X上90%A股博主都在教你亏钱，真正能看的就这10个。 1、@jack19980507 :收盘记持仓，想看当天真实操作。 2、@cnfinancewatch :对照 ETF 和龙虎榜，想看资金落在哪。 3、@MikeFritzell :贴亚洲产业数据，想看数字不是口号。 4、@keyahayek :拆消息怎么传到散户，想看中间过了几手。 5、@freearkshaw :写产业不写涨停，想看中线逻辑。 6、@Jason23818126: 写工具和跨市场，想少刷噪音。 7、@KongYiGC :列过高分红名单，想对照谁真在分红。 8、 @xiaomustock :内外市场一起写，想看同一条链怎么定价。 9、 @xingzhelieshou :收盘写板块，想对一下主线换没换。 10、 @Smartpigai :选股回测做成工具，想少手筛。 这10个值得先收进列表，看A股会轻松很多

Introducing Gemini 4 Argon – our new frontier model. It’s built for complex workflows across coding, enterprise knowledge work, and cybersecurity defense – rolling out today to a set of trusted testers through our Fairwind Program.

华尔街不会主动告诉你的10个免费美股网站 别再只会刷财经新闻了。 很多时候，当你看到一条新闻冲进去的时候，真正影响股价的数据，专业投资者可能早就在跟踪。 分享10个值得收藏的网站👇 1、MacroMicro：把宏观数据直接变成图 如果你看FRED觉得太硬核，可以试试MacroMicro。 通胀、利率、美债、美元、就业、制造业、流动性等大量宏观指标都做成了可视化图表。 研究“为什么美股最近涨/跌”，经常能在这里找到宏观线索。 2、New York Fed：盯美元流动性 纽约联储官网是很多人容易忽略的宝藏。 SOFR、回购市场、纽约联储公开市场操作等数据，都可以直接查。 尤其当市场开始讨论“流动性”“降息”“资金面”的时候，别只看别人解读，可以回来找原始数据。 3、Federal Reserve：直接看美联储 研究美股，美联储官网其实应该放进收藏夹。 FOMC声明、会议纪要、经济预测、利率决议以及美联储官员相关信息，都可以找到。 不要只看新闻标题里的“鹰派”“鸽派”，原文往往比二手解读更重要。 4、FINRA：查市场监管和交易数据 FINRA是美国金融业监管局。 除了监管信息之外，还能查询部分市场统计、OTC和交易相关数据。 当你研究一些成交异常、做空或者市场结构问题时，它比普通财经网站更接近数据源头。 5、ChartExchange：研究做空和市场数据 这个网站很多普通投资者没用过。 可以辅助查看Short Volume、Fails-to-Deliver等市场数据，一些股票还能进一步观察借券相关信息。 研究热门股、逼空概念股时，比只看社交媒体喊“Short Squeeze”靠谱得多。 6、AlphaQuery：查波动率和期权数据 如果你开始研究期权，这个网站值得收藏。 可以辅助查看股票的历史波动率、隐含波动率以及部分期权统计数据。 有时候股价没怎么动，但期权市场已经开始给未来波动重新定价了。 7、StockCharts：老牌技术分析网站 界面看起来可能没有那么“新”，但工具很成熟。 趋势、均线、RSI、MACD、相对强弱等技术分析都能做。 特别适合同时观察指数、行业ETF和个股之间的强弱关系。 8、HedgeFollow：看机构13F持仓 想知道大型基金公开披露了哪些股票，可以看看HedgeFollow。 可以追踪部分机构投资者的13F持仓以及持仓变化，用来寻找研究线索很方便。 但一定记住： 13F不是实时交易记录。 你今天看到的持仓，不代表机构今天还在同样的位置。 9、Quiver Quantitative：看另类数据 这个网站比较有意思。 除了传统股票数据之外，还整理了美国国会议员交易、企业游说、政府合同等另类数据。 这些数据不能直接告诉你股票会不会涨，但可以提供传统财报之外的研究视角。 10、EIA：研究能源股必备 做石油、天然气、能源股，却不知道EIA，很多研究其实只做了一半。 美国原油库存、汽油库存、天然气库存、产量、进出口等能源数据，都可以直接查。 研究XOM、CVX以及油服、天然气相关公司时非常实用。 最后提醒一句： 工具的价值，不是替你做决定，而是帮助你获得更完整的信息。 别人看新闻，你可以回到原始数据； 别人听市场传闻，你可以自己验证； 别人只看股价，你可以同时研究基本面、宏观、资金和市场预期。 真正拉开差距的，往往不是知道多少个网站，而是能不能建立自己的研究框架和判断体系。 本文仅用于信息分享与学习交流，不构成任何投资建议。

Jev for RAG, clearly explained! Hybrid search gives you a shortlist. It does not decide which passages contain evidence, which are merely adjacent, or whether the evidence is strong enough to answer. That missing judgment is where Jev fits. Jev sits between retrieval and generation. It does not replace BM25, embeddings, or the LLM. It evaluates the candidates they produce before those candidates enter the context window. → Retrieve wide Combine dense and keyword search, then merge the results with reciprocal rank fusion. This gives Jev a broad candidate pool, such as the top 20 passages shown in the visual. Retrieval still sets the ceiling. If the right passage is missing from this shortlist, Jev cannot recover it. → Judge every candidate together Send the query as Jev’s state. For each candidate, ask a typed yes-or-no question such as “Does C7 help answer this query?” Jev evaluates every question in one packed request and returns a calibrated probability for each passage. This avoids making a separate model call for every query-passage pair. → Let code apply the threshold Your application compares each probability with a threshold. Candidates above it continue to the LLM. Everything below it is removed before generation. Jev makes the fuzzy judgment. Code remains responsible for the actual decision. → Gate the entire answer The same request can check whether the retained passages make the query answerable. It can also flag signs of prompt injection inside a candidate. If answerability falls below the threshold, the application can skip the LLM and return “not in the documents.” The injection score should remain a filtering signal, not a security boundary. The result is a cleaner division of work. Hybrid search retrieves broadly. Jev reranks, filters, and decides whether sufficient evidence exists. The LLM writes only from the passages that survive. Jev’s value here is not simply moving passages up or down a list. It turns relevance into an explicit probability that your application can inspect, threshold, and act on. To summarise: - Retrieval finds the candidates. - Jev decides what deserves context. - The LLM writes the grounded answer. ---- I also built an open-source project showing how to use Jev as a judge for AI observability with Comet Opik. It evaluates support traces for groundedness, request coverage, action honesty, and helpfulness, then records the results as an auditable experiment. You can explore the project here: My article on how Jev works is quoted below.

Give your app real-time decision-making with Decisions API, powered by GPT-6 Luna. Define questions and possible answers to classify content, route requests, or choose an agent’s next action. Available in limited preview.