注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 我的性感就是主流
我的性感就是主流 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 我的性感就是主流 的推特
這次的工作場景有點帥🤙🏻 part2🖤 謝謝大家幫安安紀錄📷🙇‍♀️ @jkftaipei @jkfnet #jkf# #我的性感就是主流# #tmc肌肉車年度大會師#
這次的工作場景有點帥🤙🏻 謝謝大家幫安安紀錄📷🙇‍♀️ @jkftaipei @jkfnet #jkf# #我的性感就是主流# #tmc肌肉車年度大會師#
輪盤下架倒數一週‼️‼️ 越日常的我越容易讓你愛上 解鎖輪盤滿足你壞壞的想法🤫 今天也要投我一票喔~ ⬇️投票截圖傳官方賴領福利 @jkftaipei #JKF# #我的性感就是主流#
显示更多
最近我越来越觉得,DeFi 这轮叙事变了。 @alturax 以前大家一看到高 APY 就冲,谁年化高、谁积分多、谁预期大,就把钱丢进去。但现在不一样了,经历过太多金库爆雷、策略失效、收益不可持续之后,我更关心一个问题: 这个收益到底能不能长期跑?风险有没有被认真管理? 所以我最近重新看 Altura @alturax ,反而觉得它的方向挺对我胃口。 它不是单纯拿“高收益”来吸引人,而是在做一个更平衡的东西:收益率回归,但安全性和可持续性也要跟上。 我理解的 Altura,大概有几个核心点: Vault APY 不是盲目堆高。 用户把资产存入金库,Altura 会通过多策略方式去捕捉收益,比如链上收益、借贷市场、Pendle 收益市场等。简单说,就是不用自己到处找池子、拆策略、算风险,金库帮你做组合管理。 它比较打动我的,是信任层。 现在 DeFi 最大的 alpha 可能不是“谁喊得最猛”,而是谁更让人敢放钱。保险整合、Hypernative 风险监控、多重审计、T1 合作伙伴,这些东西听起来没那么性感,但真金白银进去的时候,这些才是我最在意的。 收益机会也不是单点的。 Morpho 借贷、Pendle 收益市场、Merkl 激励、Turtle Club 等生态集成,让用户不是只吃一个 Vault APY,而是有机会叠加多层奖励和积分。对我来说,这种“基础收益 + 激励叠加 + 推荐奖励”的结构,反而更适合长期参与。 YieldRun 也值得关注。 现在第 4 周期有 $100,000 奖励分配,参与方式也不复杂:创建账户、存款、完成相关任务、分享自己的推荐码和收益结果。特别是推荐奖励,我觉得是很多人低估的 alpha,因为它不是只吃一次,而是每个周期都有机会累积。 RWA 这条线也加分。 市场正在从纯投机,慢慢转向真实资产、链上黄金、机构级收益这些方向。Cointelegraph 这类主流加密媒体也一直在讨论 RWA 和机构资金上链,Altura 如果能把“可验证收益”和“风险管理”继续做深,其实很容易吃到这条叙事的红利。 我会怎么参与? 1. 用这个链接创建账户:**[替换成你的推荐链接]** 2. 存入资产进入 Vault 3. 关注 YieldRun 当前周期任务 4. 分享自己的推荐码 5. 晒出自己的收益结果和积分进度 6. 持续观察 Vault APY、奖励叠加和保险覆盖情况 我不想把 Altura 写成那种“冲完就跑”的项目。相反,它更像是我会放进观察列表、慢慢参与、边赚收益边看产品迭代的 DeFi 收益协议。 现在市场不缺 APY,缺的是敢让用户长期存钱的信任感。 而 Altura 现在讲的故事,正好是: 收益可以高,但风险也必须被看见。 @alturax
显示更多
$AEO 今天大涨,油价和关税是主要因素。从财报后反转大涨43%。 这种票专门做事件性的技术交易者非常喜欢,去年也是表现最佳的股票之一,也是我经典的案例之一, 我分享出来free 就是告诉真正的顶级买方思维如何看待事件性冲击,在一个不那么性感主流的行业,挖掘这种高赔率的事件性交易机会,特别是市场轮动下。 财报后尽管超预期但是因为市场热点在AI,以及油价通胀和消费者需求顾虑下,财报后大跌到我估值高赔率价位下。 然后一路逆市反弹,消费板块轮动,底部到今天合理估值我测算的中间值。这个案例就是经典的投资认知差。 按照我投资策略和订阅者策略估值范围,就是抄作业也跑赢同期市场。 目前估值重新进入估值合理区间中枢短期变现兑现浮筹,按照策略纪律性管理。
显示更多
字节 Seed,可能是最接近硅谷实验室的团队。 字节这事儿做得还是让我非常敬佩。 如果五年后再回头看字节的 AI 历程,我想,他们今天推出的科学家计划肯定会成为其中一个重要节点。 事情是这样。今天上午,字节 Seed Edge 启动了一个科学家计划,准备邀请 100 位前沿科学领域的学者和博士生,与 Seed 团队一起研究真实的科学问题。 科学家可以把自己领域里真正困难的问题带进来,Seed 提供模型、算力和 AI 研究团队,双方一起探索,大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。 看到这个计划,我首先想到的是 OpenAI。 去年,OpenAI 曾经专门推动过 OpenAI for Science,希望让 AI 更深入地参与科学研究。 但到了今年,在激烈的模型竞争下,OpenAI 调整了这方面的组织和投入,原来的独立 Science 团队也被解散了。 Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。 看来现在,字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。 我简单解释两句。 从商业化的角度来看,这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好,很快就能转化为收入。 AI 加速科学发现这样的研究反馈周期会长很多,而且现在看起来还比较遥远。 但只要这个方向取得突破,产生的价值可能远远超过一个软件产品。 大家想想,如果 AI 可以把未来 25 年的科学进展压缩到 5 年,那么到了 2030 年,人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。 这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破,也可能影响几亿人的生活。 往大了说,它可以加快整个人类文明向前推进的速度。 这不就是 AGI 的价值吗? 可能很多人熟悉字节跳动,但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究,而且人才密度很高。前段时间,记得晚点一篇文章提到姚顺雨的观点说: 大模型训练没有银弹。 真正决定模型能力的,还是把数据质量做好,把基础架构做扎实。 OpenAI 和 Anthropic 过去很多年的积累,本质上也是这些看起来没那么性感的基本功。 其实,字节 Seed 很早就在这么做了。不信大家可以查查,Anthropic 从来没有指责过字节蒸馏他们的模型。 因为 Seed 很早就定了一条价值观,不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。 包括 Seedance 2.0 为什么能够一下子炸了,业内一个比较普遍的判断是,字节在数据上做了大量基础工作。 毕竟发展到今天,各家在模型路线上的差距已经没有那么大了。真正拉开差距的,往往是一些脏话累活,以及整个研究团队的文化。 另外,Seed 内部还有一支团队,叫 Seed Edge。 这个团队专门研究一些确定性没有那么高,甚至几年都未必能看到结果的课题。 这次的 STEM 科学家计划,就是由他们发起的。 前段时间我写过的 EdgeBench,也是 Seed Edge 的成果。 他们发现模型从环境中学习,似乎也和预训练一样,存在自己的 Scaling Law。 投入的交互时间越多,模型能力的提升也会遵循一条相对稳定的规律。 我曾经看到过一个观点:培养熵,才是研究实验室长期繁荣的唯一方式。 这里的熵,可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。 因为研究和做产品不太一样。做产品时,目标通常比较明确,组织需要尽快形成共识,把所有人的力量集中到同一个方向上。 但研究面对的往往是未知问题。既然答案还不存在,也就很难提前判断哪条路线是对的。 在这种情况下,如果一个实验室过早形成统一判断,所有人都去研究眼下最热门、最容易出成果的方向,短期效率可能很高,长期却容易陷入同一个局部最优。 大家使用相似的方法,追逐相似的指标,最后得到的也很可能是相似的结果。 真正有创造力的研究组织,需要保留一些暂时无法被证明的想法。 有的人沿着主流路线继续推进,把已有方法做到更好。也有人去研究冷门问题,做一些人可能几年都拿不出明确成果。这就是培养熵。 这些熵当然会带来噪声,带来争论,甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。 回头看那些长期保持创造力的研究实验室,其实都有类似的特点。 说实话,字节做这件事,我也挺意外。因为过去类似的构想,基本上都是硅谷公司在做。 中国互联网公司过去给人的印象,一直是产品能力和商业化能力特别强。 它们很擅长把一项技术迅速做成产品,再推到足够大的用户规模。 字节 Seed 愿意在这个阶段认真投入这件事,挺让人振奋的。 因为模型能力提升越来越快,很多短期指标都会迅速被后来者追平。这样的前沿性的探索,会真正决定模型的上限。
显示更多
0
32
24
3
转发到社区
最近很多背景很硬、融资很大的项目,发币后 市值都非常低的项目,像 Sentient、Zama、Aztec 这种也不例外。 比如Parfin @parfin_io构建的Rayls @RaylsLabs也算是一个。 代币 #RLS# 已登陆 Binance Alpha+合约、Coinbase、Kraken 、bybit、Bitfinex等主流平台,按理说,这种级别的项目不至于太差,但FDV 竟然不到 7000万,流通市值低于1000万。 messari梅西@MessariCrypto这份报告挺全面: 1、Rayls 是一条L1,是一套面向机构上链的隐私合规通道,让机构在保密的前提下把资产带到公链去用 DeFi 的流动性与产品能力,核心目标是同时满足隐私 + 合规+ 上链结算,聚焦RWA 资产资产代币化。 2、获得 Tether 投资 Rayls 背后团队是 Parfin,项目累积融资3200万美金,资方名单里全是Framework、ParaFi 等机构,甚至埃森哲这种传统金融老钱也投了,并且2个月获得Tether 的战略投资。 官方公告说得很直白:推进拉美的机构采用,把其稳定币带进机构结算与资产代币化场景。 我的理解是:Tether 以后不只想吃散户增量,它更想把盘子做到机构采用与结算上,毕竟在交易所端,他们已经是最大份额。而真正要跑出增量,靠的不仅仅是上交易所,而是进入机构的结算链路,既要合规可审计,又要保护商业隐私,还要能承载大额资金流。 打开Tether 的投资版图,投的很多项目都是在为未来的机构结算网络提前修路,而 Rayls 这种混合架构,很可能就是它想要的那种轨道之一。只要这条路跑通,Tether 的战略就会升级成全球机构结算层,旗下稳定币更像金融系统里的默认美元接口。 3、Rayls也采用隐私框架 机构上链最难的就两件事:隐私 + 合规。Rayls 用一套类似前店后厂模式针对性提供服务方案: 后厂(私域):银行在自家私有节点里把应收、私贷、存款先代币化、内部流转,数据不外泄。 前店(公域): 把机构产品推向公链,让 DeFi 来承接、组合、做产品。 安检(Enygma):把敏感信息遮住,但又接受审计,自带隐私与合规功能。 这相当于是一个新资产与收益机会。defi用户可以通过链上产品,参与到过去只在银行墙里流转的那部分机构现金流。以前银行等金融机构不是不想上链,是不敢裸奔,Rayls试图提供一条机构能接受的路,在不泄露商业机密的前提下,把资产与结算搬上链、再把原本只在内部及机构间的利息分给defi用户。 我个人看法:Rayls 这种基建在当下确实不性感,被低估很正常,一条主打合规概念的机构链,重点要看机构的真实结算和真实资产流,能不能持续上链并规模化沉淀,如果 2026 年 Q1 主网上线真能把机构侧资金跑起来,那现在的估值才会开始被市场重新修正。TradFi 上链是大趋势,也相信 Tether 不会乱扔钱,这种背后站着如此强大的金融资源、赛道有资源释放的需求,估值却在地板的标的,各方都在亏钱的情况下不至于就这么结束了。 我觉得:发币时机几乎成了过去几年项目成败的关键。 流动性差的时候硬上币,就像冬天卖冰棍、暴雨天卖火把,很多时候不是项目没叙事,是市场没钱听故事,市场进入了一个更现实的阶段,项目方什么时候发币往往比讲什么叙事更重要。 我最近也一直在想:除了时机,为什么估值会掉得这么厉害?如果大家都只能拿到这种估值,难受的不只是我们这些链上撸毛用户,项目方自己、团队成员,投资人都会极其难受。还有就是项目发币后估值很低,项目方到底后面咋个搞,哪类项目会长期做实事未来能被价值发现的可能性。 哪类项目的天花板比较高,就搞哪一类吧。
显示更多
Remember when people said institutions would never go onchain? Tell that to the Brazilian infrastructure company processing $4 trillion/year that's now tokenizing 40K assets monthly on Rayls. Or AmFi, bringing $1B in private credit onchain by 2027. The infrastructure is here. The capital is moving. Read the full story by @MessariCrypto below 👇
显示更多
0
24
45
5
转发到社区
现在很多人聊 AI Web3,都在盯着模型、应用、空投这些地方,但真到了一堆 AI Agent 上链执行任务、调用数据、协同交易、管理资产的时候,问题就会变得特别特别现实: 它的推理能不能被验证? 它调用的数据靠不靠谱? 它的记忆放在哪里? 它和其他 Agent 协作时,出了问题谁来审计? 底层协议有没有隐藏的 bug? 这些东西听起来一点也不性感,而且作为乐观主义者,我平时也反感只提问题不给解决方案,但真出事的时候,以上的每一个都会是扎心的大问题。 —————————————————— 这也是我觉得 @0G_labs 近期的几个动作值得看的原因。 根据这次 APAC Hackathon 黑客松的最终数据,1.04M+ 社媒曝光、1145 名全球参与者、293 个最终提交项目,放在现在这个市场环境里,已经能说明 0G 生态不只有声音,是实实在在的有人在持续动手构建。 更关键的是,这批项目并没有只挂一个链上 AI 的概念,很多都实际落地应用到了 0G 存储、0G 算力、0G 链、隐私计算、Agentic ID。 这也说明 0G 的全栈基础设施,已经开始被开发者拿去做真实的东西了。 从我的视角看,黑客松最有价值的地方在于它能不能把开发者、场景和工具栈一起给跑通了,因为如果一个生态只有叙事,没有人愿意去动手搭东西,那热度一定会很快就消散了。 但是如果有几百个项目提交,有人用存储、有人用算力、有人用隐私计算、有人尝试 Agentic ID,这就说明 0G 的生态闭环开始有雏形了。 另一个点我觉得更硬,那就是 0G Lab 的这篇多智能体安全论文。 —————————————————— 他们联合新加坡国立、北大、北邮做了一个叫 Agora 的框架,专门拿来 debug 共识协议。 共识协议直白的说就是链和分布式系统最底层的记账规则,节点怎么达成一致、异常节点怎么处理、状态怎么同步、签名和执行结果怎么保证不出问题,很多核心风险都藏在这里。 Agora 的思路是让多个 Agent 分工协作,有人负责理解全局状态、有人负责设计异常场景、有人负责生成测试代码、有人负责跑结果和复盘问题。 最后在 Raft、EPaxos、HotStuff、BullShark 等主流共识协议里,挖出了 15 个之前没人发现的协议级深层逻辑漏洞(零日漏洞),论文也中了顶会(我特意去查了下,论文已被 ICML 2026 接收,这是全球人工智能和机器学习领域历史最悠久、规模最大、最具影响力的顶级学术会议之一,这含金量懂的都懂)。 因为 AI Agent 以后真的要在链上跑,光靠会聊天、会生成内容、会自动执行任务肯定不够,底层系统必须能被测试,能被验证,能提前把风险挖出来,毕竟安全才是第一位的。 所以模型会换、应用会换,但 AI Agent 需要的可信执行、链上存储、隐私保护、安全验证这些需求不会消失。 这才是我看 0G 的核心逻辑,它正在补齐 AI Agent 上链之前必须要具备的底层能力。 熊市里,真正做事的项目反而更容易看清楚 ,你们觉得呢? @0G_labs @0g_cn
显示更多
🏆 0G APAC 黑客松圆满收官,获奖名单正式揭晓🏆 从最初的区域性赛事,到如今演变成一场席卷全球的技术狂欢,感谢每一位在 0G 上不断试探技术边界、交付优秀作品的团队。 来看看我们共同交出的成绩单: 📈 社交媒体曝光量 104 万+ 👥 全球参赛人数 1145 人 🛠️ 最终提交项目 293 个 让我们一起来认识这些改变未来的优胜项目 👇
显示更多
0
90
42
1
转发到社区
百大女郎票選開跑! 記得每天幫我投一票唷~❤️‍🔥 每天動動手指, 就是對我最大的支持! 衝起來💪🏻 每日一投傳送門 ⬇️ 投票連結: @jkf_ig @jkfofficial #JKF# #JKFace# #JKF女郎# #JKF捷克論壇# #百大女郎# #讓性感成為主流#
显示更多
0
1
108
3
转发到社区
记得Defi Summer 20年到22年这三年时间,大家经常感慨的一句话就是“币圈一天,人间一年” 因为技术迭代太快了,每天都有数不行的新东西出来,几天不看就跟不上节奏 现在这个感觉在币圈彻底消失,在AI那边出现了,每天的新东西就看不完,真的看不完 正好这几天看到圈里讨论Cerebras的帖子多了起来,昨天还看到不少路演信息,毕竟14号要挂牌交易。之前在Amber做分享的时候也单独讲过这个公司(当时用的那页PPT放在文末),所以简单说下我对Cerebras的判断 先说结论:这家公司很有意思,但核心变量不一定是他们造的芯片本身,而是未来AI的workload形态会是成什么样。 先简单说下它是干嘛的,防止有老铁还没看Cerebras 它最核心的技术,就是wafer-scale chip(晶圆级芯片),简单理解就是别人还在用“邮票大小”的芯片,它直接把整片晶圆做成一颗超大处理器,再配上超大 SRAM,把大量数据尽量留在本地高速处理,减少传统GPU最头疼的memory bottleneck。现在海力士美光涨上天就是因为HBM这东西太抢手,Cerebras是直接绕开了对HBM的依赖 很多人看到 Cerebras最牛逼的benchmark:推理速度比GPU快10-15倍,第一反应就是下一个英伟达?! 先别急。 这个benchmark最大的问题,是默认AI的核心需求永远是“更快吐token”。 如果只是人类盯着ChatGPT聊天,这故事其实没那么性感。你每秒吐 30 个 token,我已经快读不过来了。再翻10倍,边际体验提升几乎为零。 真正有意思的是 Agent。 Agent不读字,Agent消费Token。速度直接等于生产力。 一个OpenClaw/Hermes agent,如果要读网页、写计划、调 API、跑代码、报错重试、继续执行,一个任务可能要几十次 inference call。 每次 2 秒,任务就是分钟级体验。 每次 200ms,就是另一个世界。 所以 Cerebras更值得关注的地方,是 AI worker 这条线,而不是单纯的chatbot加速。 但问题来了 - 它的magic来自 wafer-scale + 超大SRAM,本地访问极快。但SRAM这东西有天然 tradeoff,速度快,容量贵,大模型塞不下就必须拆分。 而一旦拆分,chip-to-chip communication 就上来了。 LLM inference里最怕通信的恰恰是 decode 阶段。token 是一个一个往外吐的,每多一次 hop,延迟就是硬加上去,没法隐藏。 所以 Cerebras能不能成,关键根本不在“比 GPU 快几倍”,而是未来 AI 的主流计算形态到底是什么。 1. 时间线一 - 未来几年还是 前沿超大模型一统天下,动不动几千亿甚至万亿参数,所有请求都让超大模型自己处理,那 Nvidia的distributed infra 依然最舒服,Cerebras的速度优势会被通信损耗吃掉很多。 2. 时间线二 - MoE、蒸馏、量化这些技术如果继续快速进步,未来两年70B左右的模型做到今天700B模型 80%-90% 的效果,我一点都不意外。(这里要强烈感谢Deepseek一大波!) 如果世界往这个方向走,故事就变了。 大模型负责 planning / judgement / orchestration。 真正执行任务的大量 worker model 落在 30B-70B 这个区间。 这些模型足够聪明,又刚好能吃到高速本地推理带来的红利。 Agent 世界里,大部分token根本不需要最聪明的大脑。很多工作本质就是执行层体力活:浏览网页、改代码、调工具、retry、继续跑流程。 这个 topology一旦成立,Cerebras就直接进入自己的甜区 3. 时间线三 - 未来推理是端侧为主,用的都是8B,14B的这些小模型,那GPU也能跑的很好,甚至专用的ASIC芯片效率更高,这个场景下Cerebras的优势和护城河也就不高了 换句话说,超大模型云端推理或者超小模型的端侧推理这两个平行宇宙,Cerebras的优势都不够明显,只有主流推理落在32B-70B中等模型这个Size,正好“Big enough to stress GPU memory, Small enough to fit locally” 才是Cerebras最能大展身手的世界 所以我对Cerebras的判断是,300多亿的市值,短期看订单,财务报表这些数据,长期赌的则是未来Agent时代的计算范式到底落在哪个平行宇宙的时间线上
显示更多
0
11
71
10
转发到社区