Solana 财库公司 SkyAI（Nasdaq: SKYA）持股 9.99% 的股东 Bastion Trading 表示，将在 9 月 18 日年度股东大会上对全部 5 名现任董事投出「WITHHOLD ALL」，即拒绝支持全部董事候选人。Bastion 称，其主要担忧包括公司修改章程削弱股东权利、董事会未经股东表决实施「毒丸计划」，以及涉及关联方交易。 SkyAI 此前通过超过 4 亿美元 PIPE 融资建立 Solana 财库，目前持有约 200 万枚 SOL；公司当前市值约 5900 万美元，过去一年股价累计下跌约 86%。其他 PIPE 投资者包括 ParaFi、Pantera、FalconX、Arrington Capital、Avenir、CoinFund、Arche Capital、Electric Capital 和 Saba Capital。

打卡拱门国家公园（Arches National Park）。 这里是美国西部最有辨识度的地方之一，红色砂岩、荒漠、峡谷、石柱、天然拱门，基本就是很多人想象中的“美国西部大片”。 拱门国家公园最早在1929年成为国家纪念地，1971年正式升级为国家公园。这里最特别的地方，是园内有两千多个天然砂岩拱门，是世界上天然拱门最密集的地区之一。这些拱门不是人工凿出来的，而是盐层、砂岩、风、水、冰冻融化和漫长时间一起作用的结果。看起来像雕塑，其实是地球自己慢慢做出来的。 里面有些石头很有意思，看起来像一块大石头随时要掉下来，但其实已经在那里站了很久。如图4的平衡石。 有些石头看起来像埃及法老，也像诸葛亮，如图2。 Landscape Arch 更夸张，细得像一条石头桥，1991年还曾有一大块岩石崩落，所以现在只能远远看，不让人走到下面。 最有名的当然还是 Delicate Arch（图4），它几乎就是犹他州的名片，车牌、旅游宣传里经常能看到。可惜去 Delicate Arch 近距离拍照要徒步大概5公里，想想今天的体力，实在走不了，只好在另一个角度远远地拍了一张。虽然不够近，但也算见到了。 从岩石区徒步回来，正好看到月亮挂在红色岩石之间，一想今天阴历十五，感觉挺幸运的。结果晚上十一点从酒店出门准备去拱门拍星星。结果一抬头，一个大月亮亮得跟探照灯一样，星星几乎看不到。想了想，算了，放弃。 昨天看红岩拱门，看满月，但星空没拍成。 留点遗憾，下次再来！

点了两次麦当劳的Big Arch 就是之前CEO本人亲自带货结果翻车被群嘲的那款 第一次吃感觉确实不错有些惊艳 但是第二次发现产品缩水了很多 面包上面没有了罂粟籽 肉饼的大小和口感也大幅缩水 品控十分不稳定 感觉要翻车

The Base Model Is Dead，这是我刚看完的一期分享，来自美国开源模型创业公司 Arcee AI 的预训练负责人 Varun Singh。标题有点唬人，但这哥们的观点非常扎实。 他认为，过去 Base Model 的任务，是尽可能吸收人类已有的知识。 GPT-3 那个时代，预训练的逻辑很简单，就是抓取大量互联网文本、Wikipedia、书籍，把尽可能多的人类知识压缩进模型参数里。 在 GPT-3 的训练数据里，来自网页和 Wikipedia 的数据大概占到了 85%。 那个时候大家的默认逻辑就是，模型到底有多强，很大程度上取决于预训练做得好不好。 后训练更多是在这个基础上做最后的行为调整，比如让模型更会聊天、更会遵循指令。RL 在当时的作用也比较有限。 但是 O1 之后，整个行业都发现了 RL 的重要性。 大家开始发现，只要 RL 做得足够好，模型在预训练结束之后，能力还可以继续明显提升。于是就不断加后训练的投入。 我记得之前罗福莉在一个访谈里提过，他们在预训练和后训练上的算力投入已经大致接近。 这也就是说，模型在预训练结束之后并没有定型。后训练已经不只是把模型调得更好用，它开始真正影响模型的最终能力。 Base Model 的角色也因此发生了变化。它越来越像是在给后面的 RL 准备一些原子能力，也就是 Atomic Skills。 举个例子，如果希望通过 RL 训练出一个非常强的 Coding Agent，那 Base Model 在预训练结束的时候，不一定已经能够独立完成十个小时的软件工程任务。 但它最好已经掌握了 Python、代码结构、API、函数调用、Git、文件系统这些基础能力。 这些就是 Atomic Skills。 进入更复杂的任务和环境之后，再通过 RL 学习怎么把这些基础能力组合起来，这样就可以涌现出复杂 Agent 任务的能力。 所以，如果 Base Model 的目标变了，预训练的数据自然也会变。 前面说过，GPT-3 时代网页文本占了训练数据的 85%。而现在一些新模型里，这个比例已经降到了 15% 左右，代码反而成了占比最大的数据来源。 背后的逻辑其实很好理解。 现在模型公司已经非常清楚模型需要的关键能力，诸如 Coding、长程任务等等，那在预训练阶段，就可以有意识地提前给它准备这些能力需要的数据。 所以训练数据开始越来越有目的性。一些过去主要在后训练阶段才会出现的问答、对话，以及更接近 Agent 任务的数据，也开始提前进入预训练。 这种训练逻辑下，合成数据的重要性也开始上升。因为当大家越来越清楚模型未来需要什么能力，然后就可以围绕这些能力，主动去准备更合适的训练数据。 比如我们已经知道，未来模型需要很强的 Coding、Reasoning 和 Agent 能力，那就可以围绕这些目标，主动生成更接近真实任务的数据。 原来只是一段代码，现在可以把它变成找 Bug、修改代码、调用工具、连续完成任务的训练样本。 这样模型在预训练阶段接触到的，就不只是知识本身，也开始包含未来真正要用到的能力。 模型未来需要什么能力，预训练阶段就可以围绕这些能力去设计和生成数据。 这些变化，也催生了现在经常听到的 Mid-training。 原因也很好理解。 预训练阶段模型看到的，过去主要是网页文本、书籍、代码。但到了后训练阶段，它突然要面对 Reasoning Trace、Agent 交互记录、多轮工具调用、长上下文任务。 前后两个阶段的数据分布差别可能非常大。 如果直接从一个阶段跳到另外一个阶段，模型就需要突然适应一套完全不同的数据。 对 MoE 模型来说，这个问题会更加明显，因为预训练过程中不同 Expert 已经逐渐形成了自己的分工，数据分布突然变化，可能会影响原有的负载平衡。 所以 Mid-training 可以理解成一个过渡阶段。 在正式进入后训练之前，提前让模型适应更长的 Context、更接近 Reasoning 和 Agent 的数据，以及未来真正会遇到的任务分布。 这样 Pre-training 和 Post-training 之间就不会切得那么生硬。 所以整体来看，Pre-training、Mid-training、Post-training、RL 这几个阶段之间的界限，确实已经越来越模糊了。 或者换一种理解方式，现在看待模型训练，可以粗略简化成两个大的范式：Supervised Learning 和 Reinforcement Learning。 前者帮助模型建立知识、表征和各种基础能力，后者再让模型进入环境，通过不断探索、试错和反馈，把这些能力组合起来。 回到开头那个标题。The Base Model Is Dead 当然是个有点夸张的说法。 Base Model 没有死，真正变化的是它在整个模型训练体系里的角色。 过去我们希望 Base Model 尽可能把人类知识学进去，然后在这个基础上做一些后训练。现在它越来越像一个为 Reasoning 和 Agent 准备的底子。 先把 Atomic Skills 准备好，再把更多复杂能力留给后面的 RL。 Base Model 依然重要，只是它越来越像一个起点。

2下 RPE7 抓錯重量 - 在健力（Powerlifting）運動中，臥推時做出「拱橋（Arch）」的姿勢，確實在視覺上看起來很極端，讓一般大眾直覺認為「這肯定會傷腰」。 但事實上，若操作正確，拱橋不僅不傷腰，反而是為了保護肩膀與提升表現的重要技巧。 - Google、AI是好用的工具，請善用！ - 圖文不符

🔍 继 Robinhood 之后的下一个早期机会：⬇️⬇️⬇️ 新 L1/L2（按融资规模排序）： @inversion_cap（$26.5M） @fhenix（$22M） @arch_prime（$20M） @SimpleChain_RWA（$15M） @Ultra_io（$12M） @akavenetwork（$10.1M） @ArkLabsHQ（$7.7M） @DogeOS（$6.9M） @TACEO_IO（$5.5M） @Amino_Chain（$5M） @ligero_inc（$4M） @maroo_io（Hashed 支持） @payy_link（$6M） 潜在空投（按融资/背景）： @GTE_XYZ（$25M，Paradigm 支持） @OseroHQ（$13.5M） @vangrid_io（$9M，DePIN） @flop_labs（AI Agents，@CryptoHayes 领导） @entropyIO（DeFi/Perps） @trenches（Solana 支持） @MOB_Exchange_（YZi Labs 支持） @nodiens（市场情报）