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"。

【Aptos】600,000 $APT Aptos 大額轉帳（約 $370.2K） 路徑：未知錢包 · 0x48d1db…2a5144 → 未知錢包 · 0xbabf76…1373e9 幣種錢包互轉－籌碼歸屬與後續流向待追蹤 $APT / #Aptos# / #大額轉帳#

aptos 最后的希望： @DecibelTrade 官方下场扶持给钱给资源，今年下半年tge且场外价都在60M😋😋 我也不知道那些人在predict傻呼呼的挂单吃分在40赔率20M市值的NO，终于让我吃够了1.3w筹码了😼 准备收菜，真如我所说：预测大部分盈利都取决于消息差，你不思考那么就好好教学费. 盘前参考：

Aptos 靠 Move VM 卖了两年「形式化验证=安全」的叙事。 Hexens 发现一个 cache bug，几美元成本就能伪造任意资源对象，模拟成功率 90%。 链上 $700 亿资产，差点被几百美元搬空。 2 月悄悄修了，零损失，皆大欢喜——但重点不是「修好了」，是 Move 从来不安全，只是没人盯。 PoW 撑 15 年靠的是攻击成本是能量。Move VM 撑半年差点被零花钱做掉。 你的「安全设计」不是没漏洞，是没被盯上。

Aptos 表示，其区块生成时间已降至 25 毫秒以下，并称性能正接近中心化交易所水平，同时提及 Archon 将进一步提升网络性能。Chainspect 数据显示，Aptos 主网已于近日累计处理超过 40 亿笔交易。

Aptos 表示，韩元稳定币 KRW1 即将部署于 Aptos 网络。KRW1 由 BDACS Korea 发行，这是其首次在非 EVM 区块链上部署稳定币。Aptos 称，KRW1 将支持支付、跨境汇款及 RWA 代币化等应用场景。

Aptos 宣布更新调整 $APT 代币经济学 一句话的意思是从通胀补贴模式→网络使用驱动模式转变，终极目标是销毁量 > 排放量 ，让代币 APT 进入通缩阶段，实现真正的稀缺性。 核心改动： 1、质押年化奖励下调：质押奖励从约 5.19% → 2.6% 2、设立长期供给硬顶：总量上限 21 亿枚 3、基金会永久锁仓并质押2.1 亿 APT， 4、所有 Gas 费用以 APT 支付并永久销毁，提振需求侧通缩。 5、Gas 费上调（约 10 倍），单依然是全网最低费用。 6、激励/Grants 与 KPI 绑定。 7、提到会开启程序化回购 过去一年，APT 币价跌幅巨大。这次代币经济学更新，更像是把 APT 从高通胀 + 解锁压制的估值框架里释放出来，供给端先止血，需求端用手续费燃烧把网络使用转化为可量化的买盘与通缩逻辑，同时把激励与 KPI 绑定，试图用类似decibel+shelby等核心应用的规模化来推动网络增长。 但要让币价持续走强，变量远不止机制本身，链上应用是否能真正规模化、手续费与燃烧能否构建可持续的真实需求曲线、生态是否有持续的财富效应与资金回流……这些才是长期趋势的决定因素。 Aptos 历史遗留问题不少。好在团队没有躺平，不破不立，这次改动是一种重新定价叙事的开始。 同时我也想说的是，Aptos 团队长期缺乏下沉视角，讲的东西与宣传的都是高举高打的策略，落到实处其实效果并不明显，代币整改要真正起作用，就必须让市场看到三个东西：决心、透明、兑现。这一次的整改我觉得可以更犀利，更直接、、、、 市场最终只认也只看一个结果，币价能否持续走强。没有人会为一个叙事很美、价格很惨的代币买单。Aptos 接下来要做的，不是再讲更大的故事，而是用可验证的链上数据、可持续的收入与应用增长，把这套新框架真正兑现出来。 Aptos团队核心自 Meta体系，技术底子很强很强，是世界级团队，是愿意纠错的团队，牛逼的团队肯定不会止步，当然短板也很明显，比如产品化、搞生态、搞财富效应整活这方面太web2，希望本次结构性修复算是一个好的开始。 真心想对团队说，多专心生态财富效应，多专心币价，提升币价。 @Aptos @AptosLabs @AveryChing

吴说获悉，Aptos 宣布定于 10 月 7 日进行首次测试网（Testnet）重置。届时测试网将重回初始创世状态（Genesis），所有已部署的智能合约、测试账户、代币余额及历史交易记录都将被清空，开发者需重新进行合约部署。本次重置仅影响测试网，主网（Mainnet）及开发网（Devnet）不受任何影响。Aptos 表示，目前测试网已累计处理超过 100 亿笔交易，导致存储占用持续膨胀，定期重置有助于将存储负载控制在合理边界，重置策略的具体细节已在由 Aptos Labs 提出的 AIP-147 提案中完整披露。