Eric

Trading equities and systematic strategies with macro overlay.

[Eric @ehkluo]

Open AI

[Fuli Luo @_LuoFuli]

Nearly half a year of silence. We spent it studying one problem: how far RL can scale.

MiMo-V2.6 is in the middle of its RL run right now. Three things we scaled: compute (~2B tokens per step, 1568 prompts × 16 rollouts, fully async), environments and harnesses (multi-task agentic RL, mixed across multiple harnesses in one run), and grader compute (agentic in-group credit assignment, with test-case and rubric-based rewards). We'll open-source the details piece by piece over the coming weeks.

Streaming the run: https://t.co/ZSxahzJRju

[Eric @ehkluo]

@Yuchenj_UW Having the most powerful AI controlled only in the hands of a few is a more dangerous thing for the world

[Eric @ehkluo]

@dhh Just like how people worry so much about overcapacity in the AI buildout, but underestimate the probability of underinvestment for the long run

[Eric @ehkluo]

as simple as it is

[Naval @naval]

The best way to pace the frontier is to hold the labs fully liable for the behavior of their models.

[jack @jack]

https://t.co/qAUP2dNJsi

[Eric @ehkluo]

Open-weight AI models aren't just a technical preference — they're a safeguard. The real risk of Superintelligence isn't misalignment, it's who it's aligned to. Silicon Valley, Washington, or Beijing shouldn't get a monopoly on the most powerful technology in human history. Open weights = checks and balances for the AI age.

[Eric @ehkluo]

@leifuchen 资金来源也是一个重要的 alpha

[leifu _/ @leifuchen]

巴菲特的 Alpha 到底来自哪里？
2013 年 AQR 三位研究员 Frazzini、Kabiller、Pedersen（后面简称 FKP）写了一篇 《巴菲特的 Alpha》（论文在 2018 年更新了数据，本文以 2018 版为准)，把伯克希尔 13F 公开持仓 1980 - 2017 年的月度收益做多因子回归，得出的结论为：

巴菲特的业绩 ≈ 1.7 倍极低成本杠杆 × 由[价值 HML + 质量 QMJ + 低贝塔 BAB]三因子驱动的多头股票组合

HML 价值因子
HML 对应因子研究里的“价值投资”。

巴菲特的公开持仓里 HML 暴露是 0.25，说明他长期持续偏向“相对账面便宜”的股票。这和他公开宣称的价值投资哲学完全一致。我们可以用 VTV（Vanguard Value ETF）做近似复制，追踪 CRSP 大盘价值指数。

QMJ 质量因子
这个因子蕴含的思路是市场确实给了优质股更高的 P/B，但给得不够多，扣掉合理估值溢价之后，优质股仍然有超额收益。质量因子用四个维度（盈利、成长、安全、股东回报）的量化指标给每只股票打分，可以看做巴菲特的“护城河”概念的量化版。

巴菲特的公开持仓里 QMJ 暴露是 0.37，意味着他持续性地买入“合理价格的好公司”。我们可以用 QUAL（iShares MSCI USA Quality Factor ETF）做近似复制，按 ROE、盈利稳定性、低杠杆三个指标选股。

BAB 低贝塔因子
这个因子的逻辑是高贝塔（对市场敏感度高）的股票长期跑不赢它们承担的系统风险，低贝塔股票定价偏低。

巴菲特的公开持仓里 BAB 暴露是 0.19，意味着他持续性地偏向低贝塔的稳定公司。我们可以用 SPLV（Invesco S&P 500 Low Volatility ETF）做近似复制，追踪 S&P 500 里过去 12 个月波动率最低的 100 只股票（严格讲 SPLV 筛的是低波动率而不是低贝塔，但实证研究表明两者相关性约 0.9，所以实务上可以替代）。

样本外验证
FKP 框架其实也隐含了一个可证伪的预测：价值、质量、低贝塔因子表现不佳时，巴菲特的投资表现也应该不佳。

那我们也确实看到，2015-2020 年，价值因子陷入低谷，伯克希尔同期跑输标普 500 约 50 个百分点。巴菲特的业绩周期和他本人的状态无关（业绩一差就有人说他老了），和因子周期有关。

巴菲特的业绩为何难以被复制？
上面说的是巴菲特选股（13F 公开持仓），不含杠杆。但伯克希尔整体股票收益还要叠加 1.7 倍杠杆。FKP 估算伯克希尔 1976-2017 年化超额收益 19%（超出国债收益的部分），拆分来看:
- 纯市场收益（简单持有标普 500）：7.5%
- 伯克希尔 13F 公开持仓（无杠杆）年化 12%，其中超出市场的 4.5%, 几乎全部来自 HML + QMJ + BAB 三因子暴露
- 伯克希尔全资子公司（无杠杆）年化 9.3%。全资子公司常年占伯克希尔股权约65%、公开持仓占 35%，加权的无杠杆收益约 10.25%（0.65 × 9.3 + 0.35 × 12.0 = 10.25%）
- 1.7 倍杠杆（FKP 估算同期伯克希尔扣除现金后的资产/权益 ≈ 1.7）再把加权的无杠杆收益 10.25% 放大，总贡献约 1.7 × 10.25% ≈ 17%，剩下的 1.5-2% 来自融资成本低于国债即杠杆本身贡献了正收益

纯数字上讲，杠杆贡献（7%）是选股贡献（4.5%）的近两倍。

巴菲特杠杆的核心来源是保险浮存金，浮存金本质上是一笔非赎回、无保证金追缴的永续负债。FKP 估算浮存金年均成本约 1.72%，比同期美国短端国债利率低 3 个百分点以上；承保盈利的年份成本甚至为负。更重要的是这笔钱的供给稳定性和投资组合波动脱钩，只要承保业务本身正常运行，浮存金就持续存在。

但要把浮存金真正变成股票投资的弹药，还要跨过监管这一关。美国保险业的风险资本（RBC）规则对股票的资本占用远高于债券（财险公司每持有 1 块钱股票需要备 15% 的法定资本，每持有 1 块 钱投资级债券只要 0.3%，差 50 倍），大多数保险公司的法定净资本和浮存金的比例大约是0.3-0.5，刚够支撑业务和债券组合，一次熊市就可能打穿净资本，触发监管介入。 头部财险公司股票持仓通常个位数。伯克希尔特殊在于它的保险子公司法定资本极大（2025 年末美国保险子公司法定净资本 3330 亿美元），接近浮存金（1760 亿）的 2 倍，远超行业平均水平，这是巴菲特主动选择把保险业务当低成本长期资本来源的结果，再加上控股公司可以直接持股（这部分不受保险监管约束），伯克希尔因此能在保险子公司内和控股公司两个层面同时大比例持股，保险业务投资组合中股票占比接近一半。

1998-2000 年是最典型的例子：伯克希尔市值下跌 44%，同期市场上涨 32%，相对跑输 76 个百分点，投资端血流成河，但保险业务没有受到太多影响。巴菲特没有客户赎回的压力，得以坚持不参与互联网泡沫，熬到 2000 年 3 月泡沫破裂后的大反转。如果这 1.7 倍杠杆换成靠银行贷款或券商融资，那 1999 年大概率一代传奇就此落幕了。

时至今日，这个结构本质上还在，但杠杆倍数有所下降：2025 Q4 伯克希尔总资产 1.22 万亿、股东权益 7174 亿、浮存金 1760 亿，现金及短端国债约 3700 亿。按 FKP 定义的杠杆当前大概是 1.2 倍。杠杆下降源自近年来苹果减仓和营运现金积累，类现金资产占比从 2017 年的 17% 升到 30%。这是巴菲特晚年风格的一个变化，也是阿贝尔接班后继承的保守姿态。

其实像巴菲特这样保险公司做投资业务的并不稀奇，但是两个业务都做得这么好的，绝无仅有。通常保险业务好的公司投资受限于资本金约束，投资做得好的机构融资成本不低。那我们学巴菲特，如果只学选股那肯定是不够的，大家还是得学他多搞搞其他主业，而且这个主业的收入最好和投资表现无关。

[Kye Gomez (swarms) @KyeGomezB]

Introducing OpenMythos

An open-source, first-principles theoretical reconstruction of Claude Mythos, implemented in PyTorch.

The architecture instantiates a looped transformer with a Mixture-of-Experts (MoE) routing mechanism, enabling iterative depth via weight sharing and conditional computation across experts.

My implementation explores the hypothesis that recursive application of a fixed parameterized block, coupled with sparse expert activation, can yield improved efficiency–performance tradeoffs and emergent multi-step reasoning.

Learn more ⬇️🧵

[Eric @ehkluo]

@AravSrinivas Hi Aravind, many of our Pro subscribers are seeing their subscription disappeared today while still being charged as usual. Your support team is not responding. Very disappointing.

[Eric @ehkluo]

@perplexity_ai my Pro subscription just disappeared, and your support is not helping... what's going on

[Eric @ehkluo]

@DejaVu929292 要交易滞胀了

[Eric @ehkluo]

@Benjamin1524928 Congrats on the result! Do you use Quantconnect as your main platform? Any recommendations?

[Eric @ehkluo]

@dddanielwang 这才是真的开源模型，而不只是开放权重

[Himanshu @himanshutwtxs]

https://t.co/0qcaPF7bGi

[Eric @ehkluo]

Linux philosophy and CLIs are working very well for agents

[偶像派作手 @oxpsats]

华尔街日报今天这篇文章不错。人工智能领域的高管如何向子女描述未来的职业前景。

一句话总结：AI领袖们普遍不建议孩子过度追求当下的技术技能，而是强调适应性、批判性思维、文科教育（通才能力）以及人类独有的情感与责任感。

观点一：当下的具体技术技能（Technical Skills）保质期极短（甚至不到两年），未来的核心竞争力在于应对变化的敏捷性（Agility）。

Caroline Hanke (SAP) 指出，与其纠结于现在的编程技术，不如培养批判性思维、适应性和伦理判断力。

教育的重点应从“掌握工具”转向“适应新工具”和“判断工具的使用”。

观点二：在AI时代，传统的文科教育（Liberal Arts）比以往任何时候都重要，因为通过自然语言与AI交互需要深厚的元认知能力。

Jaime Teevan (Microsoft) 强调，以前操作电脑是决定性的（按按钮->出结果），现在是基于自然语言的意图表达。这要求使用者具备批判性思维、提供语境和挑战AI结果的能力（即元认知）。

Ethan Mollick (Wharton) 认为通才（Generalist）将是赢家。AI可以填补技能短板，因此拥有广泛技能组合的人（如既懂医学又懂人际沟通）更有优势。

与其成为单一领域的专才，不如成为能够整合多种知识并在AI辅助下工作的“超级通才”。

观点三：AI无法承担责任，也无法替代真正的人际连接。

Daniela Amodei (Anthropic) 认为，随着AI接管工作，人类品质（同理心、善良、沟通能力）的溢价会越来越高。人类本质上渴望与其他人类共处。

Jaime Teevan 指出，AI可以给出建议，但不能承担责任（Accountability）。像法律、会计这种需要对决策后果负责的职业，依然需要人类来做最终判断（Passing Judgment）。

未来的工作重心将从“执行任务”转移到“承担后果”和“提供情感价值”。

观点四：避开纯数字化的内卷，转向原子世界（能源、医疗）和社会服务领域。

Manny Medina (https://t.co/igRRT4ZQLW) 看好能源（特别是核能）和医疗保健。无论是为了驱动AI本身（能源需求），还是解决人类疾病（癌症治疗），这些都是硬需求。
鉴于AI发展的不平衡，致力于解决社会不平等（帮助被AI抛下的人群）和环境问题（海洋污染）也将是有意义且有前景的职业路径。

最后：孩子拥有一张“白纸”，他们不需要像成年人那样去“重塑”旧观念，这是一种优势。家长们的焦虑往往源于自身的旧经验与新世界的冲突，而孩子们是AI原住民。

不要把上一代的恐惧投射给孩子，鼓励他们去玩、去实验，而不是仅仅作为使用者。

AI高管们给子女的建议揭示了一个反直觉的趋势：在一个高度技术化的未来，最不值钱的可能是纯粹的技术执行力，而最值钱的是最“复古”的人类特质——对他人的共情、对复杂概念的哲学思考（文科）、对物理世界的改造（能源/医疗）以及对决策后果的承担（责任）。教育策略应从“学习如何像机器一样高效工作”转变为“学习如何做在大机器时代中独一无二的人”。

[Choqin @Choqin1]

• 科斯定理（Ronald Coase, "The Nature of the Firm", 1937）：这是解释“公司”为何存在的终极理论。科斯认为，公司的存在是为了降低交易成本（沟通、信任、缔约的成本）。如果完全在市场上找人合作成本太高，人们就会成立公司，用内部的管理指令来代替外部的市场交易。
• 推论：当 AI Agent 极其聪明、可靠且成本极低时，它能以光速完成需求匹配、谈判、履约（甚至结合智能合约）。这意味着外部市场交易成本将无限趋近于零。当外部交易成本 < 内部管理成本时，庞大的科层制公司就失去了存在的经济学依据，组织规模将不可避免地向单人+多 Agent 的形态收敛。

[DiscusFish @bitfish]

🧑‍💻 其次是打工人的角色重构：从“流水线工人”变成“牧羊人”。 当 Agent 接管了 90% 的日常流转，人类不再“持续搬砖”，只需做好三件事：
编排者：给机器输入人情世故和隐性的商业规则

异常处理：只处理 Agent 搞不定的 5% 黑天鹅事件

价值裁决：在重大节点一键拍板，承担商业与法律责任

[Eric @ehkluo]

@bitfish 是的，要从第一性原理出发而不是把 agent 塞到为人类设计的 workflow 里面··