废土诗人

废墟会倒塌，但诗歌永远年轻

[凶悍的里脊肉 @0xAgata]

https://t.co/qlMwtZ11bY

[老叶 @1999_eth]

我做了一个 AI 中转站，今天正式开放：

https://t.co/8UjipCaDbh

一开始做这个站，想法很简单。

主要是我自己平时 Token 消耗量大，身边也有不少朋友一直用不上稳定的 Claude / GPT。不是订阅麻烦，就是各种限制；去找别的中转站，又总担心不靠谱、信息不安全。

所以干脆自己搭了一个。

很多人问：为什么敢用老叶的？

这个问题我也理解。毕竟 AI 中转站这东西，大家最怕的不是贵一点，而是不知道对面是谁。

我在币圈这么多年，别的不敢吹，信用两字一直是招牌。前两年比特币生态火的时候，做过 Ybot 铸造工具。起初也有人担心资产安全。

Ybot 到现在跑了两年多，上万人用过，很多人甚至直接在网站里填过钱包私钥，总资产少说也有几千万。到今天为止，没有出过一次因为网站原因导致的资产事故。

这次做 AI 中转站也是一样，稳定靠谱依然是我们的标签。

目前站里支持 GPT、Claude 等模型，底层用的是官方正规订阅账号池，不是乱七八糟的灰产号。价格这块也尽量压到较低，最低大概 0.7 折。

过去 10 天，我们做了一轮小范围内测：

✅ 200+ 小伙伴参与
✅ 累计消耗超过 420 亿 Token
✅ 整体运行稳定，没出明显故障

内测跑完之后，我觉得可以正式放出来给更多人用了。

需要稳定、便宜、靠谱的 Claude / GPT 中转站的，可以试试：

https://t.co/8UjipCaDbh

有问题可以直接私信我，或者进群找我。

老叶不跑路，真出问题我负责。
用完觉得值，帮我转一下。

需要进群的朋友，可以看一下评论区一楼！

[梭哈.AI @SUOHA_AI]

我100%跟着 @MossAI_CN 的教程实操搭了一个世界杯预测 Agent，全程十分丝滑没有卡点，小编的水平还是太强了🫡

https://t.co/7FqtI4K496

[梭哈.AI @SUOHA_AI]

1分钟的视频--用Claude code 从零搭建世界杯专属预测Agent

以前预测世界杯/Polymarket，大部分人会被难倒，专业模型对散户门槛极高（要懂统计、会写代码）

现在完全不一样了，Claude code/Codex 把 coding 全包了，参考Moss @MossAI_CN 的超详细的手把手 prompt 链路：

数据拉取（免费源起步）→ Elo 评分量化球队实力 → Poisson 分布算胜平负/比分概率（含 Dixon-Coles 平局修正）→ 蒙特卡洛模拟整届 48 队夺冠概率 → 去抽水后跟 Polymarket 比价找价值缺口 → Brier 分数回测验证是否真有 edge

我搭好的 Agent 现在每天能输出：
➤ 各场比赛胜平负 + 衍生盘概率报告
➤ 整届夺冠概率分布（跑 1 万次 MC 模拟）
➤ Polymarket 价值信号（模型概率明显高于市场、EV 为正的盘口）
➤ 回测 Brier 对比，告诉你模型是不是真比市场准

真正把学术级预测方法变成了普通人也能每天跑的自动化工具

Moss 原教程（建议大家去试试，0门槛）：https://t.co/0ODhW5zygR

Moss @MossAI_Official 的世界杯预测 Agent 即将上线

大家也可以先来 https://t.co/ghCOtX3oUP 体验下Trading Agent！🫡

这是我自己跟着 @MossAI_CN 的教程实操搭的过程，全程十分流畅👇

[Ridark @ridark_eth]

How a 24-year-old programmer from Portugal made $18,200 in a month on football betting

He created an AI analyst that finds flaws in bookmakers' live lines in real time and delivers predictions with an 84% win rate.

Costs: $0 (Used free APIs and Windsurf IDE)

He launched a Python script that maps out match videos in real time:

Top layer: A Computer Vision algorithm recognizes the positions of players from both teams (blue and pink dots) and the ball, instantly transferring them onto a 2D pitch layout. This allows the AI to track team formations and open spaces in high detail, things regular bettors completely miss.

Bottom layer: Python code (written alongside the Windsurf AI assistant), where the SoccerPitchConfiguration class defines the field, penalty box, and center circle dimensions down to the centimeter for perfect player-distance calculations.

The AI constantly correlates the real-time movement of players on the pitch with live bookmaker odds. The moment the algorithm detects that a team has pinned their opponent into a specific zone or exposed their flanks, while the bookmaker hasn't adjusted the odds yet, the script automatically fires a betting signal.

First week:

>Live bets placed: 142
> Won bets: 119
> Net profit: +$4,350 using a flat $50 stake

The AI completely automated the entire cycle: Windsurf and Claude wrote the tracking code, and the algorithm autonomously parses live odds, calculates the mathematical expectation of value bets, generates player heatmaps, and spots hidden tactical anomalies. It runs 100% autonomously.

Bookmark it and check out the article below 👇

[zhouluobo @zhouluobo]

说一个暴论，如果想理解 AI 接下来怎么走，先把信息源换一批。

���信很多朋友和我一样，AI 关注列表里，有大量工具号、变现号、提示词号，这些当然有用。

但如果你想看更上游的东西，比如模型方向、Agent 演进、开源生态、机器人、推理、AI 安全、产品化趋势，可以优先关注这些人。

按 4 层来分，咱们一层一层看。

第一层：顶级研究者和思想源头

@karpathy
最适合普通人长期关注的 AI 技术解释者。LLM、训练、Agent、教育内容都讲得非常清楚。

@ylecun
图灵奖得主，Meta AI 代表人物。观点很锋利，经常和主流 LLM 路线辩论。

@fchollet
Keras 作者，ARC-AGI 发起人。很适合看他对智能、泛化、评测的思考。

@ilyasut
Ilya Sutskever，SSI 创始人。发得少，但每次都容易成为行业信号。

@geoffreyhinton
深度学习奠基人之一。AI 风险、智能本质、神经网络历史，都绕不开他。

@goodfellow_ian
GAN 发明者。低频高信号，适合关注基础研究和技术判断。

@NoamShazeer
Transformer 论文作者之一，https://t.co/21h2YzU8lz 联合创始人。真正影响过这一代模型架构的人。

第二层：顶级实验室和负责人

@OpenAI
模型、Codex、Agent、开发者生态，一手更新源。

@AnthropicAI
Claude、Computer Use、AI 安全和可控 Agent，非常适合关注 Agent 工作流的人。

@GoogleDeepMind
Gemini、Alpha 系列、科学 AI、机器人和多模态研究。

@AIatMeta
开源模型、Llama、视觉和基础研究，开源生态必须看。

@xai
Grok、X 算法、实时信息流和 AI 产品结合，和 X 内容生态关系很近。

@sama
OpenAI CEO，看产品方向和行业节奏。

@DarioAmodei
Anthropic CEO，看安全、Scaling、模型治理和长期判断。

@demishassabis
DeepMind CEO，AI for Science 这条线非常重要。

第三层：Agent、工程化和真实工作流

@hwchase17
LangChain 创始人。LangGraph、Agent 架构、Evals、长期工作流，非常适合做 Agent 的人看。

@LangChain
Agent 工程化更新源，LangGraph / LangSmith / Deep Agents 都在这里。

@jerryjliu0
LlamaIndex 创始人。RAG、知识库、数据层和 Agent 结合，实战价值很高。

@goodside
Riley Goodside，提示词、模型行为、边界测试，很多案例都能直接启发工作流设计。

@HamelHusain
做 AI 系统测试、Evals、可靠性，非常适合看“怎么让 Agent 真正可用”。

@swyx
AI Engineer 代表人物之一。Agent、AI UX、开发者生态、产品化趋势都很有密度。

@DrJimFan
NVIDIA 机器人和具身智能方向，非常适合看 Physical AI、世界模型和机器人。

第四层：产品、创业和 AI 应用

@AndrewYNg
AI 教育、应用落地、创业和职业建议，适合长期看。

@levelsio
独立开发者代表，AI 产品化和快速上线能力很强。

@steipete
OpenClaw / 桌面 Agent 相关，适合关注本地 Agent、电脑控制和开发者工具。

@rileybrown
Vibe coding 和 AI 产品实操，适合看普通人怎么把 AI 用成产品。

@gregisenberg
AI 创业、创意、商业化���适合看需求和产品机会。

@yoheinakajima
BabyAGI 作者，早期 Agent 探索者，适合看自主 Agent 的实验。

如果要选出 10 个一定要关注的，我会选下面这个列表，

@karpathy
@fchollet
@ylecun
@ilyasut
@OpenAI
@AnthropicAI
@GoogleDeepMind
@hwchase17
@goodside
@DrJimFan

这 10 个基本能覆盖模型、研究、Agent、产品和未来方向。

工具号可以帮你追热点。

这些账号能帮你判断热点背后的趋势。

[LISA @MindOS_Lisa]

这是一位大二在读小姐姐写出来的投资逻辑
我太佩服了！真的！

[Mr.RC｜𝟎𝐱𝐔 @MrRyanChi]

https://t.co/jxKubqJcGh

[硬核君｜Hardriver 🟧 $NAT 🟧 @hardriver]

英格兰进八强被高估 17 % ，这可能才是 2026 世界杯真正的套利窗口

看到一个世界杯预测项目 World vs Model —— 《大众钱包 vs 数学模型，谁更准》

有人用 Elo Monte Carlo 模型，去对比 Polymarket 上真实资金交易出来的世界杯赔率。

Elo 可以理解成球队强度分——

赢强队，加分更多。
输弱队，扣分更多。

Monte Carlo 就是把整届世界杯反复模拟很多次，看每支球队进八强、进四强、进决赛、夺冠的概率。

这套东西不是一个已经验证的赚钱机器，而是一个公开市场资金情绪与模型数据的观察仪表盘。

它的价值只有一个：

把“模型概率”和“市场��格”的差异直接摊出来。

━━━━━━━━━━━━

比如英格兰进八强：

Polymarket：55.5%
Elo 模型：38.9%

市场觉得���过一半概率进八强。

模型给低了将近 17 个点。

买“英格兰不进八强”，价格大概是 44.5%。

100U 买进去，大概可以买 224.7 份。

如果市场往模型方向修正，NO 从 44.5% 涨到 61.1%，这 100U 大概会变成 137U。

收益约 37%。

如果英格兰最后真的没进八强，理论上会变成 224U。

豪门名气的“溢价”，就藏在这 17 个点里。

━━━━━━━━━━━━

另一边，厄瓜多尔进八强：

Polymarket：18.0%
Elo 模型：28.8%

100U 买 YES，大概可以买 555.6 份。

如果它小组赛踢出一场硬仗，市场把价格重定价到 28.8%，这 100U 会变成 160U。

收益约 60%。

如果最后真的进八强，理论上是 555U。

这类机会，比单纯猜冠军有意思多了。

冠军盘周期太长，赔率变化慢。

八强、四强这种路径盘，一场比赛就可能重新定价。

一支球队赛前只有 8%、10%、18%，只要第一场踢出强���，市场会马上重新理解它。

━━━━━━━━━━━━

这张表里还有一些类似的分歧。

被模型认为偏贵的：

英格兰 进8强：市场 55.5%，模型 38.9%
葡萄牙 进8强：市场 48.5%，模型 33.1%
法国 夺冠：市场 16.0%，模型 9.9%
德国 进8强：市场 37.0%，模型 27.3%
巴西 进4强：市场 31.0%，模型 19.4%
比利时 进8强：市场 37.0%，模型 24.1%

被模型认为可能低估的：

厄瓜多尔 进8强：市场 18.0%，模型 28.8%
厄瓜多尔 进4强：市场 8.0%，模型 14.3%
克罗地亚 进8强：市场 19.0%，模型 26.0%
加拿大 进8强：市场 14.5%，模型 21.0%
巴拉圭 进8强：市场 10.0%，模型 15.8%
哥伦比亚 进8强：市场 28.0%，模型 32.6%
墨西哥 进8强：市场 24.5%，模型 30.6%
巴拿马 进8强：市场 3.3%，模型 9.0%

我会更关注第二类被低估的球队，尤其是那些真正实力不错，但流量叙事还没起来的球队。

世界杯预测市场里，很多人买的是熟悉感、名气、豪门记忆。

真正值得盯的，是球队真实结果，和市场情绪定价之间的那个差。

模型无法替代你押注，但它可以先帮你筛出：

谁被市场讲贵了；
谁还没被市场讲成故事；
哪些路径盘可能有重定价空间。

这比单纯看夺冠赔率有用得多。

来源：
https://t.co/xWSaj959M6
https://t.co/PMfoVz1vhX

#世界杯 #Polymarket #预测市场

[套利豪仔🗽 @pritipatelfgoo]

为你的 Polymarket 天气交易机器人准备的 3 种简单且有效的偏差校正方法
（衰减平均 + MOS + 卡尔曼滤波）
如果你正在搭建一个用于天气市场的交易机器人，最常见的错误之一，就是一上来就直接使用 U-Net、XGBoost 以及其他深度学习模型。

事实上，很多表现优秀的机器人都是从传统方法开始的。这些方法简单、实现快，而且从一开始就能去除很大一部分系统性误差。

下面是你应该优先实现的三种可靠基线方法。

1. 衰减平均法（指数平滑）

这是最流行、也最简单的方法。你使用模型过去的误差，并逐渐降低较早数据的影响权重。

公式：

Bias_today = α × Bias_yesterday + (1-α) × Current_error

通常 α 设置在 0.95 到 0.98 之间。
���种方法非常适合捕捉季节性和区域性偏差，而且几乎没有计算成本。

2. MOS：模型输出统计（线性回归）
这是气象学中的经典方法，至今仍然非常有效。你训练一个简单的线性模型来校正原始预报：

Corrected_Temp = a × Raw_Forecast + b + c × Hour + d × Season + ...

你还可以加入云量、风速、地表类型等变量。
它在修正昼夜周期方面非常有效，也就是白天和夜间温度差异带来的误差。

3. 卡尔曼滤波（自适应滤波）

这是三种方法中最动态的一种。它会根据模型应该对新观测值给予多少“信任”，实时更新偏差估计。
公式：

Bias_new = Bias_old + Kalman_Gain × (Current_error - Bias_old)

模型越稳定，卡尔曼增益就越小；反之亦然。
它非常适合适应季节变化以及模型更新，例如 GFS / ECMWF 的更新。

为什么这些方法在初期必不可少

它们可以去除大部分系统性偏差，通常能覆盖可修正误差的 60% 到 80%。
它们易于实现和测试，并且过拟合风险非常低。

好的偏差校正并不一定要复杂。
这三种方法构成了一个非常优秀的基础框架，基于它们，你已经可以在 Polymarket 的 1°C 温度区间市场 中稳定获利。

[废土诗人 @Xf5Ho]

@kfk_ai 这句话是流量密码吗

[记得爱强 @aiqiang888]

有还在挖珍珠的可以提前关注一下

一个可以合并挖矿的项目

可以点个铃铛，上新了挖挖头矿

[Kova @kovainvest]

https://t.co/mTUfFBfAZF

[无颜 @WY_mask]

想要玩美股的兄弟强烈建议去安装一下，github高达4w收藏。基于 AI 大模型的 A股/港股/美股自选股智能分析系统，每日自动分析并推送决策仪表盘

📊 分析市场走势
📰 整理重要资讯
📈 跟踪个股表现
🤖 自动生成投资分析报告

https://t.co/1sd2oGajZK

[BlockBeats｜We're hiring! @BlockBeatsAsia]

如果你的光学投资逻辑里还只有 MRVL 和 NOK，那你可能已经错过了更大的机会。

AI 光互连真正的价值，往往藏在那些没人关注的「卡脖子环节」里：

• 全球光纤霸主 GLW（Corning）
• 磷化铟衬底龙头 AXTI（AXT）
• 激光器垄断者 LITE（Lumentum）
• 垂直整合王者 COHR（Coherent）
• 模拟芯片隐形冠军 MTSI（MACOM）
• 光学代工核心 FN（Fabrinet）
• 下一代硅光材料玩家 LWLG

本文顺着 AI 数据中心光互连产业链，一层层拆解光模块背后的真正赢家：

谁在卖铲子？
谁掌握产能瓶颈？
谁拥有无法替代的技术壁垒？

从光纤、磷化铟、激光器、DSP，到 CPO 和 AI 骨干网，这是一份美股光学产业链深度图谱。

[爱吃折耳根的Ace @_zheergen]

我去！国外已经刷屏了，国内好像还没啥人聊🔥

PewDiePie @pewdiepie 搞了个本地版 ChatGPT / Claude：Odysseus。
GitHub 5 月 31 日晚上才建，短短 2 天现在已经冲到 2 万星左右，涨得非常猛。

Odysseus 是什么？

本地 / 自托管 AI 工作空间——运行在你自己的电脑或服务器上，也可以按需接 API。无云端强依赖、无账号绑定、无遥测追踪，数据尽量留在自己手里。

包含 Agent——不是只能聊天的那种，而是能执行真实任务的代理，比如网页浏览、文件编辑、文档处理、研究报告、邮件分类 / 自动回复等等。

功能——聊天界面、记忆、Deep Research、图像生成 / 编辑、MCP 支持、图库、资料库、文件工具、Shell、Web 工具等等。基本就是把他自己定制的“ChatOS”，慢慢做成了一个完整的 AI 生产力套件。

他之所以��建它，是因为他厌倦了不稳定的自托管设置以及将数据交给大科技公司。

项目地址：https://t.co/pmWZhyaaMK

[Tiger @tigeryan718]

@zard1365 https://t.co/gmkLrAuJO5

[Tony HK🇭🇰 @Ningqian6688]

老黄的这一页PPT

各位回去好好研读

之后的财富密码全在这页幻灯片

贷款都得全仓猛猛干！

[K三 凯 @kaikaibtc]

我把Serenity和Crux这两个美股狂魔，蒸馏成了一个自动投研的Agent

上周我扒了 Serenity（@aleabitoreddit）的 1073 条推文，5 个月 32 倍。

这次我又扒了第二个人——Crux Capital（@crux_capital_），五个月 647 条原帖，126 个价值票。

Serenity窄而深：找一个制胜点，押死。
Crux 宽而有纪律：画一张六层栈，每层按执行力排仓位。

看完我有点难受，不是因为收益图太夸张。是我发现，这两个人干的根本不是传统意义上的“选股”。

他们是在搭一条投研流水线， AI 负责搬砖，人负责最后拍板。

1⃣ 他们的方法论：先拆机器，再找堵点

他们看一个赛道，不先问“谁会涨”。

先问的是：

这台机器到底长什么样？
BOM 里最难替代的零件是什么？
如果其中一家明天停产，下游要等多久？

这个问题一问出来，视角就完全变了。

大家还在盯 GPU、HBM、电力这些第一层热点时，
他们已经往下抠第二层、第三层：

激光器、InP 衬底、外延、测试、连接、冷却、配电……

Serenity 最狠的地方，是死盯单点故障。
Crux 更像工程师，先画一整张栈，再给每层贴标签：

谁是龙头，
谁是瓶颈，
谁只���会讲故事，
谁又是那种没人聊、但每台机器都得用的“无聊必需品”。

2⃣AI 在他们手里，不是军师，是苦力

普通人用 AI 做投资，喜欢问：

“这票能买吗？”
“帮我总结一下财报。”
“这个赛道有没有机会？”

这种问法，说到底还是在等答案。

他们不是这么用的，他们让 AI 去干最脏最累的活：

拆机器，
顺着零件找供应商，
再找供应商的供应商，
横着读多家公司财报和电话会，
把“产能打满”“认证快结束”“明年放量”这些零碎信号拼成一张图。

说白了，AI 没替他们赚钱，AI 只是把研究量的上限硬抬上去了。

3⃣所以我把这套东西蒸馏成了一个 skill

https://t.co/V6OUO1IuJZ

它不干一件很俗的事：上来就给你甩股票代码。

它先跑五步：

L1 先确认终端，到底研究的是��台机器、哪套系统
L2 再画供应链栈，搞清楚谁在第几层
L3 找真正的卡点，卡的是产能、认证、热、电、良率，还是材料
L4 用财报、产业新闻、研报交叉验证
L5 先给方向，再给名字，最后才谈仓位

我蒸馏的不是他们买了什么，我蒸馏的是他们怎么提问，怎么排除，怎么把热闹拆成一个个能验证的环节。

4⃣举个例子，人形机器人接下来该买什么

大部分人第一反应都是特斯拉、英伟达、总龙头。
但这个 skill 不会先看这些。

它会先问：

如果 Optimus 真开始放量，最先紧张的是哪一层？

如果谐波减速器已经被市场盯得很紧，
那下一步就该继续往旁边看：

每个关节都离不开的力传感器，有没有被认真定价？

重点不是马上得出“买谁”。
重点是先知道：你该查哪一层。

顺着这套方法继续往后推，
我现在最想深挖的，反而不是更拥挤的 GPU 叙事。
而是AI factory 的供电 + 液冷 + 物理交付层。

原因很简单。

芯片再猛，电接不进去也白搭。
柜子再多，热散不掉也白搭。
模型再聪明，机房交不出来，还是得排队。

这条线不性感，不热闹，也不太适合吹牛。
但真缺了它，项目就只能往后拖。

最后

看完 Serenity 和 Crux，我最大的感受其实挺扎心的：

AI 没有让投研变轻松。
它只是先把偷懒的人淘汰了。

以后谁再跟我说
“AI 会让投资越来越简单”

我大概只会回一句：

简单个屁，马太效应罢了，你有的他给你更多，你没有的，他把你已有的都给抢走。

[美股OK哥 @artinmemes]

黄仁勋今天台北大会公布了新的宏大叙事：DSX平台，要帮客户建AI工厂了

我扒了下他这张生态链里上市公司，代码如下

AI云服务

CoreWeave — CRWV
Nebius Group — NBIS
NAVER Cloud（母公司：NAVER）— 035420.KS
GMO Internet Group — 4784.T
Indosat Ooredoo Hutchison — ISAT.JK

AI工厂软件

Red Hat（母公司：IBM）— IBM

设计与建设

AVEVA（母公司：施耐德电气）— https://t.co/C3c2abAY3j
Cadence Design Systems — CDNS
Dassault Systèmes — https://t.co/I8wNvO1V1D
ETAP（母公司：施耐德电气）— https://t.co/C3c2abAY3j
Jacobs Solutions — J
Procore Technologies — PCOR
PTC — PTC
西门子（Siemens）— https://t.co/vhj6aY0Wk1

能源与散热

ABB — ABB
卡特彼勒（Caterpillar）— CAT
台达电（Delta Electronics）— https://t.co/MMKfd7P8is
Eaton — ETN
ENGIE — https://t.co/NmOY5NhDjY
GE Vernova — GEV
日立（Hitachi）— 6501.T
三菱电机（Mitsubishi Electric）— 6503.T
施耐德电气（Schneider Electric）— https://t.co/C3c2abAY3j
Trane Technologies — TT
Vertiv — VRT
National Grid — NG.L

基础设施与数据中心

Digital Realty — DLR
Equinix — EQIX
NEXTDC — https://t.co/fi2TAC02r3
NTT — 9432.T
Sify Technologies — SIFY

计算系统

华硕（ASUS）— https://t.co/a4N1Uw7bL1
Dell Technologies — DELL
鸿海（Foxconn）— https://t.co/qBSTjm13M4
技嘉（Gigabyte）— https://t.co/Y6w3oqChhT
Hewlett Packard Enterprise — HPE
联想集团（Lenovo）— https://t.co/wBl1b2zonu
和硕（Pegatron）— https://t.co/bwI0GuRe4P
广达电脑（Quanta Computer）— https://t.co/g62H2G1TFR
超微电脑 — SMCI
纬创（Wistron）— https://t.co/DJprtKdSJm
纬颖（Wiwynn）— https://t.co/8vsr4Uqvxv