高晶🌸同城丄门🌸附近喝🍵

@KChart_Hunter 🥵

SpaceX $SPCX 抽打历史新低，市值自高点蒸发近1.2万亿美元，创纪录下跌引发市场担忧。 - SpaceX 股价收盘创历史新低，近年跌幅令人震惊。 - 与之相关的市场情绪与科技股板块或将承压，需关注后续交易与基金持仓变化。

@yeyoucao @TermMaxFi 🌥️

很多人研究 DeFi 时，会关注 TVL、交易量和收益率。 但很少有人意识到，金融体系最核心的基础，其实是利率。 利率决定资金流向，也决定风险定价。 传统金融拥有成熟的利率曲线，而链上世界长期依赖浮动市场，这让资金管理存在较大的不确定性。 @TermMaxFi 正是在探索建立链上的固定利率市场。 通过固定期限和固定利率机制，用户可以更加清晰地规划借贷行为，资金提供者也能够获得更明确的收益预期。 这不仅是一个产品创新，更是一种金融基础设施建设。 当链上资产规模不断扩大，市场需要的不只是更多流动性，也需要更加成熟的价格发现体系。 未来 DeFi 想连接更多长期资金，就必须拥有稳定、透明、可预测的金融工具。 TermMax 所做的事情，本质上是在为链上金融建立自己的利率语言。 当资金价格能够被准确表达，整个行业才会进入新的阶段。 @wallchain @TermMaxFi

@Xiaohui45807741 🐻

遗憾与其说是行动的错误，不如说是不行动的瘫痪；因此，尝试的成本永远比无端猜想的代价要低。 Regret is less about the errors of action than the paralysis of inaction; thus, the cost of trying is always cheaper than the toll of wondering.

@ASDFGSAM777 🥀

在曼谷冠军咖啡遇到一个很像后翼弃兵女主安雅泰勒的女生。太完美了，太好看了。好美好美。

@vista8 🫶

看来Ultra模式并行Sub-agent可以让结果又快又好。 GPT 5.6 Terra 和Sol都有Ultra模式，但最便宜的 luna模型只有Extra High

@MinLiBuilds 🥲

现在大家在集体散功。 最近深度用了 fable跟 gpt sol之后，我发现把大脑外包给 AI 的现象愈发严重。 现在只要测试用例跑通，前后端架构分离得差不多，代码我基本看都不看就无脑 push。 这种马上就能获得快感的做法很有迷惑性，深思下来这种策略绝对是有问题的。 我好像只剩下了把东西快速做出来的快感，彻底没有了以前那种死命跟疑难问题斗争一两个星期、一点点把事情往前推进并最终把问题死磕出来的勇气。 表面上解决了一堆问题，回过头看根本没学到相应的核心东西。 作为一个 10 年的老鸟我都有这种危机感和体会，那些一入行就这么干的初级工程师要是完全照着搞，基本彻底废了，他们根本学不到任何东西。 其实反思一下，我感觉学到最多的时期，反而是用 Cursor 按 Tab 的时期。 按 Tab 后眼睛会快速扫过这几行代码做微观审查，大脑依然主导着架构走向，解决问题的连贯性并没有断掉。 比较好的节奏是把 80% 的时间用来让 AI 快速推进任务，剩下的 20% 必须刻意慢下来留给学习。 多花点时间仔细 review AI 的代码，多让它多解释实现逻辑，或者干脆手写关键代码，把以前那种解决问题的状态重新找回来。

@GoldDingway @TermMaxFi 🍌

GM/ GN 有时候不需要走多远 抬头看看这棵树 就觉得世界还是挺温柔的 #治愈风景 @TermMaxFi

@bitfool1 🪆

失去了撸管的欲望，因为不想接触穷屌 --by 亏惨的群友

@rtk17025 ⛅

< 怎么阅读一份报告 > 刚刚我分享了一份高盛的报告《NAVIGATING CHINA AI MODELS：LLM primer: Critical point of intelligence for global proliferation》到自己的Tg群中 其实我发现这样的报告很多人几乎都不太会点开来看，总是会觉得这些都太高大上了 这里想分享一下我会怎么看一篇报告 1. PM Summary：整份报告的地图与罗盘（页5-7） 这几页是报告的灵魂。我会花最多时间在这里，细细阅读，并尝试用自己的话複述核心论点。 以这篇来说： 比较关键是其中" From DeepSeek’s moment last year (on cost efficiency) to Zhipu’s GLM moment this year (on model intelligence) " DeepSeek 2025年靠极致成本效率（小模型 + MoE）打开市场；2026年Zhipu GLM则在真实Arena排名与企业coding採用上实现智能突破 报告认为中国模型已在特定场景（coding、agentic任务）达到实用门槛，而非追求全面超越全球SOTA( State-of-the-Art。指在特定基准测试（Benchmark）或研究任务中，目前表现最先进、效能最好的演算法或模型 )。先解决ROI问题，再追求极致性能。 " token-maxxing → ROI-first "的转变，是报告最有洞见的观察之一。 2025年底到2026年初，很多企业把高token消耗当成生产力指标，结果烧掉预算却没看到对应产出。现在企业开始改看" Daily Active Agents "" 每任务成本/实际输出 "。这个心态转变，对中国低价高性能模型是结构性利多。 阅读这段时我会去思考： 如果企业真的全面转向ROI-first，中国模型的市场份额会如何变化？ "good enough " 门槛会不会继续往上移动？还是会在某个层级稳定下来？ 2. Unit Economics：理解 " 为什么现在还在烧钱，但未来有机会获利 "（页4，Exhibit 1） 这张表格是报告最硬的数据基础。报告把中国" 价值型agentic模型 "和" 顶级coding模型 "与假设的全球SOTA模型做了per 1M blended tokens的完整对比。 仔细看会发现目前中国模型inference成本佔ARR高达70%左右，这是因为模型仍在快速迭代，training成本也居高不下 中国顶级coding模型定价约$1/1M tokens，而全球SOTA约$3.9–8。这让中国模型即使毛利率较低，仍有价格优势。 长期来看，报告预测中国模型产业2030E可达到18% EBIT margin，关键在于" 规模效应 + inference效率提升 + 从纯开放转向open-weight收取take rate" 为什么这部分重要？ 因为后面所有竞争框架和个股评价，都是建立在" 谁的单位经济学能更快改善 "这个基础上。没有这张表，你很难理解为什么" Financial Strength "（现金与估值）会成为三大评估维度之一 3. 中国模型如何以低成本达成竞争性能（页13-14） 这部分技术性较强，但非常关键。 报告指出中国模型主要靠三点： 更小的总参数量（200B–1.6T，仅全球SOTA的2-10%） Mixture-of-Experts（MoE）架构，只激活3-5%参数 后训练优化（数据筛选 + RL + 真实coding数据飞轮） 深入分析： 报告特别提到，2026年中国模型在LMArena的Code Arena和Agent Arena排名明显上升，这不是单靠蒸馏全球模型，而是开始依赖真实企业coding数据（部分中国巨头AI生成code比例已从20-30%升至90%）。这形成了正向飞轮：真实採用 → 更多成功/失败案例 → RL改进 → 模型更强 → 更多採用。 这也是为什么报告认为「蒸馏依赖会降低」——当真实数据够多时，模型开始「自己长大」。 4. 开放源码/开权重策略与变现路径（页20） 这部分写得相当务实。 报告指出，纯open source虽然能快速扩张採用与社区，但也导致 disclosed ARR严重低估真实部署量（第三方云端hosting不计入）。未来趋势是更多公司转向" open-weight + Community License"，商业使用时收取revenue sharing或take rate。 Alibaba的例子很有启发性：小模型持续开放，大模型Qwen-Max则转closed，以更好 monetization。这显示即使是中国公司，也在根据模型性能动态调整开放程度。 思考： 如果未来顶尖中国模型都转向open-weight + take rate，对整个产业的利润分配会有什么影响？对US hyperscalers（AWS Bedrock、Google Model Garden）hosting中国模型，又会产生什么连锁反应？ 5. 市场规模与两大ARR象限（页23-25 + Exhibit 4） 报告预测2030年中国AI模型tokens成长25倍，海外tokens佔比大幅提升。同时画出两个ARR最大化象限： 高定价象限：GLM系列，靠智能拿较高价格，定价权强、毛利较好 高量象限：DeepSeek、MiniMax，靠极低价格抢规模，规模效应快、飞轮强 这张图（Exhibit 4）非常重要，因为它直接影响你怎么看不同公司的策略。Zhipu走的是智能溢价路线；DeepSeek和MiniMax则是规模优先。长期来看，谁能同时在两个象限都有所斩获，谁就最有可能成为赢家 报告还提到全球企业正在把SOTA模型留给最高价值任务，其余任务 downgraded 到较便宜的flash模型。这对中国中低端模型是巨大机会。 6. Competitive Positioning Framework：报告的灵魂（页26-32，最建议细读） 这是整份报告最原创、也最有价值的部分。 报告把公司评估拆成三大维度，并进一步细化成可量化的指标： Pricing Power： Time-to-market（迭代速度） Arena score（真实用户盲测，比静态benchmark更可靠） 实际 blended pricing Cost Advantage： Token volume Throughput（tokens per second） Cache hit rate Parameter size / activation ratio（这是MoE模型的关键优势） Inference GPM Financial Strength： Cash on hand Net cash as % of assets Valuation multiples（独立公司看P/ARR） 报告用雷达图把主要玩家画出来，结论是： Foundation模型：Zhipu + DeepSeek 最强 Multi-modal：ByteDance 领先 MiniMax 在成本效率上特别突出，搭配相对便宜的估值，被给予Buy评级 在阅读这段时我认为不要只看最终排名，要看每家公司雷达图的形状。 哪一块特别突出？哪一块是明显短板？长期来看，短板能不能补上？ 例如MiniMax目前在Pricing Power和Financial Strength上可能不是最强，但Cost Advantage很突出，这也是报告看好它的主要原因。 7. 风险与2H 2026 Signposts（页37-39） 风险部分写得平衡且务实： Downside：价格战持续、地缘政治限制compute取得、高R&D burn Upside：正向飞轮加速、更快转open-weight收取take rate、agentic应用爆发 读完这份报告后，其实不是单纯比谁强或是买啥，而是学会用这套框架去持续迭代自己的思维模型比如继续去想： 任何新中国AI模型出来时，先问：它在Pricing Power、Cost Advantage、Financial Strength三个维度上表现如何？ 观察真实採用数据（Arena排名、OpenRouter tokens、企业案例），验证飞轮是否真的在运转。 追踪open-weight转型进度，这将直接影响长期毛利天花板。 关注地缘政治与compute access，这是最大的外部变数。 这就是我自己解读一份报告的方式

@Sunny_y170306 💓

你是我班级里的坏学生.. 来抓我呀

@Shijiazhuangicc 🌟

好吃到舔盘！椒麻虾片真的太绝了🍤 #SnackTime #SichuanFood #SpicySnacks #ShrimpChips #YummyFood #FoodLovers #TastySnacks

@qiaohuanxin 😎

关于美国参议院Linsay Graham (林赛·格雷厄姆) 的突然死亡，网上有一种阴谋论在发酵，代表人物是前 CIA 分析师 Larry C. Johnson，说格雷厄姆实际上是在基辅访问期间被俄罗斯空袭击中身亡的。 这里的主要论据是格雷厄姆活动的时间线： - 7月10日当地时间 0945-1045，抵达基辅； - 7月10日他在基辅会见泽连斯基，并参观了一个无人机工厂； - 由于战争，乌克兰领空关闭，进出基辅必须搭乘华沙到基辅的火车。根据此前拜登总统旅行的经验，从华盛顿到基辅先飞到波兰，再转火车，全程耗时约20小时； - 7月11日最早一班基辅到华沙的火车是0800在基辅发车，下午1700-1800抵达华沙，这是华盛顿时间上午1100； - 假设他用一个小时从华沙火车站前往华沙机场，那么他在华沙的起飞时间是波兰时间1900，也就是华盛顿时间1200； - 华沙到华盛顿的飞行时间 (向西飞行) 为10个小时，也就是说他抵达华盛顿的时间最早也要7月11日的2200； - 官方宣布他的死亡时间是华盛顿时间2030，这是警方公布的接到格雷厄姆家人报警求救电话的时间，25分钟之后，救护车抵达格雷厄姆家中。 也就是说，格雷厄姆的家人在他能够抵达华盛顿机场前一个半小时，就报警他在家中发病了。 如果这个时间线为真，结合7月10-11日俄罗斯对基辅的空袭涵盖许多无人机工厂和弹药库，很有可能，格雷厄姆是在空袭中丧生的，是否俄罗斯有意为之还是碰巧，天知道。但众所周知，格雷厄姆是美国国会中支持乌克兰继续战斗的关键人物。

@bitexiaohu 😭

日本证券代币化的"国家队"，把27亿美元资产整体搬上了公链架构。 日本最大证券代币平台Progmat宣布，已完成向Avalanche的迁移——将超4520亿日元（约27亿美元）的全部在管代币化资产，从基于Corda 5的许可链，迁到专属的Avalanche Layer1。迁移2月公布、按计划完成，全程没影响金融机构正常运营。 技术升级很实在：智能合约全部迁入EVM环境，资产权益转移速度提升3到5倍，交易最终确认缩短到2秒以内，架构上也不再绑死单一链，为多链扩展留了口。 Progmat的分量值得强调。它由日本最大银行三菱UFJ信托孵化，2023年独立，背后站着瑞穗、东京证券交易所、SBI等巨头，占日本证券代币市场53%份额、总发行规模的64.6%，覆盖了大部分代币化房地产和企业债项目。 下一步更值得盯：它已在5月成立日本国债代币化与链上回购工作组，联合银行、券商、资管研究代币化日债，探索7×24小时交易和T+0实时结算。 从许可链走向公链生态、从房地产企业债迈向国债——日本的RWA不是在讲故事，是在按部就班地把整个证券体系往链上搬。

@blmario669 @RobinhoodApp 📷

其实，@RobinhoodApp 做链，本质上还是想进一步拓展 Robinhood App 里的资产敞口，属于用 Web3 的方式去延伸原本的 Web2 业务。 这和我们过去从 Crypto 出发，再去拓展股票、债券等传统资产敞口，也就是从 Web3 向 Web2 延伸，还是有本质区别的。两边的出发点不同，背后的文化属性也完全不一样。 这老哥估计自己也没想到，链还没正式开始 Build，反倒先被两个 Meme 给搞火了。 就像 @thecryptoskanda 哥说的那样，过去从 Web2 往 Web3 延伸的项目，似乎就没几个真正成功的。 这次直播泄露私钥，我觉得多少有点出师未捷的宿命感了。

@xiaomaodou_ 🌓

怎么等待大表哥吐痰就被拉黑了！！

@alienneedscats 🍻

我个人真的会害怕饭圈味太重的产出 火速逃离了

@vonzz6 ⛵

kalshi目前交易量最大的BTC永续合约市场和hype对比： 24小时交易量对比是3亿/20亿，相差7倍左右，但是OI是5M/22亿相差400多倍！ 不过kalshi最高杠杆是6X，hype有40X

@Miao888_1000X 📌

罗宾汉开始收网了吗，我是看明白了，这条链所有币都在围绕着创始人，然后快速归零。 短期把所有建设的人套在山顶吗 比24年的sol还要快，叙事复制，玩法没变。 这条链集合了sol，bsc，Base的老油子在里面快进快出，很明显只有官方团队在做市，但创始人更是老油子，想出来搞点事情，又不想花太多钱😂，卖在山顶会很难。龙头的市值太低了，这不接着跑出龙一，龙二吗？

@jinchenma_ai 🍋

原来硅谷卷起来，比国内还拼。 无招之前想让钉钉一天一版迭代， 现在 Codex 是一天 N 版迭代。 早上起来打开 codex 发现可以更新了， 下午发现又可以更新了， 然后晚上发现还能更新……

@sixpanny159920 💫

韩国股市去杠杆调研: 1. 银行→券商资金搬家已停止：2026年初约40-45万亿韩元 → 目前约82万亿，年内翻倍，但流入速度已明显停滞——行情的新增弹药泵在关闭。2. 散户购买力（预托金）-20%：一二季度约140万亿 → 目前100-110万亿，且陷入停滞。3. 融资余额实际已降至约30万亿（专家称"两天前"数据），较峰值39万亿降幅20-25%——远快于公开KOFIA数据（7/2仍报37.7万亿），去杠杆进度快于市场认知。4. 杠杆ETF门槛上调幅度已内定：1,000万→3,000万韩元（3倍），券商已收到系统准备通知（媒体仅报道"研究上调"）；生效时间、存量是否豁免未定。 5. 新单股杠杆ETF审批已实质关闭；但监管只能管韩国上市产品，美国/香港杠杆ETF管不了→杠杆将外溢而非消失。 6. 券商风控细节：三星电子融资保证金率20%→30%（Kiwoom等），Meritz上调至60%。