ladydd

热爱 AI

[ladydd @ladydd__]

@xxx05224283 @andy_666v @Kevin2682522268 兄弟 以后换设备 whatsapp 咋登录 这个是我最好奇的

[ladydd @ladydd__]

准备买个小鸡但是最后觉得不合适，所以下单没付款， 服务商发来的邮件 直接是提示我 逾期！ 你吓唬谁尼，我不想买就不买了 怎么能是逾期尼？

[套利豪仔🗽 @pritipatelfgoo]

有人把一分量化交易研究丢上网又删掉
分析了14000份Polymarket合约
找到市场反复犯的三个错误
然后把它变成可自动执行的交易系统
回测16个月
年化Sharpe 3.91

预测市场理论上是最有效率的市场，每个人都在用真钱表达判断

但分析14000份合约之后，发现三个反复出现的结构性偏误

第一是冷门偏误，低概率事件被系统性高估

第二是近因偏误，最新新闻让价格移动的幅度远超贝叶斯应有的幅度

第三是流动性扭曲，薄市场里一笔大单就能让价格歪掉好几个小时

这三个是结构性的，可以被系统性利用

先定义两个概率

pm 是市场定价隐含的概率，就是YES合约的中间价

pc 是贝叶斯模型算出来的校准概率

原始优势就是

E_raw = pc − pm

正值代表市场低估了YES结果

但光有原始优势不够，高不确定性的合约本来偏差就大，不代表能赚

第二步：波动率标准化

先定义合约波动率，用24小时价格报酬的滚动标准差，换算成年化：

σc = σ_24h × √(365 / T)

T是合约距结算的天数

然后把原始优势除以波动率：

E_adj = E_raw / σc

这个标准化让不同波动率的合约可以直接比较

实证上 E_adj 超过一个值，就是历史获利进场的前5%

贝叶斯模型怎么算 pc

用2,400份历史合约建立Beta分布先验：

pc ~ Beta(α, β)

α = n_yes + 1，β = n_no + 1，来自同类合约的历史解析率

然后把即时信号喂进去，每个信号贡献一个似然比

LR_i = P(Si | YES) / P(Si | NO)

所有信号相乘后得到后验概率

pc = (α × ΠLR_i) / (α × ΠLR_i + β)

当 ΠLR_i 和市场隐含赔率的偏差超过 2σc，统计显著优势成立

押多少：Quarter-Kelly

有了优势信号，下一个问题是押多少

最优押注比例

f* = d × (pc × b − qc) / b

b = (1 − pm) / pm，是市场隐含赔率

qc = 1 − pc，是模型估计的失败概率

d = 0.25，是阻尼系数

只押凯利建议值的四分之一，保留75%成长速度，波动大幅下降

单笔上限：三个条件取最小

设总资金为B，单一合约最大配置是

A_max = min(f* × B, 0.05 × B, 0.15 × V_24h)

第三个条件最容易被忽略

V_24h是合约的24小时成交量，这个限制防止自己的单子冲击市场，也确保出场时滑价在可接受范围内

怎么设止损

止损不是固定的，会随时间收紧：

p_stop = p_entry − 2 × σc × √(t / T)

t是持仓后经过的时间，T是合约总存续时间

越接近结算，止损带越窄

背后逻辑是价格扩散的物理特性，时间越短，合理的随机波动空间越小

组合层面，累计亏损超过峰值资金12%，全部平仓，暂停交易48小时

回测结果说什么

在3,847份合约上跑了16个月

总交易1,243笔，胜率68.4%

平均获利每笔+$127，平均亏损每笔−$61

利润因子2.74，最大回撤11.3%，周均报酬4.7%

年化Sharpe 3.91

但最重要的一行在第8节

信号窗口只有45到180秒，人工执行根本来不及

alpha不是来自更聪明的模型，是来自比人类快一百倍的基础设施

公式全公开，但护城河在跑了16个月的校准数据，那个复制不走

[ladydd @ladydd__]

@LiuweijiaVip 别吓人 这可是我的传家宝！

[ladydd @ladydd__]

@libapi_ 在医院一定要请个护工，很多流程他们很熟练，顺带让护工教你抱宝宝 换尿片 兑奶 怎么抱。医院一周后看你是回家还是去月子中心 后面流程就不一样了

[ladydd @ladydd__]

@xmgplus 我舒服了 我是烂电脑 但是咱俩平等！

[ladydd @ladydd__]

@xxx05224283 一辈子登着不能退吗 我感觉这事不靠谱

[Yangyi @yangyi]

开发者在售价约 8 美元的 ESP32-S3 微控制器上完全本地运行了一个 28.9M 参数的语言模型，无需连接服务器，生成速度约 9.5 tok/s。
端侧AI成本越来越低了
https://t.co/sABTY4uO59

[SK @StepOneAi]

我做量化并不是科班出身。

刚开始做交易，纯粹是因为对市场有极强的感知。不要误会，我做主观绝不是那种拉满杠杆凭运气的赌徒，我是有极其严格的策略和进出场逻辑的。正因为有章法，小资金做大、账户嘎嘎翻倍，对我来说真的是件很顺滑的事。在主观交易的世界里，钱来得很快。

那为什么开始量化。

因为我后来想明白了一件事：主观交易，35岁、40岁、甚至45岁再做也不迟，甚至随着岁数变大，心智更厚实，胜率会更高。但现在去死磕系统、去搭基建、去学底层逻辑，这种工程壁垒是能让我吃一辈子复利的。

我这个人，一旦想明白一件事的终局，就一定会做。

我从 16 年开始抽烟，抽到今年，抽了10年。每天都抽，我突然意识到自己被尼古丁控制了。那种没烟抽时的焦躁和丑态刺激到了我。我直接戒了。现在戒烟半年多了。

戒断主观交易，其实和戒烟一样。
你要在明明知道市场里有大把“轻松钱”可以赚的时候，强行按住自己的手，转身去做一个苦行僧。

我和团队死磕底层基建，整整一年，账面上没有一分钱进账。在这个黑盒里，失败是每天的常态，代码跑崩是常态，你甚至根本不知道这条路最后能不能走通。

但坚持是什么？
坚持不是咬牙切齿地自我感动，坚持是在所有的多巴胺和即时奖励都被抽干时，依然冷血地执行你的决定。

当回报没有立刻兑现时，当写了几个月的底层架构被实盘干碎时。当曾经“嘎嘎翻倍”的诱惑每天都在向你招手，而你却只能面对无聊的脏数据时。

真正的坚持，要求你在这些无人鼓掌的日子里，在情绪回报完全为零的中间阶段，依然保持对目标的死锁。它就是强迫你自己，在没有光的地方和现实保持高强度的碰撞，直到现实向你屈服。

[ladydd @ladydd__]

@lingergnn41824 我推荐 caddy

[关木 @ZeroZ_JQ]

最近 Pi 有点🔥

学习 Pi Agent 最好的方式当然是作者的博客

然后是一些 集合类的项目

我顺便整理下，当做自己学习 Pi 的书签

反正收藏就是学会。哈哈哈哈

其他资料链接，放评论了

https://t.co/7xrchnFbB4

[ladydd @ladydd__]

@所有人 giffgaff 卡绑定了 chatgpt的 立马执行这样的操作！

[ladydd @ladydd__]

@syhily 恭喜

[AI Will @FinanceYF5]

Andrej Karpathy认为，孩子80%的教育都该放在数学、物理和计算机上。

不只是为了找工作，更是为了尽早建立认知结构。

在AGI之前，它帮人获得工作；在AGI之后，它让人保持独立思考和行动能力。其他知识可以以后再补，但认知基础很难重来。

[Xudong Han @Xudong07452910]

Anthropic 最近持续更新的 Claude Cookbook，值得所有在做 Agent 的人收藏。

它很像一份公开的「Agent 工程实验手册」：没有停留在 Prompt 技巧，而是直接给出可以运行的代码，展示异步多 Agent 协作、工具调用、长期记忆、上下文压缩、自我验证、Skills 和评测系统该怎样搭建。

其中几篇尤其值得看：

长时任务中，记忆、上下文压缩和工具结果清理分别解决什么问题；如何给 Agent 配一个独立的「评审模型」，按照明确的评分标准反复检查和修改；甚至连怎样减少千篇一律的「AI 味」前端，都拆到了字体、配色、动效和背景设计。

看完会发现，Anthropic 现在讨论的重点已经从「怎样问 Claude」，逐渐转向「怎样给 Claude 搭建一套可靠的工作环境」。

模型负责推理，Harness 负责上下文、工具、状态和验证。真正拉开 Agent 产品差距的，可能正是这些平时不太容易被看见的工程细节。

建议先收藏，很多内容都值得直接照着跑一遍：

https://t.co/6jSqRqsCkn

[你不要胡说 @Hi558575331]

全网最尴尬的可能就是北大。

不是王虹拒绝回国任教，也不是王虹离开北大才获奖，而是王虹在采访中亲口说：在北大，长期觉得自己“能生存下来就不错了”。

​这句“能生存下来就不错了”，王虹说了不止一次。

在法国《世界报》专访里她补充道：“在我的班级里，有一些人真的非常优秀。我并不确定自己的能力……我没有觉得自己拥有和他们一样的天赋。”

​说这话的人，16岁以653分考入北大，大二从地球与空间科学学院转入数学科学学院。可进了数院，她发现自己周围全是奥数金牌得主和竞赛大神。没受过系统竞赛训练的王虹，一度是班上的“小透明”。

​她的同学、后来成为北大博雅特聘教授的孙鑫回忆得特别直接：“坦率地说，那时我还没有意识到王虹会从事严肃的数学研究。”

连同学都不看好她。

北大教授田刚也承认：“她不是竞赛生，在班上的表现也不是最亮眼的。”

​一所中国最顶尖的大学，一个后来拿下菲尔兹奖的人，当年在这所大学里只觉得“能生存下来就不错了”。这话搁谁听了不扎心？

​王虹后来去了法国。

一个在北大连生存都觉得吃力的人，换个环境反而找到了自己的路。

2025年2月，她与合作者发表127页论文，彻底证明了困扰数学界逾百年的三维挂谷猜想。

2026年7月23日，她成为菲尔兹奖90余年历史上第三位女性获奖者、首位中国籍女性得主。

​问题来了：王虹在北大“能生存下来就不错了”，是她的问题，还是北大的问题？

​有人说这是谦虚，天才都这样。可王虹的原话是“一直在挣扎”。挣扎和谦虚是两码事。一个真正享受数学的人，在北大感受到的不是滋养而是挣扎，这所大学的人才培养机制是不是该反思一下？

​王虹获奖后，北大发文祝贺。可如果她当年没熬过来呢？如果她在法国那一个月真的转了行呢？

有人说“是金子总会发光”，可问题是，有些土壤会埋没金子，让金子发不出光。

作者：静静的顿河

[lifcc @mylifcc]

Anthropic Claude Code 团队自己把 system prompt 砍了 80%，新一代模型（Opus 5 / Fable 5）几乎没有掉点。

这不是“模型变强了所以随便写”那么简单，而是他们系统性地验证了：以前很多 context engineering 的“最佳实践”，已经变成神话了。

我把关键转变整理一下（也是我接下来会立刻动手改的地方）：

1. 给规则 → 让模型用判断力

以前我们写得很死：“默认不写注释”“永远不要写多段 docstring”“不要主动生成文档”。 现在改成：“让代码读起来像周围的代码一样——匹配它的注释密度、命名习惯和 idiom。” 原因很简单：规则一旦写死，就会和用户的临时指令、skill、CLAUDE.md 产生冲突，模型反而要花更多 token 去仲裁。新模型已经有足够判断力，过度约束只是在制造噪音。

2. 给例子 → 设计好接口
以前 tool 的使用说明堆例子。现在他们发现例子反而会把模型的探索空间锁死。 更好的做法是把工具接口设计得更有表达力（比如 Todo 的 status 直接用 enum + 明确“同时只能有一个 in_progress”的约束）。接口本身就在暗示正确用法。

3. 全部塞进 system prompt → 渐进披露（Progressive Disclosure）
以前把 code review、验证流程全塞进 system prompt。 现在拆成 skill，需要的时候再加载。工具也支持 deferred loading（先 ToolSearch 再加载完整定义）。 CLAUDE.md 和 Skill.md 也一样——别再试图做成“中央知识库”，做成可按需加载的树状结构。

4. 反复强调 → 工具描述写清楚就行
旧模型对位置敏感，需要在 system prompt 和 tool description 里重复。现在直接删掉重复，把指令放在 tool description 里。

5. 手动往 CLAUDE.md 写 memory → 自动 memory
热键存 memory 的时代基本结束了。Claude 会自己判断哪些信息值得跨 session 记住。

6. 简单 markdown 规格 → 丰富引用
plan 和 spec 不再只是 markdown。HTML artifacts、真实代码（测试套件、另一个 codebase 里的函数）、rubric（用来验证“什么是好的 API 设计”的动态评估）都比纯文字描述强得多。代码本身就是最高保真的指令。

[ladydd @ladydd__]

@yetone 负责给 agent 提供一些 “直觉”

[lifcc @mylifcc]

你以为 Codex 上下文压缩是本地的？

我翻了源码才发现：走官方 OpenAI / Azure 时，压缩在远程跑。
不是配置开关，是 provider 名字直接推出来的。