曲棍球棒；就算单季数字弱，方向也会看清楚
-- 上涨空间最大，还有很大容量没签成合同
-- 除了热核战争，很难想象 2027 年不直着往上飞

───

3. $NBIS（Nebius）· 提及 21

-- 持有 AI 基建扩张里，不对称最好的方式之一，管理层到目前为止出色
-- 会在多年维度上快速扩规模，并且今年锁住盈利
-- 新云只会往上��AI 嵌进日常生活是结构性瓶颈，会是「iPhone 时刻」
-- 已经便宜到该准备加
-- 也有当成和空头对赌的情绪单，没有产业拆解
-- 对照：$CRWV 积压订单更大、有超大规模云和英伟达股份，应该先翻倍，再轮到 $IREN、$NBIS、$CIFR

───

4. $SIVE（Sivers Semiconductors）· 提及 19

含评论里的 $SIVEF。

-- 市值比 $LITE、$COHR 小很多
-- 会是 CPO 激光的瓶颈
-- 还没在美股上市，一上市流动性会很好
-- 今年有潜力到 30 美元
-- 卡在磷化铟激光瓶颈上；有全部积蓄押在这只上的
-- 目标价：2027 年前重估到 15–20 美元

───

5. $AAOI（Applied Optoelectronics）· 提及 19

-- 市场漏看了指引：2027 年底退出时年化收入大约 76 亿美元
-- 拆开是：2027 年中数据中心光模块月跑大约 4.71 亿（100G+400G 约 9000 万，800G 约 2.17 亿，1.6T 约 1.64 亿），折合���化 56 亿；再加上 2027 年底共封装光学（CPO）
-- 稀释大体结束。5 月 14 日那笔 6 亿 ATM 已净募大约 5.38 亿，和 5–6 月卖股几乎对得上；更早 2–3 月那笔 ATM 4 月已完成（净额大约 4.90 亿）
-- 目标价：2027 年底前重估到 500–700 美元，市场上几乎看不到别的能涨 5 倍的票
-- 从大约 80 美元拿到现在，预期先过 150、再过 178
-- 有完整理由放在链接里，评论区看不到正文
-- 对照：$LITE 和 $COHR 才是机构会买的最稳光学；$AAOI 可能赢很大，但有执行风险

───

6. $NVDA（NVIDIA）· 提及 14

-- 从 16 美元买到现在，会跟着机器人、量子、主权 AI 长，是前面所有东西的「造王者」；竞争会加、利润率会压，但绝不做空
-- 第一信心不是因为 AI 炒作，而是算力的结构性需求仍被严重低估：数据中心、主权 AI、机器人、边缘推理都在抢同一块稀缺算力
-- 更多时候它是别人逻辑里的客户或对照

───

7. $HGRAF（HydroGraph Clean Power）· 提及 13

含评论里的 $HG.CN。

-- 没有第二名：99.8% 纯度的分形石墨烯；现金还能撑 2 年；和日本企业的润滑设施批文放在一起；毛利率 80%
-- 第一家高纯石墨烯生产商，快上纳斯达克，很快要宣布大单，可能包括美军
-- 纯石墨烯几乎加进什么都能提升性能；专利爆轰合成法简单、几乎不耗能
-- 执行做好，会成为全球最高品质石墨烯的第一生产商；指数增长的股票从来不便宜，可触达市场极大
-- 8 月 10 日国会代表团参观奥斯汀新总部，在铺美国政府介入
-- 市场在等几笔订单确认

───

8. $SPCX · 提及 13

评论里常把它当 SpaceX 来买，这个代码本身要再核。

-- 每天像吃维生素一样买 1–2 股 $TSLA 和 $SPCX
-- 闲钱放进 $TSLA、$SPCX、$NVDA
-- 星链供应商 $FLTCF（Filtronic）：射频独家，E 波段氮化镓固态功放给星链供电；独家到 2029 年 4 月；2026 财年收入约 5600 万英镑，到 2028 财年销售年增约 20%、利润年增约 33%；新厂能把产能做到超过 2 亿英镑/年

───

9. $MU（Micron）· 提及 12

-- 反向金融推特往往有用，低买高卖；现在空头情绪重，意味着一波好的低点要来
-- 美国名字，比另外两家韩股存储少一层去杠杆噪音
-- 没有存储，超大规模云花的钱都会被忘掉
-- 因为回购、扩产、AI、机器人、自动驾驶，到明年中能翻倍

───

10. $LITE（Lumentum）· 提及 11

-- 和 $COHR 是玩光学革命最稳的两只，机构会装这两只
-- $AAOI、$SIVE 可能赢很大，但有执行风险
-- AI 硬件仓，供给约束是真的，希望财报能让股价跳
-- $LITE 向 $AXTI 预付 4350 万美元衬底，锁到 2031 年，说明杠杆在衬底；住友电工才是磷化铟衬底第一（��� 42%），也是 CW-DFB 激光产能领先，两层都有
-- 排序：最高信心 $NVDA，最高弹性 $LITE，然后 $MRVL

───

11. $AXTI（AXT Inc）· 提及 9

-- 一周涨过 100%，因为财报好，说明投资者还信这个逻辑
-- 基本上是已被验证的瓶颈
-- 长期看多；卖掉是因为涨了 100% 很少再拿，而且太看标题
-- 短线担心：美国卡住中国光学，中国用磷化铟出口限制报复，所以有人换成 $TSEM 降波动
-- 感觉要像 $SNDK、$MU 那样走出抛物线

───

12. $RKLB（Rocket Lab）· 提及 9

-- 垂直整合，管理层极强
-- 太空军合同还在；整个太空板块被 SpaceX 上市打下去，对 Rocket Lab 的逻辑没变
-- Neutron 和周围生态很有意思；Flatellite 可能让大量卫星高效堆进整流罩；执行仍是问号

───

13. $ASTS（AST SpaceMobile）· 提及 8

-- 发射节奏终于起来，最近几乎都是好消息，但���块还被 $SPCX 相关情绪压着
-- 手机直连卫星（D2D）是电信下一场革命，越来越多运营商也在押这个
-- 一半看 AI（$NBIS），一半看 $ASTS，希望别再没信号
-- 量子和机器人太早，还谈不上最高信心

───

14. $000660.KS（SK hynix / SK 海力士）· 提及 8

含评论里写成 $SKHY、SK hynix 的。

-- HBM 存储龙头
-- 估值低得离谱，和三星是存储里更好买的
-- 存储 / HBM；还能买，但别指望翻倍

───

15. $TSLA（Tesla）· 提及 8

-- Robotaxi 和 Optimus
-- 从 2018 年拿到现在，公司还在创新就不卖
-- 每天像吃维生素一样买
-- 也有落地还早的声音

───

16. $EQR.AX（EQ Resources）· 提及 7

-- 就是「那家钨公司」
-- 2027 年计划去美国上市
-- 世界需要越来越多的钨，钨市场很热
-- 也有持有者质疑 10 倍，自己只看到大约 2 倍

───

17. $GLXY（Galaxy Digital）· 提及 7

-- 比特币 12 万时，股价到过 45 美元，那时 Helios 只被 ERCOT 批了 800MW，潜在管线 3.6GW；现在大约 20 美元，已获批 1.6GW，潜在管线 5.7GW；数字资产业务也在推进。基本面比高点时更好，价格却腰斩
-- 市场像在定价 Helios 剩下 830MW 租不出去；Phase 1 收入下个季度开始爬（大约 2000 万到 8000 万）；BTC、ETH、SOL 风向也不错
-- 现在市值没有计入数据中心；信他们做得成机房，等于白送一个期权
-- 催化剂一堆，股价却极弱，认为总会补上

───

18. $LPTH（LightPath Technologies）· 提及 6

-- 所有在黑暗里「看得见」的现代武器都要红外光学：导弹、无人机、反无人、瞄准吊舱、卫星
-- 核心材料是锗；中国控制大约 70%，而且已经限制出口
-- 市场归类归错了：它越来越像关键使能技术和材料公司，直接坐在国防和红外链条里，不是普通光学杂货铺
-- 卡在好几个可能指数增长的行业交叉点上，红外玻璃应用数量离谱，具备一代行情的配料

───

19. $TSEM（Tower Semiconductor）· 提及 5

整帖讨论质量最高的一条，不是点名最多的。

-- 英伟达 NPO 计划的最大受益者
-- 不是设计公司，就是代工厂；不赌谁赢，赌卖铲子
-- 英伟达选谁做光模块代工，谁就吃这一波
-- CPO 若 2027 年上量，硅光代工的卡位现在就在定
-- 有人从更晃的 $AXTI 换成 $TSEM，为了降波动

───

20. $POET（POET Technologies）· 提及 6

几乎全是只写 $POET，没有可合并的硬逻辑。

───

21. $MRVL（Marvell）· 提及 6

-- 黄仁勋说过「下一家万亿公司」，信这句话
-- 把存储和连接合在一起
-- 常和 $NVDA、$LITE 一起报

───

22. $LIB.V（LibertyStream）· 提及 5

含评论里的 $VLTLF。

-- 德州二叠纪，把油田废水炼成锂
-- 运营成本大约每吨 6200 美元，锂价在 2 万美元以上
-- 设施年底完工

───

23. $SITM���SiTime）· 提及 5

-- 最被忽视的 AI 卡点：每块英伟达/AMD 加速卡、$ANET 交���机、$AVGO / $MRVL 网络栈，最后都要精确时钟
-- 瑞萨交易几乎把规模翻倍；AI 复杂度还在升，卖方覆盖没跟上
-- 产品不性感（精密元件），但对数据中心元件密度和编排是刚需；增长在 4 倍加速，毛利率很快扩到 70%
-- 物理 AI 放大后，精密计时变关键；刚打爆财报并上修指引
-- 瓶颈，几乎没真竞争
-- 对照：收入 +127%，远期市盈率大约 55 倍，已经跑过了，要再等一等

───

24. $INDI（indie Semiconductor）· 提及 5

-- 汽车里用创新设计拿掉 DRAM 需求
-- 还做汽车雷达、激光雷达、视觉、光子，以及量子计算
-- 最近财报宣布拿到 Unitree、Agibot 的「关键物理 AI」传感设计导入，这两家是全球领先机器人公司
-- 数字上大约 3.5 倍销售，还没有市盈率，风险是烧钱；分析师目标大约 4.25 美元，反弹很大一块已被计价

───

25. $META（Meta）· 提及 5

-- 第一名：35 亿用户、广告机器、一流 AI、大规模算力建��、顶级眼镜；路径是广告 → 算力 → 智能 → 更好产品 → 更多现金；看的不是 600 到 700，而是有朝一日成为最重要的公司之一，看向 1000 以上
-- 股价因资本开支跌，但支出会有回报
-- 印钞机。资本开支结束后自由现金流会回到神级。市场只计价了 5–10% 增长，实际更像每年 20%

───

26. $CCXI · 提及 5

与 Agility Robotics / 人形机器人相关，代码写法要再核。

-- 按 80 美元 × 3.3 亿股算大约 250 亿市值，对比 Figure 约 390 亿、宇树约 350 亿仍折价，尽管 Agility 路径更清楚
-- 「未来过万亿」「要久一点但会扎实」

───

27. $SMCI（Super Micro Computer）· 提及 5

-- 预告偏正面，会大幅上修 2027 收入和毛利率，吃 SpaceX / xAI 部署
-- 按自己的 2027 盈利算只有大约 6 倍
-- 有完整理由放在长帖链接里

───

28. $UUUU（Energy Fuels）· 提及 5

-- 铀 + 稀土 + 美国供应链 + 数据中心用电

───

29. $BE（Bloom Energy）· 提及 5

-- ���国数据中心落地非常需要能源
-- 常和 $MRVL 并列：一个是电，一个是黄仁勋说过的万亿公司
-- 安全仓放 $MSFT，弹性仓放 $BE

───

30. $ONDS（Ondas Holdings）· 提及 5

全部只写了 $ONDS，没有展开理由。

───

31. $NLST（Netlist）· 提及 4

-- 三星刚签五年协议：专利授权、存储供应、技术合作，外加 1000 万股投资
-- 按交易 + 三四季度估算，今年收入至少大约 6.60 亿
-- 刚转盈利，专利组合值钱，行业其余家可能很快也会和解

───

32. $ADUR（Aduro Clean Technologies）· 提及 4

-- 化学平台几乎没对手
-- 创始团队持股高，一直在加仓

───

33. $NET（Cloudflare）· 提及 4

-- 自己建站之后才意识到它可能在做很惊人的事，市值已经千亿以上
-- 人已经很少纯手点网站，未来访问方式会变，Cloudflare 卡在中间
-- 智能体流量可能成为 CDN 最大的自然需求，$NET 和 $AKAM 已经拿了大约一半市场
-- 最好用、最 AI 原生的云，用户会爆炸

───

34. $NOW（ServiceNow）· 提及 4

-- 用来「对赌 AI 概念小狗」，不是产业卡点逻辑

───

35. $PLTR（Palantir）· 提及 4

-- AI 还早，Palantir 正嵌进真正要紧的地方

───

36. $COHR（Coherent）· 提及 4

-- 和 $LITE 并列，机构会买的最稳光学
-- 也有拿它当对照、甚至空它的

───

37. $AMD（AMD）· 提及 4

-- 总体拥有成本优于英伟达
-- 其余多是对照，或只写 $AMD

───

38. $AVGO（Broadcom）· 提及 4

多数是 $SITM 逻辑里的客户名单，其余只写 $AVGO。

───

39. $RDW（Redwire）· 提及 3

-- 路径：太空公司 → 无人机 → 微重力制药
-- 大家还在恨它，因为管理层在烂财报前吹过；仍被认为是最大的太空机会
-- 二季度收入大增 89.6%，到 1.171 亿美元

───

40. $CIFR（Cipher Mining）· 提及 3

-- 大约 70 亿市值，已签大约 114 亿合同
-- 不再是比特币矿工，而是超大规模 AI 房东，114 亿租约收入已经锁住
-- 现在真正的瓶颈只剩土地、电、算力，执行得好

───

41. $TTWO（Take-Two Interactive）· 提及 3

-- 大回调就买，GTA 会炸开互联网，大约 99.8% 信心
-- 另推赫尔辛基 Remedy：9 月发自家 IP，口碑好；之后和 $TTWO 做 Max Payne；还有 Alan Wake。相对其他 3A 便宜，风格、人才、死忠粉都在

───

42. $AXON（Axon Enterprise）· 提及 3

-- AI 用在真实场景
-- 硬件 + 软件生态，切换成本极高，用户依赖很深
-- 护城河、巨大增长、几乎没真竞争

───

43. $UMAC（Unusual Machines）· 提及 3

-- 无人机零件
-- 特朗普家族相关叙事、政府资金预期
-- 负债低、扩产激进；CEO 取消工资和限制性股票，只留 25 / 40 / 60 / 100 美元才归属的期权

───

44. $HOOD（Robinhood）· 提及 3

-- 大跌后价格好
-- L2 上线后有新收入还没被重估
-- 波动率向上，还能吃加密情绪
-- 有完整逻辑放在链接里

───

45. $MSFT（Microsoft）· 提及 3

-- 安全仓：AI 上既投入也赚钱，现金流厚
-- 伯克希尔终究会买

───

46. $SNDK（SanDisk）· 提及 3

-- 常和 $MU 并列
-- 等 8 月 13 日投资者日提振信心

───

47. $CRDO（Credo Technology）· 提及 3

-- 「铜和光学」

───

48. $CBRS · 提及 3

代码需再核。

-- 推理负荷、存储轮动、晶圆级才刚开始
-- 需求会被推理推高，且不受 HBM 供给卡住

───

49. $INTC（Intel）· 提及 3

-- 有人放进核心持仓
-- 另有长帖其实在讲 Mobileye（英特尔持股），不完全是英特尔本身

───

50. $MCD（McDonald's）· 提及 3

-- 从去年高点回调，低波动、有分红，当新高前的位置

───

51. $MSTR（Strategy / MicroStrategy）· 提及 3

-- 通胀、工作难找、大多数人吃不到 AI，比特币原生是唯一希望
-- 相反：理发师、外卖骑手都在等 10 月比特币见底；所有人站同一边时，通常不会灵

───

52. $AAPL（Apple）· 提及 3

-- 新 iPhone 要来了
-- 有理由放在链接里

───

53. $HPE（Hewlett Packard Enterprise）· 提及 3

-- 和 $DELL、$UMAC、$NUVB 并列前列，细节在链接

───

54. $TRT（Trio-Tech International）· 提及 3

-- 就看即将到来的财报，已经很近了

───

55. $TEM（Tempus AI��· 提及 3

-- 医疗数据护城河：进入医疗 AI 时，纵向临床数据深度难复制

───

56. $ENVX（Enovix）· 提及 3

-- 全球销售高管原话：正在颠覆锂电行业
-- 最近改了电池测试规程本身，这是技术有分量的信号
-- 设备端 AI 推理才是终极瓶颈

───

57. $UBER（Uber）· 提及 3

-- 生意强、现金流好、从高点下来
-- 对冲基金和政治人物在买

───

58. $LUNR（Intuitive Machines）· 提及 3

-- 有人在问值不值得买
-- 和一串太空票并列，说未来半年表现是「不用想」

───

59. $EOSE（Eos Energy Enterprises）· 提及 3

全部只写了 $EOSE。

───

60. $NVTS（Navitas Semiconductor）· 提及 3

全部只写了 $NVTS，或只提技术走势。

───

提及 2 次、写出了理由

61. $GRAB（Grab）
-- 东南亚的打车 + 外卖 + 金融；当地人人在用；指引上调，还有回购

62. $USAR（USA Rare Earth��
-- 美国想建自己的稀土链，降低对中国依赖

63. $ABCL（AbCellera）
-- 有钱的临床生物科技 + AI 抗体���台 + 创始人主导

64. $BFLY（Butterfly Network）
-- 全身超声扫描仪，让预防医学更便宜、更普及

65. $HIMS（Hims & Hers）
-- 全球最大互联网医疗之一，数据护城河，对标医疗 Netflix

66. $GME（GameStop）
-- 指引大约 6 亿 EBIT，资产负债表和现金流已经不是濒死零售

67. $CRWV（CoreWeave）
-- 收入积压离谱，超大规模云站台，英伟达持股；当前估值太便宜；主要新云里应该先翻倍

68. $IBRX（ImmunityBio）
-- 抗癌和重建免疫，并在全球慢慢放量

69. $GCTS（GCT Semiconductor）
-- Private 5G / FWA / NTN 的受益者

70. $HYLN（Hyliion）
-- 美国海军第二份合同，四季度开始交 Karno 发电机

71. $SILC（Silicom）
-- 网络升级周期里仍被低估

72. PNG（Kraken Robotics）含评论里的 `KRKNF`。
-- Anduril 主供应商协议，给 Dive-LD、Ghost Shark 供海底电池和声呐，可能带来每年数亿美元
-- 黑海战争说明低成本无人机是海战未来

73. $IQE.L（IQE）
-- 外延片

74. $CRCL（Circle）
-- 稳定币采用和智能体经济里最纯的股权暴露；人人都要美元，有了稳定币这才成为可能

75. $RBRK（Rubrik）
-- AI 网络攻击带来需求暴增

76. $OKLO（Oklo）
-- 最近反应堆达到临界

77. $AEHR（Aehr Test Systems）
-- 芯片公司变多、产量变大，检测越来越重要
-- 也有放在空头名单里的

78. $NOK（Nokia）
-- 如果英伟达在吹 AI-RAN，诺基亚拿过大约 10 亿美元，才是更大受益者；盯磷化铟工厂新闻
-- 也有持有是因为被套了 50%

───

提及 2 次、只写了代码或公司名

$CEPL、$BBBY（Beyond / Bed Bath & Beyond）、$INFQ、$DRAM（Datavault AI）、$AIRJ、$FLY、$NUAI（New Era Energy）、$VNP.TO（5N Plus）、$NNBR（NN Inc）、$ASX、$SPCE（Virgin Galactic）、$ARM（Arm Holdings）、$IBM（IBM）、$AMKR（Amkor Technology）、$AMZN（Amazon）、$BB（BlackBerry）、$APPS（Digital Turbine）、$ALAB（Astera Labs）、$PL（Planet Labs）、$RVMD（Revolution Medicines）、$ISRG（Intuitive Surgical）、$SOXS（半导体三倍做空 ETF）、$ZETA（Zeta Global）、$HUT（Hut 8）、$PATH（UiPath）、$JOBY（Joby Aviation）、$TSM（TSMC / 台积电）、$AEM（Agnico Eagle）、$DELL（Dell）

───

提及 1 次、写出了理由

$APLD（Applied Digital）
-- 已签大额合约收入、刚转盈利、园区进度、业绩大超

$ATX.TO（ATEX Resources）
-- 智利阿塔卡马铜勘探，有 Agnico、Lassonde 等 backing，资产被写成被错杀

$AYA（Aya Gold & Silver）
-- 即便银价横盘或下跌也认为有价值，更看好银价上行时的弹性

$CLF（Cleveland-Cliffs）
-- 美国 GOES 钢材垄断

$WING（Wingstop）
-- 同店销售从不可持续高增长回落，股价腰斩；加盟商回报仍能撑开店，估值便宜

$NIO（NIO）
-- 机构在吸、自由现金流、连续盈利预期

$SLS（SELLAS Life Sciences）
-- 癌症平台三期结果临近

$ABVX（Abivax）
-- 溃疡性结肠炎药，安全性数据好

$ABXX.TO（Abaxx Technologies）
-- 实物交割期货交易所早期，交易合约和清算会员在上量

$RDDT（Reddit）
-- ARPU 还能升；搜索变化伤不到「搜 Reddit」的核心流量；再加 AI 数据交易

$SHT
-- 石墨烯散热潜在垄断，英伟达或是大客户。小盘。代码需再核

$KULR（KULR Technology）
-- 扭亏、董事会换人、收入连续翻倍预期、电池技术

$HARVIA.HE（Harvia）
-- 芬兰桑拿：北美销售大增，利润率和 ROIC 高

$MRAM（Everspin）
-- 断电不丢数据，又比闪存快

$SEYE（Smart Eye）
-- 市场在定价汽车放量不确定，认为错杀

$AIOT（Powerfleet）
-- 仓储自动化 / AI 端点设备，老公司换管理层做订阅制

$VNET（VNET Group / 世纪互联）
-- 约 1 倍销售、中国第二��数据中心、宁德时代持股

$603516.SS（淳中科技）
-- 独供英伟达 GB300 / Rubin 液冷老化检测，可能还有冷板冷头，并在回购注销

$ASPI（ASP Isotopes）
-- 氦、天然气、硅-28、医用同位素、核燃料

$AWMLF（American West Metals）
-- 美国铟的来源

$IPWR（Ideal Power）
-- B-TRAN 功率半导体；超算 / 800V 直流机房有意向书，加上斯泰兰蒂斯交付

$PLSE（Pulse Biosciences）
-- 房颤手术工具；大股东曾把类似公司卖给巨头

$NYNOM.DE（Nynomic）
-- 大约 1 倍 EV/Sales，Aixtron 供应商，重整结束，净现金

$OSS（One Stop Systems）
-- 熟悉管理层；数据中心 + 国防

$RELL（Richardson Electronics）
-- 金刚石衬底可能会成事，做人造金刚石设备

FLTCF（Filtronic）−− 星链射频独家，见上面 `SPCX`

$4186.T（Tokyo Ohka Kogyo / 东京应化）
-- 光刻胶

$DND.TO（Dye & Durham）

$SSV.V（Southern Silver）

───

提及 1 次、只写了代码或公司名

大约还有 160 只，原文没有观点，不逐条展开。其中比较眼熟的包括：$AMAT（Applied Materials）、$CRWD（CrowdStrike）、$SNOW（Snowflake）、$COIN（Coinbase）、$GOOG（Alphabet）、$IONQ（IonQ）、$QBTS（D-Wave）、$VRT（Vertiv）、$WULF（TeraWulf）、$ACHR（Archer Aviation）、$MDB（MongoDB）等。

───

评论区真正形成共识、并且说出了为什么的，主要是：

1. $AMPG：理由最密，人数也最多
2. $IREN / $NBIS：人很多，但大量只写代码
3. 光通信一条线：$AAOI、$SIVE、$LITE、$TSEM、$LPTH、$AXTI、$COHR
4. $TSEM：不是点名最多，但是讨论质量最高（卖铲、NPO、硅光代工）
5. $HGRAF、$EQR.AX、$LIB.V：小票故事最完整——石墨烯、钨、废水提锂

───
感谢白毛股神 @aleabitoreddit 的调查🫡

以上内容由研究员梭哈.AI @SUOHA_AI 独立完���，非投资建议，请DYOR

[金尘马 @jinchenma_ai]

FDE最近太火了，火到什么程度？我转发Punk的这篇都100万的流量了，说明市场是真的有需求。

想了解什么是FDE，来看看这篇将近两百万曝光的长文。

[梁岷Liam @Lyangminn]

WAIC观察：拥挤的共识，巨大��泡沫

1.WAIC应该早点举办，这样参观之后，就可以早点清仓科技了。
有太多的顶点信号：各类side event 币圈化，高颜值美女云集，现场产品高度同质化……一个赛道已经从极客的游戏，变成了大众的盛宴。
无论一级还是二级市场，当所有人开始相信同一个故事，共识过于集中，风险就开始累积。
因为牛市里与你���肩的多头，到了下跌时，都会成为踩踏中的卖方。
多杀多！

2. 大模型没有真正的护城河
AGI 的地基，依然是 Scaling Law。
模型能力和参数规模、训练算力、数据质量之间仍然遵循幂律关系。
谁能更便宜地获得 GPU算力、更高质量的数据、更优秀的研究员，以及更高效地把钱烧出去。
所以，大模型公司的护城河，比很多人想象得更脆弱。
模型能力会不断收敛，领先优势会不断被追赶，价格会不断下降。

https://t.co/FH2BT71qAp Bottleneck 是这次大会看到的潜在机会
和一些朋友交流后发现，这一波AI浪潮中赚钱的公司十分低调，压根不来参展，其中一个方向就是数据。
统一多模态表征的成败，本质上取决于高质量多模态训练数据。经过高质量清洗、准确标注、跨模态对齐、能够持续迭代的数据资产严重短缺。
模型会越来越便宜，GPU 终究会越来越多，真正优质的数据越发稀缺。
多模态数据产业链正在成为一个暴利的赚钱赛道。
数据清洗、数据标注、数据合成、垂类数据资产、机器人数据采集……以及那些专门解决跨模态统一表征、多模态预训练编码器的算法公司。
GPU 是一次性资本开支，数据是持续性资本开支。
数据方向目前我分为三类： 第一类是专家数据（ Expert Data）；第二类是 RL Environment / Agent Data。未来训练 Agent，不再只是收集 question-answer，而是要构造Environment → Task → Trajectory → Reward → Verifier，这可能是未来最大的增量市场之一。
第三类是 Embodied / Robotics Data，这个比 LLM 数据更缺，极其难采集。

https://t.co/TVd0yqMUuN应用困境，币圈曾经的缩影
现在的AI和过去的Crypto很像，胖协议，L1捕获绝大多数价值，所以Crypto VC ��命砸钱投公链，应用？狗都不投。
目前，AI也如此。
大模型就是一个POW Layer1，甚至模型即应用。
过去几年，大部分 AI 应用都在做一件危险的事情：把模型暂时不会的能力包装成产品。
但模型能力边界一直在向外扩张。每一次模型升级，都像 L1 把原本属于应用层的功能直接写进协议，搜索、Deep Research、Coding、图片生成、视频生成、Computer Use、Agent……
如果模型每升级一次，你的产品就少一层价值，那么你本质上就是 AI 的 Feature，不是 AI Application。
所以，一定要做模型能做，但也很难拿走的东西，想了想，无外乎是数据、Context、Workflow、Permission、Distribution。
AI 应用的护城河，是让自己成为模型的客户，而不是模型的竞品。

5.具身智能，巨大泡沫
在二楼H4馆，看着大量相同供应链产出的类似模型的机器人慢悠悠做着类似的动作，再看看各家公司的估值，头皮发麻，心疼投资人的钱。
具身智能现在的问题，是资本在用“软件 Scaling Law”给“软硬件复杂系统”定价。
大模型的奇迹在于，一家公司训练出 GPT-5，理论上可以近乎零边际成本服务全球几亿人，但机器人做不到。
机器人每多服务一个用户，就要多造一台机器，涉及 BOM、制造、供应链、交付、维护、折旧。
AI 的智能可以指数级进步，比如模型升级一次，全球用户同时变聪明，但物理世界的成本不会指数级下降。
如果智能遵循摩尔定律，那么具身仍遵循制造业规律，具身智能最终可能是一个巨大的产业，却未必是一个拥有大模型式利润率的产业。
另外，为时尚早。
自动驾驶已经是一个高度受约束的具身智能问题，目标明确，行动空间有限，道路规则标准化，还有海量真实数据和成熟的汽车工业体系。即便如此，这个行业烧���数千亿美元，仍然没有完全解决道路上的一些长尾问题。具身面临的真实难度是自动驾驶的N倍。

6.皮条客最好的时代
一个残酷的真相，目前大部分AI创业的公司都不怎么赚钱，甚至利润都不如曲曲大女人卖自己的skill。
所以发现一个有意思的事情，很多公司表面是一个业务，仔细一聊，“原来你也是卖Token的呀”，“原来你也是卖算力的呀”，原来大模型公司也倒卖算力赚差价呀。
真正赚钱的就还是皮条客们。
FA、撮合老股、倒 B300、卖 Token、卖数据集、卖算力，甚至卖一个能见到某位创始人的机会……
AI 同时满足了一个中间商市场繁荣的所有条件：技术变化足够快，信息差足够大，资本足够多，故事足够性感。
VC 赚的是判断终局的钱，FA 赚的是判断共识的钱，不需要需要证明一个趋势最终是对的。
相反，越是模糊且宏大的叙事，越有 FA 发挥的空间。
比如具身智能、世界模型…���这些赛道有一个共同特点：���来叙事足够大，技术足够复杂，短期又足够难以证伪。
大厂在烧钱训练模型，投资人在赌十年后的 AGI，中间商把钱赚了。
要么薅大厂的资本支出
要么薅LP的FOMO支出

7.钱才是一切
AI竞赛，还有很长的距离，大家经常问， AI 时代最稀缺的资源是什么？
很多人会回答：人才、算力、数据……但归根到底，它们都只有一个名字：钱。
AI 行业最大的竞争优势，不是技术，而是融资能力。
创业者现在要做的就是不断融资，哪怕账户里的钱已经够花，也要融。
真正的战争，在未来的行业下行周期。
只要有钱一直活下去，就可以等竞争没钱后，再低价接收他们的人才、技术和客户。
二级市场，也是一样，在可遇见的2-3年时间里，很可能发生泡沫大崩盘，只要那时有足够的钱抄底，就战胜99%的人。

[0xkevin (🖤 , 💙) @0xKevin00]

看完汗毛直立，提问和回答的水平都是超一流的

王煜全，海银资本创始人，他是一位长期研究全球科技创新的投资人，投资圈里少有的直言派和前瞻派

视频里非常敢说，2029年 AI 泡沫将破灭，2030年遍地是黄金....

[Michael的美投日记 @Michael_QQQ2025]

https://t.co/j7z2Cexg1P

[袋鼠帝 @aikangarooking]

给大家分享一个用Codex优化前端UI的方法，贼好用！

也是GPT-5.6真滴吊。

我优化我们前两天开源的workbuddy蓝皮书官网UI就是这么干的。也是近期我在AI上的一个ah moment。

我的经验是开发一个网站，可以先只管功能，还有页面布局。这些搞定之后，再来优化前端UI。
否则你可能一开始就会在UI上卡很久。

如果没有灵感，可以去各大前端模板网站上去找，找你喜欢的网页。

前端模板网站：
https://t.co/XiOiT7FWg1
https://t.co/wvQLWxm3pW
https://t.co/2vil0Adzop

以上是我收集的几个前端模版站点，效果挺🐂🍺的。应该还有更多模板站，欢迎各位大佬评论区分享一下

找到你喜欢的模板，可以截图丢给codex，用GPT-5.6 Sol 极高，告诉它 参考截图的风格，设计网站的UI。

设计完，让它把效果图画出来，然后，你挑一个满意的图。就可以切换成GPT-5.6 Sol 中，开干啦～

最后，欢迎大家参与workbuddy蓝皮书的共创！
蓝皮书开源地址：https://t.co/UhFpEo4Ie7

官网：https://t.co/yLK5iVTVvv

[bazi_master @bazi_master]

gpt 5.6 is so cool... i'm almost finishing my weekly limit in 1 day

[Yangyi @yangyi]

这个博主叫real屠龙的胭脂井
在复旦的这场分享里 对品牌营销的拆析鞭辟入里
一看就是经过大量减法后找到的更加底层的东西
不知道这些学生会不会在很多年后才能理解这场分享的价值

这个博主是有脑科学和认知科学背景的 我觉得这在AI时代至关重要 尤其是利用建模来辅助决策
我认为做任何事都应该这样 做营销更应该计算数据

但怪就怪在 大部分从业人员 都缺少这种最基础的认识
往往依靠一个错误的虚荣指标指导自己进行愚蠢的工作

[Viktor Oddy @viktoroddy]

Claude Sonnet 5 is crazy efficient for web deisgn.

❤️‍🔥Just recorded a 18-min tutorial on how to build award-winning websites with Claude Code + Sonnet 5!

[美研芒格君 @Kay2289123]

这篇文章跑断了双腿，用尽人脉，走访了十余家硅谷一线做光模块、互联、存储的公司，和一线 Manger, RD 深入交流，陆陆续续写了 4 周。相信是你在别的地方看不到的

我不仅聊，也跟着真金白银地下注。口说无凭，截图奉上。

请注意，大家不要盲目跟单，评论区冒充我的都是骗子。我在WhatsApp 也不会分享任何策略。

存储大家最近肯定都有关注。东西贵了总会回落，偏偏这一次，没那么简单

我拆解了AI 疯狂消耗存储底层的三把结构性短缺锁。有人认为，只要 AI 投资不掉头，这场紧张会一路拖过 2028 年。我同意

既然贵又缺，那就想办法少用它——开始挖一条条绕开这笔税的路。这，才是这篇文章真正想带你看的东西。

内存墙是一个词，其实是两个毛病

第一个毛病是装不下（容量）：KV 缓存、模型权重，HBM 里塞不下
第二个毛病是搬不快（带宽）：数据从内存搬到 GPU 的速度跟不上

「省内存容量」和「互联传得快」解药，也是新瓶颈，熟悉我的《三层逻辑》的读者都知道，这是新玩家、机会

文章深度拆解了三条路线
📷第一条路，用便宜的料，去顶替贵内存 HBF: 「容量大得多、但慢一些」: SNDK, SK 海力士

📷第二条路·砍掉数据搬运
>「近内存计算」AI 推理的核心运算是矩阵乘法，做进内存芯��里— SK，三星等
> 光 HBM: 光模块搬存储：MU, MRVL等
> 3D 堆叠

📷第三条路：软件智能管理
>冷热数据分层：猜得准
>共享内存（CXL协议）：三星、SK、MRVL，ALAB

小众方式：SRAM

我的观点 三条路不是竞争，是分工。说到底，我在观察的是一件什么样的事：当一种东西又贵、又缺、还降不回来，一整套「绕开它」的技术生态，会怎样整体地长出来，这是凭空冒出来的新曲线、新资金

我在硅谷一线大厂，每天从事 AI 推理训 ,把行业掰开揉碎讲给你听。欢迎回看，节选⬇️
06-24《要看懂万亿光互联，Credo很关键》
06-02 《迈威尔+50%, 不看懂怎么能安心？深入解读原》
05-26《美光...下个产业机会流向》-> amat, kla
05-28 《40小时呕心沥血！MRVL光模块+AI推理布局解析》
05-21 《深度拆解ALAB互联27年布局, 这次别踏空!》
05-10 《耗时一周调研，带你彻底读懂 MRVL底层逻辑》
05-03 《压箱底的 AI 主线 下一“瓶颈”标的》
04-29 《MXL》
04-28 《MRVL进入关键时期》
04-27 《Marvell 取消 POET 是必然+5 层光模块解析》

[Yael @YaelC_03]

研究个股用过最好用的免费工具是 @stock_analysisx ，中文区仍然没什么人提
这是专门用来研究单只股票的网站。财报、分析师预测、业务数据都整理在一起，UI 看着也比较舒服

@finviz_com 强在筛股，设好条件，从几千只美股里挑出符合的。
Stock Analysis 强在研究，选定一只，把它研究透。
两个一块使用，效果更佳

1️⃣ 可以看到公司每个产品、每个地区分别赚多少钱，比如 $AAPL ，iPhone、服务、大中华区各赚多少一目了然。（见图3）

2️⃣能看到每一家投行各自给的目标价和买卖建议，不是只给一个平均分，还有他们对未来几年业绩的预测。

3️⃣ 有现成的财务健康评分，帮你快速判断这公司破产、暴雷的概率。财报能看近 5 年的数据。

怎么用：

先在 Finviz 设好条件(板块、市值、估值、盈利增长这些)，筛出一批股票，再在 Stock Analysis 搜索，每只重点看五样:

· 营收和利���是不是每年都在增长
· 增长靠的是哪块业务
· 分析师怎么看
· 有没有暴雷风险
· 估值如何

浏览一遍之后，在前面一批股票中留下几只值得继续关注的，可以大大节省时间和注意力

[XinGPT🐶 @xingpt]

iPhone18 Pro完整泄露了，路透社等权威媒体确认。

2026 年 6 月底，印度最大的苹果代工厂 Tata Electronics 被勒索团伙 World Leaks 攻击，约 630GB、超过 20 万份文件被放到暗网。

与以往真假难辨的爆料不同，这批文件先后被 AppleInsider 和路透社核实为真实，其中包含 iPhone 18 Pro 的主板原理图，以及苹果一向不对外公开的「零件—供应商」对照表。路透社确认至少有六份文件，把 iPhone 18 Pro 的数百个零件逐一对应到具体供应商。这相当于把这一代 iPhone 的供应��结构公开了出来。

【三条供应商份额变化】

第一，三星份额扩大。 内存方面，苹果在高速 LPDDR5X 上选用三星颗粒，美光与 SK 海力士属于备选供应商。影像方面，三星正在进入此前由索尼独占的 iPhone CMOS 传感器供应，已在美国德州 Taylor 工厂部署产线，为 18 系列生产三层堆叠传感器。一家供应商同时拿下内存主供，并从竞争对手处获得影像份额，这种变化并不常见。

第二，苹果自研 C2 基带替代高通。 iPhone 18 Pro / Pro Max 采用苹果自研 C2 基带（代号 Ganymede），泄露文件中的 datasheet 基本确认了这一点。高通在 iPhone 基带业务上的份额因此进一步收缩。

第三，印度组装份额上升。 据 Counterpoint 数据，2026 年印度将生产全球 26% 的 iPhone，四年前这一比例仅为 6%。Tata 从零部件供应商升级为核心组装厂。

【规格变化】

技术层面是小幅迭代：全系采用台积电 2nm 工艺的 A20，封装从 InFo 改为 WMCM，性能提升约 15%、能效提升约 30%；Pro 机型独享可变光圈主摄与屏下 Face ID；标准版推迟到 2027 年初发布，2026 年 9 月只发布 Pro 与 Pro Max（Gurman 称约为 9 月 8 至 9 日）。

内存配置经知名果链分析师郭明琪Ming-Chi Kuo确认：1H27 低端 A20 机型 DRAM 从 8GB升级到 9GB（，并非此前传闻的 12GB；2H26 的三款高端机型（折叠机与两款 18 Pro，A20 Pro）维持 12GB。

【核心矛盾：从成本上升到供应短缺】

这一代真正值得关注的是内存。

价格：据冰宇宙，LPDDR5X 96Gb（12GB）颗粒 Q1 价格 77.1 美元，Q2 预测 145.9 美元，涨幅约 89%。
芯片：A20 单颗成本估计约 280 美元，比 A19 高约 80%。

更重要的是供应短缺。

据郭明琪 6 月 28 日的调查，2026 年用于消费电子的内存产能，预计有 15%–20% 在 2027 年转向数据中心，且比例可能继续扩大；受 LPDDR 供应紧张影响，苹果在 2H26–1Q27 对 A20 的实际拉货量可能比原目标低 10%–20%。

换言之，iPhone 18 面临的不只是成本上升，还有出货量被压缩的风险。苹果正游说白宫，避免长鑫存储（CXMT）被列入实体清单，希望将其作为第三个 DRAM 供应来源；郭明琪认为，这次比 2022 年评估长江存储更积极，因为长江主要解决 NAND 成本，长鑫则用于管理 DRAM 供应风险。

投资逻辑已放在Patreon频道

[逸尘 @gengdaJ]

最近这几个月分享了太多关于Codex的玩法了，横跨了赚钱、自媒体、视频、记忆系统、APP开发上架、教程等多个领域，大家进行系统学习的时候，可以把这篇推文发给Codex，让它给你推荐阅读路径。

一、边玩边赚钱与实战变现
1. Codex进阶实战教程，办公四件套、3D视频、电商自动化
https://t.co/iQpedrxwlu
2. GPT2-image变现杠杆思路，6步赚钱路线图
https://t.co/JmnyYcReXr
3. 第一款App已有上百付费用户，全程用Codex完成
https://t.co/UUWc3toPBx
4. GUI可视化数据中台想法，打通微信飞书X数据
https://t.co/hK7YXLFewR

二、Codex App 新手入门
1. Codex App 小白完整入门指南，界面设置权限全解析
https://t.co/3WMhhNaazG
2. Codex新对话代理问题完整修复方案
https://t.co/qLMn094nRO
3. Codex App是普通人最佳本地AI选择，对比Claude Code
https://t.co/AwOeGpQr98

三、记忆系统优化
1. 基于EverOS重构Codex记忆系统并开源模板
https://t.co/JEe8D6LlaY
2. Codex+Obsidian+SQLite+向量检索迭代升级
https://t.co/xQ2CLgU844
3. 一键搭建Obsidian长期记忆系统完整提示词
https://t.co/6rpYIHz8dT
4. 外接Obsidian大脑优化版提示词，Token大幅节省
https://t.co/ETkLAihZRx
5. Codex记忆系统开源模板，支持多Agent共用
https://t.co/pycB6qr40H

四、Agent开发与部署
1. 从0到1开发并部署生产级Agent实战视频教程
https://t.co/S0rIGrOhFv
2. 非技术小白用Codex完整开发项目的最佳路径
https://t.co/u8cMbxT4ID

五、工具集成与自动化
1. Codex打通微信飞书自动归档合同交付物
https://t.co/GXrrcsSGKR
2. Computer Use打通Codex与ChatGPT Pro调用最强模型
https://t.co/S8YO61eYbu
3. Codex最好用插件推荐，Computer Use与Playwright优先
https://t.co/oLW1wGSG7A
4. Codex官方支持开源模型DeepSeek GLM Kimi
https://t.co/8oPhJ01CSi
5. Codex+GPT5.5实现微信双开Skill
https://t.co/ssSqUMNnOY

六、Computer Use与实战案例
1. Computer Use冰山一角用法大清单，10+真实案例
https://t.co/TQkuSdsDYv
2. 用Codex完成App备案与华为审核全流程
https://t.co/sGkoVoNaSi
3. Codex修复自家WiFi连接问题仅用2分钟
https://t.co/iaVHAefI6s

七、产品比较与日常使用
1. Claude Fable5 vs Codex，坚持使用Codex理由
https://t.co/e7EMk72Ehj
2. Codex /Sites命令构建团队网站或App
https://t.co/pl90Df0VJW
3. Claude vs GPT Codex全面对比分析
https://t.co/ma6I6z6kpF
4. 学习Codex最简单方法，搜索主页所有Codex推文
https://t.co/O8xnCD21wF
5. 重庆线下Codex分享，下沉市场仍有巨大空间
https://t.co/g8BHwWe92a

[Matt Pocock @mattpocockuk]

Announcing mattpocock/skills v1

- Achieved a 63% reduction in token cost for skill descriptions
- Split skills into model-invocable and user-invocable skills, adding /codebase-design, /domain-modeling, and /grilling
- (UPDATED) /writing-great-skills - rewritten from the ground up, encoding my skill-writing best practices
- (UPDATED) /diagnose -> /diagnosing-bugs - now model-invocable, awesome for fixing hard bugs
- (NEW) /ask-matt: a router skill that teaches you how all the engineering skills work together

[jason @jxnlco]

https://t.co/9KkXEINuIj

[nini @nini_incrypto_]

Google 把内部工程师的代码审查（Code Review）规范公开啦

这几乎是目前业界最顶级的标准

很多程序员只会写代码，但不知道怎么审代码，可以看看 Google 是怎么做的

1.双向指南：不仅教审查者怎么挑毛病，还教作者怎么写出容易通过的代码

2.术语科普：解释了 Google 内部常用的 LGTM（看起来不错）和 CL（变更列表）到底意味着什么

3.实战价值：这套规范不是理论，而是 Google 每一位工程师都在用的实际操作准则

如果你想提升团队的代码质量，或者想知道顶级大厂的开发门槛，这份文档必读！

https://t.co/OdaozRkMYn