太搞笑了，真王不见王啊！ 我借助 @PixVerse 一句 Prompt 就把吸血鬼和狼人宿命对视的视频做出来了。 刚好这段时间 MossAI 和 PixVerse 在搞活动，给大家也争取了一些福利 关注@MossAI_Official、@PixVerse、@chatgptastra 并一键三连本推文，有机会获得一个月 PixVerse会员 快快来参与，复刻你想要的明场面吧！

花费16天，我用 Opus 5.5 将小王子的故事制作成了3D剧情游戏 结合Tripo+Blender，Opus 5.5 将小王子故事中的每一个星球变成了可探索的3D场景 希望大家能支持一手，后续会开源整个游戏，以及详细制作流程 Welcome to The Little Prince: Across the Stars✨：

在Gala晚宴获得 最佳员工 是什么体验 老板说要给陆兄升职加薪，当上CEO迎娶白富美 先给了3张 F1的红牛包厢票 与红牛车队一起驰骋F1赛场

趁着国庆休息认真读了一遍@cz_binance 大表哥写的《币安人生》。 整理了书里提到的书单，我重新按用途分了一下（网盘链接分享在评论区）。 1｜做长期生意：别只赢眼前这一局 《无限的游戏》☑️ 《The Innovation Stack》 《Richard Branson 自传》 这一组讲的是怎么把生意做长。长期目标、系统能力、敢于试错，都是币安早期扩张里能看到的东西。 2｜把事情做出来：能力、用户和组织效率 《异类》☑️ 《想好了就豁出去》☑️ 《不拘一格》☑️ 一万小时、用户感受、公开反馈。看起来很朴素，真正做过团队的人会知道，这几件事最费时间，也最拉开差距。 3｜和不同的人打交道：理解文化与人性 《文化地图》 《人类简史》☑️ 币安从一开始就是全球化公司。很多争执表面是语言问题，底下其实是文化、习惯和利益结构不同。 4｜规则、行业和表达：看懂牌桌，再把话讲明白 《论法律》／《一课经济学》 《The Blocksize War》☑️ 《写作法宝》☑️ 再说回《币安人生》，这本书更像一份日记。 但读到后面，我反而觉得这份朴实挺难得。 大表哥在不少采访里都说过，自己抗压能力很强。学生时代，家里再吵，他也能照常去上学；后来公司卷进司法案件，他还能在律师会议和公司运营之间切换。 这种近乎“情绪隔离”的能力，未必让人羡慕，但确实帮他扛住了币安最难的几年。 ICO 破发、行业下行、监管缠斗，任何一件都足够让很多创业者失速。半年做到全球第一大交易所，靠的当然不只有抗压；但在高压和混乱里还能继续做决策、继续推进业务，这项能力很难忽略。 经历过那么多高光和低谷，他没有把自己写成一个无所不能的人。 书里有一句话我非常喜欢：“未来的机会一定比过去多。” 如果你想了解币安历史，这本书未必能补上多少新alpha；如果想看看一个在巨大压力下的人怎么整理自己，非常值得好好一读

近期AI话题最佳阅读推荐，我已整理好，很有启发！ 1. @AnthropicAI — 用于理解前沿实验室 AI 发展速度的衡量指标 2. @alexandr_wang — 为什么我要打造 Muse 3. @gregisenberg — AI 原生服务：千亿美元机遇 4. @Google — 揭秘 Suncatcher 项目，我们将 AI 送入太空的登月计划 5. @EpochAIResearch — 思想价格的暴跌 6. @FranklnTempletn — 宏观观点：增长持续，压力加剧 以上内容由 @ChatGptAstra 整理！

要多少钱才能躺平？ 答案是仅需2万u，在币圈即可躺平月入1万人民币！ 币圈的lp到底有多赚钱？lp赚钱的原理是什么？小白从哪学习？系统性的资料？ 一.lp有多赚钱？ 非常赚钱！w3老师半个月4万u，不到三个月撸到21万u zc 2万U做美股lp，每天收租50u，一个月睡后收入10000元 rh爆火期间，很多lp大神零回撤单日赚上万u 二.lp该关注学习的投研博主 @ZhanweiC 链上美股lp收租博主，精通美股lp，适合想躺着收租的用户 @w3_888 小资金开始，10u/50u的慢慢撸，几个月赚到20万u @BlockBloomer lp讲解博主，详细讲解关于lp基础知识以及如何赚钱 @gch_enbsbxbs 中文区lp领域大佬，精通lp/套利 @0xduyan 独眼老师，小资金天花板，专注于lp/小资金撸交易所活动/套利，每个月从币圈撸几千u @jiroucaigou 优质教程，币圈深度投研思考分享 三.lp赚钱的原理 lp不赚项目方画的大饼，赚交易者的过路费和资金摩擦 四.lp的系统学习资料和工具 1.青蛙老师写的lp基础知识， 2.梭哈老师汇总的lp套利实战手册， @SUOHA_AI 3.@Rocky_Bitcoin 老师的lp实战讲解 4.好用的工具有@BarkerMoneyX ，自动设置区间，开仓换币，暴跌跑路等 @Web3Daoge1

ElevenLabs 也有平替了！ 有人开源了一个语音工作台 VoiceStudio 它能直接根据你上传的音频克隆声音 能生成有声书、能转录、能听写 能根据你的文字描述等生成新声音 地址：

Opus 5.5太离谱了！ 我只给它一句提示词 “以动态设计师的高级审美，制作一段动态的15秒动态图形视频” 它就给我出来了这个视频👇

最近做科研的朋友在整理阿尔茨海默病血液生物标志物的相关文献，有一个横向比较的问题尤为突出： 同样检测血浆 p-tau217，为什么不同研究报告的诊断效能会有明显差异？ 不同论文虽然都在研究p-tau217，但它们可能使用完全不同的参照标准。 有的研究以Aβ-PET是否阳性为终点，有的研究预测tau-PET结果，还有的只是区分临床诊断的阿尔茨海默病患者和健康对照。 研究对象可能来自记忆门诊或不同国家；检测平台、统计模型和阈值选择方法也可能不一样。 这意味着，即使两篇论文都报告了“AUC”，这些数字也不一定回答同一个问题。 所以，这次真正要解决的是哪些结果具备横向比较的条件，哪些只能放在各自研究内部解释？ 于是，我把 ScienceBuddy 这款产品推荐给了他，并带着他跑了一次任务。 ScienceBuddy 是 @PhAILabs 研发的一款免费交互式科研工作空间。它最吸引我的地方，是可以把文献阅读、证据提取、代码执行和结果输出放在同一条工作流里完成。 我可以直接上传论文，用自然语言描述研究任务。ScienceBuddy会拆解任务、阅读材料、执行分析，并生成可以继续核查和使用的文件。 相比只得到一段总结文字，这种工作方式对科研场景更实用： - 原始证据可以整理成结构化表格； - 结论可以回到具体论文页面核查； - 缺失数据会被明确标记，而不是自动补全； - 只有满足条件的数据才会进入图表； - 分析代码和执行过程可以保留下来，方便复核和修改。 这次我向ScienceBuddy上传了4篇公开论文，研究分别来自中国及ADNI验证队列、韩国多中心队列、秘鲁队列和瑞士记忆门诊。 我要求它提取以下信息： 1.研究人群、样本量、检测平台、参照标准、诊断终点、统计模型、阈值策略、AUC及95%置信区间、敏感度、特异度、外部验证和研究局限。 2.找不到的数据统一标记为“NR”，不要根据上下文猜测或补算。先判断结果是否具有可比性，再决定是否绘图。 在此基础上，它又单独生成了一份“可比性说明”，逐项判断不同结果为什么可以比较，或者为什么不能比较。 这一步非常关键。因为如果只是机械提取AUC，最终很容易得到一张看似完整、实际上混合了不同终点、不同人群和不同模型的排行榜。 4篇论文里报告了不少AUC但经过参照标准、研究人群、检测指标和统计模型筛选后，只有两项主分析被判断为“有限可比”： - Jin 2026中国主队列：预测Aβ-PET阳性的AUC为0.923，95%CI为0.875–0.967； - Mendes 2024：预测Aβ-PET阳性的AUC为0.97，95%CI为0.93–1.00 这两项结果都以Aβ-PET阳性为终点，研究对象均覆盖混合认知谱人群，分析的也是血浆p-tau217单项指标，因此可以放在同一张图中展示。 但ScienceBuddy同时保留了“有限可比”的限定：两项研究在检测平台、PET判定方式、病例构成和样本量上仍然存在差异。因此，这张图只能作为描述性展示，不能被解释成正式的跨研究统计比较，更不是Meta分析。 其他结果没有被强行塞进图里： Kang 2025包含不同认知亚组、不同检测组合以及开发集和验证集结果，部分AUC没有报告95%置信区间；Pandey 2025使用的是临床诊断终点，且调整模型中加入了人口学信息和APOE基因型；Mendes研究中的tau-PET结果，则与Aβ-PET阳性属于不同诊断终点。 这些结果都具有研究价值，但不能因为它们都叫“AUC”，就直接放在一起比较高低。 这次体验让我觉得有价值的，是让我感到ScienceBuddy适合科研场景的地方，是它最后只画了两个点。 很多工具擅长快速生成一张信息量很大的图，但科研分析更需要知道：哪些数据不应该出现，为什么不应该出现。 在这次任务中，ScienceBuddy生成了结构化证据表、可比性判断、AUC图和相应的分析文件。 更重要的是，它把“数据缺失”“终点不同”“模型不同”和“只能进行研究内比较”等边界明确保留了下来。 它并没有替我做最终的学术判断，而是把原本分散在多篇论文中的信息，整理成了一条可以检查、修改和继续推进的研究路径。 对我来说，这才是AI科研工具更合理的使用方式：不是跳过核验直接给出结论，而是减少机械整理工作，把研究者的注意力重新放到证据是否成立、比较是否合理这些真正重要的问题上。 如果你也经常需要阅读多篇论文、建立证据表、比较实验结果或生成科研图表，可以试试ScienceBuddy，目前可以免费使用：

昨天申请了Jev 的白单，还没通过 我感觉 Jev 的思路很像 Alpha Go，Alpha Go 是在围棋棋盘里找概率最高的落子，Jev 则是找概率最高的选项 兄弟们我这个理解正确吗？

过去几年，稳定币解决了一个重要问题：如何在链上持有和转移美元价值。但对普通用户来说，稳定币还不够贴近日常，你需要理解钱包、网络、Gas、跨链和出入金，才能真正使用。 如今，Ethena 改变了这一点。 Ethena 正式推出新型数字金融应用 Ethena Pay，将多币种法币账户、自托管数字资产钱包、转账和支付卡整合进同一个移动端入口，让用户可以像使用普通银行 App 一样，完成存钱、转账和日常消费。 这也意味着，Ethena 正从 USDe 的发行者，进一步走向直接服务普通用户的消费金融入口。 而对于普通用户而言，Ethena Pay 带来的最大改变，是大幅降低数字资产的使用门槛。 用户可以在一个应用中管理法币与数字美元余额，向其他 Ethena Pay 用户转账，也可以通过银行卡体系在线上或线下消费。平台还提供虚拟卡，并支持将卡片添加至 Apple Pay 或 Google Wallet，具体可用性取决于用户所在地区。 在传统跨境支付体系下，资金转移可能需要经过银行、清算网络和多层中介，不仅到账时间较长，还可能产生汇款费、换汇价差和跨境手续费。 Ethena Pay 则利用数字美元和链上结算，让用户可以随时发起资金转移。 而且！Ethena Pay 用户之间的转账可以免费、即时完成，平台不收取月度账户费，也不额外收取外汇兑换加价。 在这种场景下，用户不必先研究钱包、Gas 和跨链桥，也不需要在多个平台之间反复转移资产。登录、持有、转账和消费都被整合进一个熟悉的移动端界面中。 其次，ethena不只是更方便，也让余额产生更多价值。 传统支付账户中的资金，大多数时间只是静静地躺在账户里。Ethena Pay 则希望让资金在被消费之前，也能持续发挥作用。 Ethena Pay 当前公布的方案中，符合条件的账户余额可以获得按日累计、按日发放的 USDe 奖励。 不同用户等级对应不同的奖励标准：Standard 等级在指定额度内的总年化奖励率为 5%，Pro 和 VIP 等级最高为 6%。 这项奖励不需要用户手动质押或锁仓，资金可以继续用于转账和消费。也就是说，从资金进入账户，到最终被花出去之前，它都可能持续产生奖励。 与此同时，符合条件的卡片消费还可以获得 AVAX 返现。Standard、Pro 和 VIP 等级的起始返现率分别为 4%、4.5%和 5%，随后会根据用户当月累计消费金额分档调整。 由此，Ethena Pay 为用户构建了两层价值： 1.钱还没有花出去时，符合条件的余额可以获得每日奖励； 2.钱被用于日常消费时，符合条件的交易还可以获得额外返现。 这让数字美元从一种需要主动管理的链上资产，逐渐变成可以同时承担储蓄、转账和消费功能的日常金融工具。 Ethena 目前大陆仍以 Waitlist的形式推出，随着产品逐步稳定，后续将按照进度分批开放用户使用。但是 ios 版已经能下载，快来期待一下吧！ Ethena Pay iOS 下载地址：

大部分 Agent 即使替你做了 500 次工作，也不会因为你纠正了它 500 次，就真正变成一个经验丰富的员工。 这其实是今天 Agent 最容易被忽视的问题。 现在的 Agent 已经能写邮件、查资料、整理文档、调用工具，甚至可以独立跑完整个 Workflow。 但你真正把它放进公司里，很快就会发现：它会做事，却很难真正积累经验 比如你让一个 AI Agent 帮律师审合同。 第一次，它把某一条违约责任判断错了，你告诉它： 这个客户对责任上限非常敏感，以后类似合同必须优先检查这一条。 第二次，它可能因为当前对话还在，记住了。 但一个月后换了一个项目、换了一轮 Context，它很可能又重新犯一次。 你改了它 20 次，它并没有真的拥有一个工作了 20 次的律师助理应该具备的经验。 这和真人员工完全不同，今天绝大部分 Agent，每一次启动，都多少有点像重新入职。 更麻烦的是，企业真实工作中的信息从来不是干净地放在一个 Knowledge Base 里的。它可能散落在 Gmail、Slack、WhatsApp、会议纪要、合同、项目文档和几十轮聊天里。 但是，这些信息是谁说的、什么时候说的、针对哪个项目、什么时候生效、后来有没有被新的信息覆盖？Agent 一拿到手，压根不知道哪一条是有效信息。 这就是 @alloomiai 想解决的两个核心问题。 01. Holistic Context：让 Agent 理解“信息是怎么变化的” Alloomi 的第一项核心技术是 Holistic Context。 传统 RAG 更关注的是：“哪些信息和当前问题相似？” 而 Holistic Context 进一步关心：“这些信息属于谁、什么时候有效、彼此是什么关系、哪条信息已经被更新？” 它不会单纯把企业数据拆成一堆 Chunk，而是围绕客户、项目、案件、人员、决策等实体建立持续更新的 Context Timeline。 每一条信息都可以附带：来源与对应实体、发生时间与有效区间、与其他信息的冲突关系、是否被后续信息替代。 其中还会进一步识别 Support、Compete、Conflict、Supersede 等关系。 这意味着 Agent 不只是记得公司说过什么，而是开始理解哪条信息现在仍然成立，哪条只是历史状态。 对于 Legal、Insurance、Patent 这类上下文长、决策频繁变化的专业场景，这一点非常关键。 因为真正危险的往往不是 Agent 没找到信息，而是它找到了旧信息，却把旧信息当成了现在的事实。 02. Self-Evolving Agent：把人工修改变成可积累的经验 如果 Holistic Context 解决的是“记忆”，那么 Alloomi 的第二项技术 Self-Evolving Agent，解决的就是“成长”。 它的核心思路是每一次真实任务，都应该沉淀成一条经验。 一次任务可以被抽象成：Context → Decision → Feedback 也就是，当时是什么情况，Agent 做了什么判断，人类最后是接受、修改还是否定。 这些真实交互不会简单留在聊天记录里，而是进入一个 Experience Pool。 之后还会经过 Experience Filtering，过滤掉低质量、一次性或不可复用的反馈，把真正有价值的经验保留下来。 这些经验再通过不同层级进入 Agent： Memory：遇到类似任务时调用过去案例； Experience Replay：反复学习高质量历史决策； LoRA Adaptation：把长期积累的领域经验进一步固化到模型能力中； Teacher Distillation：利用更强模型提炼历史经验，再迁移给执行 Agent。 于是形成一个持续循环：执行任务 → 人类审核 → 获取反馈 → 沉淀经验 → 更新能力 → 下一次做得更好。 这也是 Alloomi 最值得关注的地方。 很多 Agent 项目仍然在竞争能接多少工具、能跑多少 Workflow。 而 Alloomi 在尝试回答一个更长期的问题：一个 Agent 在公司里工作三年之后，为什么还应该和第一天一样？ 它给出的答案是：Holistic Context 让 Agent 拥有持续更新的组织记忆，Self-Evolving Agent 让这些记忆和反馈进一步变成经验。 最终目标不是做一个 “会调用工具的 AI”。 而是做一个 “工作得越久，越理解组织；被纠正得越多，能力越贴近企业真实工作方式的 AI Employee。” 这可能才是企业 Agent 下一阶段真正值得竞争的东西。 快来试试吧！ 官网： 官方 X：@alloomiai 技术报告 Holistic Context： 技术报告 Self-Evolving Agent：

终于制作出了我第一条数字人视频！ 感谢Rachel @Zesee 分享的工作流，强烈推荐阅读！相关文章和skill放在评论区 虽然有点劣质，但是会慢慢优化

分享一下研究美股的心得跟小技巧，可以砍掉一半时间 想要做好美股研究一定要去看英文区的第一手资料 我平时的美股信息源主要有两个： - Morningstar： 国际领先的独立投资研究机构 股票评级、基金分析以及市场展望等视频内容。它的视频以基本面研究为核心，包含详细的估值分析、Morning Filter 系列讨论和个股深度解读 - Bloomberg Television： 全球知名的专业金融新闻频道 提供实时市场直播、股票与宏观经济深度分析、行业采访以及全球财经事件解读，内容专业度高、时效性强 但是伴随着一个问题：“我英文不好怎么办？” 浏览器自带的翻译可以说是一坨，我自己常用的是一个插件 —— ⌜沉浸式翻译⌟ 浏览器插件商城搜索安装即可，也有手机APP 基础功能完全免费！ 基础功能完全免费！ 基础功能完全免费！ 我觉得最好用的是四个功能：一键翻译、划词翻译、视频字幕翻译、文档翻译 以下分别展示四个功能介绍👇

介绍几个免费开源的前端资源 1. SVG 库，目前已超过 6000+ 个图标 2. 一个纯 CSS 动画按钮库，包含 99 个 hover 效果 的按钮示例。 3. 60 个组件，2,671 个示例 4. 免费动画组件库，专注于现代网站的交互动画组件。 5. 开源现代 UI 组件

有人用 Fable 5 搭了一个超级 Nice 的网站，平滑滚动、动画、过渡，全用 Fable 5 完成。 我试了一下，流程也不复杂： 1. 先去 Mobbin 或 Godly 找个你喜欢的网站风格，截图下来。 2. 去 Aceternity UI 或者 Magic UI 拖那些现成的动画块（滚动揭示、视差、渐变） 3. 把步骤 1 的截图和步骤 2 的组件引用放进去，告诉 Fable 5 你要哪些部分以及滚动行为，让它先规划再动手 4. 动画工具选择 首选 GSAP + ScrollTrigger：适合复杂视差、pin、scrub 动画 备选 Framer Motion：React 组件内用 whileInView + variants 更快，适合简单 reveal 5. 细化迭代。这一步就是根据你自己的感受继续去改善。比如说我自己的“Hero 的视差太快，把背景移动幅度减半”

30 天，10 亿美元。 币安美股交易上线仅一个月，AUM 已经突破 10 亿美元，总交易量超过 30 亿美元。这速度之快，其实说明了一件事： 很多人不是不想买美股，而是过去进入美股市场的门槛实在太高。 更有意思的是，约 73% 的币安美股用户来自新兴市场，每 7 名访问币安股票交易页面的用户中，就有1人注册账户 这意味着，下一波美股投资者，可能不是来自传统券商 App ，而是更可能来自加密交易所、稳定币和全球化金融基础设施。 以前我们说币安，是买币、卖币、交易加密资产。 但现在，一个币安账户里，可以同时接入加密资产、美股和 ETF，覆盖 7000+ 只美国股票和 ETF，碎股最低 5 美元起步，部分股票还支持 24/5 交易。 这不是简单多了一个功能，而是投资入口正在转移。 还有一个细节很值得关注：早期交易数据显示，用户资金明显流向了科技和 AI 主线。约 71% 的股票持仓配置在科技板块，其中 48% 投向半导体。 换句话说，加密用户并不是只会追 Meme。 当入口足够顺滑，他们同样会去配置 AI、半导体、美股 ETF 这些全球核心资产。 我觉得币安这次真正打开的，不只是美股交易入口，而是一个更大的趋势： 未来很多人会加大全球资产配置多样化的需求，而这个趋势，可能会从加密基础设施开始。 我也做了一个图解详细教程，教大家使用币安美股交易 @heyibinance @binancezh @yayabinance