THYeh

[RJ @RJDAIGOGO]

可能是我最近看过的最好的一个讲高带宽内存HBM的视频，从基本原理讲到工程工艺，顺便比较了一下内存三巨哪家强。深入浅出，推荐观看。

[Matt Pocock @mattpocockuk]

I poured my 10 years of teaching experience into a skill.

It's called /teach, and it can teach you anything.

Here's how it taught me to solve a Rubik's cube:

[Meta Alchemist @meta_alchemist]

Got your hands on Claude Fable 5?

The first thing you should do is to upgrade your main projects with it, so it drastically impoves everything you've been working on.

Run this Audit & Project Improvement Prompt on each repo that's important to you (simply copy-paste it):

Repo Audit & Improvement Plan:
Prompt made by Claude Fable 5

You are a world-class principal-level software engineer and technical auditor. Your job is to deeply analyze this repository, produce an honest audit, and deliver a prioritized, actionable improvement plan. Work in the four phases below, in order. Do not skip ahead.

Ground every claim in actual files: cite file paths and line numbers. If you can't verify something, say so explicitly rather than guessing.

Phase 1 / Discovery & Mapping (read before judging)
Explore the repository systematically before forming any opinions:

Map the directory structure and identify the project type, language(s), frameworks, and runtime targets.
Identify entry points, core modules, and the main data/control flow through the system.

Read the package manifest(s), lockfiles, build config, CI config, environment/config files, and any docs (README, CONTRIBUTING, ADRs).

Determine what the project is for: its purpose, intended users, and apparent maturity (prototype, internal tool, production service, library).

Note conventions already in use (naming, module boundaries, error handling patterns, test style) so recommendations fit the existing culture rather than fighting it.

Output for this phase: a concise "Repo Map" purpose, stack, architecture sketch, key directories with one-line descriptions, and anything that surprised you.

Phase 2 / Audit (evidence-based, severity-rated)

Audit each dimension below.

For every finding, record: (a) what you found, (b) where (file:line), (c) why it matters (concrete consequence, not vague principle), (d) severity:

Critical / High / Medium / Low.

• Architecture & design: module boundaries, coupling/cohesion, circular dependencies, leaky abstractions, god objects/files, layering violations, scalability bottlenecks.

• Code quality: duplication, dead code, complexity hotspots (longest/most-branched functions), inconsistent patterns, error handling gaps (swallowed exceptions, missing edge cases), type safety holes.

• Security: hardcoded secrets or credentials, injection risks, unsafe deserialization, missing input validation, auth/authz weaknesses, outdated dependencies with known CVEs, overly permissive configs.

• Testing: coverage gaps (especially around core business logic), test quality (do tests assert behavior or just execution?), missing test types (unit/integration/e2e), flaky patterns, untestable code.

• Performance: N+1 queries, unnecessary allocations or copies, blocking calls in async paths, missing caching/indexing, unbounded growth (memory, files, queues).

• Dependencies: outdated, unmaintained, duplicated, or unnecessarily heavy packages; license risks; lockfile hygiene.

• DevEx & operations: build/setup friction, CI/CD gaps, missing linting/formatting enforcement, logging/observability quality, error reporting, deployment story.

• Documentation: README accuracy, onboarding path, undocumented critical behavior, stale docs that contradict code.

Rules for this phase:

Prefer 15 high-confidence findings over 50 speculative ones.

Distinguish facts ("this function has no error handling: src/api/client.ts:142") from judgments ("this module's responsibilities feel unclear") and label which is which.

Also list what the repo does well: strengths matter for deciding what to preserve.

Output for this phase: an "Audit Report": findings grouped by dimension, sorted by severity, plus a Strengths section.

Don't forget to mention all the ugly parts that need utmost priority.

Phase 3 / Improvement Strategy

Synthesize the audit into a strategy:

Identify the 3–5 themes that explain most of the findings (e.g., "no enforced boundaries between layers," "error handling is ad hoc").

For each theme, propose a target state and the principle behind it.

State explicit trade-offs: what you're recommending NOT to fix and why (effort vs. payoff, risk, project maturity).

Define what "done" looks like — measurable signals (e.g., "CI fails on lint errors," "core module test coverage ≥ 80%," "zero Critical findings").

Phase 4 / Detailed Task Plan
Convert the strategy into an execution plan:

Break work into discrete tasks. Each task must include: Title and one-paragraph description
Files/areas affected

Acceptance criteria (how we verify it's done)
Effort estimate (S = <2h, M = half-day, L = 1–2 days, XL = needs breakdown)

Risk of the change itself (could it break things?)
Dependencies on other tasks

Order tasks into milestones:

Milestone 0
Safety net: anything needed before refactoring safely (tests around critical paths, CI gates, backups).

Milestone 1
Critical fixes: security and correctness issues.

Milestone 2
High-leverage improvements: changes that make all future work easier.

Milestone 3
Quality & polish: remaining medium/low items worth doing.

Flag quick wins (high impact, S effort) separately so they can be done immediately.

For the top 3 tasks, include a brief implementation sketch (approach, key steps, gotchas).

Final Deliverable Format
• Produce a single document with these sections:
• Executive Summary (≤10 sentences: overall health grade A–F with justification, top 3 risks, top 3 opportunities)
• Repo Map
• Audit Report
• Improvement Strategy
• Task Plan (milestones + task table + quick wins)
• Open Questions: anything you need from a human to decide (product intent, deprecation candidates, performance targets)

Constraints
Do NOT modify any code during this audit. Analysis only.

Do not pad the report. If a dimension is healthy, say so in one sentence and move on.

Calibrate to the project's maturity. Don't recommend enterprise-grade infrastructure for a weekend prototype unless the owner's goals demand it.

Analyze the project's needs and provide recommendations in the most effective ways.

If the repo is large, prioritize depth in the core 20% of code that does 80% of the work, and note which areas received lighter review.

[珠音こころ @tamanekokoro]

ローカルLLMのモデルで今1番好きなのこれ
Qwen3.6 35B A3BにOpus 4.7蒸留して無検閲化したヤツ
huihui_ai/Qwen3.6-abliterated:35b-Claude-4.7

これがRadeon780M積んだだけの6万円台のパソコンで20t/sで動くの意味わからんわって感じ
同じMoEのGemma4 26B A4Bより全然良い

(モロに作り方載せてしまってたので上げ直し)

[Phoenix Yin @Phoenixyin13]

今年6月的美股要把所有人放进滚筒洗衣机里甩。

四周大戏到底在演什么？听我分解。

第一周（6/1 - 6/5）：AI行不行？全看这两家

6/1（周一）黄仁勋演讲，老黄又要出来画饼了，给AI板块定个调。
6/3（周三）博通财报本周戏肉！ 全市场都在盯着它，看企业到底有没有真金白银地买AI芯片和网络设备。如果它暴雷，AI板块集体吃瘪。如果超预期，AI继续狂欢。
6/5（周五）非农就业数据看看美国人就业怎么样，直接决定美联储接下来的底气。

第二周（6/8 - 12）：苹果、通胀与马斯克抢钱
6/8-12 苹果WWDC库克时代的谢幕演出。大家不关心新iPhone长啥样，就看Siri能不能变聪明、端侧AI能不能让人惊艳。成了苹果带头冲。输了继续被嘲讽。
6/10（周三）CPI，本月第一个超级大雷点。 数据太热成长股当场大跌，数据降温的话，大家接着舞。
6/12（周五）SpaceX 预计上市，散户的狂欢，但对市场是把双刃剑。它会点燃航天概念股，但因为它体量太大，可能会把其他科技股的资金吸干。

友情提醒： 像 RKLB、ASTS、LUNR 这些太空概念股，跟 SpaceX 没半毛钱业务关系，纯靠情绪炒作，这几天绝对像坐过桥车，心脏不好的别碰。

🚨第三周（6/16 - 19）：全月最终大Boss，极度危险
6/16-17 美联储议息会议新主席 Warsh 的第一次首秀。 新官上任三把火，大家都在猜他的脾气。他不光决定加不加息，他的每一句话、那张点阵图都会被市场拿着放大镜解读。
6/18（周四）期权四巫日提前，各种期权衍生品到期结算，一般这一天成交量巨大，波动诡异。
6/19（周五）六月节，美股休市。

个人感觉，6/10 到 6/18 是全月最密集的子弹横飞区。千万别在此时重仓追高，容易被不明不白的波动直接抬走。

第四周（6/24 - 26）：主力调仓，别被假象骗了
6/24 老黄股东大会 + MU财报，是AI链条的期末总结，需要看看
6/26 罗素指数重构，简单说就是大批机构资金要在这一天雷打不动地强行调整小盘股仓位。

对了，26号前后小盘股如果莫名其妙暴涨或暴跌，别去分析基本面，纯粹是主力在对账调仓。冷静点，别瞎跟风。

6月把安全带系好，手里现金不多的看神仙打架就行。我只能帮你到这里。

[MOSS 中文 @MossAI_CN]

https://t.co/RJKWSB6GHB

[K三 凯 @kaikaibtc]

最可怕的不是他5个月32倍，是他把投研这件事外包给了AI

最近X上有个很火的美股交易员👉，「前 RISC-V Foundation 成员，AI 研究科学家；现在的工作是——交易那些没人注意到的瓶颈。」

看起来就是一个喜欢在网上吹牛的散户，对吧？直到我看到了他2026年5月晒出的那张收益截图。

2026年至今（5个半月）：+3,152.77%。
不是32%。是32倍。

而且这已经是「回撤之后」的数字。他在2025年7月才注册这个账号，到2025年底的半年里已经做到了630%的回报。

他买了23只股票。没有一只涨幅低于100%。涨得最多的那一只，翻了84倍。

如果你2026年1月1日给他1万美金，到5月20日，你可以拿回32.5万美金。10万进去，325万出来。

涨得最少的一只，翻了一倍。涨得最多的那一只，翻了84倍。

所以我把他这几个月的推特全部扒了一遍，发现这个人不是传统意义上的「基本面研究」。

他做的事情，我称之为——
「AI驱动的全球供应链瓶颈套利」。

👉23只股票，23次提前预知市场

这23只股票有一个共同特点：它们都不是什么明星股，全是你可能从没听过名字的公司。

但恰恰是这些没人注意的公司，每一只都精准地卡在AI产业链的「咽喉」位置——一旦断货，整个行业都得停下来等。

他看的是更底层的问题：如果AI继续扩张，哪一环会先不够用？

AI产业链的第一层瓶颈，比如GPU、HBM、电力、数据中心，已经被所有人盯烂了。真正能出超额收益的，往往是第二层、第三层：光模块、激光器、InP衬底、SOI晶圆、外延设备、晶圆级测试、IC载板、特殊玻纤。

最典型的是 AXTI。Serenity 在 Reddit / WSB 上发过一篇很夸张的帖子，把 AXTI 写成整个西方AI建设的“单点故障”：不是因为它名字响，而是因为 InP 衬底和上游材料卡在光通信、硅光、CPO这条线上。

👉他到底怎么实现的：普通人用AI看研报，他用AI制造研究差

很多人一听“AI投资”，脑子里想的是：问ChatGPT买什么股票，问DeepSeek这家公司好不好，问Perplexity总结一下财报。

这基本没用。因为同一个问题，所有人都能问，所有人都能得到差不多的答案。Serenity 的用法更像是把AI当成一整个投研助理团。

1. 先让AI拆产业链，而不是让AI推荐股票
如果全球AI数据中心继续扩张，从GPU、HBM、网络、光模块、衬底、外延、测试、封装、PCB、玻纤到电力，分别会卡在哪里？这个问题一变，答案就完全不一样，你会得到一张产业链地图
。

2. 再让AI沿着每个环节找供应商
比如你拆到光通信，就继续问：光模块里最难扩的是哪一段？激光器供应商有哪些？InP衬底谁供？外延片谁做？这些公司是上市公司吗？市值多大？过去有没有进入核心客户供应链？

3. 然后让AI做交叉验证，而不是只听一个故事
这个瓶颈会不会被替代？这家公司有没有产能？客户有没有验证？收入什么时候可能体现？有没有被稀释风险？有没有地缘风险？有没有管理层问题？估值是不是已经透支三年？

真正值得学的是问题 。

Serenity 这件事给普通人最残酷的提醒是：AI没有让投资变简单，AI只是把“研究量”的上限抬高了。

他的核心方法论可以压成五句话：
先确认超级趋势，不在小风口里找幻觉。
把趋势拆成物理供应链，不停留在概念层。
找第二层、第三层瓶颈，不追已经被充分定价的龙头。
用AI扩大检索、整理和反证能力，不让AI直接替你拍脑袋。
最后用人的产业理解和风险纪律决定仓位，而不是让模型替你冲。

Serenity在字典上是「宁静、安详」。

真正的宁静，不是不关心外界。而是当整个市场都在为「英伟达又涨了」而喧嚣、为「某某概念又火了」而狂热的时候——你却安静地坐在那里，看着一张全球供应链的地图，思考一个问题：

「如果AI继续扩张——下一个会被卡住的环节，在哪里？」

这个问题，才是他5个月32倍的真正秘密。

[Ahmad @TheAhmadOsman]

DROP EVERYTHING

The bible for running LLMs locally is now available online to read for free

Covers what to use on

- Laptop / edge / odd hardware
- Mac-first workflows
- Single RTX GPUs
- 2-4+ NVIDIA / CUDA GPUs
- General production serving
- Long-context / MoE / routing
- NVIDIA max performance
- Cluster orchestration

Software

- llama.cpp
- MLX / MLX-LM
- ExLlamaV2
- ExLlamaV3
- vLLM
- SGLang
- TensorRT-LLM
- NVIDIA Dynamo

You should read this, and if you cannot now then you most definitely wanna bookmark it for later

Local AI FTW

[XM @planxyou]

@Jackywine 这第一大脑都不好使，还整什么第二大脑

[nicekate @nicekate8888]

最近二十天我都在折腾一件事——怎么让 Qwen3.6-27B 在我的 Mac 上跑得又快又好。

一开始我用 Unsloth Q5，18 tok/s，风扇呼啦呼啦响。

后来换成 MLX 6bit + DFlash，提到 22 tok/s，还是不够快。

直到我遇到了 MTPLX 4bit，43 tok/s，质量不错。

完整视频：🧵

视频里有完整对比、编码任务实测、写作推理测试，还分享了我和 Grok 一步步搞配置的全过程

[大宇 @BTCdayu]

https://t.co/uFl38YriTV

[Daniel Han @danielhanchen]

We released experimental MTP Qwen3.6 Unsloth GGUFs!

Qwen3.6 27B MTP now runs at 140 tokens/s. Qwen3.6 35B-A3B MTP gets 220 tokens/s generation on a single GPU.

Qwen3.6 27B and 35B-A3B have >1.4x speed-up over the original GGUFs without any change in accuracy.

Guide + GGUFs + Benchmarks: https://t.co/x9BYC3iXCL

In terms of average speedup, we see a 1.4x for dense models at draft tokens = 2 and for the MoE around 1.15 to 1.2x.

We do not recommend more than 2 draft tokens because the acceptance rate drops precipitously from 83% to 50% with 4 draft tokens, and the forward passes for MTP become less beneficial.

Use `--spec-type mtp --spec-draft-n-max 2`

Thanks to Aman for https://t.co/0WKkIC0kyW!

[Kova @kovainvest]

https://t.co/a1uADOxT5d

[Interfaze (YC P26) @interfaze_ai]

Interfaze is a new model architecture that outperforms in tasks like OCR, Object detection, Translation and more

It beats models like Claude Sonnet 4.6, Gemini 3 flash and GPT 5.4 mini on 9 benchmarks

[开发者Hailey @IndieDevHailey]

恐怖！用家Wi-Fi就能知道隔壁墙后的人在干什么！
开源项目 RuView 在GitHub已经冲到 5万+星，直接炸了！

完全不用摄像头，也不用戴任何设备，就靠家里普通的WiFi信号，就能穿墙透视：

- 隔壁有几个人、在哪个位置、是走路还是躺着，全看得见
- 实时看人体姿态（17个关键点）
- 睡觉时自动测呼吸和心率
- 有人跌倒立刻报警，动作识别超准

用WiFi CSI + AI，把你家路由器直接变成隐形雷达！
没有视频、没有录像，隐私安全拉满，天然符合GDPR，完全本地跑，不上云。
ESP32几块钱就能玩，Docker零硬件也能直接试。

[Berryxia.AI @berryxia]

刚刷到CJ Zafir 发了一条关于 fine-tuning 小模型的帖子，看下来觉得这波建议特别实在。

他直接说，如果你也喜欢玩开源模型 fine-tuning，那先听听这些：

从 1B、2B、4B、8B 这些小模型开始练手，别一上来就冲 27B 以上。

云 GPU 用 Google Colab Pro 就够了，A100 80GB 一小时才 0.6 美元左右，小模型完全够用。

数据集自己造，用 Codex 5.5 先规划，再配 DeepSeek v4 Pro 生成每一行数据。

底座模型推荐 Unsloth 的 instruct 版本，Hugging Face 上直接拉，fine-tuning 笔记也用他们的做参考，直接丢给 Codex 让它帮你改成你想要的配置。

他建议花一天时间把这些东西过一遍：SFT、RL 训练（GRPO、DPO、PPO 这些）、LoRA / QLoRA、量化类型、本地推理引擎（llama.cpp）、KV cache 和 prompt cache。

他说就直接上手吧，Claude、Codex、ChatGPT 都能给你设计第一步的完整计划。

最后他还提到，未来技术会越来越往 5B 到 15B 的 Expert Language Models 走，并非一味堆通用大模型，所以 fine-tuning 这门手艺现在学特别值。

很多公司愿意花 5 万美元以上，让你帮他们用自家数据训个性化模型。

整条帖子的意思就是：fine-tuning 其实谁都能入门，调模型、测模型、用模型，慢慢就能把这变成一份靠谱的事业。

感兴趣的可以看看，还挺有意思。

[Thariq @trq212]

https://t.co/MXt5XS4xBX

[爱丽丝呀！ @BTCqzy1]

量化交易的门槛，这次被 QuantDinger 彻底拆掉了。

你不再需要精通 Python、不用手动拉数据、不用自己搭回测框架，更不用担心代码调试。

只需要用大白话说一句策略想法，AI 就帮你完成剩下所有事。

QuantDinger 核心亮点：

· 支持加密货币、美股、外汇 全部打通
· AI 多智能体协作（策略师 + 风控 + 回测专家内部辩论）
· 自然语言生成 Python 策略 + 一键回测 + 可视化 + 自动交易
· Docker 两分钟部署，数据全在本地，隐私拉满

实际操作有多简单？

输入：“帮我用突破策略回测 BTC 过去 30 天”

→ 系统自动调度 AI 团队：拉取数据、生成策略代码、跑完整回测、输出图表和绩效报告。

进阶亮点⭐️：

预测市场分析：支持 Polymarket 等预测市场作为研究工作流。

输入市场链接或关键词，AI 可自动拉取赔率、做概率分歧分析、打机会分、给出 YES/NO/HOLD 建议（目前主要用于辅助研究和决策）。

GitHub：
https://t.co/elrN9rfO4v

感兴趣的可以直接跑起来试试，DYOR。

[Khairallah AL-Awady @eng_khairallah1]

https://t.co/eh4bTemnMx