这周准备深读 J-space 。 但上手过 persona vector 和 Assistant Axis 的人都知道，线性激活的这种 model steering 的手段并不可靠。相关的研究大量时间花在 cherry pick 那些抓人眼球的 special case。 J-space 到底行不行，目前持怀疑态度。

同一批基准里，本地跑的 DeepSeek V4 Flash 加上 J-Space 控制层之后，在大多数任务上压过了不加控制层的 V4 Pro。 《DeepSeek V4 × J-Space 能力释放报告》 DeepSeek V4 × J-Space：Benchmark 与工程观察记录 © 2026 Tiger3807861189，本记录采用 CC BY-ND 4.0（署名-禁止演绎）许可。 页面范围：本记录整理外部项目已经公开的工程观察、J-Space 使用的操作性术语、项目级 Benchmark 分数及其适用边界。它不是研究论文，非学术性质，不提供模型内部机制证明、形式化判定方法、消融设计或因果贡献分解。 J-Space Cognition Suite V3.6 是一套在推理阶段运行的模型无关控制系统，不修改模型权重。项目地址： 一、外部工程观察 1.1 Anchored Standard：首轮接口锚定 dsh-anchored-standard（ DeepSeek Harness 的首轮接口条件。其基础方案在第一次模型请求中恢复 Minimal 的真实双工具 Schema，抑制自动注入内容；会话产生持久事件后，再开放一个较小的常驻工具目录，并按需解锁其他工具。 该项目的公开实验表明，首轮工具 Schema、输出预算和自动注入内容都可能改变首条推理轨迹。它也明确区分了"轨迹被锚定"和"任务能力已经稳定提升"：当前仓库中的通用组合与早期高分运行并不完全相同，小样本独立复现尚不足以确定稳定的能力增益幅度。因此，本记录只引用其接口敏感性与路径保持观察，不把单项分数推广为普遍结论。 1.2 Routing Suite：任务感知的入口选择 dsh-routing-suite（ 与工具面装配，把新会话送入不同的行为带。其公开材料报告了稳定区域和不稳定过渡区域，并据此避免把连续数值旋钮误当成可连续调节的推理深度。 该项目后来对早期"官方刻意设计双吸引子""自路由绝对不可能"等强归因作出了公开勘误（ mixed 表示不稳定的过渡或竞争区域，不等于一种兼具短、长思维优点的可用中间态。 二、思维链二极管 2.1 操作性定义 本记录所称思维链二极管（chain-of-thought diode），是一个面向黑盒行为的工程术语：在同一个会话中，连续思维链会稳定落入以下两种形态之一： • 短思维直觉：较快形成判断并进入行动，推理块较短； • 长思维推理：先展开较长的分析、重估与规划，再决定是否行动。 两种形态在同一会话中不能稳定、按任务阶段自然地共同出现；首轮形成路径承诺后，后续思维链通常延续同一侧。外部实验中偶尔出现的词汇混合或不稳定过渡，不构成能够同时利用两侧优势的中间态。 这一术语描述的是会话级轨迹，而不是某一句话或某一个词。We need、Let me 等表达最多只能作为外部探针，不能单独证明模型能力、推理质量或内部状态。 2.2 形成原因：极简接口过拟合假说 J-Space 采用的工程诊断是：DeepSeek 的 Agent 后训练行为可能与 DSH 极简模式的接口分布形成了过强耦合。极简 persona、首轮工具 Schema、自动注入边界和输出条件共同构成接口指纹；当实际 Harness 接近这一分布时，一类轨迹更容易被唤起，接口发生变化时则可能落入另一类轨迹。 这里的"过拟合"是对黑盒条件敏感性的工程概括，不表示已经获得 DeepSeek 的训练数据、隐藏状态或官方内部解释。现有公开证据支持"接口条件与轨迹变化相关"，但不足以从外部还原完整训练机制。 2.3 两侧的结构性弊端 • 短思维直觉：过早接受第一个流畅解释；复杂约束整合不足；跳过必要中间桥接；工具证据利用不足；局部测试成功后过早宣布完成。 • 长思维推理：分析惯性和行动延迟；反复推翻或重建已有判断；工具调用过晚；Token 与时间消耗增加；长程状态漂移；信息已经充分仍难以收束。 因此，二极管带来的主要工程问题不是某一侧必然更差，而是会话无法随任务阶段稳定调整推理形态：需要桥接时可能过快，需要行动时又可能持续推演。 三、三套方案的浅层关系 • Anchored Standard：作用于首次模型请求的接口条件。恢复已知的 Minimal 接口指纹，尽量让会话从入口进入并保持一条稳定轨迹。 • Routing Suite：作用于新会话开始前的任务分类与模式选择。根据任务选择较适合的稳定行为带，并回避不稳定过渡区域。 • J-Space：作用于会话进入轨迹后的完整任务生命周期。不宣称消除二极管，而是通过状态、行动、验证与恢复机制缓解会话落入任一侧后的结构性弊端。 三者可以被理解为入口恢复、入口选择和持续任务控制三个不同层面。这是一种便于工程使用的关系整理，不表示三套方案已经在统一 Harness 下完成组合实验，也不构成效果排名。 3.1 J-Space 对两侧弊端的浅层处理 当会话偏向短思维直觉时，J-Space 使用 bridge-before-conclusion、共享约束广播、Empirics、verifier 与 coverage，要求快速判断在交付前补足必要桥接、证据和验证范围。 当会话偏向长思维推理时，J-Space 使用功能性第一人称、明确的 Next、有限候选、差分测试与 checkpoint，把已经形成的判断绑定到行动、取证或收束，减少无新增约束的反复推演。 对于两种形态，Goal / Core / Verified / Open / Next 账本、工具接缝刷新与恢复机制负责维持跨文件、跨工具和长时间任务状态。这些机制调节外部任务过程，并不等同于让模型在同一会话中自由切换两种底层思维链。 四、Benchmark 记录 4.1 评测上下文 J-Space 在 DeepSeek 上的项目评测参照官方 Harness 极简模式。J-Space 通过工作空间路由、状态连续性、验证与恢复参与推理时流程。 结果形成于项目现有的评测环境。硬件条件、进程隔离、工具可用性与信息访问边界共同构成评测上下文；可访问资料及执行轨迹也可能影响观测结果。 以下汇总上述条件下的项目级 Benchmark 记录。其他模型的数据保留各厂商公开评测时的原有上下文，不同环境与 Harness 配置下出现分数变化属于正常现象。各 Benchmark 使用自身原生分数，数值越高越好；"—" 表示没有报告结果。 4.2 分数记录 顺序固定为：V4-Flash-0731 裸跑、V4-Flash-0731 + J-Space、V4-Pro-0813 裸跑、V4-Pro-0813 + J-Space、GLM-5.3、Kimi-K3、Opus-4.8、Fable 5（带 fallback）。 • HLE（无工具）：37.8、45.5、42.7、48.0、未报告、43.5、49.8、53.3（全场最高） • HLE（有工具）：51.5、60.6、60.0、67.7（全场最高）、62.5、56.0、57.9、63.0 • Terminal Bench 2.1：82.7、87.1、87.9、90.1（全场最高）、88.2、88.3、85.0、88.0 • NL2Repo：54.2、70.2、61.5、73.4（全场最高）、58.0、58.0、69.7、未报告 • CyberGym：76.7、81.7、83.3、86.8（全场最高）、84.5、80.0、78.3、83.1 • DeepSWE：54.4、67.4、62.7、72.0（全场最高）、66.9、67.5、58.0、70.0 • Toolathlon-Verified：70.3、77.7、74.1、79.5（全场最高）、73.0、76.5、76.2、77.9 • Agents' Last Exam：25.2、30.1、25.7、30.3（全场最高）、28.5、27.6、25.7、23.8 • AutomationBench（Public）：25.1、31.7、31.8、38.2、48.2（全场最高）、30.8、27.2、29.1 4.3 Benchmark 与二极管弊端的定性对应 • HLE（无工具）：短侧可能过早下结论，长侧可能在知识边界之外无效延伸；J-Space 对应必要桥接、置信控制与独立复核。 • HLE（有工具）、CyberGym：短侧可能少用或少整合证据，长侧可能迟迟不进入工具取证；对应 Empirics、工具接缝与验证覆盖。 • Terminal Bench：短侧可能快速执行但遗漏核验，长侧可能分析过度、行动延迟；对应明确的 Next、诊断重试与 checkpoint。 • NL2Repo、DeepSWE：短侧可能丢失跨文件约束，长侧可能反复重建计划；对应共享广播、Loop 账本与持续验证。 • Toolathlon-Verified：短侧可能跳过编排检查，长侧可能困在工具选择和重新规划；对应共享状态、接缝审计与 coverage。 • Agents' Last Exam、AutomationBench：异构任务或长间隔会放大固定路径与任务阶段的错配；对应选择性 pass、持久状态与恢复。 上述对应关系是工程解释，不是从分数反推出内部状态的证明。当前 Benchmark 记录没有逐次标注会话所处的二极管状态，因此不能据此计算二极管对分数的贡献比例，也不能把全部分数变化归因于单一机制。 4.4 数据来源 • DeepSeek V4-Flash-0731 模型卡： • 智谱 AI（ GLM-5.3 发布评测记录 • Kimi-K3 模型卡： • Claude Fable 5 与 Claude Mythos 5 System Card： • J-Space Cognition Suite V3.6 README： 五、适用边界 • 思维链二极管和极简接口过拟合属于黑盒工程诊断，不是 DeepSeek 官方披露的模型结构或训练事故。 • 词汇、首行风格和思维链长度只能作为轨迹探针，不能替代任务完成、工具行动、验证覆盖和得分。 • Anchored Standard、Routing Suite 与 J-Space 的关系是作用层面的整理，尚未经过统一组合实验验证。 • 当前分数是项目记录，不足以建立跨模型普遍性，也不支持精确的因果贡献分解。 • J-Space 不创造基础模型缺少的知识，也不保证对所有任务、模型或 Harness 产生正向变化。 引用：工程使用请引用 J-Space Cognition Suite V3.6（ 原文： #DeepSeek# #J-Space# #本地AI#

我现在大概知道为什么 karpathy、一堆 Gemini/OpenAI 出身的核心人员要加入 Anthropic 了——他们可能提前看到了这个 Anthropic 刚发了篇论文，讲了个叫「J-space」的东西 但我今天不想讲技术本身，我想讲一个更底层的问题： 为什么是现在？为什么是这些人？为什么是 Anthropic？ 作为一个做过几年产品的人，我看人才流动有个基本判断框架： 顶级人才跳槽，从来不是因为钱，是因为他们看到了一个自己在原来位置上永远碰不到的东西 Karpathy 离开 OpenAI，NoamShazeer 离开 Google——这些人在原公司都是能调动几千张卡的人。 他们缺的不是资源，是方向感 而 J-space 这篇论文，给出的恰恰是一个方向 简单说一下这东西是什么： Anthropic 在 Claude 的中间层里发现了一组特殊的内部表征，模型会在不输出任何文字的情况下，先把中间推理步骤“存”在这里。 不同的下游模块都能读取这个区域，实现多步推理、规划、甚至自我监控 这不是 chain of thought——那是写在纸上的草稿。 J-space 是脑子里的腹稿，完全静默，完全内部 屏蔽掉这个区域，模型简单对话不受影响，但复杂推理直接归零 但技术细节不是重点。 重点是这件事的产品含义 过去三年，所有大模型公司的竞争逻辑本质上是同一个：堆 scale。 更大的模型、更多的数据、更长的上下文。 这是一条所有人都能看到的路，区别只是谁的卡多 J-space 代表的是另一条路：不是让模型更大，而是理解模型为什么能思考，然后去强化那个结构 这两条路的区别在哪？ 堆 scale 是线性投入。你花 10 亿训出来的东西，别人花 15 亿能超过你 理解结构是复利。一旦你搞清楚“思考发生在哪里”，你就能针对性地强化它、扩展它、让它自我迭代。别人不知道往哪使劲，你每一步都踩在点上 这就是为什么顶级人才会在这个时间点做出选择 在 OpenAI，你能做的事情是：用更多算力把同一条路走得更远 在 Google，你能做的事情是：用更好的工程把同一条路走得更快 在 Anthropic，你能做的事情是：走一条别人还没看到的路 对于已经站在行业顶端的人来说，第三种才是真正的稀缺资源。不是算力稀缺，是认知稀缺 而且论文里有个细节很多人没注意到—— 他们提出了一个叫「反事实反思训练」的技术：不直接训练模型的行为，而是训练它“如果被打断，能说出正确的伦理原则”，结果这些原则会自动写入 J-space，间接改善了实际行为 这意味着什么？他们已经不只是在观察这个空间了，他们在学习如何主动塑造它 从“发现结构”到“操控结构”，这是从基础研究到工程化的跨越。而 Fable/Mythos 在多步推理上的表现飞跃，大概率就是这条路的第一批果实 所以回到最初的问题： 这些人不是在赌 Anthropic 会赢，他们是在赌这条路是对的 如果模型的智能真的有一个可以被理解、被强化的内部结构，那掌握这个理解的团队，就拥有了一种别人用钱买不到的优势

这几天关于 Anthropic 的一个最新发现讨论度很高。 据 A 社研究表明，他们在 Claude 里找到了一组内部神经模式，叫 J-space。 它像一个很小的内部工作区。某个词相关的模式被点亮时，不代表模型会说出这个词，而是这个概念已经在模型内部被激活了。 更关键的是，Claude 会用它做中间推理。哪怕不把步骤写出来，多步问题里的中间概念也会在 J-space 里亮起来。 把 J-space 去掉后，Claude 还能正常聊天、说话、记简单事实，但高阶认知能力会明显减弱。 但这不等于证明 Claude 有了自我意识。 只是说，这是一个可以观察模型没有说出口的内部状态。 比如它是否私下意识到自己在被测试，是否在生成假数据，或者是否在执行隐藏目标。

《用 CPV 模型预测 AI 技术演进》 过去几年，AI 领域几乎每天都有新概念出现。 Prompt Engineering、RAG、Memory、Agent、MCP、J-space、Tool Use、World Model…… 大多数讨论都围绕一个问题展开： 下一个热点是什么？ 我更关心另一个问题： 为什么热点会依次出现？ 如果一种理论只能解释已经发生的事情，它的价值有限；真正有价值的理论，应该能够预测未来。 CPV（Cognitive Positioning Value）提供的，正是这样一种视角。 它关注的不是某项技术，而是反馈最终作用到了系统的哪一层。 ⸻ AI 的发展，本质上是反馈不断向深层沉淀 CPV 将反馈划分为五个层级： CPV1：行为（Action） CPV2：状态（State） CPV3：模型（Model） CPV4：结构（Structure） CPV5：边界（Boundary） 越往下，反馈改变的对象越深。 AI 技术的发展，几乎就是沿着这五层不断推进。 ⸻ CPV1：改变输出 这一阶段的代表是 Prompt Engineering。 Prompt 改变输入。 模型改变输出。 任务结束，一切恢复原状。 模型没有成长。 它只是完成了一次推理。 后来出现的 Prompt 自动优化、思维链（Chain of Thought）、提示模板，本质上仍然属于这一层。 它们提高了完成任务的能力，却没有改变模型本身。 ⸻ CPV2：改变状态 随后，人们发现一个新的问题： 模型什么都记不住。 于是，Memory 出现了。 长期记忆、用户画像、上下文管理、会话历史…… 反馈终于开始影响模型的运行状态，而不是一轮对话。 模型开始拥有“今天的自己”。 但这里仍然存在明显的局限。 Memory 越来越长。 越来越混乱。 越来越互相矛盾。 于是，新的结构压力出现了。 ⸻ CPV3：改变模型 真正的成长，不应该只是不断累积记忆。 而应该修改世界模型。 例如： 昨天认为用户喜欢苹果。 后来连续半年都选择安卓。 系统不应该同时保存两条冲突的信息，而应该形成新的理解： 用户真正偏好的是开放生态。 这里发生变化的已经不是 Memory，而是模型本身。 未来的 AI 一定会越来越重视： 记忆巩固（Memory Consolidation） 经验抽象（Experience Abstraction） 世界模型更新（World Model Revision） 它们共同指向同一个方向： 反馈开始改变模型，而不是继续堆积数据。 ⸻ CPV4：改变结构 随着模型越来越复杂，另一个瓶颈出现了。 一个网络承担所有能力，越来越低效。 于是开始出现： Planner。 Executor。 Memory。 Vision。 Reflection。 Safety。 它们逐渐成为不同的功能模块。 MoE、Tool Use、Agent、MCP、多智能体协作，都可以看作这一趋势的不同表现。 未来 AI 更像一个组织。 而不是一个越来越大的 Transformer。 反馈开始重组系统结构。 ⸻ CPV5：改变边界 这是最深的一层。 今天，人们谈论 AI，通常想到的是： 一个模型。 未来，AI 的边界会不断扩展。 浏览器。 手机。 电脑。 机器人。 汽车。 摄像头。 传感器。 云端。 其他 Agent。 这些都会成为 AI 系统的一部分。 到那个时候，我们讨论的不再是一个模型，而是一个持续运行的智能系统。 它的边界不断重新定义。 人与 AI 的关系也会随之改变。 ⸻ 为什么 CPV 能预测未来？ 因为每一层都会产生新的结构压力。 Prompt 足够成熟之后，系统开始需要记忆。 记忆足够丰富之后，系统开始需要学习。 模型足够复杂之后，系统开始需要重新组织。 结构足够完善之后，系统开始突破自身边界。 技术演进并不是热点随机切换。 而是上一层已经无法继续承载反馈。 新的层级因此诞生。 这是一种复杂系统普遍存在的演化规律。 ⸻ J-space 给了我们一个验证 Anthropic 最近公开的 J-space 研究，让人们第一次能够观察模型内部的工作空间。 很多人关注的是： AI 是否拥有了类似意识的东西。 我关注的是另一件事。 J-space 解释的是： AI 此刻如何思考。 CPV 解释的是： AI 为什么会演化到下一阶段。 两者回答的是不同的问题。 前者研究计算过程。 后者研究反馈如何不断向更深层沉淀。 它们并不冲突。 反而共同构成了一幅更完整的智能演化图景。 ⸻ 一个理论真正的价值 未来几年，还会不断出现新的技术名词。 也许叫 Workspace Editing。 也许叫 Self Evolution。 也许叫 Autonomous Organization。 名字会不断变化。 但如果这些技术仍然停留在同一层反馈，它们只是同一类问题的不同实现。 真正值得关注的，不是名字。 而是它让反馈深入了哪一层。 能够回答这个问题，才能真正理解 AI 为什么会这样发展，以及下一次技术跃迁会发生在哪里。 CPV 的意义，不在于解释某一项 AI 技术。 它试图描述的是： 所有能够持续学习的复杂系统，都遵循着同一种反馈演化规律。 因此，它不仅可以解释 AI，也可以预测 AI。

SpaceX 和 BTC，哪个到底了？ 美股前段时间的涨势导致人们对加密行情下跌的感知力没那么强烈，回过神来，市场恐慌已经逼近 FTX 崩盘、312 新冠崩j盘、519 中国禁令的同个区间了。两套不同的定价体系也因为美元升值同时回撤。 多头清算还在继续，xai 的承压没有缓解，ipo 私募尚未解锁... 留给普通人的最优解决方案，就是取一部分工资用来在恐慌区间定投，好的投资就是让你睡得着觉的投资。在 Bitget Wallet 搜索代币名称即可随时随地布局全球标的，别等市场修复时才后悔没有子弹。 让我们接住这场伟大的下跌。

晚宴出息名单，谁最让你们意外？ 以下是国宴宾客完整名单： 唐纳德·J·特朗普总统 第一夫人梅拉尼娅·特朗普 国家主席习近平 彭丽媛女士 副总裁 JD Vance 第二夫人乌莎·万斯 国务卿马可·卢比奥 珍妮特·鲁比奥，国务卿夫人 幕僚长苏西·威尔斯 美国驻华大使戴维·珀杜 邦妮·珀杜，美国驻华大使夫人 财政部长斯科特·贝森特 约翰·弗里曼，财政部长的配偶 战争部长皮特·赫格塞斯 美国贸易代表杰米森·格里尔大使 玛洛·格里尔，格里尔大使的妻子 蔡琦，中共中央政治局常委、习近平主席办公室主任 王毅，中共中央政治局委员 何立峰，中共中央政治局委员，国务院副总理 国家发展和改革委员会主席郑善杰 商务部部长王文涛 外交部常务副部长马朝旭 中国驻美国大使谢峰 伊万卡·特朗普女士 埃里克·特朗普先生 拉拉·特朗普女士 蒂芙尼·特朗普女士 迈克尔·布洛斯先生 维克托·克纳夫斯先生 阿拉贝拉·库什纳女士 英伟达首席执行官黄仁勋 黄洛莉，黄建生的配偶 马克·扎克伯格，Meta，首席执行官 Lisa Su博士，超微半导体公司首席执行官 林丹尼，苏丽莎的丈夫 蒂姆·库克，苹果公司董事会主席 约翰·F·W·罗杰斯，高盛执行副总裁兼董事会秘书 纽约证券交易所总裁林恩·马丁 琳达·米尔斯，纽约大学校长 Zoom首席执行官袁征 唐芳宇，中共中央政策研究室主任 财政部长兰佛安先生 女士。谢锋大使夫人王丹 周洪旭，中共中央办公厅副主任、中央安全局局长 总统秘书吕鲁华 外交部助理部长洪磊，礼宾司司长 蔡伟，外交部助理部长，北美和大洋洲司司长 外交部新闻传播与公共外交司司长毛宁 张全 彭女士秘书 张永超，外交部北美和大洋洲司副司长 波音公司首席执行官凯利·奥特伯格 拉里·芬克，贝莱德集团首席执行官 黑石集团首席执行官史蒂芬·施瓦茨曼 OpenAI 首席执行官 Sam Altman Greg Brockman，OpenAI总裁兼联合创始人 安娜·布罗克曼，格雷格·布罗克曼的妻子 米里亚姆·阿德尔森博士，拉斯维加斯金沙集团控股股东 谢尔盖·布林，谷歌/Alphabet联合创始人 杰瑞琳·吉尔伯特-索托，谢尔盖·布林的合伙人 萨蒂亚·纳德拉，微软董事长兼首席执行官 吉姆·泰克莱特，洛克希德·马丁公司董事长、总裁兼首席执行官 谷歌首席执行官桑达尔·皮查伊 拉里·卡尔普，通用电气航空航天公司首席执行官 美光科技首席执行官 Sanjay Mehrotra 高通公司首席执行官克里斯蒂亚诺·阿蒙 杰夫·贝佐斯，亚马逊董事长 劳伦·桑切斯-贝佐斯，杰夫·贝佐斯的妻子 Jeff Yass，TikTok 杰米·戴蒙，摩根大通首席执行官 迈克尔·戴尔，戴尔公司首席执行官 通用汽车首席执行官玛丽·巴拉 高盛首席执行官大卫·所罗门 花旗集团首席执行官简·弗雷泽 埃隆·马斯克，SpaceX 和特斯拉首席执行官 埃克森美孚首席执行官达伦·伍兹 首席大法官约翰·罗伯茨，最高法院首席大法官 简·沙利文·罗伯茨，最高法院首席大法官配偶 最高法院大法官艾米·科尼·巴雷特 杰西·巴雷特，最高法院大法官配偶 最高法院大法官布雷特·卡瓦诺 阿什利·埃斯特斯·卡瓦诺，最高法院大法官的配偶 美国众议院议长迈克·约翰逊，路易斯安那州 凯莉·约翰逊，众议院议长迈克·约翰逊的配偶 布雷特·拜尔，福克斯新闻，美国记者兼主持人 艾米·拜尔，布雷特·拜尔的配偶 劳拉·英格拉姆，福克斯新闻，美国电视节目主持人 美国众议院佐治亚州代表理查德·麦考密克 杰西·沃特斯，福克斯新闻主持人 艾玛·沃特斯，杰西·沃特斯的妻子 大卫·埃里森，派拉蒙天空之舞娱乐公司首席执行官 苏珊·戴尔，迈克尔·戴尔的妻子 美联储主席凯文·沃什 简·劳德，凯文·沃什的妻子 商务部长霍华德·卢特尼克 艾莉森·卢特尼克，卢特尼克秘书的配偶 中央情报局局长约翰·拉特克利夫 米歇尔·拉特克利夫，拉特克利夫导演的配偶 美国中东特使史蒂夫·威特科夫 斯蒂芬·米勒，总统助理，负责政策的副幕僚长兼国土安全顾问 凯蒂·米勒，斯蒂芬·米勒的配偶 丹·斯卡维诺，副幕僚长，总统助理 艾琳·斯卡维诺，丹·斯卡维诺的配偶 美国司法部长托德·布兰奇 克里斯汀·布兰奇，司法部长托德·布兰奇的妻子 梅雷迪思·奥罗克，奥罗克集团 能源部长克里斯·赖特 罗伯特·F·肯尼迪部长，卫生与公众服务部部长 教育部长琳达·麦克马洪 内政部长道格·伯古姆 凯瑟琳·布尔古姆 (Kathryn Burgum)，布尔古姆部长的配偶 交通部长肖恩·达菲 瑞秋·坎波斯-达菲，肖恩·达菲的配偶 主任罗素·沃特，管理和预算办公室主任 美国环境保护署署长李·泽尔丁 代理部长基思·桑德林，代理劳工部长 布拉德·格斯特纳，Altimeter公司首席执行官 桑吉塔·梅赫罗塔，桑杰·梅赫罗特拉的妻子 安东尼·巴拉，玛丽·巴拉的配偶 凯西·伍兹，达伦·伍兹的妻子 辉瑞公司首席执行官阿尔伯特·布尔拉 戴维·萨克斯，总统科技顾问委员会联合主席 管理员 Kelly Loeffler，小型企业管理员 杰夫·斯普雷彻，凯莉·洛夫勒的配偶 凯蒂·辛普森，布拉德·格斯特纳的未婚夫 美国众议院密苏里州代表杰森·史密斯 美国参议员史蒂文·戴恩斯，蒙大拿州 参谋长联席会议主席丹·凯恩将军 国家情报总监办公室主任杰伊·克莱顿 LVMH集团首席执行官伯纳德·阿尔诺 亚历山大·阿尔诺，伯纳德·阿尔诺之子 维萨首席执行官瑞安·麦克伊内里 万事达卡首席执行官迈克尔·米巴赫 桑德拉·琳恩·埃里森，大卫·埃里森的配偶 谢丽尔·海因斯，国务卿肯尼迪的妻子

据 CoinDesk 援引知情人士报道，机构级外汇及数字资产交易平台 LMAX Group 正聘请摩根士丹利（Morgan Stanley）和 Stifel 旗下 KBW 评估战略选择，包括整体出售、与 SPAC 合并，以及在美国或欧洲 IPO，潜在估值最高或达 50 亿美元。知情人士称，LMAX 目前更倾向于在纳斯达克上市，但尚不急于推进。公司拒绝置评。2021 年，J.C. Flowers 曾以 3 亿美元收购其 30% 股权，当时估值约为 10 亿美元。