A young girl demonstrated her ability to freely switch her eyelids among three modes: single, double, and one single with one double. It's so cool! 小孩姐展示任意切换眼皮三种模式 可单可双还可一单一双 太酷了 网友：教教我 阿姨真的很想学这个！神奇绝活 #单双眼皮切换# #搞笑日常#

日读论文： From Context to Skills: Can Language Models Learn from Context Skillfully? (Ctx2Skill) 互斗写书，越斗越偏 ──────── 医生想用一份刚出的临床指南调整治疗方案。50 页文档，密密麻麻全是术语，规则之间还交叉引用。他真正需要的是把"什么病合什么药"变成几条能照着走的步骤。直接把整份指南扔给 GPT-5.1 让它答题，全 benchmark 平均对率 21%——大模型读完了，用不出来。这不是它"长上下文"不行，是 *它没把规则提炼成可以反复调用的小手册*。 老办法是把人类标注员请来给文档画重点：把规则、流程、注意事项提炼成自然语言"技能"，附在 prompt 前面给模型用。但这条路有两个死结：一是*标注成本爆炸*——50 页技术文档，标注员要把整套领域逻辑读到能复述，几小时才标一份；500 份这么搞，人累死也搞不完。二是*没有外部反馈*——如果想让 AI 自动写技能，怎么验证它提炼对了？没有 ground truth、没有执行结果、没有标准答案，它瞎写你都不知道。已有的"自动写技能"方法（AutoSkill、SkillX 等）都需要环境给反馈信号——比如"代码跑出来对不对""任务完成没"——可面对一份纯文档，没人替你判对错。 作者说不需要外人。让模型自己跟自己打——一个出题，一个解题，第三方判 pass/fail。每一回合，错题让解题方反省"我漏了什么知识"，过得太轻松的题让出题方反省"我出题不够刁"。两边各自维护一份自然语言的"技能手册"，回合结束之后改写各自的手册。这套循环不依赖人类标注，也不依赖任务本身的对错反馈—— *只用模型互相之间的胜负就能把技能写出来*。 ──────── 按常识，5 个回合互相磨练完，第 5 回合的 Reasoner 手册应该最强吧？ 错。论文做了固定回合的对照实验（GPT-4.1）：*单调下降*。越练越差。 为什么？作者起了个名字： *adversarial collapse*——对抗坍缩。Challenger 越来越凶，开始出"考钻牛角尖"的题；Reasoner 为了应付这些极端题，把手册改得越来越歪——专为对付怪题而存在的条目挤掉了通用知识。两边都在围着一个不代表真实任务分布的"病态点"打转。 更阴险的是， *这种崩塌在循环内部察觉不到*——Judge 每一回合只看当前题，没有信号告诉你"之前学会的事是不是被新条目挤丢了"。 ** 怎么找回早期的好手册：Cross-Time Replay 既然不能信"最后一版"，得回头挑。但凭什么挑？ 办法：在 5 个回合里偷偷攒两套小探针—— - *Hard probe*：每回合败得最惨（评分点通过率最低）的那道题 - *Easy probe*：每回合解得最轻松（评分点最少）的那道题 循环跑完，把 5 个版本的 Reasoner 手册*回去重做*这两套探针。每个版本算两个分：在难题集上的解题率 ρ_h、在易题集上的解题率 ρ_e。 *选哪一版？* 让 ρ_h × ρ_e 最大的那一版赢。 为什么是乘积不是相加？*乘积惩罚"舍弱保强"*——一个版本如果为了多解几道难题、把易题做塌了，乘积立刻塌（一个 0 拉低全场）；加法只算总分，掩盖短板。消融：换成加法 → -0.6%。 ──────── *你的对手如果只服你一个人，他会变成你的镜子，不是你的镜鉴*。 Self-play 跑久了，Challenger 出的题不再代表真实世界，只代表 Reasoner 当下还不会的边角；Reasoner 的手册也不再是知识，只是这场私局的应试手册。两个人在屋里关久了，一起走进自己造的回音壁。 破解的办法不在循环里——*在循环之外保留一份"代表性参照"*，回头挑哪一版没飘走。Cross-Time Replay 是这个论文真正的灵魂，不是某个技术细节。它在说：*对抗优化必须配一个不参与对抗的判别器*，否则一定会塌。这个判别器不一定是人，可以是从对抗自己内部偷出来的、有代表性的小样本——但它必须独立于"当下这一刻在追什么"。

Cerebras的IPO火爆，官方考虑大幅上调IPO定价区间。看路透社报道，Cerebras正考虑将IPO定价区间从此前的每股115至125美元上调至150至160美元，涨幅高达约28%。与此同时，公司还计划将发行股数从2800万股增至3000万股。若最终以每股160美元定价，Cerebras此次IPO募资规模将达约48亿美元。 个人看Cerwbras的核心优势在于：WSE-3推理领域已建立一定优势，tokens/second 可达GPU集群的15-20倍（低延迟场景下尤其突出）。Agentic workflow、reasoning models、长上下文推理正是其优势凸显的领域。 也拿到了大客户订单，OpenAI既是其股东也是签署了长期供货协议。而AWS已将CS-3集成到Bedrock，提供混合Trainium+ Cerebras推理方案。 相当于技术和产品已经得到了验证、商业化正在落地。 这个时机也很好，现在推理正在快速拓展、市场也希望能找到新的潜在英伟达挑战者、也会给更高的定价和预期。 个人看未来的空间看WSE-4如果能成功落地，成本/性能比将进一步拉大差距，让Cerebras从“高端替代”变成“主流基础设施”。 未来如果WSE-4成功=从“推理利基冠军”跃升为“AI基础设施第二梯队核心玩家”，市场空间进一步打开。 看到两篇关于Cerebras的推文，值得细看： @LinQingV 的这篇 @roger9949 的这篇

好策略不一定要更强，但一定要不一样 有些趋势跟踪策略的基金夏普比率（Sharpe Ratio）只有 0.3-0.5，也有很多资金认购，主要是因为策略配置时，除了收益以外，策略间的低相关性也很重要，怎么说 Sharpe 0.3 也是盈利策略。 组合策略的 Sharpe 有收益线性叠加，波动按 √N 叠加的特点。N 个零相关、Sharpe 各为 S 的策略等权组合，组合 Sharpe = √N × S： - 4 个 Sharpe 1 的独立策略 → 组合 Sharpe 2 - 9 个 Sharpe 1 的独立策略 → 组合 Sharpe 3 - 16 个 Sharpe 1 的独立策略 → 组合 Sharpe 4 独立交易员 Scott Phillips 在 Flirting With Models 的节目公开过他的加密组合策略，包括： - 趋势跟踪（CTA 风格， 以 50% 年化波动率作为仓位控制的约束）：过去 4 年 Sharpe 1.7，收益分布正偏（大部分小亏，小部分大赚） - 横截面动量（所有币按波动率标准化后，按过去 N 天收益排名，前几名开多，空后几名开空）：Sharpe 略高于 1.7，收益分布不如趋势偏向单边大赚 - 横截面套息（所有币按资金费率排名，最高的开多，最低的开空）：Sharpe 1.7（与趋势跟踪相近），收益分布是负偏（大部分小赚，小部分大亏），而且这个策略与前两个策略的相关性明显低。 Scott 最后总结：“这三个一起运行，很容易达到 Sharpe 2 ，执行上不需要太精细。” 按之前的公式倒推：N = 3，Sharpe 各 1.7，组合 Sharpe 取决于两两相关度 ρ： - ρ = 0.5 → 组合 Sharpe 2.08 - ρ = 0.3 → 组合 Sharpe 2.33 - ρ = 0 →组合 Sharpe 2.94 可见相关度越低的策略在一起，对组合 Sharpe 提升越大（相关性在极端行情会失效，不过这是另一个话题，这里不展开）。 上面这几个策略都是价格方向上的相对排名，机制上有不少同源。要再降低相关性，就需要换一个完全不同的维度。 波动率策略做的是隐含波动率和实际波动率之差（波动率风险溢价），与价格方向的相关性显著变低。AQR 在波动率策略的研究里提过，波动率风险溢价策略与动量、套息、趋势的相关性都很低，所以将这类策略纳入组合，能显著降低波动性，从而提升组合 Sharpe。 可以试算一下，我们假设当前组合的相关性为 0.5，夏普为 2.08，此时加入一个 Sharpe 1.2 且和其他策略相关性只有 0.1 的新策略，那么新组合 Sharpe 将提升为 2.29。即使新增策略的 Sharpe 略低，依然使得整个组合的 Sharpe 提升了 10%。这是配置层面的杠杆：加入不同源的新策略，等于打开了一个新世界。

🦞 如何 免費使用 AI ？ Qwen3.6 27B 模型直接在 MacBook Pro 上用 llama.cpp + Pi coding agent 完全本地運行，飛航模式、零網路！😱😱 這樣本地跑（llama.cpp + Pi coding agent），你就完全不用花錢 subscribe 任何雲端 AI了！ • 不用 Claude Pro、ChatGPT Plus、Grok Premium 之類的月費 • Qwen3.6 27B GGUF 模型從 Hugging Face 一次下載就永久免費使用 • Pi coding agent 本身也是完全開源 MIT 免費（npm 安裝就行） • 之後不管跑多少次、做多少 coding 任務，都零 API 費用 唯一的小成本只有： ✅ MacBook 要夠力（推薦 32GB+ 記憶體，M 系列 Metal 加速最順） ✅ 第一次下載模型花一點時間跟硬碟空間 ✅ 跑的時候電費會多一點點 但之後就是真正零月費、無限使用的本地 AI coding 神器！ 隱私還 100% 保障，飛航模式也能跑，超爽👍 處理 Hugging Face 真實程式碼庫的複雜任務，表現幾乎追平 Claude Opus！ 這就是 AI「第二革命」——強大本地模型正式實用化！ 隱私、安全、資料主權一次到位，早鳥直接起飛 💨 👉🏻👉🏻 想自己馬上開始裝嗎？超簡單上手（Mac 適用）： 1. 安裝並啟動 llama.cpp server（下載 Qwen3.6 27B GGUF 模型，推薦 Q4_K_M 量化，Mac 用 Metal 加速） 2. npm install -g @mariozechner/pi-coding-agent 3. 編輯 ~/.pi/agent/models.json 指向本地 llama.cpp（baseUrl: http://localhost:8080/v1） 4. 在你的專案資料夾直接執行 pi 指令就起飛！ 詳細文件： （或 Pi GitHub： 開源本地 AI，真的要改變遊戲規則了！誰來一起玩？🔥 推薦用 etherfi卡 買MacBook 能省3～4%

我过去花很多时间去“复刻角色”。 现在，AI 几秒就能生成一个世界。 有人问我：以后你cos还有什么意义？ 我说：打不过就加入！😘🤖 所以我加入了 Base 最强 AI 项目 @FLock_io， 担任 APAC Lead ，新旅程就此开启。 🌐 我印象中的FLock build就像找伴侣、找战友、找目标，首先是靠谱，再次还得是个潜力股。 FLock给我的感觉并不是一个Web3项目，而是一个传统AI大厂。 作为一个市值只有4000万的公司，它是 🔹联合国发展署（UNDP）官宣的战略合作伙伴， 🔹通义千问的垂类小模型的官方合作伙伴， 🔹服务7个国家政府部门，全球8家医院的AI服务提供商，顶刊顶会拿到手软， 🔹在纳斯达克和港股拥有两家自己的 $FLOCK 微策略。 🧠 FLock 的原理 FLock是个AI模型训练平台。 是首个将联邦学习（Federated Learning ）与区块链融合的 AI 平台。 吸引我的，是FLock 在做一件既难、也正确的事： 让 AI 能在保护隐私的前提下学习、协作、形成共识。 抛开晦涩的技术不谈，给大家举个通俗易懂的例子： FLock就像滴滴🚗，AI训练师就是快车司机，客户就是乘客。作为平台，它提供了一个串联起模型需求和供给两方的界面。 至于那些联邦学习、MMRAG啥技术的，回头慢慢教你们！ 🌏 我的角色 作为FLock亚洲第一客服， 我致力于让更多亚洲的开发者、研究者与项目方体验去中心化智能的新形态， 推动更多真实场景（医疗、金融、教育、社交等）接入 FLock 网络。 有任何问题欢迎随时私信我。 我也会在各大FLock的活动现场回答大家的问题！ 从我买第一枚比特币起， 常说：Not your keys, not your coins. 而在我踏入 AI 领域的此时此刻， 是时候加上一句：Not your models, not your AI.