fox

SFF

[fox @foxlee25]

ForBitCoins.com is launching soon and I'm one of the first in line! Join me. #launch http://t.co/qz2GeU0 via @forbitcoin

[猫猫观察员 @maomao_acrypto]

又出大瓜！

马斯克在福布斯250创新者晚宴断层第一，被评为在世最伟大创作者

原本只是颁奖，结果他聊嗨了，直接爆猛料：
已掌握“耶稣级技术”——脑机接口让瘫痪者重新走路、哑巴开口、盲人见光

更颠覆的是，他说过去5000年医学就像在森林捡棍子，现在有了合成RNA，未来医学本质是数字。只要知道往RNA里写什么程序，几乎能治愈癌症、阿尔兹海默、糖尿病等一切不治之症

他还预测：2031年AI智能将超越全人类总和，5年内人形机器人有望达10亿台。SpaceX的目标始终是让生命成为多行星物种

这速度，真的有点科幻了

[fox @foxlee25]

“人弃我取 人取我与 夏则资皮、冬则资絺、旱则资舟、水则资车 以待乏也。”

[娜美知识库 @fhwofjow51260]

体脂率下降的正确顺序

[Jason Zhu @GoSailGlobal]

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板

结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样

讲师的原话
- 2024 年大家都在 cosplay Llama2
- 2025 年的主题是「怎么训得不崩」
- 2026 年的主题是「怎么扛住长上下文」

下面是 2026 年开源 LLM 的标准模板 你训自己的模型可以直接抄

【架构层 已经收敛的 7 件事】
1）Layer Norm 挪出残差流（pre-norm）
原版 Transformer 把 LN 放在残差里 几乎所有现代模型都挪到外面
原因：keep your residual stream clean 梯度反传更稳

2）RMS Norm 替代 LayerNorm
LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙
丢掉之后 flops 只省 0.17% 但运行时省到 25%
（瓶颈在数据搬运 计算反而次要）

3）所有 bias 项全删
跟 RMS Norm 一个道理 系统层省内存搬运

4）激活函数用 SwiGLU 或 GeGLU
gated linear unit 几乎所有现代模型都用
Llama 系 / Qwen / Mistral 用 SwiGLU
Google 系（Gemma / T5）用 GeGLU
区别极小 选哪个都行

5）位置编码用 RoPE
2024 年之后基本统一了
原理：把每对维度按位置旋转一个角度 让 inner product 只依赖相对位置

6）Transformer block 串联（不是并联）
GPT-J / Palm 试过并联 现在基本被放弃
串联的实现优化得太好了 并联省的那点系统开销不值得损失表达力

7）Layer norm 可以「撒」
哪儿不稳就在哪儿加 LN
attention 之前能加 之后能加 两边都加（double norm）也可以
现代模型很多这样做

【超参数 已经收敛的 5 个数】
1）feedforward 维度 / hidden 维度
- 非 GLU 模型：4 倍
- GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵 要保持总参数量）
- Llama 系：3.5 倍
- T5 1.0 试过 64 倍 后来 T5 1.1 改回标准 别学

2）head 数 × head 维度 ≈ hidden 维度
几乎所有模型都遵守 T5 是为数不多的例外

3）模型纵横比（hidden / 层数）≈ 100
太深 pipeline parallel 难做
太宽 表达力受限
100 这个数字是系统约束 + 表达力的平衡点

4）vocab size
单语模型：30K 左右（早期 GPT-2 那种）
多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围）
现代基本都是后者

5）weight decay
仍然普遍使用
但研究发现它在 LLM 里干的事其实是优化器干预 让你最终能收敛到更深的最优点
跟你想的「防过拟合」没什么关系
所以别因为「单 epoch 不会过拟合」就把它关掉

【稳定性 三个救命 trick】
训练大模型最怕中途 loss 突然飙升 然后 NaN 全军覆没
现代模型用三个 trick 防这件事

1）Z-loss
output softmax 的 normalizer 容易爆
加一个 (log Z)² 的正则项 让 Z 始终接近 1
DCLM / Olmo 都用

2）QK norm
attention 的 Q 和 K 在矩阵乘之前各加一个 LN
让 softmax 的输入永远是单位尺度
multimodal 圈先用起来 现在所有大模型都加

3）Logit soft cap（仅 Google 系）
attention logit 用 tanh 硬封顶
Gemma 2/3/4 都在用 但会损失一点点性能 慎用

【Attention 两个新趋势】
1）GQA（Grouped Query Attention）几乎统一
原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h
GQA 共享 K 和 V 但保留多个 Q
表达力几乎不损失 推理成本砍掉 80%
现在所有要做生产部署的大模型 没有不用 GQA 的

2）局部 + 全局 attention 交替
处理长上下文的新方式
Cohere Command A 起头 现在 Llama 4 / Gemma 4 / Olmo 3 全在用
比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token
比纯 SSM 更稳 比纯 full attention 便宜得多
（Qwen 3.5 做了变体 把 sliding window 那 3 层换成 SSM）

收尾一句
如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」 不需要重新发明，直接抄

如果你只是想看懂 GitHub 上那些 modeling_xxx.py
这一份足够你不再被术语吓住

[董小姐 |Gate美股0费率 @xue55888]

口哨教学

[白骏知识分享 @cj3214567667]

几乎消失近30年，却在2006年留下了这段“禁片级”课堂，值得反复观看的投资视频：李录在哥大的估值课

李录这堂估值课用“股票=部分所有权、安全边际、市场先生、能力圈”这四个原则，配合独立思考、客观理性、耐心果断和对商业的热爱，教你在不确定的时代，用常识和人性修养，而不是预测和投机，来守住并提升自己在经济体中的长期购买力。

优质内容需要保存观看👇
链接：https://t.co/v51UzTbsLz

[Vishwa @Vishwa_lab]

https://t.co/gMFqm6fMtb

[DiscusFish @bitfish]

我从十几岁开始长白头发，以为是遗传，没当回事。
创业之后压力上来，白发肉眼可见地加速

直到做了基因检测：MTHFR TT纯合突变。
这不是普通的「少白头」，是身体亮的黄灯——
甲基化低效 + 抗氧化失衡

搞清楚通路后开始靶向干预，现在白头发几乎没有了

核心逻辑：
白发的80%杠杆在两件事——
抗氧化+ 甲基供体
剩下20%是压力管理

如果你也年轻时就开始长白发，先查MTHFR。毛囊还在，种子就还在

[星回夜谈 @yangyanglxy]

没有一本书是禁区，只有你自己设的墙。

你走进图书馆，看到《相对论》，转身就走；
看到《资本论》，觉得太厚；
看到《电路分析》，说"我不是学这个的"
但你有没有想过，这些书之所以吓到你，不是因为它们难，而是因为你从小被训练成"有些书不是给我看的"。

这是最大的认知监狱。

真相是：
图书馆里的每一本书，都是人写的；
既然是人写的，就是人能懂的；
如果你现在看不懂，不是你不行，
是你缺了前置知识——而前置知识，也在图书馆里。

所以没有"看不懂的书"，只有"还没准备好的你"。

难度大不是拒绝的理由，是邀请。

你第一次深蹲，只能蹲20公斤；但你不会因此说"我不适合深蹲"，你会继续练，直到能蹲100公斤；
阅读也一样，第一次读不懂《国富论》，不是你的问题，是你的认知肌肉还没练到那个重量——但只要你不放弃，肌肉会长。

大部分人的问题是：他们只愿意举自己能举起的重量。

他们只读"适合自己水平"的书，只看"能看懂"的内容；
结果就是，他们的认知肌肉永远停留在新手水平——因为肌肉只有在超负荷时才会生长，舒适区里练不出力量。

所以那些真正厉害的人，都在做一件事：主动挑战看不懂的书。

他们知道，第一遍看不懂是正常的；
第二遍还是看不懂，也是正常的；
但每一遍，都在积累——积累术语、积累框架、积累那些"似懂非懂"的感觉；
然后在某个瞬间，所有碎片会突然拼成完整的图景。

这个过程叫"认知突变"。

它不是线性的，不是你读一遍懂10%、读十遍懂100%；而是你读九遍都是0%，第十遍突然跳到80%
因为理解不是累加，是涌现；
当你的前置知识积累到临界点，整个知识体系会瞬间坍缩成一个清晰的结构。

但你必须熬过那九遍的黑暗。

数学、物理、电气工程、社会学、经济学——这些学科看起来毫无关系，但它们共享同一套底层逻辑。

数学教你抽象思维，物理教你因果推理，工程教你系统思维，社会学教你结构分析，经济学教你权衡取舍；
当你把这些学科的书都啃过一遍，你会发现——它们在用不同的语言，描述同一个世界。

这时候，你的世界观就不再是碎片，而是网络。

你读到一个经济学概念，能用物理学的类比理解；你读到一个社会学现象，能用数学模型解释；你读到一个工程问题，能用经济学的成本收益分析——这些跨学科的连接，才是真正的智慧。

但这个网络，只能靠你自己一本一本书地编织。

真正的理解，必须是你亲自和文本搏斗出来的。

一遍一遍地读，不是笨，是唯一的路。

阅读的基础，决定了你的世界观上限。

一个只读过商业书的人，世界观是扁平的；
一个读过哲学、数学、物理、社会学的人，世界观是立体的；
前者看到的是现象，
后者看到的是结构，
前者只能应对已知问题，
后者能拆解未知问题。

这个差距，不是智商，是阅读广度。

所以别再给自己设限了。

每一次翻开，你的认知肌肉就会撕裂一点、生长一点。

十年后，你会发现——那些曾经吓到你的书，现在读起来像呼吸一样自然；不是书变简单了，是你变强了。

而这个强，是你一页一页练出来的。

所以下次走进图书馆，别再绕开那些"难"的书。

拿起它，翻开它，读不懂也没关系，读完再读一遍；把它当成你的杠铃，用它来撕裂你的认知肌肉。

痛苦是生长的信号，困惑是进步的前奏。

那些让你望而止步的书，才是真正值得读的书。

因为它们，才能把你带到你从未到过的地方。

[加密韋馱｜Skanda 🔶 @thecryptoskanda]

https://t.co/z1jiLgm3sL

[Geek @geekbb]

这是一套完整的 Claude Code 配置，包含代理、技能、钩子、命令、规则和 MCP 配置。

这项目简直是把 Claude Code 玩明白了，作者是个狠人，拿了 Anthropic 黑客松冠军，用这堆配置直接干出了 zenith . chat。

这玩意儿有啥用？就是把你那平平无奇的 Claude Code 变成开挂神器。各种代理、技能、钩子、命令、规则、MCP 配置，应有尽有。作者用了 10 个月，天天用这玩意儿写代码，实战检验过的，不是那种玩具项目

但注意：MCP 别全开。200k 上下文开多了会缩水到 70k。作者建议 20-30 个配置，每个项目启用 10 个以下，工具控制在 80 个以内。

https://t.co/MDlHsClQ5w

[财经数据库 @caijingshujuku]

为了让你一直穷下去，富豪们做了哪些努力？
普通家庭的父母一定要看3遍！

[AI奶爸 @zstmfhy]

最近玩 NotebookLM 玩疯了：把一整本书丢进去，就能让 Gemini 基于纯原文给你零幻觉回答、生成播客、思维导图……但最烦的是手动下载 PDF + 上传这一步，太折腾人了！我偷偷做了一个 Claude Skill 神器：

1⃣ 直接扔一个 Z-Library 书籍链接（或其他合法来源）
2⃣ 自动下载 PDF/EPUB• 一键新建 NotebookLM 笔记本 + 上传文件
3⃣ 完事后 Claude 就能对话式“读”整本书，问啥答啥，还带引用来源～学术党、自学者、爱读书的大佬们，你们有没有这个痛点？

经常从 Z-Lib 或其他地方下书，但懒得手动上传NotebookLM，想一键把书变成可聊的 AI 知识库？

有需求的朋友点个赞/回复“要！”或者“+1”，我看反馈多的话，马上开源仓库 + 写详细教程！（合规提醒：只用于合法免费资源哦～）

给大家看一下效果

[0x_Miko @Mikocrypto11]

一个天气机器人，在 Polymarket 上把 $204 慢慢滚成了 接近 $24,000
没有神迹，全是重复
我看的是这个账户本身，而不是某一笔“爆赚”

先把链接放在这，方便你对照着看：
https://t.co/ydhjZkxfXe

这个 bot 只做一种市场：
伦敦每日最高气温区间。
每一笔下注，本质上都是同一个问题的变体：
某一天，伦敦的最高温度，会不会落在 X–Y 华氏度之间？
账户已经跑了 1300+ 笔交易，
胜率大约 73%。
但你几乎找不到那种“一把改命”的单子。

PnL 的来源只有一个词：重复。
它盯的不是方向，也不是极端天气，
而是——概率在相邻区间里的分配方式。

具体怎么做？
只买很窄的 YES 区间，价格通常在 20–30¢

同时把仓位铺在相邻的几个温度桶里
有时你甚至能看到：
在相邻区间里，同时持有 YES 和 NO，而且价格差非常大
看起来有点反直觉。
但结算的时候，逻辑就清楚了。

很多桶会直接归零。
只要其中一个区间结算到 $1，
就足以覆盖其它全部损失。

所以你会发现：
它并不追求“这一单一定要赢”，
而是接受多数桶失败，
只要概率被错分的那一格被击中。
整个优势，完全来自一件事：
这些温度区间市场，长期存在定价偏差。

不是预测天气有多准，
而是市场在拆分概率时，常常拆错。

说白了，这不是天气交易，
而是概率分桶的交易。

你要是只看单笔，会觉得平平无奇；
但当同一个结构，被执行上千次，
结果自然会自己走出来。

有些 edge，
从来不吵闹，
只是在后台默默工作。

[KK.aWSB @KKaWSB]

🚨突发
中本聪时代的巨鲸今天购买了价值 5 亿美元的 5,630 枚比特币 。

今年每一次市场下跌，都是同一个人预测对了，而且每次都孤注一掷。

他绝对知道比特币会涨得更高 。

[红袍猫后Penny🌊 @Xianzhong_1953]

哪个聪明人发明了“权力的避孕套”这一说法的？

[KK.aWSB @KKaWSB]

这位老哥洋洋洒洒用数学论文证明了一个令人振奋的结论：上次黄金出现最近这种走势时，比特币随后上涨了500%。

感兴趣可以看完整论文内容。

[KK.aWSB @KKaWSB]

a16z联合创始人马克·安德森：“未来最优秀的企业家将精通6到8件事，然后能够将它们相互融合、结合起来。”

“我认为，要想获得差异化优势，通常有两种方法——深入挖掘或广泛布局。”

“深入钻研意味着成为你所在领域的专家。在某些领域，这一点至关重要，”
“在生物技术和人工智能基础模型领域，你的知识储备越深越好。”

但随着人工智能能力的不断提升，“广博”将是大多数领域的制胜策略。他建议先对多个不同领域以及世界的运行规律有所了解，然后在需要时利用人工智能工具进行深入研究。

“如果你和任何一位优秀的 CEO 交谈，你就会发现这一点。”马克解释道，“真正优秀的 CEO 不仅精通产品、销售和市场营销，而且在法律、财务、投资者关系和媒体关系方面也表现出色。这是一种跨学科的方法。”

[那一抹微笑 @Isluckyethan]

永远不要用你需要的钱
去赌你不需要的钱
这是贫穷的开始
​发现错，马上改
不管多大的代价
都是最小的代价
​勤奋和天赋
其实都没那么重要
做对的事情最重要
​改变不容易
但任何时候
可能都是好时机
​其实我也不愿意慢慢的变富
我是不知道怎么才能快速变富而己。

[知识分享官 @knowledgefxg]

一个非常棒的“远古”英语学习网站：ESL Bits
提供丰富的英语有声书全集，所有的小说、短篇故事、经典名著都配有音频朗读和文字，而且可以调节朗读速度，适合提高听力和阅读理解。内容很丰富，从狄更斯、阿加莎·克里斯蒂到《1984》《动物农场》这些经典都有，还有福尔摩斯系列、英语歌曲什么的。