Flight

SDE / Crypto/ HFT

[苏码玩家 @suversal]

更新情况：目前新号蹬了半天，还没提示KYC

感觉这样用Claude有点说法啊：

直接在美西的甲骨文机器上安装Claude Code，然后通过Herdr远程连接使用

再用SSH/SFTP挂载远程目录，和本地开发体验基本没区别

‼️最关键的是，不管我人在什么地方、用什么网络，Claude Code始终运行在那台美西机器上，出口IP和运行环境都是固定的

兄弟们，祝我好运！😂

对了，herdr基本使用可以看我之前这个文章👇

[Viking @vikingmute]

我最近的做法居然和 Matt 不谋而合，现在启动 agent 已经不是在各个项目 repo 中了，而是有一个叫做 start repo 的统一入口，里面存放了所有的 steering 文件，比如 agents.md skills design.md wiki 配置等等，不用重复在各 repo 中配置，然后通过一个简单的 md 文档告诉 agent 其他项目的路径，可以从那里直达。

这样 Agent 就知道其他项目在哪 可以直接操作它们，同时所有的 skills、steering 文件、规则都集中在主仓库统一管理，这样统一入口，可以一次性统一调整一些全局的规则，假如几个项目有联系的话，agent 也可以很轻松的一块进行管理或者修改，很方便，效率更高。

[Asa @app_sail]

https://t.co/4rRcs5LXQy

[Flight @flight_from_]

@BitDanceUp 怎么知道是授权了什么项目方呢？我几个月前链上也被盗了30k u

[Flight @flight_from_]

@silsrc respect

[Vince 聊开发 @vincemask]

想到一个降低 Claude 封号风险的方案，不知道有没有人实践过。

1.准备一台便宜的美国 VPS，在 VPS 上安装 Magpie，并登录、绑定 Claude 订阅账号。

2.在 VPS 上开启 Magpie 的「局域网共享」，监听 0.0.0.0:3425，通过防火墙开放对应端口，并配置 Gateway Key 鉴权。

3.在本地电脑安装 Magpie，通过「Remote Magpie」添加远程节点，填入：

http://VPS公网IP:3425

同时配置对应的 Gateway Key。

4.本地 Claude Code 连接本地 Magpie，再通过远程 Magpie 调用 VPS 上绑定的 Claude 账号。

最终请求链路

本地 Claude Code

→ 本地 Magpie

→ 美国 VPS 公网 IP:端口

→ VPS Magpie

→ Anthropic API

→ 原路返回

这样一来，Claude 账号的登录凭证保留在美国 VPS 上，模型请求也统一由 VPS 出口 IP 发往 Anthropic。本地机器只通过 Magpie 的远程共享功能调用，不需要直接登录 Claude 账号。

[klöss @kloss_xyz]

Want to vibe code better than almost all of your friends? The exact 5 steps you'll need ↓

1: Install pstack (open source on Cursor's GitHub, shoutout @poteto).

2: Run /setup-pstack. Pick your models.

3: Add an AGENTS.md to every one of your active repos.

4: Run /create-verification-skill in each repo so your agents can launch your app and prove their changes actually work.

5: Start every real task with /poteto-mode and tell it to verify with /verify-{yourapp}.

Congrats. Now your agents can start bringing you proof things work instead of just guesses.

[susun @SuJinYan123]

系统问题大体分为几类
第一种是“确定性问题”，给定工作，如何以更低的代价完成它，是个”执行问题“。算子优化，逻辑完善，一些逻辑优化，这些都是“确定性问题”，我想说的是，他们可以精准进行评估，或者是改进一定是帕累托的。它们有个"Roofline"。
第二种是“不确定性问题”，给定有限资源，不完全的信息，进行决策，是个”决策问题“。有点类似 NP 问题，你知道你做不到最好，这类问题偏策略等，更多取决于 workload，one size fit all，改进可能不是帕累托的。No Free Lunch ，类似 CAS 的东西，系统不可能同时占据三个前沿，肯定就需要“舍得”，有舍有得，也可以叫 trade-off 吧。
显然第一类问题，已经有问题，和它的 Roofline，直接@claude code 干就好了。不过有时候"Roofline"，或者说最优点并还没有建模出来，需要先建模出来，这个最优点可能还分为“理论最优点”和“实际最优点”，就像算子并不能可能完整打满 GPU 带宽一样，实际上也不能一直打满 FLOPs，这里面有另一个"Roofline"，叫做功耗。但给定 shape，给定 roofline，去进行逼近，这个是比较直接的，你知道梯度怎么下降，你总能下降的。知道这个以后，剩下的就是逐步 拆解，自顶向下，写的 kernel，怎么映射到最终硬件的功耗，这是一个很复杂的事情（如果追求的是极限的话）。
第二类问题，更多的是，在线的，分配的，比如缓存淘汰策略，调度策略，至今也没有一个全知全能的淘汰策略。但是我们针对这样的问题，也并非无解。首先它也有它的 oracle，比如缓存淘汰策略，允许偷看，势必存在一个“最优解”的，那必然 LRU 的 hit ratio <= oracle，这个差距大还是小呢？如果“大”（这里指的是价值，而非绝对的 hit ratio），那就有研究的必要，如果不大，那也别浪费时间。因为时常会在这样的问题浪费时间，总感觉当前 baseline 不够好，但又不知道改进能拿到什么改善。我们需要观察 oracle。这里还要区分，这个差距的组成，一部分来自 oracle 知道未来，另一部分是，oracle 确实做了更好的决策，或者说“实际可改进的 gap"多大。
如果价值大，意味着这里面有研究的空间，问题变成了，我们怎么追赶最优解，这里就需要一些"The bitter lessons"，有很多启发式策略，我们需要一个模拟器，接受 Trace 进行 Replay 给出结果，有点类似 RL 的味道。我这里的意思是，取用尽可能多的计算资源，暴力搜出来，不同策略的“结果”，我再从这些不同策略的不同“结果”的 diff 里去完成“学习”，去思考，这些 diff 里表达了什么信息，有点类似一个拿到梯度的优化器，我是不知道最优的解，但我可以通过这样的更新-> 梯度的循环，逐步下降。
第二类问题本质是“信息不完全”，它不知道未来什么请求，本质是对过去的一些“归纳偏执”，或者说对过去数据的过拟合。
第一列问题达到极限后，往往会催生更多问题。比如，优化完某个大 MoE 的 Prefill kernels 后，会深刻理解 Prefill 的成本组成，为什么成本不能进一步下降，也许会思考，到底这个 Prefill 的计算过程中，需要什么样的硬件，如果让我造 chip，我应该造什么 chip，多大的显存，多大的带宽，应该配备什么计算资源，存储计算。善弈者谋势。硬件厂商能理解这件事情吗？NV 下一代 chip 什么路线？TPU 呢？ AMD 呢? 从他们的硬件演化，反推他们的客户需求。他们硬件路线也不一定相同，是否市场，软件stack 可以充分利用，也包括反过来，给定计算卡，怎么设计模型。
运筹学里有个概念叫做影子价格，Shadown price，指在最优策略下，放宽某个资源的一个单位，系统整体目标函数所能提升的边际量。之所以叫“影子”，是因为很多东西是扭在一起的，看似“高维”，实则有个“低维”影子。
有时候把算子串接起来的时候也会发现“第二类问题”，有时候单个算子“功耗”太高，算的太快，单看是更优的，但是放入流水线中就会有影响后面的算子，导致反而退步，这里就又有一点“分配”的味道了。
第二类问题的“重要性”会发生改变，我们为什么要研究第二类问题，因为有些资源是稀缺的，高效分配，调度他们是“重要的”。当这些资源不再稀缺的时候，研究这个问题就会变得不那么”重要“，甚至策略会回退到一些非常简单的策略，浪费资源，去追求鲁棒性。或者说，我想感知到优化问题的”梯度“，我并不希望在梯度非常小的时候，还去尝试优化。

[DeepSeek Harness @DeepSeekHarness]

https://t.co/gwwIHtyCRQ

[雪踏乌云 @Pluvio9yte]

花了大精力搞的Claude多号方案，光解决好几个apple id注册探索就花了几个小时，索性终于稳定了，没弹出KYC也没封号，把经验记录了下来，照着操作也很快，长文如下👇 https://t.co/0BZCjyYrjv

[Armv7l @Armv7lFx]

Routing your order properly by taking the exchange latency, depth, premium of each venue is also a core principe of market-making, you quote nice depth on exchanges and hedge yourself instantly, on the same symbol or on correlated ones for low bp cost

it also allow mm to handle OTC trades and quotes RFQ for huge depth.

on any altcoin you easily accumulate millions $ depth

https://t.co/KkEhhI5hk6

[罗格 Roge | Web3 Security & Arb @0xLogicLog]

所有科技公司、开发人员必读这篇博客 ，90%的代码AI开发，提高2倍生产效率，降低40%的无效PR。这篇文章最大的价值不是证明 AI Review 有多强，而是展示 AI 编程时代如何重新分配工程师的注意力。
https://t.co/1BFhAI8OV2

[𝑴𝒂𝒊𝑴𝒂𝒊 𝑺𝑷𝑿 🧲 @mm_options]

在 Hyperliquid 下一笔单: 订单簿, 订单类型和三种价格

在 CME 挂止损, 等的是市场真的成交到你的触发价; 在 Hyperliquid 挂止损, 看的是 Mark price. 这一个词的差别, 决定了你的单子什么时候被触发, 成交在哪里, 有没有可能根本成交不了.

今天把下单这件事从头拆一遍: 单子进了哪本簿, 几种订单选项分别干什么, 页面上那几个价格各管哪一摊. 最后附一张对照卡, 建议收藏, 下单前对一眼.

一. 订单簿: 和交易所一样, 只是搬到了链上

Hyperliquid 文档对 HyperCore 订单簿的描述很直白: 每个资产一本簿, 运作方式和中心化交易所基本一样, 按价格优先, 时间优先撮合; 价格必须是 tick 的整数倍, 数量必须是 lot 的整数倍. xyz:SP500 (trade[XYZ] 在 Hyperliquid 上部署的 S&P500 永续合约) 用的就是这套撮合, Day 1 讲过的 HIP-3 只是换了部署方, 没有换引擎.

有两点和券商下单不太一样. 第一, 保证金检查做两次: 下单时查一次, 挂着的单子被撮合时再查一次挂单方, 因为挂单期间 Oracle 可能已经变了. 第二, 同一个区块里, 动作是排过序的: 先处理不发送 GTC 或 IOC 的动作 (只挂单 ALO 属于这一类), 再处理撤单, 最后才是 GTC 和 IOC. 也就是说, 在同一个区块里, 只挂单和撤单排在可能立即成交的 GTC, IOC 前面.

二. 订单选项: 和 Nasdaq, CME 对着看

先说结论: 大部分名字你都认识, 但行为不完全一样.

GTC: 挂在簿上直到成交或撤单, 和券商的 GTC 限价单一个意思.

IOC: 能立即成交的部分成交, 剩下的撤掉; 如果一点都成交不了, 整单直接被拒.

ALO, 也就是只挂单 (Post Only): 只允许做挂单方. 这里和 Nasdaq 差别最大. Nasdaq 的 Post-Only 如果会锁住对面的报价, 按端口设置要么改挂到差一个最小价位的地方, 要么撤单; 如果会越过对面, 按对面挂单的价格成交, 算价格改善. Hyperliquid 的 ALO 不替你改价, 只要会立刻成交就直接拒单, 回报里会附上当时的最优买卖价.

市价单: 前端有市价按钮, 但下单接口里其实没有单独的市价类型, 只有限价 (GTC, IOC, ALO 三选一) 和触发单两类. 官方 Python SDK 的市价开仓, 是用一个带 5% 默认滑点上限的 IOC 限价单实现的.

Reduce only: 只减仓, 不会反手开出新仓位, 会加仓的单子被拒.

再加两个硬门槛: 每笔订单最低 10 美元; 价格最多 5 位有效数字, 小数位不超过 6 减 szDecimals, 整数价格不受有效数字限制.

三. 机制: 三种价格, 各管一摊

Day 1 讲过 Oracle 和 Mark 的概念, 这里只放到下单场景里看.

Mark price 管四件事: 保证金, 清算, TP/SL 触发, 未实现盈亏. trade[XYZ] 文档写明, xyz 市场的 Mark 是三个数的中位数: Oracle; Oracle 加上 150 秒指数移动平均的簿中间价与 Oracle 之差; 簿上最优买价, 最优卖价, 最新成交价三者的中位数. Hyperliquid 自营市场的 Mark 还会参考几家中心化交易所的永续中间价, xyz 的版本没有这一项.

Oracle price 管 funding, Day 3 讲过每小时 funding 怎么算, 这里不展开.

最新成交价只是 Mark 的一个输入. 你的单子永远是和簿上的挂单成交, 成交在哪个价位, 看的是那一刻的簿, 不是 Mark, 也不是 Oracle.

所以 TP/SL 的逻辑和 CME 不同. CME 的止损限价单在市场成交到触发价时激活; 带保护的止损单激活后以市价进簿, 但成交不能超过触发价加减保护点数. https://t.co/MJoVxxmI8S 对美股止损单的解释是: 触到止损价后变成市价单, 可能被短线波动触发, 成交价也可能和止损价有差距. Hyperliquid 的 TP/SL 由 Mark 触发, 触发后可以是市价或限价: 市价版的滑点容忍是 10%; 限价版文档举了个例子, 多单止损触发价和限价都设 10 美元, 价格从 11 直接跳到 9, 这张单很可能挂在 10 美元不成交, 把限价放到 8 美元, 大概率能在 9 到 8 之间成交.

四. 数据观察: xyz:SP500 的一张簿长什么样

我在北京时间 10 月 21 日 06:09 到 06:12 (美东 10 月 20 日周二晚 18:09 到 18:12, 美股收盘后) 从 Hyperliquid 公开接口拉了四次快照. 以下只代表那几分钟, 不代表平时.

精度: szDecimals 为 3, 最小数量 0.001 个指数单位. 按快照时的价格, 0.001 个单位只值 7 美元多, 不到 10 美元门槛, 所以实际最小要下 0.002 个单位. 价格在 4 位整数时, 5 位有效数字只留 1 位小数, tick 就是 0.1 个指数点; 簿上相邻档位的最小间距确实是 0.1.

价差: 四次快照, 最优买卖价都只差 1 个 tick, 也就是 0.1 个点.

深度: 06:09:46 那次, 买一挂单约 12.2 个单位, 卖一约 13.0 个单位, 名义各约 9.4 万和 10 万美元; 接口返回的买卖各 20 档, 买方 20 档在 2.4 个点以内, 合计约 306 个单位, 卖方 20 档在 2.0 个点以内, 合计约 191 个单位.

三种价格: 四次快照里 Mark 都比 Oracle 低 0.6 到 0.9 个点, 约 0.8 到 1.2 个基点; Mark 和簿中间价相差 0.05 到 0.35 个点. funding 字段四次都是每小时 0.000625%, 与 Day 3 推出的基准值一致.

这些深度和价差只属于 xyz:SP500 这个永续本身, 不是 ES 的深度, 也不是 SPX 期权的持仓. 它可以当作和 SPX 并排看的一个副市场, 但不适合拿来标 SPX 的精确支撑阻力.

五. 进阶: 下单前最容易踩的五个坑

1. 跟着开仓单一起设的 TP/SL, 只有在开仓单完全成交时才会挂出去 (开仓单部分成交后因保证金不足被系统撤单的情况除外). 开仓单部分成交后你手动撤掉, 子 TP/SL 会被全部撤销, 已成交那部分要自己重新设.

2. 止损看的是 Mark, 不是你在 K 线上看到的最后一笔成交. 上面的快照里 Mark 和 Oracle 就差了将近 1 个点, 而且每次快照的差距都不一样.

3. 限价版止损给了你价格上限, 也带来挂着不成交的风险; 市价版给了成交确定性, 代价是最多 10% 的滑点容忍. 两者是取舍, 没有标准答案.

4. tick 跟着价格位数变. 按 5 位有效数字和整数价格始终有效这两条规则推算, 指数如果到了 5 位整数, tick 会从 0.1 变成 1. 写程序挂单的朋友, 价格取整逻辑要按规则算, 不要写死.

5. 最大订单金额. Hyperliquid 合约规格表写的是: 最高杠杆不低于 25 倍的市场, 单笔市价单上限 3000 万美元, 限价单是市价单上限的 10 倍. 这张表写在 Hyperliquid 自营永续的规格里, 是否原样适用于 xyz:SP500 这类 HIP-3 市场, 我在 Hyperliquid 和 trade[XYZ] 文档里都没找到明说, 暂时不要当作 xyz:SP500 的确定规则.

顺带一提, xyz:SP500 目前处于 growth mode, trade[XYZ] 公布的基础档费率是吃单 0.009%, 挂单 0.003%. ALO 拒单虽然不友好, 但它保证了你一定按挂单费率成交.

这篇只拆下单规则和价格机制, 不构成任何交易建议, 也不代表对任何价格方向的看法.

[DeepSeek @deepseek_ai]

🚀 Introducing DeepInfer, our in-house inference framework, now fully open source!

Powering DeepSeek-V4.1-Flash at scale with high throughput and low latency. We’re sharing our production stack to help the community lower compute costs, reduce energy use, and make AI more affordable.

🔗 https://t.co/JGAik1kgk0

1/4

[Flight @flight_from_]

@Vincent_AINotes 如果直接写二进制呢？

[Flight @flight_from_]

@StepOneAi 第三 私有流丢成交、乱序、迟推还挺常见的，再加上部分成交。只认成交回报，长期仓位就漂移了。

[Flight @flight_from_]

@0xASir @app_sail 有不在的，有的账户申请的是国内的云主机

[九江月.hl @0xMaxs]

Hyperliquid 去除了一个长期偏向大型做市商的隐形门槛：高质量、低延迟的链上数据👀

简单来理解：

1.Hyperliquid每秒产生大量订单、成交和持仓数据。交易程序想更快看到这些数据，通常需要运行一个“非验证节点”，并连接稳定的上游节点。

2. Foundation自己的节点距离核心验证网络更近，数据更稳定、传输链路更短，相当于官方提供的高速数据源。

3.过去想直接连接这个节点，通常需要质押1万枚HYPE，同时达到Tier 1做市商门槛，中小团队很难满足。

4.现在Foundation允许专业基础设施公司接入。服务商再以统一价格向外提供连接，当前参考价格低于1000美元/月，服务可用率要求达到99.9%。

5. 服务商需运营满1年、服务至少100名客户并覆盖5个网络。严禁给某家做市商单独开更快的线路。一旦查实存在特殊待遇，举报者还可能获得赏金。

Hyperliquid🙋

[Flight @flight_from_]

@extendedapp 我的钱包被盗后，我主动请求 @Extended 冻结提现以保护资金。40 天过去了，约 9,734 USDC 仍然无法取回。 希望大家能帮忙引起官方关注 🙏