Jeff @Jeff2coder

什么是仓位管理？就是在亏损时，可以毫不犹豫就卖出的仓位。

对于容易焦虑的人来说，最好把许多事都当成一次玩乐与体验。 面试如此，递交申请如此，写博客也是如此。 焦虑往往滋生于“太过在意”。 当你把每件事都赋予决定命运的分量，它便会吞噬你的内心。 所以，不必事事当成生死之战。人生的大多数事情，不过是一场体验而已。

𐌁𐌉Ᏽ 𐌕𐌉𐌌𐌉 @OrevaZSN

3 days ago

This is free advice from an expensive psychologist. If you’re an anxious person, do everything for fun. Go to a job interview for fun. Submit documents for fun. Start a blog for fun. Anxiety feeds on importance. Don’t make everything a matter of life and death.

509 28K 153K 3.7M 42K

x.com/i/article/2064…

• Fail（失败并记录） • Investigate（调查原因） • Verify（把诊断变成可验证的事实） • Distill（把验证结果提炼成通用规则） • Consult（直接查规则，而不是每次重新推导）

spacy @dosco

5 days ago

this is a great read and really solid work. fable is proof that these models are getting crazy good but you still have to manage the context. here's some DSPy (ax) code to build your own version of the harness in the article. experiment → independent verifier → correction

3 11 194 30K 373

我时常觉得Twitter 上的分析有时候太过碎片化，情绪化。同样的话题，会被反复炒作，通过AI更换一个观点，然后重发出来，其实本质是换汤不换药的，但却浪费了很多阅读📖时间！ 我今天讲讲我常看的一些免费的Research或Insights 频道，他们都来自世界顶尖的量化基金或者投行，您收藏完这些网站，可能对我的内容，就不感兴趣了！😂 但我觉得还是需要分享给大家，一同精进，共同成长，尤其是炒美股的小伙伴，可能获益匪浅！ 1️⃣Citadel Securities 的 Market Insights 大名鼎鼎的城堡🏯证券，极硬核的数据密度与纯粹的交易员视角。基本不讲那些大而无用的宏观故事，而是直击市场微观结构的底层逻辑。 因为是全球顶级做市商，所以拥有顶级的“上帝视角”数据源，以及深度的市场微观结构剖析，做美股交易必看！ 网址：citadelsecurities.com/news-and-insig… 2️⃣Man Institute 英仕曼集团 大名鼎鼎的英仕曼，全球最大上市量化对冲基金的官方研究机构，Man 核心优势在于用纯粹的量化回测与统计学视角去拆解宏观、主动投资以及系统化策略。它的研究风格与 Citadel 的数据驱动极其相似。 它有一个独家的风险预警策略，能辅助我们卖出，毕竟会买的是徒弟，会卖的是师傅。尤其是它们家的CTA 与系统化策略，对市场动量、大宗商品流向以及量化基金在极端行情下的仓位拥挤度有着极敏锐的观察，能提供普通散户看不到的风险预警。会经常发布一些，关于通胀周期、系统化多空、以及流动性脆弱性等硬核的深度长文。 网址：man.com/insights 3️⃣Morgan Stanley Institute 大摩研究院 可以说是华尔街卖方的标杆，大摩的研究大脑。核心优势在于无与伦比的行业基本面穿透力与全球宏观政策的定价风向标，而且前瞻性极高，往往会提前1-2个月做风口预判！ 假如你要分析行研，分析基本面，分析供应链穿透，看它就够了。拥有全华尔街最庞大的行业分析师团队。其优势在于“自下而上”的超级深度，能直接拿到全球产业链一线的核心一手数据，比如对 AI 算力 CapEx（数据中心、电力瓶颈、芯片订单）的每季精细追踪，以及传统 SaaS 软件生态的业绩测算，几乎是全球机构定价的重要锚点。 网址：morganstanley.com/insights/insti… 4️⃣ Bridgewater 桥水基金 Bridgewater的创始人，Ray Dalio算是全球系统化宏观对冲基金的鼻祖，核心优势在于其独步华尔街的“因果驱动”宏观框架与全天候资产配置逻辑。但最近一直喊空AI，搞的我有点烦，看的越来越少了，但它的全天候大类资产配置方案，还是很牛逼的，可以学一学。 假如你要学习宏观，学习宏观数据对金融市场的影响，学习通胀/通缩拐点以及财政与货币政策的协同传导效应，可以去看一看他们的研究，他们属于大周期玩家，周期拐点的预判还是极准的。 网址：bridgewater.com 5️⃣SemiAnalysis 全球半导体与 AI 算力基础设施领域最具声望的独立研究机构，核心优势在于其极其硬核的微观工程视角与对供应链底层的绝对穿透力。 假如你要学习AI物理硬件，学习MLCC，学习光互链，学习HBM，学习先进封装CoWos。这个网站极其硬核，不同于传统券商只看财报数字，SemiAnalysis 拥有深厚的半导体工程背景。他们能从微观物理层面拆解技术，比如直接评估 Nvidia 最新芯片架构的晶体管密度、HBM的良率瓶颈等等内核。一般地方还真看不到！🧐 网址：semianalysis.com 其他的一些网站，像贝莱德，高盛(部分付费)，AQR，美银，J.P. Morgan Markets Insights，Apollo Academy 都是不错的网站，都有自己的Research频道，可以多用多学习，也可以装一个Codex 让它每天做汇总报告，也是极其方便的！ 学无止境，美股路上，皆是我的老师，有什么美股好的研究频道或者网站，也可以评论区共享，发网址，付费或免费都可以！🧐

keyboard_arrow_left Previous keyboard_arrow_right Next

Rocky @Rocky_Bitcoin

a week ago

这个世代三大技术革命： 1. AI 2.机器人 3.量子计算 AI炒的过热情况下，不妨研究一下后两者！ 当前机器人赛道完全没有到GPT时刻，我觉得它的重要性不亚于AI。 我经常看 @citrini 的备忘录，可以说是科技界最具洞察力的研究机构，尤其是那篇 《自主AI代理失控扩散与 2028

keyboard_arrow_left Previous keyboard_arrow_right Next

27 20 71 128K 79

软件工程的核心能力可能不再是「写出好代码」，而是「设计出可靠的推理约束边界」。

Xudong Han @Xudong07452910

7 days ago

这篇论文让我感觉，我们对「AI 会取代程序员」这件事的讨论方向可能全错了。 核心观点：AI Agent 的出现不是让软件工程师工作效率更高，而是让「把决策逻辑永久编码进软件」这件事本身变得越来越不必要。

167 305 1K 216K 1K

@iamai_omni @xicilion 速度怎么样？

@CuiMao codex太难了，连管理员密码都不给我破解，换cursor就简单多了

@turingou 想参加内测

@syhily AI 写了几个月，我现在有点心虚

@zhixianio 没用omlx跑吗？

@geekbb 等量化版本吧

下次玩前端，试试TanStack Start

老鬼 @laogui

2 weeks ago

TanStack Start 迎来了最大的客户。 Lovable 上个月从原来的 React + Vite 单页应用，改为默认使用 TanStack Start 框架生成所有新项目。切换后，用户每周创建超过 100 万个 TanStack Start 应用。 最大变化是：生成的 App 支持更好的服务器端渲染，SEO 更友好、首屏加载更快、整体体验更好。

130 4 52 19K 50

和 AI 精准描述动画效果

Viking @vikingmute

2 weeks ago

这个资源真的太棒了，这正好是我特别想要的： animations.dev/vocabulary 和 AI 描述动画的时候由于不知道专业术语，根本不知道想要的动画应该怎样描述，有了这个词汇表就方便特别多了。而且可以更好的理解这些动画效果。 值得收藏和好好学习下。

206 57 273 35K 280

It's WILD how much value is in this video, but only 1,300 views??

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 / Chanl.io 企业案例；Manicode / Arendil 独立 benchmark；SLM Market Report 2024-2026

keyboard_arrow_left Previous keyboard_arrow_right Next

免费 30 刀 gpt 5.5 and Opus 4.7

Dhruv Atreja @DhruvAtreja1

3 weeks ago

We’re providing FREE gpt 5.5 and Opus 4.7, come use some VC subsidised tokens💰

27 50 975 163K 1K

@shao__meng 卸磨杀驴，始料未及

@Limichange2 goal 去 X 上赚钱

第二刚看到微软开源的 skillopt 库

九原客 @9hills

3 weeks ago

尝试了多种Agent Memory实现，只有两种我觉得还有点用： 1. Hermes 这种严格限制长度的条目级记忆和会话召回，用来解决个人助理所需的记忆。但是这种和Coding没关系。 2. 根据轨迹沉淀 skill 和 skill 进化的，但目前还没有找到合适的库。 其他图谱类、卡片类，吭哧哧创建一堆，卵用没有。

25 44 249 23K 286