据彭博社报道，由法国 NBA 球星 Tony Parker 及企业家 Éric Larchevêque 支持的初创公司 The Bitcoin Society 已放弃建立加密财库的计划。Larchevêque 在采访中表示，市场环境已不利于公司通过融资积累比特币储备，该决定于今年一季度作出，当时比特币价格下跌超过 20%。此前 The Bitcoin Society 曾宣布将推进比特币储备策略。

<纽约时报>：川普与 Jeanine Pirro 在椭圆形办公室正面交锋内幕： 记者： Tyler Pager，Glenn Thrush，Katie Rogers 华盛顿哥伦比亚特区联邦检察官 Jeanine Pirro 当面告诉川普总统，内政部长 Doug Burgum 为了掩盖自己的失误，编造了一套对自己有利的说法，误导了总统。 Jeanine Pirro 已经受够了 Doug Burgum。 周一晚些时候，这位向来快人快语的华盛顿哥伦比亚特区联邦检察官大步走进椭圆形办公室。她的职位可能岌岌可危，而她此行的矛头直指内政部长 Doug Burgum。私下里，她称 Doug Burgum 是一个“无能的骗子”。 就在几个小时前，川普坐在坚毅桌后面对镜头，公开指责这位与自己相识数十年的纽约老友和政治盟友“像雨伞一样一下就收了”，还说她在关键时刻“怂了”。 原因是 Jeanine Pirro 撤销了对一名男子的指控。该男子此前被控破坏林肯纪念堂倒影池的内衬，而这座深受川普重视的倒影池刚刚经历了一次仓促且质量糟糕的翻修。 川普为什么如此愤怒？ 因为 Jeanine Pirro 公开推翻了川普最看重的一套说法：倒影池遭到破坏是“蓄意破坏者”所为，而不是内政部雇用的承包商在赶工过程中把工程搞砸了。这套“破坏者造成损坏”的说法正是由 Doug Burgum 推动的。 周一，川普先是在私下里大发雷霆，随后又在记者面前发了一通火。白宫西翼一度传出 Jeanine Pirro 可能遭到解雇的消息。此后，川普又发作了一阵，最后在白宫召集 Jeanine Pirro 面对面谈判。 这场充满戏剧性的会面，颇有两位深谙对抗式真人秀之道的电视老将正面交锋的意味。 Doug Burgum 也被要求出席，因此 Jeanine Pirro 是有备而来。她身穿一件鲜红色西装外套，从白宫西侧行政车道进入，衣服颜色与她准备反击的情绪十分相称。她还拖着一个装有证据的白色箱子，以及一个装着文件、带轮子的黑色箱子。 在椭圆形办公室里等着她的，除了川普，还有白宫办公厅主任 Susie Wiles 和白宫法律顾问 David Warrington。 经过大约一个小时的激烈交锋，Jeanine Pirro 走出办公室时，至少暂时保住了自己的职位。 据一名了解会谈情况的人士透露，会议期间，Jeanine Pirro 有时提高音量，直接质问 Doug Burgum，指责他误导总统。 她表示，Doug Burgum 为了掩盖自己的工作失误，推动了一套对自己有利的说辞。 Doug Burgum 发言相对较少，但仍尽力为自己辩护。由于涉及白宫内部谈话，这名知情人士要求匿名。 该人士称，到当天结束时，川普的怒气似乎已经明显消退。 白宫、Jeanine Pirro 以及 Doug Burgum 的发言人均未回应置评请求。 这篇报道根据多名知情人士的采访整理而成，也反映出川普第二任期内的一个基本现实：任何敢于公开反驳总统的人，都可能陷入麻烦。哪怕这个人是总统多年的家庭朋友，而且长期以来一直忠实执行他的检察政策，也不例外。 整件事始于7月2日。 当天，情绪高昂的 Jeanine Pirro 在媒体面前宣布，她的办公室已经起诉67岁的 David Hearn。David Hearn 曾是奥运会皮划艇运动员，被指在破坏倒影池内衬后，以一项重罪级别的故意毁坏财物罪遭到起诉。 Jeanine Pirro 当时表示： “这不仅是总统重视的案件，也是我本人高度重视的案件。” 她还说： “我们将排除合理怀疑，证明 David Hearn 是故意破坏公共财产。” 但她最终没能做到。 上周五，Jeanine Pirro 在一份长达20页的法庭文件中作出了一次颇为难堪的检方退让。她承认，自己在7月份迅速起诉这名三届奥运选手，是建立在错误假设和不完整证据的基础之上的。 从某种意义上说，这份文件本身也像是对 Doug Burgum、负责修复倒影池的承包商 Atlantic Industrial Coatings，以及美国公园警察相关官员的一份“起诉书”。 Jeanine Pirro 在文件中暗示，Doug Burgum 犯了两重错误：首先，他没有妥善监督倒影池翻修工程；其次，在工程出现问题后，他又推动川普接受“破坏者造成损坏”的说法。 Jeanine Pirro 表示，她的团队此前几乎完全依赖内政部官员提供的信息。这些官员声称，倒影池内衬的大面积损坏，是 David Hearn 和其他破坏者造成的。有人曾看到这些人拉扯或撕下池壁上的材料。 但在审阅数千页证据后，Jeanine Pirro 得出结论：内政部为了赶进度，仓促完成工程并把翻修搞砸了；而公园警察官员提供的错误信息，导致她曾声称针对 David Hearn 存在“大量证据”，事实上这些证据根本不存在。 整件事多少带有一丝荒诞色彩——一个要同时处理战争和经济动荡的美国总统，为什么会如此执着于一层倒影池内衬？ 但这起案件给 David Hearn 造成的后果一点也不好笑。 根据 Jeanine Pirro 团队的评估，David Hearn 造成的损失超过1000美元，因此他面临的重罪指控最高可判处10年监禁。 Jeanine Pirro 非常清楚，自己改变立场可能会激怒川普，但她仍决定在撤诉文件中加入足够多的证据，以彻底推翻 Doug Burgum 的说法。 据几名了解情况、因涉及内部讨论而要求匿名的人士透露，Jeanine Pirro 在上周向联邦法院提交撤销 David Hearn 指控的动议之前，曾提前通知白宫。但目前尚不清楚川普本人是否听取过相关汇报。 Jeanine Pirro 提交撤诉动议后的第二天，也就是周六早晨，川普开始释放出不祥的信号。 川普在 Truth Social 上发文称： “我百分之百不同意 Jeanine Pirro 的决定。我不知道她当时在想什么。在我看来，这完全就是一起蓄意破坏事件。” 他还补充说： “承包商可能确实存在一些问题，但主要损坏是破坏者造成的！” 不久后，Doug Burgum 也在社交媒体上为自己辩护。 他表示，自己的团队向联邦检察官办公室提供了专家证词和目击者证词，证明损坏是破坏者造成的；同时也按照要求，在规定时间内交出了检方索取的全部证据，并详细说明了倒影池各处的损坏情况。 川普最初似乎站在 Doug Burgum 一边。随着周末过去，他对 Jeanine Pirro 越来越愤怒。 到了周一中午，记者在椭圆形办公室的一场媒体活动中问到 Jeanine Pirro 时，川普立刻抓住机会发难。 他说自己对 Jeanine Pirro 感到失望，并指责她因为害怕，不敢把 David Hearn 一案提交给法官审理。 值得注意的是，当记者追问 Jeanine Pirro 是否还能保住工作时，川普没有作答。 Jeanine Pirro 比川普家人以外的绝大多数人都更了解川普的性格和敏感点，她为什么仍愿意冒着激怒总统的风险，目前仍不完全清楚。 据两名接近此事的人士透露，在过去几周审阅数千页证据后，Jeanine Pirro 认定，必须主动撤销对 David Hearn 的起诉，否则案件最终也会被法院驳回。 但批评者质疑，她的动机是否真的如此单纯，或者完全是出于维护司法公正。 这些人认为，Jeanine Pirro 撤销起诉可能是在自我保护。如果大陪审团证词或其他内部资料被公开，她可能面临纪律处分，因此她希望提前止损。 David Hearn 的律师则表示，Jeanine Pirro 自己也犯了她指责 Doug Burgum 所犯的错误：为了讨好上司，仓促采取行动。 律师称，在决定起诉 David Hearn 之前，Jeanine Pirro 原本就能够获得大量证据，证明倒影池损坏是承包商施工造成的。 承包商 Atlantic Industrial Coatings 没有回应有关此案的询问。不过，该公司6月21日在官方网站发布的一份声明承认，倒影池确实“有部分区域”需要维修。 Jeanine Pirro 当年与川普一样，都是在竞争激烈的纽约小报和电视舆论环境中成名。与司法部其他许多高级官员相比，她也表现出了更强的独立性。后者的职业生涯往往完全由川普成就，也可能随时被川普终结。 Jeanine Pirro 为了担任联邦检察官，放弃了 Fox News 一份薪酬高得多的工作。她并不特别喜欢华盛顿，也曾告诉朋友，自己把目前的职位视为职业生涯的收官之作，而不是通往更高职位的跳板。 她还表示，自己并不害怕川普对她说出真人秀节目中的那句名言：“你被解雇了。” 不过，一些朋友对这种说法持怀疑态度。 无论如何，从各方描述来看，Jeanine Pirro 周一确实为自己进行了强有力的辩护。她似乎决心赢下与 Doug Burgum 的这场较量，并最终重新赢得川普的信任。

昨天在HK路上看到了Web3相关的Bus觉得挺可爱，拍完仔细看了一眼竟然是澳洲兄弟Parker 做的项目 @RealGoOfficial 😂😂😂 这项目上次看他给我演示demo还是2年前，类似宝可梦抓宝贝一样满大街抓meme币的玩法。后来打Golf时候陆陆续续聊过两次进展，就知道一直在build，这次突然在HK街头看到还挺意外的。 跟他聊了一下说最近发展的不错，现在市场寒冬时候还愿意拿预算出来做Marketing的项目不多了，希望他能代表墨尔本搞出点声音来😘

每年QS排名发布的时候，我都必须说一句，争论QS排名的都是大傻逼。 几乎15年前，学术界就已经形成了一个初步的共识，大学排名的方法应该和Google的PageRank算法是一样的： A和B是两所大学，如果A毕业的博士PhD能进入B大学当教授（tenure track AP），那么A->B加一分， 反过来，B大学毕业的博士毕业 ，能进入A大学当教授，那么B->A加一分， 最后统计全世界5000~10000所大学，获得一个10000*10000的矩阵，计算每个大学的XRank值，就可以获得大学的排名。 举个简单的例子，假设过去10年，麻省理工MIT总共有30个博士生毕业进入清华当教授，而清华博士毕业后有0人进去MIT当教授，那么毫无疑问MIT的排名碾压清华， 假如过去10年MIT毕业博士10人进入Stanford，而Stanford毕业有11人进去MIT，那么可以认为MIT和Stanford几乎接近相同，当然最后算出来的Rank值肯定是不同的。 当然这个算法可以扩展到本科、硕士、博士后等等几个权重，比如清华本科生毕业进入南开大学当教职的有50人，南开大学本科生毕业进入清华大学的只有20人，那么很明显，清华大学的水平是要高于南开大学一大截的。 当然PageRank来算大学排名的意义是，MIT毕业生可能根本不去三本大学当教职，MIT毕业博士非常少，但是如果他们一多半都去了美国top5~50的学校当教职，那么足够证明MIT的学术水平非常高，远远比一个公立大学每年批量产生300多个水博士要高。 当然这个算法实际落地会有一大堆问题，但基本逻辑是正确的，你可以看看新加坡国立、清华毕业的博士生有多少入职Princeton、排名50名以后的CMU当教授，就知道QS排名到底是不是傻逼了。

IBIT 引发了 Bitcoin 的大规模清算？错了！！ Parker 的这篇文章很多小伙伴转发给我，问是不是 $IBIT 的清算导致了这次 $BTC 价格的连环踩踏，我稍微解释一下，Parker 所说的清算实际上是 IBIT 这个现货 ETF 的清算，而不是 Bitcoin 的清算，而且 IBIT 虽然是 BTC 的现货 ETF ，但并不等于是 BTC ，而且 IBIT 的清算也并未引发 BTC 的清算。 ETF 实际上是两层市场，一级市场主要就是 Bitcoin 的买入和赎回，这部分几乎都是 AP（可以理解为做市商）来提供流动性，本质上和用 USD 去生成 USDC 是一个道理，而且 AP 很少通过交易所流通 BTC ，所以现货 ETF 的买入最大的用处就是锁住了 Bitcoin 的流通性。 而在周四大规模清算的时候，贝莱德的投资者流出，也就是赎回的 BTC 只有不到 3,000 枚，全美国的现货 ETF 机构一共赎回的 BTC 都不到 6,000 枚（所有的官网数据），也就是说 ETF 机构向市场抛售的 Bitcoin 最多就是 6,000 枚。而且这 6,000 枚还未必都是转移到交易所中的。 而 Parker 所说的 IBIT 的清算实际是在二级市场发生的，大概总的成交量是 107亿 美元，是 IBIT 有史以来成交量最大的一次，确实也是引发了一些机构的清算，但需要注意的是，这部分的清算只是 IBIT 的清算，而不是 $BTC 的清算，起码这部分的清算并没有传导到 IBIT 的一级市场。 所以周四 Bitcoin 的大幅下跌只是引发了 IBIT 的清算，但并未产生 IBIT 导致的 BTC 清算，ETF 的二级市场交易标的本质上还是 ETF ，而 BTC 只是 ETF 的价格锚定而已，能够对市场产生影响的最多就是一级市场的抛售 BTC 引发的清算，而不是 IBIT 。 实际上虽然周四 BTC 的价格下跌超过 14% ，但实际上BTC在 ETF 的净流出只占了 0.46% ，当天 BTC 现货 ETF 一共持有 1,273,280 枚 BTC ，总流出 5,952 枚 BTC。 @bitget VIP，费率更低，福利更狠

DeepSeek-V4.1-Flash 八卡H20 实测来了，一起看下552B 参数加 196B Engram 参数的模型在SGLang运行结果 启动参数： sglang serve --model-path /model --served-model-name deepseek-v41-flash --tp 8 --ep-size 8 --context-length 32768 --max-running-requests 32 --mem-fraction-static 0.85 --attention-backend dsv4 --moe-runner-backend flashinfer_mxfp4 --reasoning-parser auto --tool-call-parser auto --enable-metrics --disable-radix-cache --host 0.0.0.0 --port 30000 测试方法： 核心矩阵为 1,024/128、8,192/128、1,024/512、24,576/128 Token，各测 C1、C8、C32，每组单独预热后正式重复三轮。各轮请求数分别为 8、16、64。C 是客户端并发上限，服务端最大运行序列也是 32 和历史V4测试对比结果： DeepSeek-V4.1-Flash 结果稍快一点，但开始回答之后，输出速度比 DeepSeek-V4-Flash 慢，整体吞吐也更低，实际token/s 速度达不到DeepSeek API 中V4.1三倍提升的效果🤣

很多程序员和计算机系的学生嘴上天天说学 AI 学 Agent，实际上只是天天玩 Codex，ClaudeCode 做点没人用的软件。 要么就是去拿 AI 写文章，生图 ，做视频，写各种 Skill。 其实这只是在玩儿 AI，没有门槛，没有积累，获得的经验几个月后就随着工具和模型的迭代过时。 更好一点的，在新概念出来的时候，钻研一下 harness engineering，loop engineering，graph engineering，也就到头了，任何一个非计算机专业的门外汉都可以在几周内掌握个七七八八。 真正想搞懂 Agent，必须要懂得 Agent 的底层原理，这才是程序员该学的。 有多少程序员能真正手写一个 200 行的 agent loop？ 只要 terminal 执行加文件读写，自己拼 prompt，自己写 parser，自己控制 loop 什么时候停，自己管理记忆，不会就带着问题去读 Codex，OpenCode，KimiCode 的源码。 敲不出来就是没懂。

我在五个月前，开源了一款非常简单但是极度好用的multi-agent system。 名字就叫goal-driven（目标驱动） 原理非常简单，就像我说过的，让一个master agent不断监督subagent工作，直到subagent完成了工作，并且master agent亲自认证工作meet the criteria，符合判据中的要求， 否则就继续无限循环，逼迫subagent持续工作。 顾名思义，goal-driven就是goal-driven，就是一个纯粹目标驱动的框架，只要根据criteria判据判断达不到目标，就必须收集一切错误信息进行改进，进行无限循环，直到彻底实现最终goal（目标）为止。 这个设计的优势是，可以让你以>100小时的时间、极高的token消耗成本，去让这个master agent-subagent system去持续解决设计复杂、逻辑复杂、高度抽象、挑战人类和AI Agent能力极限的极其困难的问题， 比如设计编译器/interpreter/transpiler、解决复杂的数学问题、复杂系统问题、电子仿真问题等等， 目前这个goal-driven已经完成了三个工作， 一个是全自动设计了sqlite的一个rust实现版本，sql parser非常稳定， 一个是全自动设计了C++实现的TypeScript Compiler，这在去年只有微软几个人实现了这个工作， 一个是全自动实现了世界上最复杂的数学证明工具——lean4的TyeScript版本编译器，这在过去也是由微软发明并且由整个数学学术界维护的。 goal-driven已经被证明了是一款非常强大、非常简单、非常直白的multi-agent system，而且只需要一个prompt写进去即可， 只要你设定好了goal（目标），criteria（判据，判断成功与否的标准，比如生成1000个复杂test case）， 就可以让agent和subagent持续工作100小时，完成一些人类历史上极具挑战难度的、最复杂、 最抽象、最艰难的工作。 好了，赶紧点个star，接下来我还要开源一个更重磅的东西。

冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。