美国政府停摆第41天！美国总统特朗普：看来我们离结束政府停摆已经非常接近了。今天参议院休会了2次，9点开始投票，估计也就走个流程，要不不会休会2次吧。这几天应该有一波好行情，持续多长时间不好说，不过看好2026年有好行情的观点不变。

#增补# 美国国会图书馆现藏《永乐大典》共 41 册。最新公布其中 31 册在线。包含王字、楚字、抚字、府字、蜼字、顶字、鼎字、岭字、友字、酒字、叟字、宋字、祭字、第字、兑字、运字、录字、服字等。介绍下载：

2026 年是丙午年，为何被称为「赤马红羊劫」？ 丙午年是干支纪年法 (六十年一个轮回) 中的第 43 个组合，因天干「丙」和地支「午」都是火，被解读为「火上加火」，民间有「赤马红羊劫」之说。 日本民间将这种对灾难的恐惧具体化到了个人命运，特别是婚姻上。上一个丙午年，也就是 1966 年 (昭和 41 年)，日本出生率暴跌，比上一年减少了约 25%。 原因是许多父母因为担心生下女儿后嫁不出去 (或克夫)，选择了避孕或堕胎。还有很多在那年出生的孩子，父母故意将出生登记改为 1965 或 1967 年。 中国民间，一些人对「赤马红羊劫」迷信，主要是 1126-1127 年的靖康之耻，以及 60 年前的那场十年浩劫。 不过这些主要是幸存者偏差，玄学加持，没有什么科学依据。

《Fogo开局就是大招，直接上了币安》 Fogo 的这次 Binance Prime Sale 超额认购了 41 倍，热度和关注度很高并且这是币安史上第三次 prime sale，今年首次。 过去半年，整个市场都在围着「Speed Meta」转，EVM 赛道有 Monad、MegaETH 轮番轰炸，订单簿永续赛道被 Hyperliquid 卷到 80 亿美金 FDV 而SVM的性能链呢? 现在它来了 #Fogo# @fogo 由华尔街量化大佬亲自打造一条高速性能公链Fogo正式上线，它专为机构级金融和高频交易设计的 SVM 兼容 Layer-1 区块链，将传统金融（TradFi）的性能标准（如纳斯达克级速度）与去中心化基础设施相结合，实现实时、可扩展的链上体验。 可以理解为Solana为支付而生，Fogo为交易而生。 都说链上的交易和CEX差别巨大，而Fogo把 TradFi 的极致体验原封不动地搬到了链上。 
40ms 出块，1.3 秒最终确认，570+ 真实 TPS，零滑点订单簿，零弹窗签名，体感几乎是即时的，这是人类反应速度的极限。 大多数公链还在卷TPS，而Fogo只跟你谈时间，是毫秒级别的，意味着你点击鼠标确认，刚松按键，交易已经在链上确认了。 Hyperliquid把订单薄搬到了链上，那么Fogo就是把纳斯达克的交易低延迟带到了链上。速度性能方面通过主网数据，已经完全优于Monad。 主网已处理超过 30 亿笔交易（截至 1月 14 日， 在高负载下维持 1,500+ TPS,以上数据是经过压力测试的实测数据，在 Chainspect 的实时性能排行榜上排名第1。 Fogo 的创始团队几乎是一张“做市商全明星阵容”： • Douglas Colkitt：前 Citadel 量化研究员，Ambient Finance（前 CrocSwap）创始人 • Robert Sagurton：前 Jump Crypto 核心成员，曾在摩根大通、摩根士丹利、R3 负责交易基础设施 • Michael Cahill：前 Jump Crypto 高管、Pyth Network 前 CEO，真正把预言机带进机构的人 • 核心工程由 Douro Labs 主导，该团队也是 Pyth 背后的团队 一条由做交易的大佬打造的链更能深知目前链上交易的痛点，正如此Fogo为SVM带来缺少的东西。 生态上Fogo完全做足了准备工作，很多 L1 上线时只有一条裸链，Fogo 上线自带： • Ambient：下一代无 MEV AMM • Valiant：现货 + CLOB 混合流动性层 • Pyron / FogoLend：原生借贷市场 • Pyth Lazer + Wormhole + Metaplex + Squads + Goldsky 全套基础设施 这次Fogo开局就是大招，直接上了币安，首先就是Fogo 的这次 Binance Prime Sale 超额认购了 41 倍，热度和关注度很高并且这是币安史上第三次 prime sale，今年首次。 Fogo这次登录币安也是让人羡慕的，0BNB 上币费，这也体现了币安对这个项目的信任。0上币费公告（ 大家关心的项目时间节点：1 月 13 日空投查询开放；1 月 15 日：主网正式上线，币安现货在主网TGE首日上线。 后续还会上线更多交易所，不用怀疑项目实力，而且还会有下一次赛季的激励，5000 万 $FOGO（总量 0.5%）用于未来营销。可以期待上线的表现和第二赛季的开启🔛

Andrej Karpathy：“Claude 的错误里，90% 来自上下文缺失，而不是模型能力弱。” 没有 `CLAUDE.md` 时，错误率是 41%。 有 4 条基础规则时，错误率降到 11%。 使用下面这套 12 条规则时，错误率降到 3%。 这是资深工程师最终沉淀出的 12 条规则： 1. 写代码前先思考 先说明假设，不要猜。模型不会读心，别指望它能自动知道你的意思。 2. 简单优先 最少代码，不做投机式抽象。一旦你让 Claude 为“未来灵活性”加东西，可能就多出 200 行下季度要删的代码。 3. 外科手术式修改 只改必须改的地方。别让它顺手优化旁边的代码，PR 就是这么膨胀的。 4. 目标驱动执行 先定义成功标准，然后循环直到验证通过。没有成功标准，Claude 要么无限循环，要么过早停止。 5. 只把模型用于判断型任务 比如分类、草稿、总结、抽取。不要让模型处理路由、重试、状态码处理、确定性转换。代码能回答的，就让代码回答。 6. Token 预算不是建议 单任务 4000，单会话 30000。长时间调试到第 40 条消息时，Claude 会重新建议你第 5 条消息已经否掉的修复方案。 7. 暴露冲突，不要折中平均 代码库里有两种模式？选一种。Claude 把两种混在一起，错误就会被吞两次。 8. 先读再写 先读 exports、调用方、共享工具。Claude 很可能在一个已有相同函数旁边，再加一个重复函数，只因为它没读到。 9. 测试要验证意图，而不只是行为 如果业务逻辑变了测试却不会失败，这个测试就是错的。Claude 写的 12 个测试都可能通过，即使函数实际只返回一个常量。 10. 每个重要步骤都要 checkpoint Claude 可能在第 4 步已经坏掉的状态上继续完成第 5、6 步，而没人发现，浪费一小时。 11. 匹配代码库约定 项目用 class components，就不要默默改成 hooks。测试模式可能依赖 `componentDidMount`，hooks 会破坏它，却不一定暴露问题。 12. 失败要大声暴露 “成功完成”，但 14% 的记录被静默跳过，这是最糟糕的一类 bug。要暴露不确定性，不要藏起来。 真正会复利增长的，不是下一个框架，而是： - 把 `CLAUDE.md` 当作跨会话的组织记忆 - 基于 eval 改进，而不是凭感觉改 - 重视 checkpoint，而不是一味追求速度 - 明确暴露冲突，而不是静默混合 - 纪律永远比框架重要 - 一个仓库，一个规则文件，没有例外 在这件事变成 AI Twitter 的大众共识之前，提前领先几条规则。 研究它👇

我们的华尔街观察金融垂类大模型纳指100量化指增基金，元旦以来的最高收益率是32%。目前的收益率是30%。中国市场某只在2.4万只量化基金中排名750的基金今年收益率是12%。 未来我们将新设A股自由现金流100量化指增基金，相信我们的A股基金也能越跑越能跑赢。 同比可以看看国内的量化基金收益率： 今天是 ### 量化实盘公开操作第2209天，亏损31000多元，亏损比例1.21%，今年收益11.13%。 自2020年4月27日公开操作以来总收益159.65%，同期沪深300上涨29.44%，中证500上涨64.41%，创业板上涨97.19%，科创50上涨50.77%。 现在全市场一共有2.4万多只基金，与之相比，百万实盘同期收益目前排名为第745名。

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"。

第2届艺考才女征集🎬 罕见多栖型艺考生惊艳亮相！ 舞姿+钢琴+书法+劈叉，还有啥炸场才艺？ 快来投稿你的多栖才女视频，一起看她如何惊艳全场！🔥

第17届“00后新娘婚礼趣事” 00后新婚了！新婚之夜和婚闹现场有哪些好玩的事？ 听说还有伴郎闹得特别狠的？欢迎分享～ (请带图片或者视频认真参赛)