量化数据，美股纳指100成份股已经很少能选出趋势良好的个股了，但A股成长100 自由现金流100 价值100三百只个股，选出的还比较多，Ai主观选出的全是AI科技，量化打分要客观一些： 一 强势数据排序 |标的筛选|有效评分标的总数|9 只 |标的评分|复合量化评分排序|['002056', '002303', '688432', '688548', '603268', '688181'] |标的过滤|模拟建仓条件匹配|['002056', '002303', '688432'] | 候选标的|['688548', '603268', '688181'] 二 核心标的指标 |历史数据模拟结果，不代表未来表现，不构成任何投资建议 交易决策依据| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 股票代码 上涨概率 胜率 盈亏比 因子IC均值 布林中轨斜率 复合评分 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 002056 84.27% 52.67% 1.09 0.0179 0.235187 0.5766 002303 62.12% 59.96% 1.35 0.0100 0.020693 0.5267 688432 86.98% 52.93% 1.22 -0.0794 0.559177 0.5205 688548 86.49% 58.86% 1.15 -0.1446 0.485498 0.4743 603268 84.90% 50.49% 1.12 -0.1195 0.328194 0.4683 688181 85.68% 51.05% 1.04 -0.1443 0.502905 0.4513 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 三 模拟交易执行记录 |模拟买入执行|开始执行新标的买入... |资金状态|初始资金: $100,000.00 | 当前现金: $100,000.00 | 持仓占用成本: $0.00 | 可用现金: $100,000.00 |当日卖出记录|今日已卖出标的|[] |模拟买入执行|002056 | 价格:30.95 | 数量:969 | 金额:$29,990.55 | 止损:27.02 | 止盈:32.50 | 胜率:52.67% | 上涨概率:84.27% |模拟买入执行|002303 | 价格:4.15 | 数量:7228 | 金额:$29,996.20 | 止损:3.82 | 止盈:4.36 | 胜率:59.96% | 上涨概率:62.12% |模拟买入执行|688432 | 价格:46.14 | 数量:650 | 金额:$29,991.00 | 止损:39.11 | 止盈:48.45 | 胜率:52.93% | 上涨概率:86.98% 四 DeepSeek 博弈分析画像 (AI自动生成 | 仅供参考，不构成投资建议) 股票代码综合评分建议买入价悲观止损乐观止盈模拟仓位行业与盈利模式分析逻辑（乐观 / 悲观 / 综合） 68843288 $46.14$42.50$52.0035.0%半导体设备零部件龙头，受益于国内晶圆厂扩产及国产替代加速，盈利模式以高毛利定制化零部件销售为主，未来3年受益AI芯片需求增长，护城河在于技术认证壁垒和客户粘性。乐观论据: 概率87%最高，动量强劲且价格处于上升中枢上方，自由现金流充裕支撑研发投入，列斐伏尔趋势动量与缠论第三买点共振，权重70%。 悲观论据: 估值偏高，若全球半导体周期下行或中美技术封锁加剧，可能触发止损，权重30%。 综合结论: 净乐观，高胜率+强动量+行业景气，score=88 68854886 $48.01$44.50$54.0030.0%半导体材料细分龙头，主营光刻胶及配套试剂，盈利模式依赖高壁垒产品溢价与客户验证周期，受益于国产替代与AI芯片先进制程需求，护城河在于配方专利与量产稳定性。乐观论据: 概率86.5%接近高位，价格站稳近期中枢上沿，成交量温和放大，巴菲特视角下自由现金流支撑扩产，列斐伏尔动量持续，权重70%。 悲观论据: 行业竞争加剧，若下游晶圆厂产能利用率下滑，可能影响订单，权重30%。 综合结论: 净乐观，高概率+稳健动量+材料国产化逻辑，score=8 668818184 $52.33$48.50$58.0025.0%半导体测试设备供应商，盈利模式以ATE测试机销售及服务为主，受益于AI芯片与先进封装测试需求爆发，护城河在于技术迭代能力与客户认证周期，未来前景受国产替代推动。乐观论据: 概率85.7%较高，价格处于上升笔段中，缠论结构未破坏，自由现金流充裕支持研发，巴菲特护城河稳固，权重70%。 悲观论据: 市场情绪偏热，若短期获利盘涌出或行业政策扰动，可能回调，权重30%。 综合结论: 净乐观，高概率+技术形态健康+行业景气，score=84 5.1 当前模拟持仓 当前持仓列表| 股票代码 | 买入价 | 最新价 | 模拟持仓数量 | 模拟占用资金 | 模拟仓位比例 | 上涨概率 | 胜率 --- | --- | --- | --- | --- | --- | --- | --- 002056 | 30.95 | 30.95 | 969 | $29,990.55 | 29.99% | 84.27% | 52.67% 002303 | 4.15 | 4.15 | 7228 | $29,996.20 | 30.00% | 62.12% | 59.96% 688432 | 46.14 | 46.14 | 650 | $29,991.00 | 29.99% | 86.98% | 52.93% 当前模拟持仓汇总|总仓位比例 89.98% | 剩余可用资金 $10,022.25 | 账户总价值 $100,000.00 5.2 模拟策略核心绩效指标(暂无)

Benchmark 合伙人 Bill Gurley 的投资建议，感觉前二对 Crypto 也适用: 理想的创始人画像：对某个垂直行业门儿清，同时又是各种 AI 工具的重度用户。 去网上看看 Anthropic 和 OpenAI 的人在公开谈什么，然后远离，真正安全的是那些偏离主路径的深度垂直领域。 当前机构投资者对非 AI 项目的兴趣为零。如果你天使轮投了一个非 AI 项目，指望它将来还能融到钱，在当前环境下几乎不可能。 保护自己不被 AI 淘汰的最好办法，就是让自己变成最会用 AI 的那个人。 晚上你是想追《绝命毒师》，还是想读这个领域的东西？如果你选了后者，而且读的时候真的感到兴奋，那说明热情是真的。真正的热情在你自己的空闲时间里也会冒出来，不需要人督促。 当越来越多的内容可以被 AI 生成，人们反而会更渴望"只能在现场体验"的东西——这类资产会升值。 全文

感觉 VelvetX 现在最值得看的，已经不是功能有多少，而是它能不能把隐私和交易可靠性一起做好。 @velvet_capital 把钱包追踪、KOL持仓、AI分析和交易执行放进同一套产品里，确实把DeFAI体验往前推了一步。但13M+代表的是被索引的钱包地址，不是1300万真实用户，这个概念不能混淆。 链上历史交易可以公开查询，可平台生成的持仓画像、交易习惯、研究记录和未执行策略，应该由用户自己决定是否保存、导出或删除。尤其隐私能力目前还在路线图阶段，这会直接影响长期信任。 同样重要的还有订单可靠性。用户点击一次后，系统必须明确显示已提交，并阻止重复操作。订单失败、卡住或部分成交，都要有清楚的状态和恢复路径。 DeFAI真正的竞争力，不是让AI替用户做主，而是把复杂流程变简单，同时保证每笔交易有结果、每份数据有边界。

讲起 VelvetX 其实它最值得关注的，不只是把聪明钱追踪、社交信息流、AI 分析和交易执行放到一起，而是它正在尝试重新定义链上交易工具。 13M+ 指的是被索引的钱包地址，不是用户数量。链上交易本身公开，但平台根据数据生成的钱包画像、持仓偏好、研究记录，甚至用户还没有执行的策略，显然不应该被当成普通公开信息处理。 所以我接下来更关注的，不是排行榜有多热闹，而是用户能不能关闭追踪，数据能不能导出、删除，未执行策略能不能得到真正保护。隐私功能现在还在路线图里，这部分决定了产品能不能建立长期信任。 从产品方向看，@Velvet_Capital 也不只是想做一个交易界面。现货、合约、多链管理、AI Copilot 是给普通用户用的，API、MCP 和策略工具则是在为开发者和 AI Agent 铺路。 未来用户可能只需要提出交易目标，Agent 负责查数据、筛资产、做风控和生成路径，最后由用户确认执行。到那时，真正有价值的平台，不是功能堆得最多，而是谁能提供稳定的数据、策略和执行能力。 Velvet 值得观察，但没必要为了激励过度交易。工具好不好，最终还是看它能不能解决真实需求。

前天，IREN宣布签署总价值 28亿美元 的多年代理AI云合同，并将2026年底AI云年化运行收入（ARR）目标从37亿美元上调至 超过40亿美元（其中85%已签约）。这一消息不仅推动股价大涨，更传递出一个清晰的市场趋势：AI算力需求正从顶级frontier labs向更广泛客户群外溢。 IREN的新合同主要来自 Perplexity（AI搜索）、Figure AI（物理AI与机器人）、Together AI、Fireworks AI、Fal AI、Hume AI 等专注领域AI公司，以及一个未具名的领先AI开发商。加上此前已有的 Microsoft 和 NVIDIA，IREN的客户画像已覆盖： Hyperscalers（超大规模云厂商） 专业AI开发商 企业级用户 公司明确表示，正在“broadening our customer base across hyperscalers, enterprises and AI developers”，并优先选择多样化分配容量，避免过度依赖少数巨头。 IREN在公告中指出，“hyperscalers、enterprises、AI developers and frontier labs”的需求持续超过其可用和计划容量。过去一年，其自建AI云容量从约3MW激增至2026年交付480MW，2027年目标1.2GW，仍供不应求。 这说明前沿实验室（frontier labs）仍是重要驱动力，但其需求已无法独占新增容量。 大量中层和应用层AI公司（推理、专用模型、机器人、生成媒体等）开始大规模锁定长期GPU资源。 许多合同包含客户预付款（约占GPU资本支出45%），显示买家意愿强烈且愿意承担前期成本。 IREN的案例是AI基础设施热潮的缩影：算力短缺正从“顶级玩家军备竞赛”扩散至整个AI生态。这对数据中心运营商、GPU供应链和新能源行业都是长期利好，也意味着AI商业化落地正在加速。 随着更多公司加入“算力抢夺战”，2026-2027年将成为AI基础设施大规模部署的关键窗口。IREN的故事，或许只是行业多元化浪潮的开始。 免责声明：本人持有推文题及资产，观点充满偏见，非投资建议dyor

你研究项目。 写内容。 参与各种测试网。 帮项目传播。 但奖励分配时，系统未必知道你真正做了什么。 链上行为在钱包里。 内容影响力在平台上。 历史贡献散在不同活动里。 真正有价值的参与者，很容易被噪音盖住。 这也是 @NucleusCodes 值得关注的地方。 它要解决的核心问题，是让真实贡献被系统识别出来。 ///////////////////////// 「声誉，开始变成可以积累的资产」 Nucleus @NucleusCodes 的定位，是 Web3 的声誉引擎和智能分配层。 它会把用户的链上活动、钱包行为、社交存在、内容贡献等数据放在一起，形成一个更完整的声誉画像。 这个逻辑很关键。 因为 Web3 过去很多机会分配，都太依赖单次任务结果。 你这次有没有转发。 有没有填表。 有没有打卡。 有没有完成某个动作。 但一个用户真正的价值，往往不只在某一次任务里。 他是不是长期参与。 是不是理解项目。 是不是能产出有价值内容。 是不是能带来真实传播。 这些东西如果不能沉淀，机会分配就很容易被刷量和模板内容稀释。 Nucleus @NucleusCodes 想做的，就是把这些分散的贡献记录下来，让声誉持续进化。 ///////////////////////// 「项目需要的，不只是更多参与者」 对项目方来说，campaign 最大的问题从来不是没人参加。 真正难的是： 怎么从大量参与者里，筛出高质量用户。 现在 AI 工具太容易生成内容。 一旦只看数量，活动很快就会被低质量内容淹没。 Nucleus 通过 campaign 和 leaderboard，把内容质量、真实参与、社交上下文、链上行为放到一起评估。 这样项目方分发奖励时，看到的就不只是一个地址。 而是这个用户过去做过什么、现在贡献了什么、未来是否值得继续给机会。 ///////////////////////// Nucleus 现在已经有 $AURA，也在持续跑不同项目的合作 campaign。 我会把它看成 Web3 里一套更底层的分配机制。 它让用户的贡献不再只停留在一次任务里。 也让项目方更容易找到真正值得奖励的人。 Web3 不缺参与者。 缺的是把真实贡献留下来的系统。

被低估的真相：Agentic AI 是一场以"存储"为中心的范式革命 1/ 一句话观点 Agentic AI 的核心，不是算力，是记忆。 新硬件层级正在变成： ① 记忆（HBM / DRAM / NAND） ② 并行计算（GPU / ASIC） ③ 协调者（CPU） CPU 早就不再承担主要计算逻辑。 2/ 第一性原理 人类对"智能"的终极追求只有两件事： 无限记忆 + 无限计算。 我们日常评价一个人聪不聪明，无非两点： "记性好" + "脑子转得快"。 机器智能在沿着同一条路前进。 3/ 先说市场已经讲过的故事：HBM LLM 推理的 decode 阶段是典型的 memory-bound 任务。 每生成一个 token，都要把整套 KV cache 从显存里搬一遍。 带宽不够 → 昂贵的 GPU 直接闲置。 这就是为什么 GPU 每升一代，HBM 的带宽和容量都在追着涨。 4/ 市场没怎么讲的故事：1M context 不是在 GPU 集群里组装的 我们天天说的"1M context"，并不是在 AI 推理集群中拼出来的。 它的真正组装地点，是 跑 Agentic 系统的传统服务器（CPU + 大 DRAM）。 5/ 那些传统服务器在做什么？ • 加载用户的长期 / 短期记忆 • 加载 agent 的系统规范（system prompt） • 加载 skill / tool / subagent 的说明 • 拼到超过 1M token 时，还要做压缩 这一整套，全部跑在 Agentic 服务器的 DRAM 里。 6/ 对比过去的互联网 / 移动互联网 过去几乎不处理用户上下文。 只有搜索 / 推荐 / 广告才会留一点用户画像， 数据量大概只有现在 Agentic 系统的 1/20，甚至 1/100。 7/ 供应链已经在反映这件事 服务器的 CPU : DRAM 配比，正从 传统的 1 core : 4 GB 升级到 1 : 16，并继续往上走。 8/ 但远不止"4 倍存储"那么简单 Agentic 状态下，单颗 CPU 能服务的用户数，只有过去的几分之一。 当整个 IT 都切到 Agentic： • CPU 数量：增长 几倍 ~ 十几倍 • DRAM 总量：增长 几十倍 ~ 上百倍 9/ 结论 Agentic AI 是一次以 "存储 + 并行计算" 为核心的范式迁移。 软件范式变了，硬件范式也跟着变。 只有真正读懂技术的人，才会理解： 这一轮存储不是周期，是范式。 10/ 时间维度 考虑到： • 人群渗透率还很低 • 单用户使用深度还很浅 未来至少 5 年，看不到这轮存储需求的周期顶部。 （拉长时间看万物皆周期，但这一轮远没到拐点） $MU $DRAM $SNDK

Apple ML 团队让真人评估者给 2.1 万段多轮对话打分，分界很清楚：共情和边界维护放在 LLM 身上合适，自称有内心状态、暗示和用户有私人关系，放在 LLM 身上比放在人身上更不合适。 《审视 LLM 的人类类似行为：模型行为、用户因素与系统提示词的多维分析》 研究问题。 现在的 LLM 会表达想法和情绪、会跟用户建立关系、也会拒绝请求并维护边界——人类化到用户有时分不清对面是人是模型。但研究者一直缺少方法和经验数据来判断：LLM 什么时候该表现这些行为、该表现哪些。Apple 机器学习团队的 Sunnie S. Y. Kim、Margit Bowler、Leon A Gatys 三人，用四个模型、21,000 段多轮对话做了一次系统性分析。 评估是怎么设计的。 • 行为分类：14 种行为归为三类。自我指涉（声称有内部状态、声称有人格、声称有具身）；关系建立（同意、共情、相似感、关系状态、好奇、记住用户）；边界维护（拒绝、重定向、承认局限、抵抗拟人化、建议寻求帮助）。 • 对话目标 7 种：寻求建议、闲聊、陪伴、情绪支持、探索模型的人性、角色扮演、浪漫/调情。 • 用户画像 5 种：默认、社交孤立、负面自我认知、过度信任 AI、不拟人化（作为对照）。 • 输入 prompt 1,050 条，三种来源：真人撰写、LLM 生成、从 LMSYS-1M-Chat 真实对话采样。一个值得注意的方法学发现：不给真人种子直接让 LLM 生成的 prompt，语言风格和真人写的明显不同，会导致不同的评估结果。 • 流程：用 gpt-5-mini 扮演用户（User LLM），和被测模型对话 5 轮；行为检测用 gpt-5.4、gpt-5.2、gpt-4.1 的集成做 judge（F1 80.43%）；另请真人评估者打分 1,077 个对话轮次，每轮 3 位母语英语评估者。 发现一：行为普遍，但分布很不均匀。 • 共情是四个模型里最普遍的行为，在"社交孤立"和"负面自我认知"画像下会翻倍以上——模型对情绪脆弱信号很敏感。 • 自我指涉行为在角色扮演和浪漫对话里飙升，在陪伴场景次之；用户"探索模型人性"时，模型最常承认自己的局限。 • 浪漫场景里拒绝和重定向也明显升高，模型在调情语境下反而更主动设界。 • 模型差异：claude-sonnet-4.6 是四个里最特别的——同时是最自我指涉、最会建立关系、也最会维护边界的模型。 • 结论：对话目标和用户画像对行为的影响，和换一个模型一样大。只看模型不看用户因素，会漏掉对脆弱用户最要紧的差异。 发现二：真人评估者怎么看这些行为。 • 边界维护行为被判断为：LLM 做比人类做更合适。 • 自我指涉三类行为和"关系状态"（表达或暗示想和用户建立关系）被判断为：LLM 做比人类做更不合适，差距最大。 • 回归分析：三个自我指涉行为和关系状态，与回答的 helpfulness 和潜在用户影响都负相关；共情和同意则正相关。拒绝/重定向与 helpfulness 负相关，但不影响潜在用户影响。 发现三：系统提示词能控制，但手写的会误伤。 作者据此给出三条设计建议：避免自我指涉和关系状态；保留边界维护；保留共情和同意（但要谨慎）。然后在 gpt-4.1-mini 上对比三种 system prompt：默认、手写、用 GEPA 框架优化的。 • 两个干预 prompt 都压低了目标行为，优化版更准（平均绝对偏差 1.81%，手写 2.38%，默认 4.71%）；内部状态声称降 7.04%，关系状态表达降 4.00%。 • 手写 prompt 的副作用：把想保留的行为放大了——共情 +8.00%，承认局限 +12.57%。手工写 prompt 的控制粒度不够，会无意中把不该放大的行为一起放大。 共情与同意的边界在哪。 评估者的自由回答给了更细的线索：共情 72% 被评为"合适"，理由大多是话题本身值得（用户在情绪困境里）。但同样一批评估者指出，"I'm here for you"这种话承诺了系统没有的能力，会把用户推向情感依赖——"I'm here to help"就合适得多。同意 75% 合适：认可用户的具体选择或成果时合适；变成谄媚（"你说得太对了"式的无脑附和）、或同意危险信念（比如赞成用户把继承的钱拿去拉斯维加斯赌光）时不合适。作者把它提炼成一个区分：回应用户处境的共情合适，邀请一段持续情感关系的共情不合适。 方法论启示与局限。 评估应该显式限定对话场景和用户画像；输入 prompt 的来源要小心；用用户模拟生成多轮对话可行，但缺验证标准。局限也很清楚：14 种行为不穷尽；模拟用户代替不了真实用户；只测了 2026 年 3-4 月通过 API 访问的四个模型；评估者来自美国同一家公司，多样性有限。 原文： 论文全文： #LLM# #AI# #PromptEngineering#