全球资本市场围绕 Space Exploration Technologies Corp.（SpaceX）的历史性 IPO 陷入狂热，但与其同时，市场内部正涌现出与 1995 年互联网泡沫破裂前夕高度相似的结构性警讯。 历史数据表明，1995年掌上电脑先驱 Palm 的母公司 3Com 顶着极高的市场溢价将其推向二级市场，极度夸张的超额认购和估值飙升，直接成为随后几年互联网泡沫（Dot-com Bubble）全面破裂的标志性前兆。 2026 年，SpaceX 通过全资合并收购马斯克旗下人工智能初创公司 xAI，将其变身为跨越航天与超级 AI 算力基础设施的巨型叙事载体，以 1.77 万亿美元的初始估值强行IPO。 这一资产重组虽然在上市首日刺激股价飙升近 20%，导致创始人埃隆·马斯克个人账面资产突破 1.1 万亿美元，但也让市场流动性面临极端的虹吸效应。

两岸小朋友在重庆探索“神兽奇妙夜”活动。 Children from both sides of the strait explore the "Mythical Beasts' Wonderful Night" event in Chongqing. #exploration#

UU们，SpaceX 要IPO了！马斯克 @elonmusk 的星际大梦终于要让普通人摸一把了 SpaceX（Space Exploration Technologies Corp.）计划于 2026 年 6 月 12 日左右 在纳斯达克上市，股票代码 SPCX。本次 IPO 计划以 135 美元/股 的价格发行约 5.556 亿股，募集约 750 亿美元，估值约 1.75-1.8 万亿美元，将成为历史上最大规模 IPO 之一。 这次最爽的玩法当然是加密圈的“ tokenized 认购”，不用等美股开户排队，直接用USDC冲就行，24/7能交易，还能无缝转DeFi玩yield farming，简直是 crypto 的福音。 整理了一下关于加密行业我认为比较靠谱的攻略，本文给大家做个详细分享： 平台：Kraken & Bybit 的 IPO Tokenized 认购 这两家是核心玩法，使用 xStocks（Payward Services 技术）提供 tokenized 股份。 Kraken（xStocks）： 1. 支持 110+ 国家（含 EEA，中国用户可能需 VPN/合规检查，美国居民排除）。 2. 提交 非绑定意向（Indication of Interest），用 USDC 认购 SPCXx（1:1 锚定）。 时间：已开放，6 月 11 日前后分配，6 月 12 日起 24/7 现货交易。 优势：上市后自动转为标准 tokenized 股份，可转 DeFi（如 Solana）。 Bybit（IPO Express）： 针对 VIP/Pro 用户（需达到交易量/资产门槛）。 6 月 7-11 日注册订阅，6 月 11-12 日分配 + 现货交易。 用 USDC 认购 tokenized SPCX，同 IPO 价格（机构级待遇）。 优势：Bybit 用户友好，流动性好。 流程： 注册/升级账户 → KYC（身份验证）。 入 USDC。 在 IPO 页面提交意向股数（分配不保证，按比例）。 分配后持有/交易；未中退款。 注意：美国用户受限； 上市后 DeFi / On-Chain 玩法（Ondo 等 RWA） Ondo Finance：IPO 日（6 月 12 日）推出 SPCXon，在 Ethereum/Solana 上 mint（铸造），1:1 由托管人背书。非美用户用 MetaMask 等钱包，24/5 交易，完美融入 DeFi（借贷、LP、yield farming）。 PreStocks / 其他 RWA：Pre-IPO tokenized 产品，已有交易（如 上 SpaceX 代币），1:1 SPV 背书，24/7 on-chain 交易。 DEX 交易：上市后，在 Solana（Jupiter）、Base、Ethereum 等 DEX 上 swap SPCX 相关 token。部分有流动性池，可提供 LP 赚费。 其他 CEX：Binance、Coinbase 等可能有 pre-IPO perp（永续合约），USDC 结算，上市后自动转换。适合杠杆玩法。 当然，首日肯定是过山车，Starlink增长再牛，Musk再会整活，也挡不住市场情绪乱飞。别all in，玩得开心最重要。建议慎重参与。IPO 首日可能暴涨暴跌，结合基本面判断。 具体平台教程或最新更新，随时问我！投资有风险，DYOR

【富豪青睞股】超級富豪家族辦公室投資SpaceX 持股規模超過38億美元 為美洲、歐洲和中東的超級富豪進行投資的機構已建立了數十億美元的SpaceX投資敞口。申報文件顯示，2026年上半年，十多家家族辦公室持有Space Exploration Technologies的公司合計至少38億美元的股份。

最近如果想系统补一下强化学习，尤其是 LLM post-training，这套 Berkeley CS 185/285 很值得收藏。 Sergey Levine 的 Deep Reinforcement Learning 2026 春季版课程资料已经完整放出来了，昨天课程录像也开始上传到 YouTube。 课程从 imitation learning、Policy Gradient、Actor-Critic、Q-Learning，一直讲到 Model-Based RL、Offline RL 和 Exploration。 我比较感兴趣的是今年还专门加入了「RL with Sequences & LLMs」。 里面会从 RL 的视角重新讲 RLHF、Verifier Reward、GRPO、KL Regularization 这些现在做 LLM post-training 经常看到的东西。 而且不只是听课，Homework 4 直接要求自己实现 GR-REINFORCE 和 GRPO，再真正跑训练实验做对比。 最近 RL、Agent 和 LLM post-training 连得很紧，这套课正好可以把很多零散的概念重新串起来。 课程： YouTube 上搜索 RAIL 的「CS 185/285 (Spring 2026)」播放列表就能看到最新课程录像。

推荐这个工具，Yohei Nakajima 在 GraphCon 上用的 graphcon-deck。 幻灯片变成了图谱过滤器——节点复用，视角切换，整个 presentation 是一个可以探索的图。 Yohei Nakajima（BabyAGI 作者）在 7 月 25 日 GraphCon 上用他自己写的工具做了一场演讲。这个工具叫 graphcon-deck，一个把幻灯片变成图谱过滤器的单 HTML 文件。推文 43 万浏览，537 书签。 核心 idea 传统 slides 是线性的——幻灯片 1 → 2 → 3，每张是一块独立画布。Graphcon-deck 完全不同： 所有节点始终存在于一张大图上。每张"幻灯片"只是一个过滤器。 每个节点有一个或多个 slide number。当你切到某张幻灯片时，携带该编号的节点被拉入视图，不携带的节点被推走。viewport 自动居中到活跃节点的中心。你可以为每张幻灯片定义不同的布局（节点方向 / 关系朝向），"动画"只是让新节点自然进入视野。 同一个节点可以出现在多张幻灯片中——讲一个概念时它在这里，讲到相关概念时它换个位置再出现。整个文件是一个自包含的 HTML，内嵌 JSON 数据。 为什么这不一样 线性 slides 的底层假设是"一次讲一件事，信息不重叠"。但现实中，概念之间是有关系的——A 引出了 B，B 和 C 共享前提，D 推翻了 A。当你只能线性排列时，你被迫重复讲同一个节点，或者靠观众自己记住"刚才那个圆角矩形和第三页那个是同一个东西"。 Graphcon-deck 把 presentation 变成了 graph exploration。每张幻灯片不是"一页新内容"，而是"在当前图上应用一个新的视角"。节点复用的结果是——你不需要重复介绍同一个概念，它一直是同一个节点，只是每次出现在不同的关系网络中。 技术细节 • 纯前端，单个 index.html（约 9000 行内嵌 JS/CSS） • 数据格式是 JSON：{nodes: [{id, label, slides, x, y, ...}], edges: [{from, to, label, slides}]} • 支持编辑模式：拖拽节点位置、调整布局 • 支持导入/导出 JSON（"copy deck JSON" / "load .json file"） • Undo 单张幻灯片的布局修改 • MIT 开源，45 star，4 fork Yohei 最近的探索方向 这不是一个孤立的项目。Yohei 同一天（7/26）发了一条推文："if you are trying to solve long-running agent problems, you will eventually start using immutable event logs"（499 赞），接着在 7/27 发了一篇 X Article "What the Brain Knows About Long-Running Agents"。他在把 graph-based thinking 从 presentation 工具延伸到 agent 架构——event log 作为不可变记录，图谱作为知识的组织方式。 graphcon-deck 是这个思路在 presentation 层面的具象化：图谱不是可视化的附加物，图谱就是内容本身。 Demo： GitHub： #GraphVisualization# #Presentation# #YoheiNakajima#

我是來自台灣的Tiny，於2019年開始成為職業SM收費女王，接案人數至今超過500人以上，只要你是華語使用者，都能預約我的BDSM課程，所有調教項目都能為你量身打造，保證安全隱私，陪你一步一步探索自己的內心世界。 除了可以客製化屬於自己獨一無二的課程，也能加價指定自己喜歡的服裝，調教紀錄片的內容均為當事人自願參與且樂於分享，請大家尊重每個人的性癖與選擇。 我在台灣台北，歡迎私信預約。 I am Tiny from Taiwan. I have been a professional BDSM Dominatrix since 2019, having worked with over 500 clients to date. As long as you are a Mandarin or Cantonese speaker, you are welcome to book a BDSM session with me. Every session is fully customized to your needs, ensuring total safety and privacy as I guide you step-by-step through the exploration of your inner world. In addition to creating a unique, tailor-made experience, you may also request specific outfits for an additional fee. Please note that all participants in my session documentaries have consented voluntarily and are happy to share their experiences; I ask that everyone respects each individual's kinks and personal choices. I am based in Taipei, Taiwan. Please send a private message for inquiries and bookings.

📖 读懂一张期权合约 很多人觉得期权复杂，其实一张期权合约，本质就是一份"权利买卖协议"，由 4 个要素定义 👇 1️⃣ 标的 Underlying — 对应哪只股票/ETF 2️⃣ 行权价 Strike — 约定的买卖价格 3️⃣ 到期日 Expiration — 权利的有效截止日 4️⃣ 权利金 Premium — 你为这份权利付的钱 看懂这 4 个,你就能读懂期权链上的每一行报价。 👉欢迎实战：「期权启航」进行中，完成首笔期权交易赢 $20 碎股，邀好友获多重奖赏，明天截止，详情见⬇️ 该内容仅有用作BIT投资者教育，不构成投资建议。期权为高风险产品，投资涉及风险。

Pentest-Swarm-AI 是一个用 AI agent swarm 做自动化渗透测试的项目。 它把 recon、classification、exploitation 和 reporting 拆给不同 specialists，支持 bug bounty、continuous monitoring 和 CTF 模式；跑自动化渗透测试前，授权范围和测试边界要先写清。 GitHub 现在约 1.6k stars，今天新增 111 stars。 工具地址：

【机器学习模型可解释性为什么重要】 机器学习真正的挑战，往往不在于预测得准不准，而在于能不能为每一个决策给出站得住脚的理由。模型可以判断某位客户风险偏高、某笔交易可疑、某个用户很可能流失。但一个孤零零的数字本身很难让人信服。要真正基于模型做决策，data scientist必须理解数字背后的"为什么"。 这正是可解释性方法的价值所在。以 SHAP（Shapley Additive Explanations）为代表的技术，能把单个预测拆解成可从业务角度审查的结构：从一个基准值出发，逐项展示每个变量把结果往上推了多少、往下拉了多少。有了这层解读，我们就能从"模型给出了 60%的评分"，转而面对更有业务意义的讨论：哪些因素推高了预测评分，哪些因素在降低风险，以及在这个具体案例中，谁的影响最大。 可解释性的价值在真实业务场景中尤为明显。在信贷审批中，它帮助判断一笔申请应该通过、拒绝，还是转人工复核；在反欺诈中，它决定哪些警报值得优先排查；在营销触达中，它能说明客户为什么收到了这条推荐。从统计角度，解释并没有提升模型预测的准确性，但从业务角度，解释让评分拆解后更有业务依据。 因此，对任何应用 AI 的企业而言，一个务实的做法是：明确规定在哪些场景下，预测结果必须附带可追溯的业务解释。换句话说，没有业务解释的预测毫无可用性。 归根结底，对 AI 的信任从来不只建立在准确率上。只有当每个决策都能被清晰地解释时，信任才真正成立。