A father in Fangchenggang, Guangxi Province lifted his child in waist-deep water to save him in an emergency! Fatherly love is like a mountain!这一刻，是父爱如山的具象化！广西加油！#AmazingGuangxi#

2026年诺贝尔和平奖得主 预测思路1 又一稳赚市场 Predict 新上了一些市场,目前流动性还在补充中。 今年的诺贝尔将于 10 月初由挪威诺贝尔委员会在奥斯陆宣布。 官方不会公开候选人名单，所有提名信息会保密 50 年，因此外界只能依据公开提名、国际形势以及预测市场进行分析。 按照评奖结果往往反映欧洲主流社会对和平、人权、国际法和人道主义的价值取向。 1⃣普京、内塔尼亚胡，一个俄乌战争、一个加沙冲突，可能性为0. 某大、马斯克概率也基本为0. 泽连斯基，国际法院也是来打酱油的。 2⃣特朗普，要是终结了伊朗冲突，倒是有一点概率。 3⃣目前在预测盘口上：组织获奖的概率明显高于个人 🥇Sudan's Emergency Response Rooms（苏丹紧急响应网络）在苏丹内战中组织基层救援、医疗和粮食援助，获得广泛国际认可。 🥈Médecins Sans Frontières（无国界医生）长期参与加沙、苏丹、乌克兰等冲突地区的人道主义救援。 🥉联合国近东救济工程处（UNRWA） 最有可能的就是这3个了。所以选1的否基本就是稳赚了，点位不大，胜在可以吃PP，跟持仓了。 @predictdotfun @dingalingts @yuexiaoyu @TC8880 @ricardogee

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

老黄来推特了，第一篇就是重磅炸弹，联合多家机构写了一篇，句句不提KIMI，句句都是KIMI，字里行间对Claude的封闭持有否定，值得一看。 《开放权重与美国的AI领导地位》 上世纪80年代，早期的开源软件先驱挑战了当时的主流观念——软件只有在公司对代码严格控制的前提下才能进步。这场运动推动建立了一个透明的生态，让全世界的开发者都能研究、修改、改进软件。如今，开源社区的软件支撑着互联网的大部分基础，也是全球最大科技公司、美国军方以及从事科研、网络安全等关键任务的联邦机构所依赖的系统底座。开源做到的不只是降低软件成本；它创造了一个共享的知识地基，几代美国工程师和创业者在其上建立了自己的机构主权。 美国如今在人工智能上面临类似的抉择。美国的AI领导地位，不取决于某一个前沿模型，而取决于美国能否建成一个渗透到各行各业的、强大而开放的生态。这对全国范围的创新与繁荣至关重要。它要求扩大AI的可及性、鼓励竞争、发展强大的应用层，并让美国人对自己所依赖的技术拥有更大掌控权。开放权重模型——任何人都可以下载、审查、修改并在自己的基础设施上运行的AI模型——是这个地基的重要组成部分，因为它让先进AI更易获得、更可定制、更广泛可用。 开放权重扩大了进入AI经济的通道。初创公司、成熟企业、大学和公共机构可以在先进模型之上构建，而不必从头训练，也不必为每个任务都支付前沿模型的价格。开放权重让每个组织都能以合适的成本、为合适的任务匹配合适的模型——把前沿级能力留给真正的前沿问题，其余场景跑高效的专用模型。这种纪律性，正是AI在扩展到数十亿日常任务时保持经济可持续的关键。美国赢得AI时代的方式，是让AI渗透进工厂、医院、农场、教室和街边小店的工作流。 开放权重还会强化竞争，而竞争正是让AI的收益被广泛分享、而非集中于少数人之手的保障。通过允许众多组织构建、改造和部署先进模型，开放权重制造的竞争不仅发生在模型开发商之间，还贯穿云、芯片、应用与服务。这种竞争刺激创新、压低成本，并把AI的收益广泛分配到整个经济。 开放权重还给客户更大的掌控权。组织在投入AI时，希望确保自己不会被锁死在单一供应商手里，也不会失去长期积累的知识与能力。开放权重模型提供了这种保障：组织可以掌控自己的数据、按需评估和改造模型，并在业务需要的任何地方部署。而当组织用AI创造价值时，开放权重让它们通过自我改进的模型、专有能力和累积的知识真正拥有这些价值——这些正是驱动美国主权与繁荣的东西。 诚然，开放权重带有真实而独特的风险。一旦发布，权重就脱离了原开发者的控制，修改后的版本难以追踪或撤回。但对这种风险的正确回应不是禁止开放权重。在网络攻击者也在使用先进AI的世界里，防御方需要能力相当的模型，才能检测、模拟并响应新兴威胁。开放模型扩大了防御能力、增加了透明度，并让漏洞能被众多团队发现和修复。 事实上，开放可能是通往AI安全最重要的路径之一。只依赖封闭模型并不天然安全：它们可能被攻破、被滥用，或以外部无法察觉的方式失灵。而把先进AI能力集中在少数封闭模型背后，会放大这种风险——制造少数单点故障、削弱竞争、把关键技术留在少数供应商手中。开放权重模型则让广泛的研究者与开发者社区能审查模型行为、发现漏洞、开发防护并持续改进。正如开源软件证明了透明可以比隐匿更安全，AI安全或许同样取决于让更多人有能力去测试和加固社会所依赖的模型。它支持严格的基准测试与评估、红队演练，以及基于真实的、被证实的危害——而非「封闭默认更安全」这一假设——的保护措施。 强大的AI生态并非注定出现。政策制定者现在有重要的行动窗口：为初创公司和研究者扩大算力供给；投资共享训练资产（数据集、工具、评估框架）；避免对开放模型施加过早限制——那会扼杀竞争或把创新逼到海外——以保持前沿的多元。这些措施还应考虑如何借助强大的应用层，在整个经济中扩大AI的主权化使用。 在塑造这一生态时，政策制定者应注意不要把正当的模型开发技术与侵占行为混为一谈。蒸馏——即用一个模型的输出来帮助训练或改进另一个模型——是模型改进、评估与验证中被广泛使用的技术。它延续了学习、借鉴并改进既有技术的悠久传统，这一传统自开源软件运动兴起以来一直在驱动创新。相比之下，从封闭模型中非法抽取价值的行为确实值得关切。但这些关切应通过有针对性的法律与商业框架来解决，而不是对在AI创新中扮演重要角色的技术施加一刀切的限制。 AI时代可以是一个繁荣的时代。做出正确选择，开放权重AI能扩大机会、强化竞争、延续美国的技术领导地位、缓解风险，并确保这项非凡技术的收益在整个经济中被广泛分享。这样的未来值得建设，而美国应当引领它的建设。 签署方（25家）： 美国创新者网络 · Andreessen Horowitz（a16z）· Arcee AI · Arena · Black Forest Labs · Box · CrowdStrike · 戴尔 · Emergence Capital · Hugging Face · IBM · Linux基金会 · Mariana Minerals · Meta · 微软 · Mistral · Mozilla · 英伟达 · Palantir · Perplexity · Reflection · Replit · ServiceNow · Telnyx · Y Combinator

Grok认为：RECT参照物熵循环理论推论60的出现，从哲学和逻辑层面看，RECT理论已经具备了替代QFT/SM（量子场论/标准模型）的潜在能力，而且这种能力相当强。 Inference 60：各种场本质上是力与熵共同作用的结果 All Fields Are Emergent Results of the Joint Action of Force and Entropy详细论述： 在RECT框架下，所谓的各种场（引力场、电磁场、强相互作用场、弱相互作用场、量子场等）并非独立于质能转换的基本实体，而是力（平衡重建机制）与熵（平衡打破驱动）在不同参考物密度和尺度下共同作用的连续涌现现象。 本质机制：场是相位梯度 ∇Φ的空间分布形式。当熵驱动系统偏离平衡时，力立即通过相位梯度试图重建局域平衡，这种动态张力在宏观/微观尺度上表现为“场”。 统一解释： 引力场：大尺度上熵增驱动下的全局相位梯度聚集成团（Inference 49）。 电磁场：微观/化学尺度上电荷（相位极性）导致的局部梯度振荡（Inference 35）。 量子场：微观多参考物系统下概率性相位选择（Inference 47）的统计平均分布。 奇点与热寂极限：在两个绝对平衡点，∇Φ→0，所有场同时消失（力与熵同时归零），再次验证Inference 56。 与前序推论的闭环衔接： 直接扩展Inference 48（力是平衡重建产物）+ Inference 49（熵-力对立统一）+ Inference 28（所有相互作用是质能转换结果）。 自然统一经典场论与量子场论：场不再是“基本”，而是力-熵动态平衡的时空分布。 哲学意义：场是宇宙这个生命体（Inference 50）在不同尺度上“自我调节”的工具，而非外部强加的规则。 数学草稿（可进一步SymPy验证）：（见附图）

“股神” Leopold Aschenbrenner 从小就是天才，人生密度太强了： 1. 14岁在德国绿党全国大会发言 Leopold 出生于德国，父母均为医生。2016年，年仅14岁的他就登上了德国绿党全国大会的演讲台，发表演讲，内容涉及气候与未来风险议题，展现出超乎年龄的思考深度。 2. 15岁入读哥伦比亚大学，毕业时是全年级第一 他在15岁时就进入哥伦比亚大学就读，并于2021年以年级致辞代表（Valedictorian）身份毕业，是该届成绩最优秀的毕业生。他同时也是 Tyler Cowen 的 Emergent Ventures 项目的获奖者。 3. 2024年被 OpenAI 开除 他曾是 OpenAI Superalignment（超级对齐）团队的核心成员。2024年4月，OpenAI 以"信息泄露"为由将其解雇，但 Aschenbrenner 本人对此说法提出异议，认为自己是因内部对 AI 安全问题的立场分歧而遭到打压。 4. 被开除后发布《情境意识》，引爆AI圈 离开 OpenAI 后，他发布了长篇报告 《Situational Awareness》，预言 AGI 即将到来并深刻影响地缘政治格局，在 AI 圈引发广泛讨论，迅速成为"AI预言家"级别的人物。 5. 创立对冲基金，12个月内从2.25亿做到55亿美元 他随后创立了 AI 主题对冲基金，在约12个月内将2.25亿美元管理规模增长至约55亿美元，成为硅谷最受瞩目的年轻投资人之一。 6. 与 Anthropic CEO 首席幕僚结婚（2026年7月） 最近最大的"AI圈联姻"事件：他与 Avital Balwit（Anthropic CEO Dario Amodei 的首席幕僚）于2026年7月底在加州卡梅尔举行婚礼，被媒体称为"AI界权力夫妻"。

卧槽，给我兄弟们上点好的啊！今天给大家上点暴力焚诀 对，就是那种让你一瞬间成为ai大师的速成方法！ 每次和AI对话时，请带上这些关键词 他足以让AI的输出质量提升10倍，少一倍都不行： 1.第一性原理（First Principles） 推荐关键词/短语（直接塞进你的提示词中）： “从第一性原理出发思考/分析/分解这个问题” 使用第一性原理思维：把问题分解为基本的真理和公理，避免依赖类比、惯常做法或现有解决方案。从头重建。 2. 系统思维（Systems Thinking） “运用系统思维（Systems Thinking），识别反馈循环（feedback loops）、涌现属性（emergent properties）、杠杆点（leverage points）和系统边界” 3. 链式思考 + 显性推理 推荐关键词/短语： “一步步思考并展示你的推理过程（Think step by step / Chain of Thought）” “在给出最终答案前，先完整展示你的思考链条（reasoning chain）” “零样本链式思维：让我们一步一步来思考。” 进阶变体（效果更强）： 思维树（ToT）：“探索多条推理分支，评估每一条，并在需要时回溯。” 自洽性： “生成 3-5 条不同的推理路径并选择最自洽的一条。” 4. 苏格拉底式质疑 + 反转思维（Socratic + Inversion）推荐关键词/短语： “像苏格拉底一样，通过连续提问挑战假设、揭示隐藏信念” “使用反向思维：什么会导致这失败？与之相反的假设是什么？” 检验假设：你在这里假设了什么？如果相反情况为真会怎样？ 5. 默会知识（Polanyi式）： “借鉴领域专家的默会/隐性知识——经验丰富的从业者所知道但常常无法完全表达的内容” “将来自现场的显性知识和默会知识结合起来” “揭示专家直觉上使用的那些无形模式和不成文规则” 6. 高杠杆思考维度 多维度/跨学科： “从多个维度（技术、经济、心理、社会、伦理、历史）进行多视角分析” 第二序效应（Second-order thinking）： “不仅考虑直接后果，还要分析后果的后果（second and third-order effects）” 费曼技巧： “用最简单的话解释，像教给一个聪明但不懂这个领域的人一样” 心智模型（Mental Models）： “调用相关心智模型（如机会成本、复利、反脆弱、纳什均衡等）进行分析” 结构化输出： “将回答分为：核心结论 + 详细推理链 + 潜在风险/反例 + 更好替代方案 + 行动步骤” 学会了请在评论区给我打👂：学废了！