focus 代币解锁了，做过的捡钱几百U 2025社交赛道很火基本都做过，锁了一大堆币 谷歌邮箱登录➼ 钱包解锁➼卖成 $DESO ➼转到芝麻Gate交易（BTC链）

AggrNews(No accuracy guaranteed):CRYPTO-FOCUSED VC FIRM PARADIGM RAISES $1.2 BILLION FOR AI BETS: BBG Link AggrNews(不保证真实性):专注于加密货币领域的风险投资公司 Paradigam 筹集 12 亿美元用于人工智能投资：彭博链接 ———————————— 2026-07-08 22:00:38

这个动量ETF超额超过了我之前介绍的 #SPMO# $FMTM （MarketDesk Focused U.S. Momentum ETF）是2025年3月推出的主動量化動量ETF，費用率0.45%，目前AUM約2.4億美元左右，持股數約32-33檔（目標30-50檔）。 關鍵設計特點： * 傳統動量多用12個月回溯期，FMTM 用6個月回溯期，更能快速捕捉領導股的動量轉移與新趨勢。 * 重視「趨勢如何形成」（穩健持續上漲/劇烈波動/短線脈衝），這是其與眾不同的核心——目的是降低常見的動量反轉風險。 * 主動管理，數據驅動、系統化執行，避免情緒干擾。 * 集中於最強的30～50檔，追求較純粹的動量曝險。 * FMTM 的設計哲學是解決傳統動量策略「反應慢、容易在趨勢轉折時重傷」的痛點，特別適合波動加大、領導股輪動較快的市場環境。 持倉特徵： * 30～50檔美國大中型股，對企業基本面有要求。 * 等權重（Equal-Weighted）：避免市值加權導致少數 大市值股票主導，降低集中風險。 * 流動性篩選嚴格：每檔股票過去3個月日均成交額 ≥ 2,500萬美元。 * 前10大持股佔比約35%左右（相對集中）。 * 與 S&P 500 重疊度低（據發行人數據約2%）。 截止2026-06-29前十大持倉： 3.89% $ALAB 3.72% $GLW 3.60% $PANW 3.58% $LRCX 3.53% $MRVL 3.51% $AMAT 3.47% $DELL 3.44% $INTC 3.42% $WDC 3.34% $ESI 再平衡策略： * 每月再平衡：這是 FMTM 最關鍵的結構優勢。 * 流程：每月重新對全市場排名 → 選出訊號最強的30～50檔 → 等權配置 → 系統性剔除動能轉弱的持股、納入新興強勢股（這是我非常看重的「優勝劣汰機制」）。 * 優點：反應速度快，能較早獲利了結或停損；缺點是換手率較高。 這種「高頻再平衡 + 品質動量訊號 + 等權集中」組合，使 FMTM 在動能輪動或市場震盪時的適應力明顯優於傳統半年再平衡的產品。

Does this outfit really look "professional" enough for the class? Stop staring at me and stay focus to the lesson you naughty! 😳💢 Privaty Sharp Lesson is on Pa./tinyasa 
这身衣服在课堂上真的够“专业”吗？别再盯着我看了，快给我专心听课，你这个调皮鬼！😳💢 この格好、本当に授業用として「プロフェッショナル」に見えてるかしら？…ちょっと、こっちをジロジロ見ないで授業に集中しなさい、このお仕置きが必要な分からず屋！😳💢 #nikke# #NikkeGoddessofVictory#

马斯克今天宣布收购cursor，openai发布codex新版向开发者倾斜，加上之前的anthropic focus企业用户大科技，GLM变相涨价限制普通用户倾向开发者。。。 这些种种行为说明通过代码生成能力不断提升而实现模型领先甚至agi已经成为了更广泛的市场玩家的共识 这是目前最优训练路径的选择。 相比自然语言，代码具备三个关键优势： 一是强可验证性，能否运行、是否通过测试，都提供了极高质量的反馈信号； 二是天然结构化，语法、逻辑、模块化组合，本质上是对人类思维过程的压缩表达； 三是任务复杂度高，天然包含多步推理、状态管理和调试迭代。这使得模型可以在“写代码—运行—报错—修复”的闭环中持续自我强化，这一点极其接近真正的智能系统。 因此，行业并不是在押注“写代码”这个应用本身，而是在利用代码这个环境，训练模型的推理能力、问题分解能力以及迭代能力。代码只是载体，目标是让模型具备工程师级别的解决问题能力。这也是为什么在传统 scaling law 边际递减的背景下，代码成为新的增长引擎：它提供了更密集、更可靠、更可自动化的训练信号，同时也具备清晰的商业化路径。 但代码并不是终点。它的局限同样明显：完全规则化、缺乏物理约束、偏符号系统。这意味着，仅靠代码路径，很难解决现实世界中的不确定性、噪声和复杂环境问题。 于是杨立坤的第二条路径也收获了不少市场关注：把模型放入“有反馈的现实系统”中。核心不是机器人本身，而是构建一个类似代码环境的闭环——决策、执行、反馈、修正。 这条路径同样具备闭环能力，但在可规模化上受限于物理世界，无法像代码那样高速扩张。但它的价值在于，它更接近真实世界，也更接近AGI所需要的“行动能力”。如果说代码路径训练的是“如何思考”，那么现实闭环路径训练的是“如何行动”。 最终的形态，很可能是两条路径的融合：代码能力提供“思考”，现实闭环提供“行动”，共同构成真正的 agent 系统。这也是当前从“模型”向“系统”的转变核心。AGI的路径很可能会是：先在代码中学会思考，再在现实中学会行动。