註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 Shelf」をご紹介📸
Shelf」をご紹介📸 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 Shelf」をご紹介📸 的搜尋結果
不是说好4m单吊shelf吗。套利太慢了。最后一轮牛市了,直接梭哈封神!
我穷极我的想象,通往神的路,只有两条。 一个是龙王,他不断的套利,IDO,做低风险收益确定的事,然后可以大资金翻倍复利,问题是速度慢点,但是会赢,很难输。 一个是X,就是单吊重仓一个标的,大仓位吃到5-10X的涨幅,从而实现总体资产大翻倍。 赌输了,可能会阶层下坠,问题再下坠,也比普通人强很多,赢了封神。 那么,下注还是稳点?
顯示更多
吴说获悉,Genius Group 在清空 Bitcoin 财库约五个月后宣布计划重新建立 BTC 储备,并预计于 2026 年第四季度重新开始购买 Bitcoin。公司目标到 FY2031 建立 8.27 亿美元 Bitcoin 财库和 8 亿美元 AI 财库,并计划利用现有 12 亿美元 shelf registration,通过发行永久优先证券(PPS)融资。Genius Group 今年 4 月曾出售剩余全部 BTC,并偿还 850 万美元第三方债务。
顯示更多
给AI bubble 论者算个账 每GW数据中心的建设成本大概在600亿美金(就是60B)。这里面GPU、存储、光互连大概占35B,姑且叫成本A段好了,然后土地、电力、shelf、散热等占25B,叫成本B段。 当然除了Google这种一体化以外,A和B段的成本由不同角色承担,比如Oracle、SpaceX、AWS、Coreweave等等,具体就不拆分了,大家记住大数就行。 收入端来了:2025年每GW数据中心OpenAi的数据是能创收10B,也就是差不多6年回本(所以星际之门画的饼是5年以后怎么样,我大概看过募资说明书)。但今年不一样,Anthropic把每GW的ARR直接拉到了20-50B以上甚至更高,之所以不同大模型有这么大差异是因为产品选择不同,比如OAI砍掉了不赚钱的Sora,今年每gw创收估计还能提高。 好了,这样就能看出来玄机了,如果合理分配算力甚至极端一点:我们不搞训练了全搞推理,现在每GW ARR差不多一年多左右就能追上成本,或者说两者在极速的追平,这时候不管你的角色是大模型厂商、云计算服务商、算力租赁,这个帐只要不傻都能看出来趋势是什么。 何况: 现在NV和SpaceX为代表的在做几个方面的创新,比如在成本A段,能做文章的地方不是降本(实际上存储这些因为供不应求很难降价),而是增收。比如Blavkwell肯定比Hopper每gw的ARR要多,这也是老黄的“token 经济学”,这也是我们为什么要押注光互连、HBM、CPO、正交背板、Msap等等的原因。现在csp的选择也很简单了,眼看blackwell就快把帐拉平了,换你要不要订购单GW更赚钱的Rubin。 在成本B段,降本也比较有限,无非是液冷或者800V这些。但真正的大杀器还在于SpaceX的太空算力,理论上是能把25B的成本降到5B,但目前火箭发射成本太高,所以目前还是概念阶段,但我会密切跟踪数据的拐点。 国内的数据我还没拿到,理论上成本A和B段都要更低,但单GW创收估计远远不行,所以国内算力下注还是在半导体设备capex更具有确定性。 其实这些都是年初都在一直call的方向~ 出自雪球用户:门捷列夫学徒
顯示更多
关于shell的事情,我一开始就公司的人说了,让他们去搞,都不搞。 后来看3-4月撸alpha的单号月入500-800刀都眼红了。 然后4月末开始拉人头搞。 我朋友的女朋友(就是带哥文章的花开富贵)也没自己去拉人头。就在学校找那种web2拉人头的合作(校园卡),拉了15个人(其实能拉很多,只不过后面觉得alpha亏没了,就没加号了),一个半月赚了1万刀(本金2万刀)。 圈内大多数都是懒狗,就算你告诉他们怎么赚钱,他们会找“拉人头犯法”,“没本金”,“没人带不会搞”的理由而懒得做。每天就幻想自己手机那几百刀动动手指,点点合约,买个土狗就能A8。毕竟动手指是不用多费力的。 资本就是发现某个项目自己能赚100元/天,然后花20元/天去雇佣100个人,来剥削别人的时间价值。
顯示更多
小资金100万刀以内,一年纯套利翻倍真没啥问题。 当然技术,认知,胆识,执行力都要到位。 Melania发射暴跌搬砖trump,usdc。跨所套利,shell打新,auction打新。 技术,认知(买卖点),胆识(加杠杆),执行力(shell干100-200个号)
顯示更多
0
56
325
32
轉發到社區
Cursor 推出Self-Hosted Machines自托管机器: 企业本地执行,Cursor 负责云端推理 Cursor 推出了 Self-Hosted Machines: 允许 Cloud Agents 在企业自有机器上执行文件、终端、浏览器和本地 MCP 操作; 智能体循环、推理和规划仍在 Cursor 云端运行。 此前,Cloud Agents 默认在 Cursor 管理的远程虚拟机中运行。 现在,执行环境可以换成公司内网服务器、企业云主机、Mac、GPU 机器或本地设备;任务规划、模型推理和会话管理仍由 Cursor 云端完成。
顯示更多
AWS Lambda 现在支持 Self-managed S3 code storage 以前Lambda 部署代码时,会把 ZIP 包复制到 AWS 管理的存储空间,占用 Lambda code storage quota 现在: Lambda 可以直接引用你自己 S3 Bucket 中的代码 不需要额外复制代码包 代码存储容量由你的 S3 管理 支持 Lambda Functions 和 Layers 这个变化对于拥有大量 Serverless 应用的团队尤其有价值: 多环境部署 大量 Lambda Functions 多个 Lambda Layers CI/CD 自动化发布流程 不过需要注意: 1. 不会提升单个 Lambda 函数 ZIP 包大小限制(250MB unzipped) 2. Container Image 仍然使用 ECR #AWS# #Lambda# #Serverless# #CloudComputing#
顯示更多
Kimi Code 终于有 Shell Mode 了!!!
斯坦福最新研究突破:Self-Guided Self-Play 如何让 LLM 实现自我进化? 在大模型训练中,我们一直面临一个痛点:高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据,其推理能力的提升往往就会撞上天花板。 最近,来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法,试图彻底打破这一瓶颈。简单来说,这项工作让模型不仅能做题,还能自动出题、自己审题,从而在不需要更多人类介入的情况下,进一步提升后训练和微调的效果,实现模型推理能力的持续缩放(Scaling)。 现在前沿模型公司,后训练和微调的时候都会使用自博弈(Self-Play)方法 自博弈(Self-Play)的核心理念是:出题者(Conjecturer)负责出题,解题者(Solver)负责做题,两者在对抗中不断进步。在理想状态下,这个过程是没有天花板的。 但在现实训练中,这类方法通常会陷入 “学习停滞”(Learning Plateau): 出题者很快就会发现,只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目,解题者就很难解出,或者产生某种“虚假提升”。 训练退化:由于缺乏有效的监督,随着训练周期拉长,合成数据的质量迅速下降,导致模型不仅没学到新知识,反而越练越笨。 为了解决这一问题,SGS 引入了一个至关重要的角色——引导者(Guide)。在 SGS 框架下,LLM 同时担任三个角色: Solver (解题者):负责求解问题。 Conjecturer (出题者):负责生成相关的合成问题,难度需与当前目标匹配。 Guide (引导者):作为质量把关人,它负责评估出题者生成的题目质量。 Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关,Guide 会直接给出低分,强迫出题者回到高质量的学习路径上。 研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能: 真正的持续 Scaling:在长周期的训练中(训练步数远超以往工作),SGS 的累计解题率表现出了极好的缩放特性,并没有出现以往常见的性能退化。 经过 SGS 长周期自我训练后,一个 7B 参数的模型,其推理能力甚至超越了未经过此类训练的 671B 参数模型(DeepSeek-Prover-V2)。 SGS 的意义,可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变: 从单纯依赖人类标注数据的“手工作坊”模式,转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。 SGS 证明了在推理能力上,我们同样可以拥有“扩展定律”(Scaling Laws)。只要计算资源(Compute)充足,并且通过 Guide 机制守住数据质量,模型能力的提升就是可预测、可扩展的。 目前 SGS 在形式化验证领域(Lean4)已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。 我们可能正处于 又一次模型能力指数级增长的起点
顯示更多
0
55
523
98
轉發到社區
自我效能感提升(Self-Efficacy)——“我能行”的信念重塑 心理学家阿尔伯特·班杜拉(Albert Bandura)提出:成功体验是提升自我效能的最强来源。 做好一件小事提供掌握经验(mastery experience),让你积累“我能掌控局面”的证据。 自我效能高的人:设定更高目标、面对挫折更坚持、情绪更稳定。 小事正反馈特别有效,因为它即时、可控、不易失败,快速打破“我是个废人”的负面自我认知,形成“胜利者效应”。
顯示更多