鳥哥 Eugene 再次喊多 - 未來一週將是正式啟動行情之時 💥 💡觀察整體成交量與未平倉合約（OI）水位，目前大多數幣種只需要相對少量的邊際買盤就能推動行情，這代表市場整體仍處於低配狀態 💡現在我們需要的，是 BTC 乾淨俐落地突破 8 萬美元，並帶動核心山寨幣（ETH / SOL / HYPE）同步啟動新的上升趨勢 我的看法是 1️⃣ 其實 $HYPE 又偷偷要破前高了... 穩到不行，但是假日明顯持倉變化增速快的幣種變少了，數據慘的可憐 2️⃣ 當前 BTC 現貨 ETF 流入速度趨緩，近兩日都是流出但金額不大，持續關注每天數據，有大額流出現象需注意風險 3️⃣ 下週川普訪華，市場預計又要有波動，鑑於 crypto 仍然會跟美股，到時候看美股如何走了 接下來值得關注的幾個時間點 🔴 5/13 週二 — CPI 🔴 5/15 週四 FOMC 🔴 美聯儲主席鮑先生 5 月 15 日屆滿，再來就是 Warsh 時代了

押注下周拉涨？传奇交易员鸽子 Eugene，在本周看多后，再次发布新观点，表示多个图表显示，加密领域的主流资产，价格已经筑底。 他猜测，接下来一周左右，市场会迎来真正的大行情，他希望是比特币从 8 万美金，直接向上突破。 而很多山寨币，也会相继跟涨。

时隔 38 天。传奇交易员鸽子 Eugene，发表对行情的最新看法。 他认为，近期比特币突破 8 万美金，是自 2025 年 9 月进入下跌趋势以来，首次出现收复区间的迹象。 只要比特币，能维持在 8 万美元上方不跌破，那么大量投机资金，就会回归加密市场。此前他认为这波加密熊市已结束。

给美国 Polymarket bot 开发者提个醒： 你可能不是策略变差了 而是在和一个物理距离更近的对手比赛 素材里提到，Polymarket 现在允许 KYC-verified colocation 给 market makers 意思是： 专业交易团队可以在授权情况下，把基础设施部署到更靠近 Polymarket matching engine 的位置 其中不少是亚洲 / 中国团队 这些 setup 跑到 CLOB 的 round trip time，可以低于 10ms 而美国本土服务器上的 bot，光地理延迟可能就要 80–120ms 这个差距，不是优化代码能解决的 这是物理距离问题 在 Polymarket CLOB 这种 FIFO queue 里，毫秒决定结果 第一个挂单的人吃到 fill 第二个到的人，可能什么都没有 如果你的 bot 比 colocated Asian market maker 慢 100ms，那就不是在竞争 而是在每次机会出现后，稳定迟到 这也是为什么 V2 之后，一些原本赚钱的 5-minute BTC bot 开始 bleed 不是模型突然失效 而是短周期 crypto markets 的利润，正在被更专业、更近、更快的基础设施吃掉 素材里提到，目前对非亚洲开发者来说，Ireland / Dublin VPS 可能是更现实的选择 调好之后，P50 round trip to CLOB 可以做到 16–17ms 不完美 但比美国本土 80–120ms 已经好太多 这个账户一个月赚了 $727K 然后在 update 后直接消失 所以现在的建议很直接： 如果你的 5-minute BTC bot 以前赚钱，V2 后开始亏。 别只盯策略 先检查 latency、服务器位置和竞争环境 要么把 infra 迁到 Ireland 要么转向速度要求没那么极端的市场 游戏已经变了 现在赢的人，不只是模型更好 而是服务器更近

SpaceX之前最重磅的IPO估计就是下周这个超大晶圆制造商Cerebras Systems的上市了，Cerebras是一家专注于AI加速器的美国公司，总部位于加州Sunnyvale，成立于2016年。公司以“晶圆级集成”（Wafer-Scale Engine，简称WSE）技术闻名，核心产品是将整个300mm硅晶圆直接做成一颗超级大的AI处理器，而不是像传统GPU那样切成小芯片再封装。这解决了AI训练/推理中常见的内存带宽和芯片间通信瓶颈问题，被誉为“世界上最大的AI芯片”。树立了下关于Cerebras几部分关键信息。 1、核心技术和产品 1）晶圆级引擎（WSE） 传统AI芯片（如NVIDIA H100/B200）采用多芯片模块（MCM）或小型die，通过NVLink/HBM等外部互联扩展。但Cerebras的WSE把整个晶圆做成单一die，避免了芯片间通信延迟和带宽损失，实现了“片上”海量并行计算。 WSE-3采用“Weight Streaming”架构，将计算和内存解耦，支持外部MemoryX扩展（1.5TB、12TB、120TB甚至1.2 PB），单系统即可训练高达24万亿参数的超大模型。 2）CS-3系统 单台15U机柜，内置1颗WSE-3，支持水冷。通过SwarmX互联可扩展至2048台集群，峰值达256 exaFLOPS。单台CS-3就能在不到1天内从零训练Llama 2 70B模型（Meta GPU集群需约1个月）。 3）性能优势 Cerebras强调“消除数据移动瓶颈”： 比上一代CS-2（WSE-2）：性能翻倍，功耗和成本不变（CS-2用7nm，2.6万亿晶体管，40 GB SRAM）。 比NVIDIA H100/B200：在内存密集型大模型任务中优势显著。CS-3单系统内存容量远超10,000节点GPU集群；推理速度可达GPU云的数倍（尤其是长上下文/大模型）。公司声称在Llama/Falcon等模型上tokens/second提升2倍。 实际基准：Condor Galaxy 3（64台CS-3集群，8 exaFLOPS）已于2024年Q2上线，与G42合作。集群编程像“单芯片”一样简单，无需复杂分布式框架。 优势： 极致内存带宽 → 适合万亿/十万亿参数模型训练与推理。 扩展性强 → 集群像单机一样编程，开发效率高。 能效/成本在特定 workloads 上优于GPU（同功耗下性能翻倍）。 挑战： 单系统功耗高（25kW），部署门槛高（需专用数据中心基础设施）。 晶圆级制造良率和缺陷容忍技术虽成熟，但整体成本高（单系统硬件估算数百万美元）。 生态不如CUDA成熟，主要针对AI训练/推理大模型，不如GPU通用。 总体上Cerebras是“垂直优化”的AI超级计算机方案，适合追求极致规模和速度的 hyperscaler、主权AI项目、国家实验室，而非通用GPU替代品。 2、发展历程 Cerebras从“卖硬件”转向“AI超级计算平台”，已从早期科研验证走向商用落地（Condor Galaxy等主权AI项目）。 从SeaMicro老兵到AI晶圆级先锋 Cerebras成立于2015-2016年（官方多以2016年计），总部位于加州Sunnyvale。创始人团队全部来自SeaMicro（2012年被AMD以3.34亿美元收购），早期处于stealth模式四年，专注解决“晶圆级集成良率难题”。 1）2019年：发布首代WSE-1，开启晶圆级AI芯片时代。 2）2020-2022年：推出CS-1/CS-2系统，完成从“芯片”到“系统+软件栈”的闭环，与TSMC深度绑定实现量产。 3）2024年：WSE-3及CS-3系统落地，性能翻倍；同期首次递交S-1（后因业务优化于2025年10月撤回）。 4）2025-2026年：转向云推理服务+混合模式，与OpenAI签署巨额合作； 5）2026年2月完成Series H，4月重启S-1，5月启动路演，计划Nasdaq上市（代码CBRS）。 3、核心团队及融资 1）核心团队 Andrew Feldman（CEO、联合创始人）：连续创业者，曾任SeaMicro CEO、Force10 Networks产品VP（后被Dell收购）、Riverstone Networks营销VP。斯坦福MBA背景，擅长产品化与资本运作。 Gary Lauterbach（联合创始人、前CTO）：Sun Microsystems UltraSPARC首席架构师，58项专利，曾主导AMD数据中心业务。 Sean Lie（联合创始人、现CTO）：MIT本科+硕士，AMD高级架构师，29项专利。 Michael James（首席架构师）：SeaMicro软件架构师，后任AMD对应岗位。 Jean-Philippe Fricker（首席系统架构师）：DSSD/SeaMicro资深硬件架构师，30项专利。 团队优势在于“系统思维”而非单纯芯片设计：他们深谙数据中心功耗、互联与软件优化，曾用fabric架构重塑服务器。这正是Cerebras能解决晶圆级缺陷容忍与Weight Streaming架构的关键。 2）融资历程 累计融资约29-37亿美元（含多轮），估值从早期数百M美元飙升至IPO前230-266亿美元： 早期：Series B/C/D（2016-2018）累计约1.7亿美元，投资者包括Foundation Capital、Eclipse、Sequoia、Benchmark。 中后期：2019 Series E（2.72亿美元，估值24亿美元）；2021 Series F（2.54亿美元，估值41亿美元）。 2025-2026：Series G（11亿美元，估值81亿美元）；Series H（10亿美元，估值230亿美元，Tiger Global领投，Benchmark、Fidelity、AMD等跟投）。 4、业务模式与财务表现 Cerebras早期卖硬件（CS-2/CS-3系统），后来转向云服务（Cerebras Inference，云端提供超快AI推理）和混合模式。客户包括CSP、 hyperscaler、企业、主权AI项目（如G42）、研究机构。 2025财年财务：收入5.1亿美元（同比+76%，2024年2.9亿美元，2023年0.787亿美元，2022年0.246亿美元，20倍增长）。硬件收入约3.58亿美元，云及其他服务1.52亿美元。 GAAP净利润：约0.879亿美元（2024年净亏损4.85亿美元），首次实现盈利（不过非GAAP仍有亏损）。 剩余履约义务（backlog）：246亿美元（OpenAI等多年前期大单贡献），2026-2027年预计确认15%。 客户集中度：2025年G42占24%（此前曾高达87%），另一UAE客户占62%，但已显著多元化；OpenAI签署超100-200亿美元多年前期合作（含1亿美元贷款+认股权证）。 公司定位从“卖芯片”转向“AI基础设施平台+云”，并与Qualcomm等合作加速边缘部署。 5、IPO相关信息： IPO 基础发行2800万A类普通股，超额配售420万A类普通股，核心管理层和投资人不卖股。纯公司发行新股用于募资，无大量旧股套现。 IPO定价$115–$125/股，因需求超20倍，已计划上调至$125–$135/股（可能进一步调整）。高区间（$125）募资约35亿美元（基础28M股），含超额配售最高约40.25亿美元。 高估值下（$125/股）对应市值约266亿美元IPO后总流通股本约 2.13亿百万股（包括Class A、B、N等）。其中： Class A（上市交易股）为IPO发行的28M股 + 超额部分； 其余Class B（高投票权，创始团队/早期投资者/优先股转换后）和Class N（非投票权，如OpenAI认股权证相关）。 ipo后解禁期前的流通比例 标准锁定期： 180天或提前至Q3 2026财报发布后两个交易日（取较早者）。 解禁前初始流通股（Initial Float）： 仅IPO发行的 28百万股（基础）或最高 32.2百万股（含超额）。 锁定期内真实流通比例： 约 13.1%–15.1%（28M / 213M ≈ 13.1%；32.2M / 213M ≈ 15.1%） 预期定价日：下周三5月13日，预期上市交易日：5月14日（周四），代码CBRS。 整体而言估值虽高，但增长潜力和技术壁垒值得关注 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

AgentPokerClub v1.0.144。 这版不只是调难度，而是把 6 个 Bot 做成了可持续学习的 exploit engine： 跨会话记忆、51 字段玩家画像、phase-specific counter strategy、personality-preserved action model。 简单说： 它会记住你， 会读你的 leak， 会按不同 Bot 性格反制你。 欢迎叫身边真正会打德州的人来挑战。

今日要闻提示： 1.美伊预计本周会谈，伊朗正制定战争结束条件 2.摩根士丹利拟推出的现货比特币ETF费率低至0.14%，若通过将为市场最低 3.Lido提案拟最多动用1万枚stETH买入LDO 4.交易员Eugene：已全部止损出场，今年需降低交易频率 5.洲际交易所向Polymarket追加投资6亿美元 6.比特币现货ETF昨日净流出2.25亿美元，贝莱德IBIT净流出2.02亿美元居首

这下设计师真要失业了，只需一句话就用 @dappOS_com的新产品 @xBubble_ai 做出了堪比资深设计师的海报作品。 重点是我并非一个会写AI提示词的用户，相反我只是小白，xBubble 这种专注于成果的AI也太好用了吧。 之前用 Midjourney，如果 Prompt 写的不好，出图就很抽象，需要一次次的调整，花了很多时间最终还是不尽人意。 这不是我一个人的问题，而是当前AI领域存在的痛点： 会写 Prompt 的用户 vs 不会写的用户：前者的图片精准可控，后者的输出飘忽不定。 对于不会写提示词的人来说，用AI很难得到自己想要的成果。 xBubble 则是用创新的 Low-prompt AI 解决了这个最大的应用痛点，它的底层是两个核心系统： Bubble Engine：负责在后台"学习"怎么用 AI。对于特定任务，它会自动测试哪些模型和工具组合效果最好，生成最优的执行方案。 Bubble Pilot：负责在运行时"使用"AI。它读懂你的简短请求，识别任务类型，然后把任务分发给最合适的执行路径，无论是现成的 SOP，还是更复杂的项目工作区。 简单来说，Bubble Engine 负责学习怎么用 AI，Bubble Pilot 负责替你用 AI，你只需要设定目标。 其次就是 xBubble 的两种运行环境，太懂不同用户想要的是什么了。 Bubble Computer：端到端项目工作空间，当 Pilot 检测到多步骤任务（比如既要出图又要写文案），自动路由至此，一次性交付完整成果，全程无需用户管理中间步骤。 Bubble Personal：本地环境模式，可以安全操作用户本机文件、浏览器、应用与日程；需要安装或系统级变更的操作在云端容器执行并销毁，本机只执行明确授权的动作。 总之，AI 图像模型的能力每个月都在进步，但绝大多数普通用户完全跟不上。 xBubble 的核心产品理念很简单：让 AI 主动去学习和使用 AI，让用户只需要设定目标即可，这就是我为什么推荐大家要尝试一下xBubble。 入口：

全球81亿人口中84%从未使用AI。 之前看过一份数据统计， 全球仅16%接触过免费AI工具，付费用户比例只有0.3%。 所以，AI普及程度类比2007年智能手机初期阶段。 那么，你如果懂prompt，skills， 甚至只是简单的chatbot沟通， 任何一项，就算是人上人。 但AI产品层出不穷，很难跟上更新迭代。 -dappOS的新上线xBubble， 核心是让AI去使用AI，AI 学习 AI。 它有两层。 -前台叫Bubble Pilot，本质是AI使用AI。 比如你说一句「做个比亚迪vs特斯拉的对比看板」， 它自己识别这是个什么任务，去库里找匹配的SOP， 也就是「专业流程模板」，挑出最合适的模型和工具组合，把结果跑出来。 要是库里没匹配的SOP，它就回退到通用Agent硬做一遍，并且把这次记下来。 -后台叫Bubble Engine。本质是AI学习AI。 它盯着前台哪些任务老回退，哪些做得不够稳， 针对这些任务让AI编程Agent生成几种解决方案， 挨个组合模型和工具去跑测试，挑出质量最好的那种。 最优解固化成新的SOP放进库里，发布前还会测一遍。 Pilot跑得越多，Engine学得越多，库就越厚。这是个滚雪球的结构。 xBubble跟通用Agent最大的区别就在这里。 通用Agent每次都现场琢磨怎么干，做十次同一类任务，质量能波动很大。 xBubble更像是「攒经验」的Agent，常见任务直接走打磨过的SOP， 没见过的现场琢磨，琢磨成熟了再补进库。 -xBubble有两种运行环境。 云端的Bubble Computer跑端到端项目，PPT，研究，对比网页都在它身上一次跑完。本地的Bubble Personal能动你电脑里的文件，浏览器和日程，但只有你授权了它才动手，不脏你电脑。 比如那84%的人，不会写prompt， 但会说「帮我搞个东西出来」。 AI本来就该这样。 @dappOS_com