🥳今天迪子分享一个不错的项目： 这个项目符合当下年轻人的电子潮流，很赛博的感觉。也融入了Web3的经济模型。 Puffpaw @puffpaw 是全球首个RWA + HealthFi 项目, 通过智能蓝牙硬件设备实现 Quit-to-Earn(戒烟获酬) 模式, 驱动用户戒烟。 说实话，第一次看到 #Puffpaw# 这个项目时，我是带着怀疑的。 "戒烟还能赚钱？"听起来就像又一个X-to-Earn的噱头。毕竟这个圈子里，靠"行为挖矿"割韭菜的项目太多了。 但当我真正去研究这个项目后，我发现事情没那么简单。 核心团队成员来自 Aspire（中国知名电子烟品牌）、Pepsi （百事可乐）等行业头部企业，具备纽约大学、哥伦比亚大学等教育背景 历史融资：获得 Lemniscap 领投的 $6M 种子轮融资，Spartan、Hypersphere、Volt、Seed Club、Karatage、Meltem Demirors、Santiago Santos 等参投（rootdata可查看） 首先，它解决的是一个真实存在的万亿级市场。 全球13亿烟民，每年800万人死于烟草相关疾病。传统戒烟方法的失败率高达95%，核心问题不是产品不行，而是人性——没人能长期坚持"痛苦的自律"。 Puffpaw的Quit-to-Earn机制，本质上是把"意志力消耗"转化为"正向激励"，这个逻辑是通的。 第二，目前为止，我接触的到各类项目只有这个项目是把健康和赚钱绑定在一起的叙事项目。正像我们常说的一句话，健康才是人真正的财富，而puffpaw，就是让你戒烟还你健康，还能给你激励。 大多数Crypto项目的问题是：用户全是币圈人，出了圈没人认识。Puffpaw不一样，它在韩国最大的电商平台Naver上卖，在Amazon上卖，在线下烟具店卖。 这意味着： 1. 它的用户不全是币圈用户，有真实的Web2消费者，给wbe3增量。 2. 它有能力做品牌营销和渠道建设。 3. 它的收入有"法币支撑"，不完全依赖代币经济。 后续还有两个产品针对中东市场和美国市场，Gudtrip和Moonkah World扩大市场 其次，它真的在卖东西，而且卖得不错。$1260万收入、$130万MRR、75%毛利率，更难得的是85%的用户留存率，说明用户不是来薅羊毛的，是真的在用。 这样的RWA项目能持续性的引流增量，将会让web3的价值体现和代币增值达到最大化，Wbe2的商业影响+web3激励和营销，这种模式才能持续不断的去支撑价格和提升品牌价值。 在我看来它有真实收入、真实用户、真实产品，这三点在当下这个市场环境里，比任何叙事都珍贵。Web2的真实收入去回购代币，做价值支撑，项目能持续发展。用户这边也得到了实惠和健康，会出现人传人的现象。本来现在的老烟枪又多，想戒烟的大有人在，每个人身边起码是70%都抽烟，产品做的也偏潮流玩具，想想这些市场是真的大。 2月23号他们就要TGE了，可以关注一下这个有真实业务基础的项目。 #RWA# #puffpaw#

吴说获悉，据 Arkham 监测，交易员 pension-usdt eth 当前合计做空约 1.25 亿美元 BTC 与 ETH，浮亏已超过 1573 万美元。其中，其在约 6.7 万美元价位做空逾 9000 万美元 BTC，并在约 2100 美元价位做空 4500 万美元 ETH。目前该交易员 BTC 空单清算价约为 10.1 万美元，ETH 空单清算价约为 3300 美元。

此《客商一览醒迷天下水陆路程》上栏《客商一览醒迷》由明代李留德编，内容是从商的智谋和经验，商业行为规范等等。下栏《天下水陆路程》由明代黄汴编，内容是各种程图路引汇编而成的商旅交通指南。此为明崇祯八年李潮刊本，并附明隆庆四年刊本《一统路程图记》。介绍下载：

BTC 正在悄悄进 DeFi，但大多数人还没看见真正的瓶颈 BTC 进 DeFi 这件事，过去一年一直在发生，只是大多数人没把它当回事。 截至 2026 年 Q1，BTCFi 的 TVL ~80 亿美金，年增速接近 200%。Babylon 的质押 BTC + wBTC + tBTC + cbBTC，还有再加上 BounceBit、Stacks、Merlin、BOB、Bitlayer 一堆 BTC L2 各自圈一块流动性。 但 BTC 之间互相看不见，以太坊不一样。ETH 这边有 LayerZero、Wormhole、CCIP，资产跨链相对成熟；BTC 这边是真碎，wBTC 在以太坊，cbBTC 在 Base，tBTC 在 Arbitrum，原生 BTC 在 Babylon，在不同链上是完全不同的 token。Curve 上想把 wBTC 换成 cbBTC，滑点、桥费、确认时间加在一起，体验跟 2020 年的 DeFi 差不多。 这就是 BTCFi 真正的瓶颈。不是收益不够高，是流动性根本不通。 BTCFi 要起来，必然出现一层把所有 BTC 资产、所有链、所有协议聚合起来的互操作层。 @PersistenceOne 算是这个方向里少数在认真做的。他们的 BridgeKitty 干的事很具体：聚合 BTC 类资产和稳定币的跨链最优路径，用户敲一笔单子，后台自动拆链路、比报价、走最便宜的桥。更有意思的一点，它服务的不只是人，还包括 Agent。 这是另一个被低估的趋势。链上 Agent 自动做市、跨链套利、资金路由，行为模式跟人完全不同。24 小时跑、对滑点敏感、对延迟更敏感。一个能同时给人和 Agent 用的聚合层，需求曲线会比纯 To C 陡得多。BridgeKitty 昨天刚发了一次重大升级，路径优化和 Agent 接入是重点。 我的判断： 1、BTCFi 这一波不是 BTC L2 之争，L2 越多，聚合层越值钱。 2、但是跨链聚合赛道窄，2026 年的 DeFi 流量中，超过 40% 是由 AI Agent 驱动的，竞争对手包括 LiFi、Socket、Across，Persistence 能不能在 BTCFi 这个细分里建立壁垒，要看能跑出多少 Agent 调用量。 3、Persistence 的切入点很聪明，它在做的实际上是意图导向型聚合，对于用户来说，不需要关心底层是走 Across 还是 Stacks 的官方桥，只要结果（最优报价）

狠狠的又被吊 lab上了一课。爆了仓位！又贡献了！ 每天补eth和吃海狗丸一个效果！补e人就会精神！ 先来打个卡 @RaxFinance 签到，没事多搞点碎片。 带着做玩！ 1️⃣继续补补 太空狗！时间就是机会！叙事就是过程！这次能赢！10-20亿，大所不来，非等着老马再喊一次？让我再来5倍？ ca： 0xf280b16ef293d8e534e370794ef26bf312694126 2️⃣昨晚出了个什么熊猫头，局不局的吊关系，只要能赚钱就行！亏了骂骂装逼的所谓a9犊子们！当花钱开心了！稳定先拉到20m有这个实力么？a9犊子！ ca： 0xf3525965a4ad3ca0ac13f4d2f237113691194444 3️⃣ $Baby Asteroid （跟着大哥蹭的玩意，后续有风，这玩意也跟着会飞） ca： 0xfecbda1b8dbd73c4eea7843c04db816107fa6666 4️⃣ $Mystery @MysteryRiderEth 差点味道了，只能说人还在还在发推，没死，赶紧起量！ ca: 0x45547ab0100f5e8b158258b6d94d7586de69fc21 5️⃣小pepi @Pepeinscribed 推特也在运营，还挺坚挺！！半死不活继续拿着看看！ ca： 0x3103cd1602d5fa8f4b9283f9d5a7fa2290795d51 无聊在整点打nft玩玩，有opensea成员？@cartyisme不管了先整个申请加入看看！⚠️Mint The Florentines将于 5 月 13 日上午 9 点（美国东部时间）在 OpenSea！！🔗

转发提示词：风格人物+精神投射 by 虎小象 @hx831126 不是单纯的Pixar风格，有点Designer Toy 风格 让模型帮我加入了人物戏剧夸张的身形和表情「修长身形，大脚，块状的结构」 以此慢慢的 让模型延展其他人物。 提示词： A high-resolution vertical Pixar-style 3D character illustration. Main character: Salvador Dalí — depicted as a tall, slim, and slightly exaggerated Pixar-style 3D character. Wearing a classic blue shirt, yellow tie, high-waisted plaid trousers with suspenders, and leather shoes. His iconic long upturned mustache, slick black hair, sharply arched eyebrows, and slightly eccentric posture. Stands with chest out, one hand on hip, head tilted slightly back in his typical theatrical flair. Background: Flat, clean yellow background with subtle surface texture. Strong sunlight from top-left casts a distinct and enlarged shadow on the wall behind him. Key Concept – Shadow as spiritual projection: The shadow cast behind him does **not** mirror his body shape. Instead, it takes the form of one of his most iconic artworks — a surreal melted clock with long dripping arms, inspired by “The Persistence of Memory”. The melted clock shadow is positioned diagonally, starting from his shoulder, stretching wide and low across the yellow wall, surreal and fluid, yet unmistakably symbolic. This shadow is **Dalí’s legacy made visible** — a symbolic extension of his identity through time, dream, and visual distortion. Lighting & Rendering: Pixar-like rendering with detailed but stylized textures. Use subtle filmic grain, soft shadows, and warm color grading. Subtle sparkles or light speckles inside the shadow to evoke dreamlike texture. Typography (top-left corner): “Salvador Dalí” in minimalist black sans-serif font, “Dalí” bolded.

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。