Buffet.pendle

[Buffet.pendle @llamabuffet]

@vision_ia 所以不是盟友就可以不用跟他們共享晶片對嗎？例如他們不承認的台灣😝

[AIVersePlay @AIVersePlay]

ÇİNLİ BİR ADAM RESMEN PARA BASMA MAKİNESİ OLUŞTURDU.

Github'da 13.000 yıldız almış bir araç var.
Adı moneyprinterturbo.

Bir çinli geliştirici yaptı.

Ücretsiz ve tamamen açık kaynak.
Tiktok, reels, youtube shorts için tam videoları otomatik üretiyor.

Nasıl çalışıyor.
Tek bir iş akışında her şeyi hallediyor.
Senaryo üretimi, seslendirme, altyazı, görsel kaynaklar, düzenleme, hepsi dakikalar içinde.

Yayına hazır video çıkıyor.
Sen hiçbir şeye dokunmuyorsun.

Şimdi neden bu kadar popüler oldu.
Çünkü normalde bu süreç şöyle işliyor.

Senaryo için ayrı araç, seslendirme için ayrı araç, altyazı için ayrı araç, görsel için ayrı araç, düzenleme için ayrı araç.

Her biri ayrı para istiyor, ayrı zaman istiyor, ayrı öğrenme istiyor.
Moneyprinterturbo hepsini tek çatıda birleştirdi.
Ücretsiz, sınırsız ve kategorisindeki en popüler açık kaynak proje haline geldi.

Tiktok shop ve youtube shorts kanalları aylık 6 ila 10 bin dolar kazanıyor.
Bunlar bu süreci kullanıyor.

Fark şu:

Onlar araçlar için para ödüyor.
Sen ödemiyorsun.
Kurulumu 5 dakika.
Github'da ara.
Kur, çalıştır, içerik üret hepsi tamamen senin elinde.

[Serena @369Serena]

Serenity 火了以后，很多人第一反应是去抄作业。

但其实我们可以给 Codex 它装上这些投资类 Skills 和 AI 投研框架后

它可以变成一个股票研究助理：

帮你拆产业链、读财报、看情绪、查风险、做估值、写反方报告，甚至把策略拿去回测。

先收藏这 5 个 GitHub 项目!
别让 AI 直接替你买股票，先让它帮你把研究做扎实。

1️⃣ UZI-Skill⭐ 2.4K

中文投资者最值得先看的一个!

它把 A股、港股、美股分析做成了一套完整流程：深度分析、陷阱排查、龙虎榜、投资大佬评审团、22维数据、180条量化规则。

适合拿来做个股初筛、风险排查和中文市场研究。

GitHub：
https://t.co/1Dq2yXMLhq

2️⃣ TradingAgents⭐ 83.7K
GitHub 上最火的 AI 金融交易框架之一。
它把一个投研团队拆成多个 Agent：基本面分析、情绪分析、新闻分析、技术分析、研究员、交易员、风控团队。

如果你想看看“AI 投研团队”到底怎么协作，这个项目最有代表性。

GitHub：
https://t.co/N0VMCVroA9

3️⃣ Serenity Skill⭐ 731

最近 X 上讨论很多的投资 Skill。

它复用 Serenity 的核心研究路径：从热点出发，拆产业链，找供应链瓶颈，再回到股票和基金方向，检查公告、财报、客户、产能和风险。
适合研究 AI 半导体、CPO、机器人、算力、电力设备、创新药这类“产业链很长、信息很乱”的方向。

GitHub：
https://t.co/YGgiXR6aZr

4️⃣ Buffett Skills⭐ 512

这个 Skill 适合在你心动之前泼一盆冷水。

它会逼你检查：

这家公司是不是好生意？
有没有护城河？
现金流可靠吗？
管理层可信么？
价格有没有安全边际？

适合长期投资者做质量审查。

GitHub：
https://t.co/pDMtWc6LTB

5️⃣ QuantDinger ⭐ 7.4K

一个更完整的 AI 量化交易工作台。

它覆盖从 AI 研究、策略代码、回测、模拟盘，到实盘执行和监控的完整链路。

如果你不满足于“让 AI 分析股票”，想把想法变成策略并验证，QuantDinger 更适合继续研究。

GitHub：
https://t.co/cZqOdURO5u

别让 AI 替你买股票。

让 Codex 替你拆产业链、读财报、查证据、找风险、写反方报告、做回测。

这才是普通投资者最该抄走的用法。
#codex #skills #Serenity

[Yoaka.sol 🩵 @yoaka__]

今早 @Jaileddotfun 開啟邀請制了！

我有拿到官方DM給的碼，文末抽獎✌🏻

目前 1 $SOL 入場，初始 2 張 Common，我第一發直接歪到一張 Uncommon（Bag Man 4500 JP）。

研究了一下規則後，我自己比較看好的不是賭 Rare，而是先把 Uncommon 數量滾起來。

因為：

Common + Uncommon
= 50% Uncommon
= 5% Rare

而且 Farming 收益其實主要看 Jail Power，不是看卡片數量。

目前 3 張卡每天大約產出 12 萬多 $JAIL，接下來準備繼續 U + C 看能不能再出一張 U 或直接賽到 Rare。

市場明天開放，Pack 跟角色價格應該會很有趣。先分享一下自己的路線，不一定是最優解。

DYOR.

🎁 留言抽 2 個 Early Invite Code

告訴我你的策略或為什麼想玩，我會挑人DM 😎

[Buffet.pendle @llamabuffet]

@yoaka__ @Jaileddotfun 多刷一些來拼

[KK.aWSB @KKaWSB]

https://t.co/k0WvGsZosq

[0xFunky @0x0funky]

有人問我說這樣的一人公司每個月的AI成本是多少
目前沒使用任何中轉站都是用官方訂閱。
(以下之後會轉換成Business Plan)

Claude 20x: 200$
ChatGPT Pro 20x: 200$
Figma Pro: 20$
Google workspace: 10$

其實我不知道那些喊token不夠用的人是怎麼燒的，公司目前有5個大專案還有5個公司產品專案在同時進行，這樣的訂閱每周的token用量完全都是夠的。

80% Agent 使用Claude Code，20% Agent用Codex，都是使用最新Model，Reasoning也都是用最高的。

我覺得重點不是無腦燒 token，而是把 context 管理好，固定規則轉成Markdown、專案Project memory、任務拆小、agent 分工明確，減少讓 AI 每次都從零理解專案。

或許真正貴的不是 token，而是混亂的工作流。

[PA13L0 @Fluyeporlaweb]

10 repositorios de GitHub tan buenos que no deberían ser gratuitos.

1. TradingAgents

Un equipo completo de analistas de IA que debate estrategias y ejecuta operaciones en mercados reales. 4 analistas en paralelo: fundamentales, sentimiento, noticias y técnico. Luego un gestor de riesgos y un agente ejecutor. Como tener un equipo de Wall Street que trabaja 24 horas en tu ordenador.
repo - https://t.co/meb8dlqGwB

2. LibreChat

ChatGPT, Claude, Gemini, DeepSeek y 20 modelos más en una sola interfaz. Autoalojado. Soporte nativo para MCP. Tu historial, tu infraestructura, tus datos. OpenAI cobra $20 al mes por su interfaz. Aquí usas tus propias claves y no pagas nada de más.
repo - https://t.co/Uj9Cy3Lbc9

3. HyperFrames

HeyGen abrió el código de su motor de video interno. Escribes HTML. El agente renderiza MP4. Sin React, sin JSX, sin formatos propietarios. GSAP, Lottie y Three.js funcionan de serie. El mismo HTML siempre produce el mismo archivo. Usado en producción por HeyGen, tldraw y TanStack.
repo - https://t.co/EeLlpqK5L2

4. Fincept Terminal

Una terminal Bloomberg que corre en tu laptop. Análisis nivel CFA 1, 2 y 3. Más de 20 agentes de IA inversores que razonan como Buffett, Dalio y Soros. Más de 100 conectores de datos. Bloomberg cobra $24.000 al año. Esto no cuesta nada.
repo - https://t.co/qCQkBgEzLS

5. MoneyPrinterTurbo

Metes una palabra clave. Salen el guion, las imágenes, los subtítulos, la música y el video final en alta calidad. Horizontal o vertical. Sin editar nada a mano. Lo que hacen los creadores de contenido que no quieren que sepas que usan IA.
repo - https://t.co/RtCmSYCQQw

6. Agentic Inbox

Cloudflare acaba de abrir el código de un cliente de email donde un agente de IA lee tu bandeja de entrada y redacta las respuestas. 100% en Cloudflare Workers. Tu email no sale de tu cuenta. Sin servidores externos. Sin suscripción.
repo - https://t.co/mGsN8spCOX

7. VoxCPM2

Clonas cualquier voz con 3 segundos de audio. 30 idiomas. Calidad estudio de 48kHz. Diseñas voces desde texto: "voz masculina grave de locutor de radio". Sin API de pago. Sin que tus muestras de voz salgan de tu máquina. ElevenLabs cobra $22 al mes.
repo - https://t.co/ctUrA0d1K9

8. Flowsint

Introduces un dominio. La herramienta despliega un grafo con todas las IPs, subdominios, emails, wallets cripto y perfiles sociales conectados. Todo almacenado en local. Sin que nadie sepa lo que estás investigando. Para OSINT, due diligence y análisis de competencia.
repo - https://t.co/GTrSEJqSsT

9. addyosmani/agent-skills

El ingeniero de Google que lleva 15 años enseñando rendimiento web a toda la industria publicó sus skills para Claude Code. 23 flujos de trabajo reales probados en producción. API design, code review, debugging, CI/CD y frontend. Instalación con un comando.
repo - https://t.co/ByOJtJlQX3

10. Nango

La capa de integraciones que las empresas pagan $50k al año por alquilar. 700 APIs listas: Salesforce, HubSpot, Slack, Gmail, Stripe, Jira y más. OAuth gestionado. Tu agente de IA genera el código de integración desde un prompt. Usado en producción por Replit, Ramp y Mercor.
repo - https://t.co/i5XmU3GzJK

Estos no son juguetes. Cada uno reemplaza un producto de pago por el que todavía te están cobrando.

Elige uno. Instálalo. Conéctalo a tu flujo de trabajo.

100% gratis. 100% open source.

[比特幣交易者 科幣託 crypto @youtubercrypto_]

很多人还没看懂币安股票业务真正可怕的地方。

它不是在卖股票。

它是在复制一家全球券商。

资料显示：

币安自己的 Nest Trading 负责经纪业务。

持有阿布扎比监管牌照。

而交易执行、清算和托管，

则交给美国持牌券商 Alpaca Securities 完成。

也就是说：

监管、交易、托管、流动性。

全部已经打通。

过去几年，

很多人都在问：

“Crypto 如何进入传统金融？”

现在答案可能反过来了。

不是 Crypto 进入华尔街。

而是华尔街正在被 Crypto 重新包装。

[Yee @zxchahahaha]

當你以為王鴻薇持有股票市值1.8億，
顏寬恒持有超過3億 已是國民黨內的持股大戶時.....
殊不知台中市議會議長張清照持有股票市值超過58億，
其中
環球晶有2642張，
朋程5002張，
中美晶有14050張，

對！你沒看錯，超過一萬張....

[陈小萌 @MengLayer]

0 fee USDC:USD 1:1 出入金教程
支持IBKR出入 + 8% USDC 活期

无广，纯个人使用心得，放心食用~
说实话我不想写这篇文章的，太宝藏了，不过秉着独乐乐不如众乐乐的心态，我还是无私分享吧~
让我们开始！

简单介绍下故事起源，之前我们一直在用 USDH 做1:1 出入金，随着被Coinbase收购，USDH 也 SUNSET了，就从底层 bridge支持的渠道去找，功夫不负有心人我们找到了今天的主人公 @fluidkey ，一个自托管的链上金融平台，扯远了，来说说怎么1:1 出入金吧~

1️⃣下载注册 Fluidkey
注册地址：https://t.co/iMx32ynpG3

2️⃣过K
我用的Passport+ addressproof 2min 就过了 很快~

3️⃣获取个人 ACH 信息

4️⃣出入金
转出就是 USDC → USD
转入就是 USD → USDC
全部1:1 0Fee ~

5️⃣接下来尽情享受吧~

[yibie @yibie]

训练小模型：2026 年最被低估的 AI 技能

2026 年 5 月 11 日，一个叫 CJ Zafir 的人发了一条推文。他想教普通人 fine-tune 开源模型。

2538 个赞，316 次转发，178,000 次观看。这条推文炸了。不是因为他发明了什么新东西——Unsloth 早在 2023 年就开源了，Hugging Face 上的 fine-tuning 教程有几百篇。炸了是因为他在一个所有 AI 公司都在比赛造「更大模型」的时候，反手指向了完全相反的方向：小模型。你自己训练的。在 Colab 上。花几十美元。

两个月过去了。CJ 没有停。

他把这条推文变成了一套完整的方法论：Codex 5.5 做大脑规划工作流，DeepSeek v4 Pro 做肌肉批量生成数据，Unsloth 做训练引擎，Qwen 3.5 4B 做基座模型。然后他用这套方法论，花了 $173 训练出一个 4B 模型，在垂直任务上精度 96%+，击败了 20 倍大的模型。 再后来他做了个 voice agent 的工具调用 fine-tune——成本 $11。

从 $80 到 $173 到 $11。这不是渐进式优化。这是在重置整个 AI 部署的经济学。

一、CJ 方法论：为什么值得认真对待

CJ 不是第一个倡导 fine-tuning 的人。但他做对了一件事：他把整个流程的成本打到了个人开发者可以承受的水平，并且公开了每一步。

工具链

| 角色 | 工具 | 成本 |
|------|------|------|
| 规划（Orchestrator） | Codex 5.5 | 订阅内 |
| 数据生成（Generator） | DeepSeek v4 Pro | API 按量 |
| 训练框架 | Unsloth | 免费开源 |
| 训练硬件 | Google Colab Pro A100 80GB | ~$0.60/hr |
| 推理部署 | llama.cpp / Ollama | 免费 |

数据流水线

CJ 最核心的洞察不是「用什么工具」，而是「怎么造数据」：

「"Low quality data = Low quality model performance"」

他的流水线是自进化的：Codex 设计工作流 → DeepSeek 批量生成数据行 → 每批次过 Quality Gates → Codex 根据上一批结果优化生成规格。结果是越跑越快、越便宜、质量越高。

$80 生成了 1 亿+参数的高质量数据集。 不是简单 paraphrase，是「手工打造」每一行——Codex 设计的多样化 prompt 模板 + DeepSeek 的高速执行 + 可编程的质量门槛。

模型选择

CJ 实测了 Gemma 4 和 Qwen 3.5 全系列后，结论很明确：

「Qwen 3.5 9B 和 4B 是垂直训练的完美基座模型。Gemma 4 在垂直任务上不及 Qwen 3.5。」

他的 Qwen 3.5 4B fine-tune 在精度和延迟上击败了 20 倍大的模型。不是什么小众 benchmark——是他自己在垂直任务上实测的结果。

二、这不是 CJ 一个人的实验——行业数据在同时发声

CJ 的方法论看起来像「个人黑客技巧」，但独立的数据正在从各个方向验证同一个趋势。

市场规模

SLM（Small Language Model，1B-13B 参数）市场 2024 年达到 65 亿美元，年复合增长率 25.7%。SLM 在大多数企业任务上已经匹配或超过 GPT-3.5 级别性能，只需一小部分成本。

性能

阿里巴巴的 Qwen 3.5 9B 在 MMLU-Pro、GPQA Diamond 和 multilingual MMMLU 三个基准上击败了 OpenAI 的 gpt-oss-120B——13 倍参数差距，小模型胜。

另一项独立的 brand normalization 案例中，一个小模型达到了 90.6% 准确率，超越了 GPT-5.2 和 Gemini 3 Pro。

企业已经在省钱——真正的省钱

| 公司 | 方案 | 效果 |
|------|------|------|
| Knowunity | 用 Distil Labs fine-tune SLM | 推理成本降 68% |
| 某客服 agent | 从通用大模型切换到 fine-tuned SLM | 月成本从 $13,000 降到 $400 |
| EliseAI | 专门训练的垂直小模型用于住房和医疗 | 推理成本降 60%，延迟降 80% |
| AT&T | 专用 SLM 做客服和欺诈检测 | 数百万美元节省 |

400 美元一个月。一个客服 agent。这是几个工程师的年收入可以覆盖无限次 API 调用的部署方案。

三、「数据集工厂」才是真正的护城河

CJ 在 5 月 22 日发了一条推文，八个词：

「"The moat might not be the fine-tune itself. It might be the dataset factory."」

这是整个小模型运动最重要的洞察。Fine-tuning 技能本身正在被民主化——Unsloth 已经能在 3GB VRAM 上训练，Colab 免费提供 GPU，CJ 连 prompt 模板都公开了。当人人都能做 fine-tune 的时候，差异化从「会不会做」转移到了「数据从哪里来」。

中文社区的 AKIRAXCLAW 在一篇分析里补了一个关键观察：

「「CJ 的工作流在 2026 年多数是业界共识，但真正难点不是工具——而是你有没有 200 笔干净数据 + 自动评估脚本。」」

在 CJ 的体系里，Codex 的核心角色是 orchestrator，不是因为它比 DeepSeek 聪明，而是因为它能设计数据流水线、构建 Quality Gates、自进化优化生成规格——它在管理数据生产的质量系统，而不仅仅是生产数据。

四、从边缘到生产线：部署已经在发生

SLM fine-tune 的部署门槛已经降到消费级硬件。Unsloth 2.0 支持 GGUF 量化导出 + llama.cpp / Ollama 部署。一个 3B 参数量化到 INT4 后占用 1.5-2GB 内存，可以在树莓派 5 上运行。Qwen 3-0.6B 在 Pixel 8 和 iPhone 15 Pro 上实现约 40 tokens/s 推理。

2024 年你可能需要一台 A100 才能跑 fine-tune。2026 年你可以在 Colab 上训练、在手机上推理。这种从「数据中心才能碰」到「个人设备上运行」的变化，是 Platform Shift 级别的。

而 NVIDIA 在推动的「Data Flywheel Blueprint」——用生产流量持续生成训练数据，自动 fine-tune，自动部署——正在把这个流程变成企业基础设施。NVInfo AI 用这个方案在三个月内把内部知识助手的质量提升到覆盖 30,000 名员工。

五、成本轨迹：从「公司预算」到「午饭钱」

CJ 的公开成本记录是最好的注脚：

| 日期 | 项目 | 成本 |
|------|------|------|
| 05-13 | 1 亿+参数数据集生成 | ~$80 |
| 05-27 | Qwen 3.5 4B 完整 fine-tune | ~$173 |
| 05-28 | Qwen 3.5 tool calling for voice agent | $11 |

$11。这在硅谷大概是一顿午饭。在印度、东南亚、非洲，是一个独立开发者完全负担得起的预算。fine-tune 已经从「大公司才有资格做的研发项目」变成了「个人开发者用午休时间能完成的 side project」。

六、结论：学会训练你的第一个模型

CJ 给的学习路线图异常简单：

1. 从 1B-4B 小模型开始，不要一上来就搞大模型
2. 用 Colab Pro（A100 ≈ $0.60/hr），不要急着买 GPU
3. 先 fine-tune 7-10 个模型积累经验（SFT → LoRA/QLoRA → GRPO/DPO）
4. 用 Codex 做规划，DeepSeek 做数据生成
5. 理解量化（GGUF）、本地推理（llama.cpp）、KV 缓存

他甚至在 5 月 23 日直接发布了一个「复制粘贴就能用」的 prompt——把整个学习路径封装成一段对话，扔进 Codex 或 ChatGPT，让 AI 带你从 beginner 到 advanced。

这就是 2026 年 AI 技能民主化的真实面貌：不是每个人都需要学会训练模型。但学会训练小模型的人，不再需要 10 人团队和 10 万美元预算。

通用大模型的军备竞赛还在继续。GPT-5、Claude Opus 5、Gemini 3 会越来越强。但越来越多的真实场景正在证明：一个花了 $173 训练的 4B 小模型，在你自己的数据上，比你花 $200/月订阅的通用大模型更好用。不是因为小模型更聪明。是因为它只做了你需要的那一件事。

参考来源：CJ Zafir X 推文系列 (2026.05.11-05.28)；AKIRAXCLAW 中文分析；Alibaba Qwen 3.5 benchmark (VentureBeat)；Unsloth 2.0 文档；NVIDIA Data Flywheel Blueprint；AT&T / EliseAI / Knowunity / https://t.co/7r0fApoHPJ 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

[Buffet.pendle @llamabuffet]

幣圈已死，大家拿USDT都不買幣，都想換去買美股。這下好了，交易所都懂截胡了，客官們先等等，我這也有美股的😂

[Punk（2898 🙌💎） @punk2898]

https://t.co/TwWv4MJ3wW

[Punk（2898 🙌💎） @punk2898]

https://t.co/TwWv4MJ3wW

[0x_Miko @Mikocrypto11]

https://t.co/HjLiqmtrjo

[Sac @Saccc_c]

这哥们靠vibe coding直播公开build产品，月收入超2万美金

最大成本花在了token上，3个Claude Max+1个200刀Codex。每天同时开六七个终端在youtube直播使劲造

当初刷到以为是整活的，没想到哥们玩真的😢

[Jason Zhu @GoSailGlobal]

红木研究所的首席科学家 Ryan Greenblatt @RyanPGreenblatt 写了一篇 508 赞的 LessWrong 长文，标题就是： "当前的 AI 在我看来相当不对齐。"

他写的不是哲学论证，是他作为重度用户用 Opus 4.5 / 4.6 的真实体验：

· AI 会夸大自己的工作
· AI 会淡化或者干脆不报告问题
· AI 会提前停工然后宣称完成
· AI 在审计困难的任务上会作弊（reward-hacking），而且不在输出里说出来
· AI 会对其他 AI gaslighting，让 reviewer 觉得任务完成得不错
· 你问 "你完成全部任务了吗？" → 它立刻承认没有
· 你不问 → 它永远不主动说

他给这个现象起了名字：apparent-success-seeking（表面成功追求）

最狠的一句话："如果一个人类同事这样行事，经常夸大工作、淡化问题、偶尔作弊还不说，我会认为他是病理性不诚实。"

🔗https://t.co/zqdE62IHn3

[Buffet.pendle @llamabuffet]

@hngynggng136831 @CryptoMaster_70 歐洲經濟仰賴中國，所以政治也跟著傾斜了

[Buffet.pendle @llamabuffet]

@CryptoMaster_70 不愧是偉大先進的歐洲，翻成白話就是：台灣要被中國侵略戰爭滅掉都不關我的事，反正我立法強制晶片要優先給我就對了。

[Buffet.pendle @llamabuffet]

@yoaka__ @BitgetTC @BitgetWalletCN @Foresight_News @Live_2_Earn @0xYeye_ @blockjengirl @VincentQV1998 好，只差一個遠端工作了，噢對，我就是遠端工作呢，欸嘿