买了个国产积木，咔哒的吊车，边玩边拍摄，结果一个小时过去了，才拼了这么一点，复杂度不错，积木的品质也不错，高于我的预期，现在乐高也不怎么做工程机械了，以后我只能多自己设计和3d打印了

今天是充实的一天 下午和 jet 宅一下午，玩积木、玩扔垫子，收拾玩具，你乐我乐 晚上来我爸这喝酒 终于不说那些没有用的话可以轻松聊聊天 这就挺好 喝了三杯清酒了 这会我爸带 jet 下楼说玩 20 分钟回来 很 chill 的一个下午和晚上 加上早上的晨炮 很舒服的一个周六

📈 链上金融 💡这一赛道正在将 TradFi 的成熟积木（大宗经纪、固定利率、统一保证金）原生化。当波动率、固定利率和大宗经纪这些原语到位后，机构级资金和 AI 自动化策略才能真正大规模入场。 LayerV 【核心】： 将 TradFi 万亿级“波动率市场”带入链上。 过去几年，绝大多数 DeFi 用户交易的其实一直只有“方向”——涨还是跌。但在 TradFi 里，真正庞大的市场其实是“波动率”本身。LayerV 想做的，就是把这个长期缺失的波动率市场带到链上。LayerV 目标是把 TradFi 里规模极大的波动率市场，以更简单、更高流动性、链上可触达的方式带给零售和专业用户。这正是当前 DeFi 中门槛最高、产品最不完善的角落之一。 MARGIN X 【核心】： 构建去中心化的大宗经纪流动性市场。 MARGIN X 不是另一个普通的永续 DEX，它是面向 BNB Chain 生态的链上大宗经纪层。过去几年，链上做市一直有个很少被公开讨论的问题：大量做市库存，其实依赖场外、非透明的代币借贷。MARGIN X 想做的，就是把这套“大宗经纪”模式原生化到链上，用透明、可组合的链上大宗经纪替代这种 OTC 模式。项目方把代币存入赚取收益，做市商和交易者按需借入库存，两边对冲的路径都被整合进同一个透明的桌面端。 TermMax @TermMaxFi 官推 XHunt 排名：22952 【核心】： 为机构数字资产提供固定利率基础设施。 TermMax 是固定利率 DeFi 借贷协议，面向希望锁定借贷成本或收益的用户。它的意义在于把固定利率这一传统金融里非常基础的原语，真正带进链上借贷场景，为更成熟的机构参与打底。 Möbius @MobiusExchange 【核心】： 为链上金融打造统一保证金层 Möbius 在做的事，用一句话概括就是：把 TradFi 中造就万亿级大宗经纪产业的统一保证金架构原生化到链上。用户通过一个自托管信用账户，就能同时进行借贷、永续合约交易和 DeFi 策略部署。它要解决的，是抵押品分散在不同平台、整体风险可控却局部被强行清算的问题。 LunarBase @lunarbasex 【核心】： 引入专业做市策略（Prop AMM）以提升 EVM 链上流动性报价效率与订单承接能力。 LunarBase 要解决的问题很直接：EVM 链上的流动性质量和 CEX 差距太大，导致大额交易滑点高、做市效率低。它的方案是把 Prop AMM 这种更专业、更贴近做市商策略的流动性机制搬到 EVM 上，提升报价效率和订单承接能力。 Orbswap @0xorbSwap 【核心】： 通过 N 维 AMM 结构提升碎片化稳定币的资本效率。 稳定币碎片化正在从发行商、链到司法辖区各个层面加深；真正的问题在于，稳定币越多，流动性反而越碎。Orbswap 用一个 N 维 AMM，把各种稳定币放进同一个池子里，实现更低摩擦的兑换。对频繁在不同稳定币之间切换的交易者、钱包和协议来说，这种结构能显著提升资本效率。

YZi Labs ： 真正的机会不是再造一个链上券商，而是让股票变成可以自由组合的金融积木： 稳定币直接买、持仓跨平台转移、拿去抵押借钱，还能自动组成各种投资策略。 最看好的 3 个创业方向：链上投资组合、运营对账软件、股票抵押借贷。

最近看 @axisrobotics 我突然觉得自己以前可能把它理解得太任务化了 每天进去都是： 抓杯子 放积木 搬东西 塞进盒子…… 所以很容易觉得 Axis 做的事情就是： 不停给机器人增加新题目🤣 但最近他们发的一组实验，让我第一次开始换个角度看： 机器人真正需要的，可能不是记住 1 万个任务。 而是先把一些“基本功”练到真的会 —————— ฅ՞• •՞ฅ —————— 比如： 抓取、移动、放置、分类、装箱。 这些事情单独看都挺简单。 但现实里一个稍微复杂一点的工作，其实就是很多基本动作连起来。 拿一个东西 → 移过去 → 对准位置 → 放进去 → 再拿下一个 有点像我们小时候玩技能组合🤣 你不需要为了每一个新流程，重新学一套完全不同的动作 会的技能够多，重新排列组合就行 这也是 Axis 最近在试的东西 他们现在已经可以把不同的 Expert 接起来： 前一个任务结束时，机器人不需要回到一个完全固定的位置 只要当前状态还在下一个 Expert 能处理的范围里， 下一个技能可以直接接着干 —————— ฅ՞• •՞ฅ —————— 这里有个数字我觉得蛮离谱都 Axis 现在训练一个单项 Expert， 官方实验里用一张 A100 大概 3–6 小时 纯计算成本大约 5–10 美元 就可以在测试范围里做到接近满成功率 当然，这不是说：花 5 美元机器人就什么都会了 这里只是单项能力的训练计算成本 但它让我开始想一个问题： 如果“学会一个基础技能”的成本真的越来越低，会发生什么？ 可能以后真正重要的就不是： Axis 有多少万条任务。 而是： 它到底攒下了多少个真正会用、还能互相组合的技能 —————— ฅ՞• •՞ฅ —————— 比如以后一个机器人要“收拾桌子” 它不一定需要专门学一个叫： 收拾桌子的模型 hhh 可能只是调用： 识别 → 抓取 → 移动 → 分类 → 放置 桌子换了，东西换了 这些已经学会的能力还能继续拿出来用。 这时候数据才真的开始有“复利感” 因为以前一条轨迹做完， 它只是一次经验。 如果最后能把很多经验慢慢压成一个稳定技能， 以后遇到新的任务还能重新拿出来组合， 那这份经验才算真的留下来了。 —————— ฅ՞• •՞ฅ —————— 官网目前已经显示 737 万+轨迹、22.9 万+用户 这个规模当然已经很大了 但我更想知道的是： 这些数据最后能沉淀出多少机器人真正会的东西？ Axis 自己现在也把下一步写得很明确： 从更多 raw trajectories， 慢慢转向更多可以复用、组合，最后再蒸馏进通用模型的能力 这个方向我觉得比单纯继续堆数据有意思多了 ⬇️一起来练基本功😆

英语启蒙教育资料合集 想给孩子做英语启蒙，却不知道从哪里开始 这里整理了BBC英文启蒙动画《奇幻积木 Wonderblocks》和100本英语绘本超清PDF，适合幼儿及中小学生学习使用 闲鱼、淘宝、拼多多、小红书、抖音等平台均可售卖