这个走路赚钱的项目OpenMind可以零撸的 机器人BOT+AI赛道的重量级项目 @openmind_agi 现在还有几个活动可以零撸的 1⃣下载APP走撸赚积分这个直接看我原文 2⃣领取BP徽章登录获取 链接： 要参与 Fabric 生态系统，您首先需要在全球机器经济中创建您的个人 Fabric 身份。创建完成后，您就可以开始获得徽章，这些徽章代表您的角色和贡献 每个徽章都代表着不同的贡献层面：包括环境测绘、数据评估、系统开发、专业知识提供、远程支持和推进研究等等这些角色共同构成了一个分布式且可验证的网络 每个徽章都会被永久记录在链上，并与您的个人 FABRIC 身份绑定，可能获得未来的代币空投奖励 3⃣参与社区贡献活动 社区： 目前有一个OG活动但是无法生成邀请链接 或者等着项目方公布其他活动吧 4⃣参与嘴撸内容创建 官推是这个 @openmind_agi

$CBRS 假设 Cerebras 跟 CPO 结合起来，能否成为一台为极致推理而生的性能巨兽？ Cerebras WSE-3 的片上 SRAM 带宽是 21 PB/s，这个数字只对已经在片上的数据有效。一旦模型大到装不进单台 CS-3 的 44GB SRAM，就需要多台 CS-3 协同，activation 在机器之间流动。这段片间互联走的是 SwarmX 以太网 fabric，12 条 100GbE 链路，总带宽约 150 GB/s，跟片上 21 PB/s 差了超过十万倍。这是 Cerebras 部署 frontier model 时性能出现断崖的根本原因，也是 OpenAI 选择蒸馏小模型而不用 weight streaming 跑完整 GPT-5.3 的底层逻辑。 如果把 CPO引入 CS 系统，把光引擎直接封装到 WSE 的 package 上，片间互联带宽有望从现在的 150 GB/s 跳到几十 TB/s，提升两个数量级。电信号不用走长距离 PCB trace 再到外挂光模块，直接在芯片旁边完成电光转换，延迟更低，功耗更低，信号完整性更好。 跑一个万亿参数模型可能需要 20 到 30 台 CS 系统，权重全部常驻在各台机器的片上 SRAM 里不动，activation 通过 CPO 在机器之间高速流动。每台 CS 内部是 21 PB/s 的片上带宽处理几十层计算，跨机传一个几 MB 的 activation tensor 在几十 TB/s 的 CPO 下只需要亚微秒级延迟，基本可以被藏在计算延迟后面。系统的有效带宽会非常接近"全部在片上"的体验。 这种配置下 Cerebras 对 GPU 方案的带宽优势是碾压级的，NVIDIA 再怎么升级 HBM 也追不上 SRAM + CPO 的组合。对比 NVIDIA 刚收购的 Groq 多芯片方案也有数量级优势，Cerebras 每个节点是 44GB、21 PB/s 的整片晶圆，Groq 每个节点只有 500MB、150 TB/s 的标准芯片，跨节点通信频率差两个数量级。 工程难度非常大。在一整片 300mm 晶圆上集成 CPO 跟在常规芯片上做完全不同。光引擎的物理位置（晶圆没有传统意义上的 package 边缘）、WSE 本身 23kW 功耗旁边怎么保持激光器的温度稳定、CPO 光通道的良率怎么管理（WSE 的 compute core 可以靠冗余核补偿缺陷，光通道没有这个机制），每一个都是全新的封装工程问题。 这条路如果走通了，Cerebras 的 wafer-scale 架构就到了终极形态。片上 21 PB/s SRAM 带宽负责计算，CPO 负责多机扩展，权重常驻不动，activation 光速流转，一台专为推理而生的性能巨兽。这套系统在 decode 吞吐上可能没有理论对手。 推理是 AI 产业链里离收入最近的环节，谁的 token 更快更便宜，谁就吃到最大的商业化红利。尤其是高频交易、实时 Agentic 工作流、自动驾驶决策链这类对推理速度有确定性要求的场景，够用和极致之间的差距就是能做和不能做的区别。

AI 机器人这两年频繁的出现在人们的视野，不只是会聊天，而是开始进入现实世界：走路、抓取、协作、服务人类。 但问题是——现在的机器人，几乎都是各自为战的孤岛。 直到我注意到一个项目：@openmind_agi OpenMind 不是在造机器人， 而是在给机器人造一个可以共享知识、协作、进化的集体大脑网络。 他们在做什么？ • OM1：让机器人从真实世界中学习 • Fabric：让人类参与验证真实数据 • 机器人之间可以互相学习，而不是各自闭源 • 基于去中心化架构，避免被单一公司垄断 不是让一台机器人变聪明， 而是让整个机器人世界一起进化。 2025年8月，完成了2000万美金的融资，从融资阵容就能看出他们的潜力 Pantera、Coinbase Ventures、DCG、红杉中国、Amber、Primitive… 这不是短期叙事， 而是被当成未来十年级基础设施在下注。 OpenMind 的目标不是取代人类， 而是让人类和机器人协作得更好。 学校、医院、家庭、工作场景 他们想进入的，是现实生活。 如果现在的机器人是“单机游戏”， 那 OpenMind 想做的是联网世界。 #KaitoYap# #Yap# @KaitoAI #OpenMind#

如果你也被openmind即将的到来fomo 我知道你急但你先别急 跟上马拉的节奏助你急速上车🚗 即使几个月前就知道这个项目不错 但也一直没搞明白任务怎么做的 估计就混dc的哥们比较早的攻略了（之前dc链接过期也一直没进去... 官网和app里的指引都比较抽象 桥豆麻袋 在看完了最近几个老师的教程 直接分享入门可以直接做的4个任务 最后一点最神！ 1️⃣fabric identity nft 身份nft -官网🔗： -搞个钱包，base链，放0.0015个eth，mint这个nft -把social links的推特、discord和github连接一下 2️⃣create machine identity 创建机器身份 my devices - create a device - 弹出新页面 create api key - 再返回刚刚那页mint identity 3️⃣一共有7个徽章可以获取（五个做任务徽章 两个和其他项目方合作的徽章) ，但本篇是立即上手篇，所以现在跟着我操作先拿三个含金量较低但比较快的 🟣evaluator 1）具体教程看聪哥这篇 2）锐评： 手机端去给视频里的机器人评分并提交 有25-30个视频 就在我要放弃的时候没两个就做完了✔️ 我觉得这个徽章可以做 但含金量不一定很大 因为这个视频加载很慢 大部分用户估计都等不及加载而选择直接评分提交 数据价值较低 也适合工作室批量上号 人类不友好 但看小楼又说 不要刷太快 会检测 不懂 实话说刚下载openmind app的时候都不知道怎么用呜呜呜呜 如果没有攻略是不会知道点赞符号那里可以评分的 入口很深 且没有指引 🟣personhood 1）具体教程看聪哥这篇 2）锐评： worldcoin下载太慢了 估计也是项目合作 也可能防女巫攻击 🟣backpack 1）具体教程看聪哥这篇 2）锐评： 这个就是合作勋章 和backpack wallet的合作 重要程度估计一般 我下载了backpack 导入好了钱包 用手机相册和浏览器去扫二维码 尝试多次全部失败 看着没链接就跳转了 不知道谁的问题 晕过去 最后用手机相册扫描 跳转原生浏览器 把链接复制到谷歌浏览器 把谷歌浏览器设置为转换到桌面版网站就莫名其妙成功了 多试一下 4️⃣ last but not least - Kaito YAP @KaitoAI 项目方目前没有明确奖励 只是我自己觉得如果好的项目对yapper都不差的 胜于很多测试网用户 明天将继续为大家攻略更难获取的四枚徽章以及app走路刷分方法，计划喊点懂哥哥们来做个space！@openmind_agi @FabricFND

之前做LLM推理芯片架构探索的时候，我把四大AI推理ASIC公司的架构都翻过一遍。Groq、SambaNova、Tenstorrent、Cerebras。前三家的思路虽然各有侧重，但底层逻辑都在同一个框架里：片上大SRAM + dataflow架构 + 确定性调度，核心差异在NoC拓扑、内存层级、编译器抽象这些维度上展开。 Cerebras是里面让我真正被震惊到的一家，而它却这四家里马上第一个拿到IPO结果的。 这家公司的选择比其他三家都激进一个量级：不做芯片，直接做整片wafer。 单颗WSE-3，21.5cm × 21.5cm的整片晶圆，90万个PE通过scribe-line stitching在物理上连成一片连续的silicon。这个工艺是Cerebras和TSMC联合定制的，把原本用于晶圆切割的窄条改造成跨reticle的金属导线，让所有reticle在物理上拼接成一整块芯片。（配图二展示了单颗WSE-3内部结构：左半边是整片晶圆的reticle网格和scribe-line拼接，右半边放大了单个PE的微架构。） 单个PE的结构极简：8-wide FP16 SIMD计算核，48KB本地SRAM直连，没有cache层级，所有数据访问都是确定性的单周期。加上一个5端口路由器（N/S/E/W + loopback），相邻PE之间的通信延迟也是单周期。关键在于，跨reticle边界的mesh在物理参数上和reticle内部完全一致，编译器和runtime完全不需要感知reticle边界的存在。 从LLM推理的视角看，这个均匀性的价值非常大。 LLM推理的瓶颈在decode阶段。每生成一个token，模型权重要被完整读取一次，计算量却很小，典型的memory-bound场景。GPU集群在这个环节的核心问题是数据搬运：HBM带宽有限，多卡之间还要经过NVLink → NVSwitch → InfiniBand → Ethernet四层互联，每一层带宽和延迟都差几个量级，编程模型必须显式处理每一层的拓扑边界。 Cerebras的做法完全绕开了这个问题。单片wafer内部fabric带宽27 PB/s，权重从外部的MemoryX存储集群通过SwarmX流入wafer后，在PE之间按数据流模式传播执行，同一套placement和routing算法跑遍整片wafer。（配图一展示了这个系统级架构：MemoryX参数存储集群到SwarmX互联fabric，再到底层最多2048台CS-3节点，权重广播和梯度规约的数据流方向一目了然。） 90万个PE各自带48KB SRAM，合计约42GB片上存储，每个PE对自己本地SRAM的访问是单周期确定性的，PE间通信每跳single-cycle，延迟和曼哈顿距离成正比。对于推理场景，前提是weight streaming的编译器能把权重有效地分配到对应的PE上，这42GB分布式片上SRAM的聚合带宽远超GPU的HBM方案，没有cache层级带来的访问不确定性，没有跨芯片搬运的开销。 回到我自己的体感。做推理芯片架构的时候，NoC拓扑和内存层级的权衡花了大量精力，因为芯片边界是硬约束，跨芯片通信的成本和片内通信之间永远存在断层。Cerebras的做法等于从片内通信的角度消除了这个断层，代价是整条制造和封装链都要重新定义。 这也解释了Cerebras的工程取舍。所有架构创新集中在wafer内部，scale-out方向直接复用100GbE + RoCE的以太网生态。wafer内27 PB/s对比跨CS-3的SwarmX在Tbps量级，几个数量级的差距全部交给商品化网络承担。推理场景下单wafer内部的带宽和延迟优势可以直接转化成token生成速度。 OpenAI选择和Cerebras合作做推理，从架构层面看逻辑是通的。大规模在线推理需要低延迟、高吞吐、确定性时延，这三点恰好是wafer-scale架构在片上通信均匀性方面的结构性优势。 但这套架构也有几个结构性的问题值得正视。 良率和成本是绕不开的。整片wafer做单颗芯片，任何一个reticle的缺陷都影响整体。Cerebras靠冗余PE和路由绕行来应对，但冗余比例和良率数据从未公开过。一片wafer的制造成本本身就远高于切割后卖单颗die的模式，叠加23kW、15U的单系统功耗和体积，部署密度和TCO在大规模推理集群的经济性上面临考验。 最关键的是KV cache的容量瓶颈。42GB片上SRAM看起来很大，但长上下文推理场景下KV cache随序列长度线性增长。以Llama 70B为参考，FP16下128K上下文的KV cache就要吃掉约40GB，即使做KV cache量化，长序列场景下的容量压力仍然显著。片上放不下的部分必须依赖MemoryX做外部存储，数据要经过SwarmX回传，这条路径的带宽在Tbps量级，和wafer内部27 PB/s的差距意味着长序列场景下decode速度会被外部带宽卡住。这可能是Cerebras在推理场景面临的最核心的架构约束。

$SIVE 的想象力空间挺大，跟lite和cohr同赛道，只有10亿市值又计划上市美股。 它在ib上能买的代码是 #2DG# 问gemini问题“Sive分析一下产品在amd，英伟达，等ai巨头的业务产线中的站位和其产品的全球市场规模”，下面上AI回答。 这家在 2026 年 AI 基础设施赛道中因“外部光源（ELS）”和“共封装光学（CPO）”技术备受瞩目的企业，以下是其在英伟达（NVIDIA）、AMD 等巨头业务线中的站位及全球市场规模分析。 一、 产品核心站位：AI 集群的“光引擎”驱动者 在英伟达与 AMD 的 AI 芯片演进中，**互连带宽（I/O）**已取代算力本身成为最大的系统瓶颈。Sive 的产品（主要是 CW-WDM 连续波激光器点阵和 RF 束成形芯片）处于以下关键环节： 1. 英伟达（NVIDIA）生态：Scale-up 网络的关键变量 • 站位： 英伟达从 Blackwell 架构向下一代（如 Rubin 或更高版本）演进时，传统的插拔式光模块（Pluggable Optics）因功耗和延迟瓶颈正向 CPO（共封装光学） 转型。 • 功能： Sive 的多波长激光器阵列作为 ELS（外部光源），被放置在计算模块之外，通过光纤为交换机或 GPU 旁的硅光引擎提供光源。 • 逻辑： 在 NVLink 的 Scale-up 网络中，Sivers 与 Jabil（捷普） 合作开发的 1.6T 及 3.2T 光收发模块，是实现万卡集群乃至十万卡集群低延迟通信的基础。 2. AMD 生态：Chiplet 互联与 Infinity Fabric 的光化 • 站位： AMD 在 Instinct 系列（如 MI350/MI400）中重度依赖 Chiplet（芯粒） 技术。 • 功能： 随着互联距离跨越板卡，光互连（Optical Interconnect）成为替代铜线传输 Infinity Fabric 信号的唯一手段。 • 逻辑： Sive 提供的激光阵列具备极高的波长稳定性，支持 WDM（波分复用）技术，这与 AMD 追求的低功耗、高密度的芯粒间光连接需求高度匹配。 二、 全球市场规模与需求空间 Sive 所处的细分赛道正经历从“边缘科研”到“主流基建”的跨越。 1. 硅光子（Silicon Photonics）核心市场 • 2026年预估值： 全球市场规模约 40.3 亿美元。 • 增长速度： 复合年增长率（CAGR）维持在 24%-25% 左右。 • Sive 份额： 在 ELS（外部光源）这一高壁垒细分环节，Sive 是全球少数能提供符合 CW-WDM MSA 标准的商业化供应商之一，与 Lumentum 和 Coherent 形成竞合关系。 2. AI 光互连总体有效市场 (TAM) • 根据高盛及相关行业报告预测，到 2026-2028 年，受 AI 集群扩容推动，全球 AI 光通信网络 TAM 将从 150 亿美元爆发式增长至 1500 亿美元 以上。 • Scale-up 占比： 其中用于芯片间、服务器间“纵向扩展（Scale-up）”的连接部分占据约 70% 的产值，这是 Sivers 激光器阵列最核心的应用场域。

这次在韩国看了很多ai项目，挑两个我觉得最有潜力的分享一下，参与方式都给大家写出来了。 1.@Gradient_HQ 想做全球首个完全去中心化的 AI 基础设施平台。今年五月我就写过，最近做了品牌升级。 想做人人可贡献闲置电脑、手机等算力，支持 AI 计算和推理。模型开源共享，让 AI 从大公司手里解放出来，变成大家的工具。github里面更新非常频繁，不是套壳团队，有实打实的技术。 融资和团队 今年6 刚完成 1000 万美金种子轮融资，由 Pantera Capital、Multicoin Capital 、红杉中国领投。海外+中国顶级vc。 创始人是@EricY_me和 @yuangao（前 Helium）。团队来自 美国名校、Apple 和 Google，很多是编程比赛冠军。项目跟 Solana 生态关系非常好，有资本运作经验。 散户如何参与？ Season 1已经结束，可以准备Season 2 Gradient作为DePIN项目，散户通过运行节点赚积分。Season 1已在2025年8月28日结束。但是可以准备Season 2，团队说会尽快推出，希望有更多真实用户参与。 总体路径：运行Node → 连X/Discord → 邀请 → 社区活跃 → 等TGE/Season 2。 目前可体验Gradient团队打造的Parallax推理引擎。 链接： 使用上类似于chatGPT，主要是依靠别人提供的算力。目前无法联网搜索，但是文字对答功能非常强大，反应速度也很块。 2. @openmind_agi 机器人操作系统，DeAI和 DePIN赛道的项目。目前这个赛道真的很火，必须参与！ openmind结合了 AI、机器人和 Web3，填补了机器人软件基础设施的空白。我在线下也见过他们的人型机器人，很好玩。团队创始人是是斯坦福的副教授Jan、微软的前工程师Ali，首席运营官Paige也是从okx出来的，今年8月完成了2000万的融资，由Pantera和Coinbase venture领投。我线下接触了觉得这个团队很靠谱，对于机器学习领域有他们自己的模型，有非常强的竞争壁垒。 现在核心产品是OM1和FABRIC -OMI是开源的 AI 原生操作系统，主要为智能机器人设计，并且兼容不同的设备。它允许机器人感知环境、推理任务并自主行动，支持多种硬件（如人形机器人、四足机器人）。如果你是相关的机器人从业者，或者机器人硬件爱好，我觉得这个项目你一定会喜欢 -FABRIC主要是为机器提供身份验证、信任机制以及共享学习的能力，就像一个点对点网络，允许不同制造商的机器人安全地交换上下文、信息和技能，例如语言学习或任务协调。 散户参与方式：进入填写邮箱加入候补名单，并下载移动端app体验一下，不难，不需要编程知识，普通的用户只需要贡献位置及反馈并且积极参与活动，帮助团队进行优化，就可以获取积分。

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 」