最近看到几个基于 @HyperliquidX 做 Proprietary Trading Firm 的项目，比如 @HypernovaX @ProprXYZ 遵循的基本是传统的做法：交易员付费参加考核 → 考核通过获得由公司提供资金的 Funded Account → 交易员用该账户进行交易（加密货币或股票）→ 盈利拿走 70-90% 利润，其余分润给公司 / 亏损则由公司承担 好奇真的有这么多交易员去参加这种吗？看这两个项目披露的一些数据好像有不错的苗头，中文圈倒是没看到有几个人聊… 我来提个想法，去掉考核这一步，直接做成 Credit Loan 的模式，所有人都可以无抵押获得一笔几倍于本金的借款，但做好严格的风控系统，触发风控则强平，确保用户亏损不会亏到借款的部分。 设置一个 LP Vault 用于吸储，借款都从 LP Vault 出，用户盈利不用与公司分润只需要承担借款利息，而 LP 则通过收回来的利息获得一个不错的真实年化收益，直接闭环了。 这样一来，Traders 可以以几乎无门槛的方式提升购买力，公司也不必承担大的亏损风险并从借款利息和交易手续费的角度赚取收入，剩下的就看 Trades 自己的交易能力和策略执行了。大的前提还是基于 Hyperliquid 的基础设施构建做 Capital Efficiency Layer，支持接入 Agent 做交易执行。 这么搞会有搞头吗？懂的来聊聊

🧵 后端/基建开发推荐阅读的十篇论文 别只背八股了，很多面试题就是这些论文里的工程问题被压缩成的问答。 推荐按顺序读，强烈建议边读边画图/做笔记。 1️⃣ RocksDB： 看懂工业级 KV 存储怎么演进 RocksDB 这篇不是讲单个算法，而是讲一个 KV 存储在大规模生产环境里，优化重点怎么从写放大、空间放大一路转到 CPU 利用率。 Evolution of Development Priorities in Key-value Stores Serving Large-scale Applications: The RocksDB Experience 2️⃣ WiscKey： 理解为什么要把 key 和 value 拆开WiscKey 的核心是把 LSM-tree 里的 key 和 value 分离，减少 I/O 放大，尤其适合理解 SSD 时代 KV 存储的设计取舍。 WiscKey: Separating Keys from Values in SSD-conscious Storage 3️⃣ Vertical Paxos： 把主从同步放进共识算法里看很多高可用方案看起来只是“注册中心 + 主从同步”，但 Vertical Paxos 提供了更底层的解释框架。 Vertical Paxos and Primary-Backup Replication 4️⃣ PacificA： 工程里的强一致复制协议PacificA 讲的是日志型分布式存储系统里的复制框架，重点不是抽象共识理论，而是故障、恢复、对账这些工程细节。 PacificA: Replication in Log-Based Distributed Storage Systems 5️⃣ SWIM： 服务发现别只会说注册中心SWIM 把故障检测和成员变更传播拆开，用随机探测 + gossip 传播，解决大规模节点下全量心跳扛不住的问题。 SWIM: Scalable Weakly-consistent Infection-style Process Group Membership Protocol 6️⃣ TiDB： Raft 怎么落到 HTAP 数据库里TiDB 这篇讲 multi-Raft、行存、列存副本和 learner，适合看 Raft 怎么服务事务和分析混合负载。 TiDB: A Raft-based HTAP Database 7️⃣ Paxos vs Raft： 别把二者理解成口水战这篇用相同术语比较 Paxos 和 Raft，结论很实用： 二者整体方法接近，核心差异主要在 leader election。 Paxos vs Raft: Have we reached consensus on distributed consensus? 8️⃣ Paxos 和 Raft 的形式化映射： 把学术优化搬到工程系统上海交大这篇建立了 Paxos 和 Raft 的形式化对应关系，还讨论如何把 Paxos 优化迁移到 Raft。 On the parallels between Paxos and Raft, and how to port optimizations 9️⃣ PolarFS： 高性能共享存储里的 ParallelRaftPolarFS 为 PolarDB 做低延迟共享存储，里面提出 ParallelRaft，用乱序 I/O 能力突破 Raft 严格串行带来的吞吐限制。 PolarFS: An Ultra-low Latency and Failure Resilient Distributed File System for Shared Storage Cloud Database 🔟 X-Engine： 双 11 级 OLTP 存储引擎X-Engine 是阿里的 OLTP 存储引擎方向，适合看电商峰值流量下，存储层怎么做写入、压缩、缓存和冷热数据管理。 X-Engine: An Optimized Storage Engine for Large-scale E-commerce Transaction Processing

昨天和东篱老师（@DongLi64670501）聊天，他提到自己 2022 年才开始彻底戒断碳水，并遗憾“低碳开始得太晚了”。这句话让我深受触动。 如果能穿越回 40 岁，我最想给自己的建议，绝不仅仅是少吃糖、精制淀粉和种子油，或者坚持健身——而是一件更隐蔽、更奇特的事情：我们都在经历一种被严重忽视的“营养缺乏”。 这种营养素被归类为“非必需”，仅仅是因为人体能自行合成。但他们从未告诉你：你身体能合成的量，远远赶不上你消耗的量！ 数据表明，人体每天约需要 15 克 该营养素。身体自行合成约 3 克，普通饮食只能提供 1.5–2 克，这意味着我们绝大多数人每天都有近 10 克的缺口！ 95% 的成年人，都长期处于这种营养“饥饿”状态。 它，就是甘氨酸（Glycine）。 1. 为什么现代人普遍严重缺乏？ 甘氨酸是地球上最古老的氨基酸，生命建立的基石。南安普顿大学顶尖营养科学家 Alan Jackson 博士曾指出：在 20 种氨基酸中，真正能被称为“非必需”的只有 3 种，而甘氨酸绝不在此列。 我们以为吃够肉、蛋、鱼就足够了？错！ 甘氨酸的主要来源是胶原蛋白（人体蛋白质的 30% 都是胶原蛋白）。 远古祖先吃肉是“从头吃到尾”（Nose-to-Tail），包含软骨、韧带、动物皮和骨髓。 现代人只吃纯精瘦肉。一块普通嫩牛排的胶原蛋白含量仅有 1%~3%。不吃骨汤、不吃带皮鱼、不吃内脏，你的甘氨酸补充几乎为零。 2. 缺乏甘氨酸，身体在发生什么？（Priority Triage 优先分配机制） 当甘氨酸不足时，人体会启动“生存优先分配”机制，按紧急程度消耗有限的资源： 绝对优先（维持生存）： 红细胞与血红素（Heme）： 没有甘氨酸就无法携氧，生命瞬间终止。 DNA & RNA： 细胞复制的基本蓝图。 次级优先（消化与解毒）： 胆汁盐（Bile Salts）： 缺乏它会导致脂肪无法分解，脂溶性维生素（A/D/E/K）及 Omega-3 无法吸收，甚至引发小肠细菌过度生长（SIBO）。 谷胱甘肽（Glutathione）： 肝脏最重要的解毒抗氧化剂。处理酒精、咖啡因、防腐剂都需要它。甘氨酸不足，解毒系统直接瘫痪。 被迫牺牲（衰老与慢性病开始发生）： 神经系统（GABA）： 甘氨酸是 GABA（神经抑制剂）的前体。缺乏它会导致失眠、焦虑、无法放松，也是许多儿童多动症（ADHD）的隐形诱因。 免疫与抗炎： 巨噬细胞依赖甘氨酸来关闭炎症开关。缺乏它，体内慢性炎症将永无休止。 皮肤、关节、骨骼与血管： 皮肤下垂、韧带易受损、关节炎、肠漏症（Leaky Gut），甚至是动脉硬化与高血压——因为骨骼和动脉血管壁几乎全由胶原蛋白构成！ 我年轻时是个典型的垃圾食品爱好者，只吃精肉和蛋，不喝骨汤、不吃内脏软骨。结果才 32岁就患上手指关节炎，。这就是长期缺乏甘氨酸的代价。 现代饮食结构与我们基因所适应的祖先饮食完全脱节。哪怕你是严格的纯肉饮食者（Carnivore），如果不是从头吃到尾（Nose-to-Tail），同样会落入甘氨酸匮乏的陷阱。 如何正确补充甘氨酸？ 回归祖先饮食： 多喝优质慢熬骨汤，吃带皮带筋的肉类、软骨及鱼皮。 聪明使用补充剂： 如果日常饮食难以凑足，可摄入高质量的胶原蛋白粉或纯甘氨酸粉（可加入早晨的咖啡或奶昔中）。 黄金搭档： 补充胶原蛋白时，务必搭配足够的维生素 C！ 缺乏维生素 C，胶原蛋白在体内的合成效率将大打折扣。 你日常有喝骨汤或吃带皮带筋食材的习惯吗？是否有过睡眠不佳或关节易痛的困扰？如果这篇文章帮你破除了健康误区，别忘了点赞、收藏并转发给身边的家人和朋友！关注我，我们一起解锁更多源头营养学知识，开启由内而外的活力人生！

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。

$NVDA $MRVL AI Hyperscalers 已从"建设"阶段转入"变现"阶段，瓶颈随之转移。关键不再是有多少算力，而是每瓦电能跑出多少 token。 Memory wall 在扩大，不是在收窄： - 过去 20 年，Peak FLOPs 每两年 +3x，但 memory bandwidth 只 +1.6x，capacity 只 +2x - $NVDA Rubin 相比 Blackwell 推理算力 +5x，但 HBM bandwidth 只涨 2.8x，memory 仍是硬约束，且代际间差距没有收窄 HBM 成本持续攀升加剧了这个矛盾： - HBM 占 B200 BOM 约 52%，Rubin 预计升至 62%，192 GB HBM 系统成本 $20 万以上，是等量 DDR5 的 5 倍以上 - Hyperscaler 数据中心 PUE 已接近物理极限（1.09–1.17），外围效率优化空间几乎耗尽 解法指向 offload engine：把 KV cache 卸载到更便宜的内存层，让 XPU 保持满载，而不是继续堆昂贵的 HBM。 Nvidia 内部数据：Vera Rubin NVL72 + Groq 3 LPX rack 相比 GB200 NVL72，每 MW token 吞吐量高 35x。 这直接利好 $MRVL：server DDR5 定价已升至约 $40/GB，DRAM-based CXL offload 相比堆 HBM 有明显成本优势，Marvell 的 CXL + custom silicon 正处在这个受益位置。 两条技术路径即将分叉： $NVDA 推 proprietary CMX，开放生态走 CXL（vendor-neutral）。 非投资建议！不是让你现在就买 MRVL

今天的 GM101 为大家深度解析矿工费 Gas Fee 的工作机制，为什么有时候明明交易失败了还会被扣款？如何避免这样的情况发生？让我们一起来看看吧～ 一、 什么是矿工费？ 在区块链世界中，矿工费（Miner Fee）——在以太坊及众多现代公链中也被称为 Gas 费（燃气费）。是指用户在发起链上转账、调用智能合约或交互去中心化应用（dApp）时，自愿向维护网络运行的矿工或验证者支付的系统资源使用费。 它是去中心化网络中的“计算资源路费”，只要你使用了区块链的账本空间和计算力，就必须付费。 二、 矿工费的工作机制 区块链的每个区块容量（Block Space）是极其有限的。为了决定谁的交易可以优先被记录，矿工费衍生出了一套“链上竞价与资源消耗”的机制： 矿工费并不是固定的一笔钱，它的计算公式通常为： 总矿工费 = 消耗的 Gas 数量 × (基础费 Base Fee + 小费 Priority Fee) 消耗的Gas 数量（Gas Used）：代表你的操作消耗了多少计算资源。一笔普通的转账（如 ETH 转账）消耗资源最少。但较为复杂的 DeFi 借贷或 NFT 铸造（Mint），因为涉及多步复杂的代码，消耗的 Gas 数量会呈几何级增长。 基础费（Base Fee）：由系统根据当前网络的拥堵程度自动计算。发起请求的人数越多会导致网络越拥堵，基础费就会越高，这部分费用在打包后会被系统直接烧毁（Burn）。 小费（Priority Fee）：用户额外付给矿工的“贿赂”。在网络拥堵时，小费给得越高，矿工越乐意先帮你插队打包。 三、 为什么交易失败了也会扣费？ 区块链网络没有一个中央服务器，所有的交易都是由分布在世界各地的验证节点（矿工）通过计算机（如以太坊的 EVM 虚拟机）去运行代码来完成的。所有的操作必须运行后才知道是否失败。 当智能合约执行报错（例如你的滑点设低了、代币余额不足、或者别人比你先抢到了 NFT），计算机必须真实地把代码执行到报错的那一步，系统才能得出“交易失败”的结果。在这个过程中，节点的 CPU、内存和网络带宽已经付出了实实在在的计算劳动。既然节点付出了计算资源，你就必须为这段“已经发生”的计算支付路费（Gas 费）。 不稳定的矿工费使得链上原生层很难应用在日常小额高频场景。这也是为什么现在的 Web3 生态正在迫切地向 Layer 2（二层网络）发展，以求把矿工费尽可能地降低。 波场网络（TRON）更是推出了创新的账户抽象/智能合约中继服务。它打破了传统区块链必须持有本币才能进行任何链上交互的硬性限制，真正为用户提供了“免 Gas交互”。

“我们只想要真实用户，不想要空投党”，这是很多项目很我们沟通市场策略时会表达的。 但从我的角度而言，项目能吸引来空投用户是好事呀，除非项目本身就没有任何激励，只做organic增长——当然，如果只做自然增长吸引真实用户、优化PMF的项目，我们也建议不那么快上激励机制。 为什么说，项目「能」吸引来空投用户是好事呢： 1️⃣ 空投用户如果认定了某个项目深度参与的话，要付出的时间、精力、资金并不低。大家愿意投入资源来撸，证明项目还是值得且有预期的。 2️⃣ 顶级空投工作室或超级个体，比如 @Ice_Frog666666 @KuiGas 在认知上绝对是一线的，而且他们单个项目能够投入的资源上限，远比大家想象中的要高。他们在阅项目无数的基础上，重仓投入的项目，也一定是很看好的，这也算是一种形式的一级投资。 基于此，项目在设计积分体系或激励机制的时候，我们也都会建议项目方跟个别空投类的顶流交流看看。 如果分析下来，即便白送钱他们都不愿意参与，甚至一些空投类KOC都不愿意的话，证明要么是产品预期不足，要么就是整体激励机制有问题。 当然，我说的是，项目「能」吸引到空投用户是好事，并不是项目「只」面向空投类用户设计产品，因为空投从来不应该是项目第一priority的增长策略。 在真实用户和空投用户并存的时候，就看项目如何设置标准和平衡收益分配了。