BREAKING: US-listed ETFs have attracted +$1.2 trillion in inflows year-to-date, the largest amount at this point of the year on record. This figure is already double the inflows recorded over the same period in 2025. This has also surpassed every full-year total in history except 2025, which saw +$1.5 trillion in inflows. At the current pace, US-listed ETFs are on track to exceed +$2.1 trillion in annual inflows for the first time, ~50% above last year's all-time high. Meanwhile, the semiconductor ETFs, $SMH and $SOXX, posted a combined +$13 billion in inflows in July, the largest monthly total on record. ETF demand is surging at an unprecedented rate.

我觉得这轮熊市BTC和ETH的底会有很多人抄不到，都在盯着上几轮的跌幅在刻舟，21-22年跌了76%，18-19年跌了84%，14-15年跌了87%，都觉得这轮好歹跌个70%，去4万吧。 但这轮有三个变量跟前几轮不太一样： 1. 这轮RSI，MRVL各种指标来看，BTC都没有出现过疯牛似的超买（这轮没有宏观放水，大部分热钱也都去AI了），上潮的时涨的少，退潮时也就跌的少 2. 这轮BTC的涨幅基本都是被机构和ETF推上去的，机构和ETF的参与会大幅减少波动性，总体杠杆率比上轮的币圈小的不是一点半点（前段时间CZ的采访里也提到过这个点） 3. 这轮如果MSTR安稳落地了（看STRC的价格应该危机差不多过了），就是第一个没有暴雷式黑天鹅的熊市了，没有黑天鹅就很难跌出上几轮的幅度 不要总想着抄到铁底逃在最高点。尤其是抄底这件事上，未来3个月一点点DCA着买，你的心态会好很多，慢慢抄，跌了反而会开心，不像是逃顶的时候，一点点卖，看着越飞越高真的会心态爆炸。

企业采用AI成本工程化时代，6月底Brian的这条推文 AI 成本管理的主战场，正在从“限制员工少用 AI”转向“用工程化基础设施让 AI 用得更多但更便宜”。详细聊聊： 1、Brian推文内容要点 Brian这条 X 推文中说，要实现的就是“AI支出持平，而 Token 使用量呈指数级增长”，也就是 AI token 用量指数级增长，但 AI 支出保持稳定甚至下降；方法不是增加使用摩擦、设置更多预算提醒或压低 usage cap，而是靠更好的默认模型、自动路由和缓存。 具体做法有五点： 1）Better defaults，不靠 usage cap。 工程师仍然可以选择任何模型，但 Coinbase 把默认模型切到更便宜的 open-weight 模型，例如 GLM 5.2 和 Kimi 2.7，并通过内部 LLM gateway 下发默认策略。 2）Better routing。 Coinbase 会在自定义 harness 里预处理 prompt，并根据任务、模型价格和缓存命中概率把请求路由到合适模型。复杂规划可以用 frontier model，执行类、重复类、低风险任务不一定需要最贵模型；Armstrong 的观点是，最终不应该由人手动选模型，而应由 AI 或路由系统自动选择。 3）Better caching。 这是最直接的成本杠杆。在 LibreChat 中把缓存命中率从 5% 提升到 60%，意味着大量重复上下文或重复请求不再触发完整的新模型调用。 4）Keep context lean。 他强调不要一味 compact，而是换任务就开新 session、缩小文件上下文、断开不用的工具。目标不是“少用 token”，而是“少浪费 token”。 5）Better visibility。 Coinbase 不禁止工程师多用 token，而是让每个人的 AI 使用成本透明化，并建立“你花得越多，就要产出越大影响”的责任机制。 最终效果是Coinbase的企业AI支出接近减半， token 用量继续增长。这个意义非常重大。 2. 对企业采用 AI 的影响 这条推文的真正信号是：企业 AI 采用正在进入“成本工程化”阶段。 过去一年很多企业的 AI 采用逻辑是“先让大家用起来”，甚至把 token 消耗当成 AI adoption 的 proxy。但现在账单开始变大，CFO、CTO、平台团队会开始问：同样一个代码生成、代码审查、客服总结、研究检索任务，为什么一定要走最贵模型？ Reuters 也报道，企业正在重新评估 AI 使用成本，越来越多 CEO 认为更便宜、更小的模型可以覆盖大量企业需求。对企业来说，未来AI adoption 的关键不再只是“买 Claude、买 ChatGPT、买 Copilot”，而是搭一个“AI运营维护层”。 模型网关：统一接入 OpenAI、Anthropic、Google、开源/open-weight、私有部署模型。 路由系统：按任务难度、延迟要求、合规等级、缓存概率、历史成功率自动分发。 缓存系统：把 system prompt、代码仓库上下文、常用文档、重复问答做缓存复用。 评测系统：用 evals 判断哪个模型在某类任务上“足够好”。 成本可视化：把 token spend 映射到团队、项目、PR、ticket、客户工单。 治理系统：敏感数据、客户数据、代码 IP、监管要求决定哪些请求不能流向外部 API。 这意味着 AI的采用门槛会下降。以前企业担心“员工越用 AI，账单越失控”；现在Brian给出的范式是：不要压制使用量，而是把单位智能成本压下来。 一旦企业相信“更多 AI 使用不必等于更高成本”，AI 会更快从试点进入日常工作流。 但这也会拉开企业差距： 能搭 LLM gateway、router、cache、eval、observability 的公司，会比只买单一供应商账号的公司更快获得 ROI。换句话说，AI adoption 的壁垒正在从“有没有模型”转向“有没有 AI 平台工程能力”。 3、对 token 经济性的影响 这里的token经济性不能只看模型报价表上的 $ / 1M tokens。企业真正关心的是： 每个成功任务的成本 = 输入 token 成本 + 输出 token 成本 + 缓存成本 + 重试成本 + 工具调用成本 + 人工校验成本。 Brian给的方法是在每个变量上降本： 默认模型更便宜，降低 P_input 和 P_output。 缓存命中率从 5% 到 60%，降低重复输入成本。 精简上下文，减少无效 input token。 路由到“够用模型”，避免每个任务都用最高端模型。 可视化成本，把 token spend 和业务产出绑定，减少无效 token-maxxing。 这会推动企业从 token-maxxing 转向 ROI-maxxing。以前大家炫耀“我们用了多少 token”，以后更重要的是“每 1 美元 token spend 产生了多少 merged PR、关闭了多少客服工单、节省了多少人工小时、减少了多少故障恢复时间”。 不同模型能力、延迟、上下文、可靠性、安全承诺不同。但企业采购会越来越用“任务级性价比”来比较，而不是默认选择最强模型。 4. 对 AI 投入产出比的影响 这条推文对 AI ROI 的影响非常大，因为它把 AI 成本曲线从线性变成可优化曲线。 传统直觉是： AI 使用量 ↑ → token 用量 ↑ → AI 账单 ↑ Brian展示的路径是： AI 使用量 ↑ 但通过路由、缓存、上下文治理、低价模型 → 有效 token 成本 ↓ → 总账单可以下降或保持稳定 这对 ROI 的提升来自两边： 1）成本端下降，同样的任务，可能从最贵 frontier model 切到便宜 open-weight model；重复上下文走缓存；低价值输出减少；无效长上下文减少。 2）收益端上升，不靠 cap 限制员工使用，减少“我怕超预算所以不用 AI”的心理阻力。AI 使用频率提高，实际生产力收益更容易释放。 但是 ROI 不会自动提高。低价 token 也可能造成新的浪费，尤其是 agentic coding、long-context research、多 agent 工作流，token 消耗可以非常快。Reuters 提到，虽然 token 价格在下降，但因为企业转向 usage-based pricing、任务步骤变多、输入更长，完成一个任务的成本反而可能上升，导致账单更不可预测。 所以企业要看的不是“token 越便宜越好”，而是三个指标：1）成功完成任务、2)节省工时、3）产出成果。 比如软件工程场景可以看： 如果一个团队花了 10 万美元 token，但多交付了 200 万美元价值的软件产出，这就是好 ROI。 反过来，花 1 万美元 token 但只是生成大量低质量代码、增加 review burden，那就是差 ROI。 5、对模型公司意味着什么？ Brian这条推文对 AI 模型公司的含义偏“中长期压力”。 对闭源 frontier labs 来说，风险是：企业不再把“最强模型”当默认，而是把它当高端工具。大量 routine workload 被路由到 cheaper open-weight / open-source / self-host 模型后，token volume 可能还在增长，但最贵 API 的 share 会下降。模型层如果无法证明显著更高的 task success rate，就会被 router 当作“过度配置”。 对开源模型和推理基础设施公司来说，这是利好。 生态、推理云、模型路由器、LLM gateway、observability、eval 平台都会受益。因为企业真正要买的不只是模型，而是“用最便宜的足够好模型完成任务”的系统能力。 对云厂商来说也可能是利好。即便 API token 单价下降，企业 token 用量可能大幅上升，推理算力、GPU/ASIC、缓存、向量数据库、日志、监控、私有部署需求都会增加。这 有点像云计算早期：单位计算价格下降，但总计算量爆炸。 6、会不会带动一波token未来会有价格战？ 个人角度会有价格战，但不是所有 token 打价格战，而是“分层价格战”。 最容易打价格战的是三类 token： 1）通用推理/执行类 token。 例如代码补全、简单脚本、摘要、分类、信息抽取、格式转换、普通客服问答。这些任务对“最强模型”的依赖低，只要小模型或 open-weight 模型达到足够质量，价格会快速下压。 2）cached input token。 各家已经在把 cached input 做成低价入口。GLM-5.2 cached input 是 0.26 美元/1M，Kimi K2.7 Code cache hit input 是 0.19 美元/1M，OpenAI chat-latest cached input 是 0.50 美元/1M。 缓存越普及，企业越会把可重复上下文工程化，供应商也会被迫继续压低缓存价格。 3）中端模型 token。 Reuters 报道称，企业正在拥抱便宜模型和 routing 工具，把复杂任务留给 premium models；OpenRouter 上 open-source token 占比从 1 月的 34% 上升到 6 月的 65%，这说明流量正在向低价模型迁移。 但 frontier token 不一定马上进入惨烈价格战。最强模型仍然有几个护城河： 复杂推理、系统设计、hard coding、科研、金融分析、法律/医疗等高风险任务仍愿意付 premium。 输出 token 尤其是 reasoning-heavy output 的真实算力成本更高。 企业还会为安全、审计、数据隔离、赔偿条款、SLA、延迟、上下文长度付费。 OpenAI、Anthropic、Google 等可以通过企业合约、订阅包、batch discount、reserved capacity、agent platform 来维持综合 ARPU，而不只是降 list price。 所以更可能出现的是： 低端/中端 token：明显降价，趋向算力成本 + 薄利润 ；cached token：继续大幅便宜化 ； frontier reasoning token：维持溢价，但会被迫推出更便宜的次旗舰/mini/fast 版本 ； 企业合约：公开价格之外出现大量私下折扣。 个人看法，Brian这条推文不是简单说“Coinbase 找到了便宜模型”，而是在宣告企业 AI 的下一阶段： 从：买最强模型 + 鼓励大家多用 到：多模型架构 + 自动路由 + 缓存 + 成本可视化 + ROI 约束 它会加速企业采用 AI，因为它证明 AI 使用增长和成本控制并不矛盾。它会改变 token 经济性，因为企业会从 $ / 1M tokens 转向 $ / successful task。它也大概率会触发 token 价格战，但主要发生在中低端、可缓存、可路由、可替代的 inference token 上； frontier reasoning token 仍会保留溢价，只是默认使用份额会被压缩。 未来不是不用贵模型，而是不再默认用贵模型。模型层会被路由器商品化，真正的企业壁垒会转向数据、流程、eval、缓存、治理和 AI 平台工程。 此内容由@BITstocks_CN赞助，买美股上BIT—16000+ 只美股与 ETF，真实持仓，享股息分红。

银行做稳定币和腾讯发个Q币一样，除非有很大的内部效率抬升，不然没意义，其他机构不可能接受某个银行发稳定币的，发型行必须是企业中性的，结合今天OpenUSD的新闻，看看是人多好办事，还是集中精力好办事。 最终看产品落地，有没有人用和生态。我强调过很多次了，那点美债利率根本重点，最终企业选择某条稳定币轨道不会为了那点钱，而是轨道好用，安全，便捷。 @jerallaire 请在产品落地上加把劲🫡

一份迟来的数据，解释了 Strategy 的防守动作 很多小伙伴都知道 $MSTR 在年内跌了 46%，这个跌幅已经足够大，但 $MSTX、$MSTU、$MSTP 这些 2 倍做多 MSTR 的 ETF 年内跌了 81% 到 82%。这个数据说明其实更好的说明了 Bitcoin 才是 MSTR 的上层依靠。 MSTR 本身就是带有杠杆的做多 Bitcoin ，而这种本身就是杠杆的产品再叠加带有杠杆的 MSTR ETF 上，相当于把风险放大了多倍。 能理解很多投资者购买 MSTX、MSTU、MSTP 都是为了在美股层面有做多 bitcoin:native 的商品，这一点可能很多小伙伴并不清楚，虽然现在 Bitcoin 现货 ETF 已经登录了纳斯达克等交易所，但部分机构和投资者因为受限，并不能直接去买 Bitcoin 的现货或者是现货 ETF 。 而这时候，在美股中最接近 Bitcoin 的就是 MSTR 了，而加上杠杆的 MSTR 的 ETF 就相当于多倍做多 Bitcoin ，这还不是最大的问题。 最大的问题在于这类产品通常每天重置杠杆。当 Bitcoin 单边上涨的时候还是没问题的，而一旦进入连续下跌，或者是高波动震荡的时候，净值就会被快速消耗。 所以我们能看到 Bitcoin 的价格一蹶不振的时候，MSTR 和包括 $STRC 在内的优先股也会开始下跌，那么本身就是杠杆做多 MSTR 的 ETF 更是跌的惨不忍睹，然后才会让 MSTR 进入被质疑的螺旋中。 BTC 跌的越厉害，MSTR 跌的就更多，而杠杆的 MSTR ETF 就更是成倍下跌，从而导致了投资者对 MSTR 这类高弹性产品的容忍度会下降。 而这份大幅下跌也解释了为什么 Strategy 开始进入防守状态。 就是因为有很多通过 MSTR 间接做多 Bitcoin 的资金，已经经历了一轮非常大的亏损。亏损后市场对 MSTR 的要求会变高。以前可能只看 BTC 的涨跌趋势，现在还要看融资成本、稀释速度、优先股价格和现金覆盖。 当然最重要的还是 Bitcoin 的价格变化，一定要很清楚，BTC 的价格才是影响 MSTR 的主要原因，而 MSTR 的价格变化也会影响包括优先股和杠杆 ETF 在内的价格变化，而不是反过来的。 而且现在 MSTR 还能融资，上周普通股 ATM 还能拿到 11.524 亿美元，说明投资者对于这个做多 Bitcoin 的美股还是仍然有兴趣。只是融资代价比以前高更了。MSTR 股价越低，普通股 ATM 要筹同样的钱，就需要卖出更多股票，普通股东承受的稀释也会更明显。 所以这次开始 Strategy 选择先补现金、少买或者暂时不买 BTC，是非常现实的选择。 #Bitget# 来了就是VIP！Crypto、美股、CFD，全球先机一站布局