【用别人的钱赚钱才是硬道理】 之前跟大家说的账户平台 Breakout最近升级了他们的交易系统，现在有了APP也适配了中文，可以更方便的交易 我这个10WU的账户，实际成本只有999U，最近他们又更新了更多的账户规则，10WU的账户最低450U就能拿下！ 规则也很简单 1、测试账户目标达到盈利9%，就能拿到10WU真实账户去做交易 2、测试期间单日回撤不能超过3%，最大回撤不能超过5%。 3、拿到真实账户之后，所有盈利的钱用户拿80%，交易所拿20% 4、没有提现次数和金额限制，盈利可以随时提现利润。 我这个账户已经提现好几波了，等这个BTC多单结束，账户赚到10WU以上，又可以提现了😀 breakout链接： 折扣码：QJ32BN

两周前，我们指出 US10Y 正在周线级别构建针对 2007 年高点的 Failed Breakout（FBO，失败突破）。此后，顶部形态如期形成，并于本周正式触发 Ariston Top 顶部预测信号（图中红色箭头）。 收益率曲线前端的政策定价也在变化。周初，市场一度定价到 2027 年累计约四次加息；随后，多位美联储官员发声，降息预期重新浮现。截至发文，10 月加息已被市场排除，当前定价仅指向 12 月约一次加息。 联储大概率已就继续加息达成折中方案，但加息节奏将放慢至每隔一次会议加息一次，而且他们非常重视围绕这一折中方案保持一致，这意味着直到年底，偏离这一计划的门槛都会很高。如果明年仍维持这一节奏，那么在 12 月之后再隔两次会议，也就是到 3 月，他们会考虑再次加息...但届时环比通胀数据的改善，加上能源冲击开始时点即将进入同比基期、使同比通胀率面临大幅回落，可能让他们认为没有必要进一步加息。因此，12月落地的二次加息也可能成为本轮最后一次加息。 ... 日线走势在上周显露衰弱迹象后，已触发空头信号，并进入 Ariston Channel 下行通道。

$CBRS 今天单日大涨约9%，而从图上看，这次反弹并不是毫无预兆。 我们的交易指标在股价仍处于低位震荡时，已经率先出现 Buy 买入信号；随后价格企稳，短线趋势开始转强，并进一步出现 Breakout 突破信号。 从当时大约160美元附近的低位，到现在重新回到183美元附近，这一段反弹已经相当明显。 尤其值得注意的是，前面股价处于下跌趋势时，指标连续给出 Sell 卖出信号，有效避开了从200美元上方一路回落的主要跌幅；而当趋势真正开始扭转之后，Buy信号才重新出现。 这正是我一直使用这套指标的原因： 它不是去猜明天涨还是跌，而是帮助我们在趋势发生变化时，更快识别： 什么时候风险正在增加， 什么时候卖压开始减弱， 什么时候出现真正的买入信号， 以及什么时候突破开始得到确认。 $CBRS 今天因为Sam Altman重新确认与OpenAI的合作关系大涨，但消息只是催化剂，真正重要的是价格结构在消息之前已经开始改善。 对于经常做波段、趋势交易，或者不想整天盯盘的投资者来说，这种 Buy / Sell + Breakout 信号最大的价值，就是把复杂的K线变化直接转换成更清晰的交易提示。 像这次 $CBRS： 前期 Sell → 避开下跌 低位 Buy → 捕捉反转 随后 Breakout → 确认趋势转强 今天9%的上涨，只是把这段趋势进一步放大。 👇 立即体验同款智能 AI 买卖信号交易系统指标，获取更多核心名单、深度研究报告及交易机会。

看多（突破 80K）的条件 能站稳 78K–79K 上方（而不是一根假突破） 上攻时有现货成交/ETF流入配合 突破 80K 后回踩不跌破（确认变支撑） 👉 满足这些，才有机会走成真正 breakout

【免费领30000U！】 最近一直在用 @breakoutprop 做波段 因为最近波动小，难打到回撤，盈利直接就开始提现，拿到了两个真实账户全部都回本开始盈利了 现在跟 Breakout一起办了一个活动 活动规则： 奖励：3*10000U账户 时间：3.11-3.25 规则：通过我的邀请码：QJ32BN 购买 Breakout账户的，随机从中抽取三位赠送10000U的账户！ 拿到账户之后直接开始交易，盈利10%之后就能活得真实的10000U 这10000U盈利可以马上提现，提现到手80-90%！ Breakout的好处就是你可以极低的费用获得大额的账户，账户盈利只需要付出10-20%的分成费用给交易所就可以。 刚好可以趁着这个活动尝试一下新的交易体验，还有可能拿到两个账户！

这个留着爱因斯坦发型的人，是少有的能在外汇和加密货币市场都拿到大结果的交易员，从最初只有3000美金的账户开始做，现在已经能每个月都稳定盈利几万美金以上 全网有超过六十多万人关注，他就是Breakout 的联合创始人Mayne，就是被 Kraken 交易所收购的那个～ 最近他就公开了自己专门用在币圈的交易系统，结构加OTE波段模型，OTE是最佳交易入场的意思，这是他把复杂的ICT理论，简化成了一套任何人都能学能用、能重复的交易流程。不管你是新手，还是已经交易多年的交易员，这套模型都能帮你捕捉到非常好的交易机会！ Mayne认为，通常市场会先扫掉外部的流动性，清除一批止损，然后再回到内部流动性给出交易机会，小时间周期的作用就是在结构回调中找到入场信号，这是详细策略模型的讲解：

🎉 恭喜我们3月在 $NVDA 约170美元附近完成布局、并一直持有到现在的会员！ 今天英伟达再次刷新历史新高，盘中最高来到约 240美元。 从我们当时约170美元附近的建仓位置计算，到今天最高240美元附近： 阶段涨幅约41%！ 这一段上涨幅度，已经相当可观。 更重要的是，这不是股价涨上去之后才回头说“我们早就看好”。 当时的建仓时间、交易逻辑、量化信号以及后续持仓过程，全部都有完整记录，会员可以在平台随时回看、核对。 而这段行情也不是一路直线上涨。 中间其实经历过多次震荡，系统也并不是一路只给“持有”。 从图上可以看到，当价格出现阶段性高位、短线结构开始转弱时，系统及时给出了 Sell 卖出信号，帮助做中短线的会员在相对高位锁定部分利润。 随后，当调整结束、结构重新转强，系统又再次出现 Breakout 突破信号。 之后股价重新启动，从约234–236美元一带继续向上，最终再次站上240美元附近并刷新历史新高。 所以这段行情，其实同时验证了两套逻辑： 长期投资者： 从170美元附近一路持有到今天，阶段涨幅约41%。 中短线交易者： 根据Sell与Breakout信号，把握中间的高位减仓、回调后的重新突破，做波段操作。 这正是我们交易系统真正想解决的问题。 不是告诉你一只股票“永远涨”。 而是在不同阶段，帮助你识别： 什么时候趋势开始启动。 什么时候突破得到确认。 什么时候短线风险增加。 什么时候应该保护利润。 什么时候重新出现新的上升机会。 很多投资者真正的问题，并不是不会找到好公司。 而是： 看对了，却拿不住。 涨一点就卖。 跌一点就慌。 突破时不敢买。 回调后又不知道该不该重新进场。 最后明明方向判断正确，却没有真正吃到整段趋势。 所以我们一直强调： 好的交易，不只是选对股票，更重要的是选对位置、看懂结构、按照系统执行。 这次 $NVDA 从约170美元到240美元，约41%的阶段涨幅，就是一个非常完整的案例。 而且所有操作记录、时间点、信号和逻辑，都已经保留在会员平台。 不是事后截图。 不是涨完之后复盘。 而是在行情发生之前、发生过程中，系统已经不断给出提示。 🎉 再次恭喜所有从3月约170美元附近一路持有到现在的会员，也恭喜利用系统把握中间波段机会的朋友。 而对于 $NVDA 本身，我们的长期观点没有改变： 我们仍然长期看好英伟达。 AI算力、推理、AI Agent、Physical AI、数据中心扩张，以及全球AI基础设施建设，仍然是未来几年最重要的长期主线之一。 短期当然会有波动，也会出现Sell，也会再次出现Breakout。 但只要核心基本面和长期趋势没有发生改变，$NVDA 依然会是我们长期重点跟踪的核心AI资产之一。 👇 想在下一笔交易前看看系统如何识别关键转折点？立即体验同款买卖信号交易系统指标，获取更多核心名单、深度研究报告及交易机会。

翁家翌新 blog：超越梯度的学习 昨天看到翁家翌（前 OpenAI 研究员）新写了一篇 blog《Learning Beyond Gradients》，挺有意思的，分享一些我读下来的感受。 原文较长且偏技术，下面这版做了不少删减和重组，建议感兴趣的同学直接读原文 · · · 翁家翌：超越梯度的学习 持续学习（Continual Learning）之所以一直很难，很大程度上是因为神经网络的顽疾：灾难性遗忘。那如果我们不只盯着权重更新这一条路呢？ 随着 LLM agent 越来越强，写代码这件事变得又快又好。但翁家翌注意到一个更有趣的现象：agent 可以反复读取失败信息、修改策略代码、添加测试、回放录像，让整套程序在不动任何网络权重的情况下持续变强。 · · · 这个视角让他重新审视了一个老朋友：heuristic，也就是手写规则和程序化策略。之前很多 heuristic 不是没用，而是维护太贵了，而coding agent 改变的正是这条维护曲线。那些曾经用完就扔的一次性补丁，开始变得值得长期拥有。 凡是能被持续迭代的东西，都开始变得更可解，这也恰恰是持续学习一直追求的目标。 它有没有可能成为继 pretraining → RLHF → 大规模 RL/RLVR 之后的下一个范式？ · · · 翁家翌用 Codex（gpt-5.4）做了实验，纯写规则版本，完全不碰神经网络。结果超出预期： — Atari Breakout 的打砖块分数从 387 一路升到 864，达到理论最高分； — MuJoCo 四足和跑步机器人任务中，纯 Python 策略也跑进了常见 Deep RL 结果的量级，HalfCheetah 五轮均值 11836.7； — 跑完 Atari 全部 57 个游戏后，在相同的环境交互步数下，中位数得分已经远高于 PPO 这类标准算法。 这里被更新的对象早就不是单纯的策略函数了，而是一整套带着记忆、反馈入口和回归机制的软件系统。翁家翌把它叫作 Heuristic Learning（HL，启发式学习）。 （我自己也做过 evolve，但不训练神经网络，纯靠规则约束，感觉系统怎么都智能不起来。其实不管 RL 还是 HL，能不能跑起来都是看一件事，优化结果的评分能不能清晰定义。） · · · Heuristic Learning（HL） 是什么？HL 怎么持续学习？ HL 的核心是用 coding agent 维护一个 Heuristic System（HS）。 和 Deep RL 的差异： — 反馈来源：不是 loss 函数，而是测试结果、环境奖励、日志、视频、失败模式分析； — 更新方式：不走反向传播，agent 直接改 policy、状态检测器、测试、配置或记忆结构； — 维护对象：不止一个 trace（黄金轨迹）、环境 wrapper 等。 以前怎么没人搞？专家系统 70 年代就有，但人维护起来是噩梦：加一条规则修好 case A，case B 崩了；规则堆到几百条后，除了原作者没人看得懂。 而 coding agent 不怕堆规则。它能同时读所有代码、跑全量测试、对比日志，把维护成本打下来。用翁的比喻说，就像纺纱机改变纺线成本曲线一样：手工纺贵得要死，机器一上来就塌掉了。 · · · Heuristic Learning 怎么做 Continual Learning 神经网络把经验压进权重，忘没忘、怎么忘的都是黑箱。HL 的历史则是显式的：版本 diff、回归测试、replay、视频、golden trace 全透明。新增能力前先固化旧能力：跑回归测试、跑固定种子回放。如果新规则破坏旧 case，agent 能直接定位到哪行代码引入的 regression。 但规则叠太多、agent 自己都维护不动的时候，就需要"历史压缩"，把一堆 case-specific 的补丁合并成更通用的逻辑，否则系统迟早变成没人敢碰的代码泥球。 · · · 当然，HL 不是万能药。因为 Heuristic Learning 并不能做所有神经网络能做的事情。它的上限卡在代码的表达能力：比如复杂感知和长程泛化。翁家翌也坦率地说，他想不出有哪个 agent 能纯靠 Python、不用网络去搞定 ImageNet。 所以真正的问题变成了：怎么把神经网络和 HL 结合起来，同时搞定在线学习和持续学习？ 最有希望的方向是：用 HL 快速处理在线数据，把在线经验变成可训练、可回归、可筛选的数据，再周期性地更新神经网络。以机器人为例，借用 System 1 / System 2 的说法，一种可能的分工是： — 专用浅层 NN 作为 System 1 的一部分：快、便宜，负责感知、分类、物体状态估计； — HL 也可以当做 System 1 的一部分：负责最新数据处理、规则、测试、回放、memory、安全边界、局部恢复； — LLM agent 作为 System 2：负责给 HL 提供反馈、改进数据，并周期性把 HL 生成的数据拿过来更新自己。 · · · Agentic coding 改变的不仅是写代码的速度，更改变了"哪些代码值得被长期拥有"。过去很多 heuristic 看上去没前途，不是它们太弱，而是维护不起。 coding agent 改变的就是这条维护成本曲线。 规则、测试、日志、记忆和补丁，原来只是散落的工程材料，现在开始能组成一个持续进化的 Heuristic System，去解决在线学习和持续学习一直没搞定的事。 欢迎来到下一个范式。 · so，skills + instruction following = AGI？