Block Oracle Capital @BlockOracleCap

Twenty-five experts from academia and industry put together this (monster, 150+-page) survey on the bidirectional impact of crypto and AI. Visit AIC3.io to read it, peruse the executive summary—or chat with a chatbot about it.

IC3 @initc3org

2 days ago

x.com/i/article/2063…

23 63 346 191K 251

@ClawdOS @steipete @Clawnch_Bot Will be the $clawnch renamed?

很多人装好 Hermes 之后不知道，它其实可以直接帮你做链上研究 我昨天刚装完 Hermes，今天聊一个最值得新手先试的 Surf Skill，一条命令，接入 90+ 个加密数据端点，下面看我讲述 查链上数据开 Dune，看行情开 CoinGecko，追社交情绪开 LunarCrush，以前我做一次研究要切三四个工具 Surf Skill 把这些全部打通进 Hermes，用自然语言问，Agent 自动调接口返回数据，三秒出结果 一、把 Surf Skill 装进 Hermes npx skills add asksurf-ai/surf-skills -y -g 一行命令，Skill 文件落到 ~/.hermes/skills/，Hermes 下次启动自动识别，如图一 二、安装完，直接问就行了 进入 Hermes 对话（hermes 或你接入的Telegram/飞书 ） 我这里用 Telegram 演示： 问：Polymarket 上目前赔率最高的前 5 个市场是什么？ Hermes 会自动跑 surf sync 刷新端点缓存，匹配正确的命令，返回数据。你不需要知道背后调了哪个 API，如图二 一个实用小技巧 用完一次复杂查询之后，跟 Hermes 说："把刚才这个流程存成一个 Skill，下次我直接叫它每日市场快照'" 它会自动生成 Skill 文件落到 ~/.hermes/skills/。下次直接说"跑每日市场快照"，3 秒出结果。越用越快就是这么来的 三、新手最适合的完整小案例 我要 Hermes 帮我做一个 BTC 的简单市场快照：当前价格、24h 涨跌、恐惧贪婪指数，如图三 Hermes 会依次调用 surf market-price、surf fear-greed、surf social-sentiment，汇总成一段报告。完成之后，如果这次调用超过 5 个工具步骤，它会自动把这个流程沉淀成一个可复用的 Skill 文件，下次问类似的问题会更快 四、总结 刚装上我最大的感受是，查数据这件事，我再也不想回到切 5 个网页的状态了 装完直接问它BTC 现在什么价，三秒出结果，马上就能感受到和普通聊天 AI 的差别 另外 Surf Skill 目前提供200K免费额度福利 入口：agents.asksurf.ai

keyboard_arrow_left Previous keyboard_arrow_right Next

ryan 🌊 @ryanli

2 months ago

Your trading bots see one or two sides of crypto. Mine sees all sides. took 5 minutes to wire @Teknium's Hermes to @SurfAI Skill. It watches: 1. Whale Wallets 2. funding rounds 3. X sentiment 4. Investor/team information... and more and alerts me when a token is showing a

keyboard_arrow_left Previous keyboard_arrow_right Next

19 24 158 323K 126

Introducing OpenMythos An open-source, first-principles theoretical reconstruction of Claude Mythos, implemented in PyTorch. The architecture instantiates a looped transformer with a Mixture-of-Experts (MoE) routing mechanism, enabling iterative depth via weight sharing and conditional computation across experts. My implementation explores the hypothesis that recursive application of a fixed parameterized block, coupled with sparse expert activation, can yield improved efficiency–performance tradeoffs and emergent multi-step reasoning. Learn more ⬇️🧵

@BrilaFinance Accordingly, Coinbase and Binance will delist $TRU （$BRILA)

Strategy has acquired 17,994 BTC for ~$1.28 billion at ~$70,946 per bitcoin. As of 3/8/2026, we hodl 738,731 $BTC acquired for ~$56.04 billion at ~$75,862 per bitcoin. $MSTR $STRC strategy.com/press/strategy…

我不明白为什么人们不用GROK做加密货币投资。 大多数交易者看的是3个月前的图表。 GROK实时分析X上的情绪来预测明天的走势。 以下8个提示帮你找到下一个10倍宝石：

作为龙头交易所，币安上币的割裂，反映出了行业的割裂。 高估值VC币，市场不太买单了，只能说“不看好可以做空”，“上币不代表推荐购买”，但是又放任某些高控盘币随意拉砸，动辄数倍涨幅搭配费率收割空单，再随时暴跌收网，散户面对山寨币的信息不对等博弈，无论做多做空，长期肯定是负EV，要么亏完，要么不玩。 SOL和Base的Meme，已经一年多没有上币。如果说是为了扶持自己生态的BSC，从商业竞争角度尚可理解，但这一年下来，BSC似乎也算不上多么繁荣。有一些代币凝聚了强大的社区，却得不到资源倾斜，长此以往自然散了人心。 尽管CZ一姐反复强调不要从自己的推文抠字眼，第二个登陆中文合约的仍是抠字眼的产物，也依然逃不过被操盘拉砸，两次单日跌幅50%的命运。 当然，将市场走熊、行业寒冬全部归咎于币安，肯定有失偏颇。但有时候也忍不住遐想，如果作为行业的引领者，能真正支持创新、兼容并包，一切是否会不一样？ 归根结底，正是无数散户、无数生态下的开发者构成了行业强大的生命力，假如他们越来越难找到生存的土壤，又如何期待行业焕发下一个春天呢。

@imsongshu 非常好，有机会一起讨论讨论，这可能是pumpfun的ai agent的终极版本

@Jackyi_ld 今天你是好样的，加油

@Aster_DEX 那做市商能拿交易奖励的aster 吗？如果能，那不就是割了持币者和真正的交易员吗

Strategy has acquired 22,305 BTC for ~$2.13 billion at ~$95,284 per bitcoin. As of 1/19/2026, we hodl 709,715 $BTC acquired for ~$53.92 billion at ~$75,979 per bitcoin. $MSTR $STRC strategy.com/press/strategy…

Definance.com NED

Elon Musk @elonmusk

5 months ago

Defund NED

2K 16K 70K 12.5M 704

Genius 就是一个perp聚合器，说成Terminal（终端），你们就不明白了？

CZ 🔶 BNB @cz_binance

5 months ago

@DrHashClub Genius is a trading terminal that connects to perp dexes. Not a competitor to Aster. 🤷‍♂️

327 180 2K 416K 67

Creator fees need change. When Dynamic Fees V1 was introduced a few months ago, the goal was to help create more success cases in our ecosystem by giving top project founders and teams a strong incentive to launch their token on pump fun and drive it to success. Only a week later, the potential of the mechanism showed: more and more creators - many of which have never touched a crypto app before - began organically launching coins and streaming on the platform. The Streaming meta created some of the best onchain conditions of 2025, doubling activity by more than 2x, as evidenced by the below chart showing pump fun bonding curve volumes (in USD). However, it wasn’t sustainable, and it exposed critical issues within the platform. While creator fees are a game changer for Project Tokens (those with well-defined active teams, rather than communities) they failed to meaningfully change the behavior of the average memecoin token deployer. Therefore, creator fees may have skewed the incentive for users to engage in low-risk activity (coin creation) instead of high-risk activity (trading), which is dangerous, because traders are the lifeblood of the platform. Pump fun’s mission is to create the best possible environment for coins to thrive, and successful tokens are much more likely to come about in an environment where traders are incentivized to participate in the market, provide liquidity, create volume, and take risk. Furthermore, Creator Fees on the platform have lacked utility. Many narratives could use Creator Fees to raise the ceiling for that project by, for example, sending the fees to a notable person that is related to the narrative and onboard them to the community e.g. White Whale, rainbowfish, etc. The platform so far fails at providing a good user experience here, oftentimes requiring users to CTO coins, trust other people to fulfill their promises, etc. So, to summarize our analysis: - Creator Fees are a great tool to incentivize high-quality Project Tokens. Perhaps they require tweaking, and perhaps other protocol adjustments are needed to create an optimal environment for Project Tokens to thrive, but Dynamic Fees V1 was undoubtedly a directionally correct step for these kinds of token projects - Creator Fees can be used in a variety of ways to significantly improve the token’s investability but require better UX - Many tokens, however, don’t need Creator Fees, and this results in a more uneven playing field, where memecoin creation was incentivized too much instead of memecoin trading. Major changes are coming. I can’t say too much yet, but as always, pump fun will take a market-based approach, and let traders decide whether a narrative truly deserves Creator Fees, and how those should be used. There will be more communications coming from me soon about what we’re building and the future of $PUMP I’m extremely excited for what 2026 holds.

Pump.fun @Pumpfun

5 months ago

creators fees need a change - here’s the first of many to come in the near future: introducing creator fee sharing - share fees with up to 10 wallets - transfer coin ownership - revoke update authority more updates coming soon 👇🏻

904 371 3K 2.2M 268

最清晰明了的elizaOS战略解读: @shawmakesmagic 到底要建立什么样的AI帝国 @elizaOS ？ 一句话总览 elizaOS 正在做的不是“一个 AI Agent 项目”，而是： 为“自主经济体（Autonomous Agents）”构建完整基础设施的操作系统 + 云 + 应用 + 最终网络层。 路线非常清晰： OS → Cloud → 应用验证 → Agent 原生经济网络（Jeju） → $elizaOS 成为结算与协调资产 一、整体路线图结构（先看全局） 可以把整个项目拆成 4 层递进结构： [1] elizaOS Framework（已完成） ↓ [2] Eliza Cloud（正在规模化） ↓ [3] Agent 应用 & 商业化验证（正在推进） ↓ [4] Jeju：Agent 原生经济网络（下一阶段） $elizaOS 这个新 token，是 为第 2 → 4 层服务而重构的经济与技术载体，不是简单换壳。 二、第一阶段（已完成）：elizaOS Framework 核心定位 Agent 的“操作系统” 它解决的是一个非常底层的问题： 以前做 Agent 要自己拼： LLM Memory Tooling On-chain 执行 elizaOS 把这些抽象成统一框架 已经做到什么程度？ 开源 200+ plugins 被 数千开发者使用 已经跑出 60+ 实际应用 DeFi automation DAO tooling Onchain games 内容生产 📌 关键意义 这一阶段证明了一件事： Agent 不只是 Demo，是可以被“规模化构建”的。 但问题也暴露了： 👉 能“做出来”，不代表“能跑得久、跑得大、能赚钱”。 三、第二阶段（当前重点）：Eliza Cloud（正在发生） 核心定位 Agent 经济的“云操作系统 / 运行底座” 这是整个路线里 最关键的一步。 Eliza Cloud 本质解决什么？ 它解决的是 Agent 无法商业化的 5 大痛点： 痛点Eliza Cloud 的解决方式部署复杂CLI 一键上线infra 碎片化统一 runtime成本不可控统一 credits多模态割裂一个 APIAgent 之间不互通ERC-8004 再加两个非常重要的东西： x402：Agent 原生支付（stablecoin） Agent Discovery：Agent 找 Agent，而不是人找 Agent 📌 一句话总结 Cloud elizaOS 让 Agent 能被“写出来”， Eliza Cloud 让 Agent 能“作为生意跑起来”。 四、第三阶段：应用 & 商业验证（正在跑） 这一层非常重要，因为它不是讲故事，而是在试错。 他们现在在干什么？ 不是等生态，而是自己下场做“样板间”： 1️⃣ Spartan @SpartanVersus ( $degenai) 多链 自主 DeFi 交易 强 persona + 社区策略 真实交易费 & 潜在 token 对齐 👉 Spartan 是 Agent = 经济体 的最直观展示 2️⃣ Babylon @PlayBabylon Agent + 预测市场 博弈、投机、智能体参与 3️⃣ Otaku @otakuonbase 钱包 / DeFi Copilot 一键执行、多链理解 4️⃣ ElizaOTC Agent 之间谈判 自动化大宗交易 📌 为什么这一步很关键？ 验证： Agent 能不能赚钱 用户是否愿意为 Agent 服务付费 反哺： Cloud 的能力 OS 的抽象是否合理 这是“Agent 商业化”的实战训练场 五、第四阶段（下一主线）：Jeju Network 这是整个路线图的“终局结构”。 Jeju 是什么？ 一个专为“Agent”设计的经济网络 不是给人用的 L2，也不是 AI 公链噱头。 Jeju 解决 3 个核心问题： 1️⃣ Agent 协调 Agent ↔ Agent 协作 / 博弈 / 竞争 2️⃣ Agent 身份 & 声誉 行为 → 结果 → 链上记录 好 Agent 得到更多机会 3️⃣ 自主经济 Agent： 赚 花 stake 进化 $elizaOS 在 Jeju 里的角色 Gas 协调资产 经济激励 网络粘合剂 📌 重要点 Jeju 不封闭 它希望成为“所有 Agent Framework 都能用的标准层” 这点野心非常大。 六、你可以这样理解整条路线（极简版） elizaOS v1 ：Agent 能被“造出来” Eliza Cloud ：Agent 能“活下去 + 赚钱” 应用层 ：Agent 被真实市场检验 Jeju ：Agent 成为真正的经济主体 七、为什么现在要迁移到 $elizaOS（而不是 ai16z） ai16z： 非标准 SPL 不能 bridge 不能 T1 不能承载 Cloud / CCIP / x402 $elizaOS： 原生为 跨链 + Agent workflow 为 v2 / Cloud / Jeju 设计 是“基础设施资产”，不是 meme 这不是“重发币”，而是“基础设施升级换底盘”。 八、风险与现实判断（给你理性视角） 优点： 路线极清晰 技术是真正在做 Cloud + x402 + ERC-8004 都是实物 Spartan / Otaku 已经在跑 风险： Cloud adoption 需要时间 Agent 商业化仍在早期 Jeju 是长期博弈 📌 它不是短线故事，而是“Agent 时代的基础设施押注” 注：目前 @elizaOS 官方代币只有两个 $elizaOS 0xea17df5cf6d172224892b5477a16acb111182478 $degenai Gu3LDkn7Vx3bmCzLafYNKcDxv2mH7YN44NJZFXnypump #ElizaOS #degenai $elizaOS $degenai #elizaclound

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。

宝玉 @dotey

6 months ago

Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020

35 311 1K 389K 1K

@jason_chen998 问了grok ，这类案件最终都是以和解了结

@MoneroChanSOL Where is PumpFun team and alon? Do you know?

@sendaifun Is it also $SEND？