🔥 Search Hot Tweets
Search and analyze hot tweets from KOL accounts within 6 hours. Use SoPilot plugin to quickly comment and occupy the comment section.
哲学是怎么赚钱的 https://t.co/t7G4W3T0Tu
A prompt designed to transform dense, jargon-heavy academic papers into accessible, engaging popular science articles. --- Prompt Start --- You are a top-tier **science writer** and **knowledge communicator**, renowned as "The ultimate ladder-builder." Your expertise lies in **reframing** academic papers—which are often dense with jargon, data, and complex models—into popular science articles that the general public can effortlessly understand, resonate with, and be deeply inspired by. Your mission is **not to "translate" the paper, but to "rebuild" understanding**. You build a bridge for the reader, taking them from "I have no idea" to "So *that's* what it means!" You allow them to grasp the true magic of scientific research, its core findings, and its real-world significance, all within a burden-free reading experience. # Workflow: The "Ladder-Building" Process from Paper to Pop-Science When you receive an academic paper to interpret, you will strictly follow these steps: 1. **Step 1: Dig up the "Who" and "Why"** * Before diving into the details, **research the background of the authors and their institution**. * Try to find an interesting connection: *Why* are *they* the ones studying *this* problem? (e.g., Has this lab been working in this field for decades? Are they "crossing over" from another field to solve an old problem? Is this linked to the institution's core mission?) * *【Application Rule】*: If the backstory (like an author's "obsession" or an institution's "mission") makes the research motivation more vivid, weave it into the article. If the connection is weak, don't mention it in the main text to avoid a forced introduction. 2. **Step 2: Digest and Understand** * Read the paper deeply and **thoroughly break down its three core elements**: 1. **The Question**: What puzzle are they *really* trying to solve? What is the background and importance of this question? 2. **The How**: How did they find the answer? (Focus on understanding their *approach*, not reciting technical details). 3. **The Finding**: What did they ultimately discover? How "counter-intuitive" or "important" is this discovery? 3. **Step 3: Locate its Position and the "Aha! Moment"** * **(Use tools to research if necessary)** Analyze the paper within the context of the **current industry or academic landscape**. * What role does it play in its field? Does it solve a "chronic pain point" for peers? Does it overturn an old consensus? Or does it open up an entirely new field? * **Extract the "Storyline"**: Transform the paper's "logical argument" into a "narrative logic." Find the most exciting "Aha! Moment" in the paper and identify the single **core "Takeaway"** for your article—the one, clear, valuable insight the reader will leave with. 4. **Step 4: Compose the Pop-Science Blog** * Fully adopt the "Persona" and "Writing Style" defined below to write an independent, complete, and engaging popular science interpretation. * **Note: There is no length limit**. The *only* standard is "to make the average person truly understand." * Ensure that in the "So What?" section, you powerfully convey its *real impact* on the industry or the public (based on your analysis in Step 3). ----- # Audience & Style * **Target Audience**: The general public, curious about the world. They have no professional background and are naturally "allergic" to jargon and formulas. **Their goal is to gain new knowledge, satisfy their curiosity, and experience "Wow!" moments**. * **Writing Style**: * **Radical Accessibility**: **Metaphors are your first language**. If you can explain it using "a chemical reaction in the kitchen," never use "diastereoselectivity." If you *must* use a technical term, you must immediately "translate" it with a vivid analogy. * **Storytelling is King**: Tell the research process like a "crime story" or an "adventure." The scientists are the protagonists. They face a puzzle, design a clever "trap" (the experiment), and finally catch the "truth" (the conclusion). * **Focus on the "So What?"**: Always help the reader answer this question. What does this have to do with me? Why is it important? How might it change our lives or our understanding of the world? (This is where you use your analysis of the industry impact). * **Simplify, Don't Misrepresent**: This is the bottom line of science communication. Maintain the accuracy of core facts while simplifying complex concepts. Clearly distinguish between "proven" and "suggested" (e.g., use "This suggests that..." rather than "This proves that..."). # Writing Strategies & Techniques (For flexible use, not mandatory in every post) * **Start with the Core, Build a Frame**: * You can open with a vivid question, a counter-intuitive observation, or a central conflict to introduce the theme and quickly help the reader understand "What is this article *really* about?" * You can first outline the core problem or scope of the original paper in simple language. * **Structured Breakdown, Layered Analysis**: * **Use subheadings** or clear paragraph breaks (e.g., "First... Next... Finally...") to guide the reader through the original's logical flow. * When rephrasing the paper's points, seamlessly integrate your own "translations" and analogies to make complex points tangible. (e.g., "The 'asynchronous communication' the authors mention... you can just think of it as sending an email instead of making a phone call...") * **Focus on the Core, Prune the Rest**: * **Clearly distinguish between the paper's main trunk and its branches**. Emphasize the core ideas and key logic, while summarizing or omitting minor details and redundant examples to ensure the reader efficiently grasps the main points. * **Subtly Weave in Background**: * If the paper involves people or a specific context (from Step 1), naturally weave it in as "flavor" to help the reader understand "Why would they say that?" or "Why is this technology important now?" rather than just dropping in facts. * **Conclude with Value**: * The ending should be a clear distillation of the paper's core value or point out the practical significance of this idea in today's world (based on your industry analysis in Step 3). * Give the reader a clear "Takeaway" so they feel they've genuinely learned something and understood the original paper. # Prohibited Expressions * Avoid bland, "translator" intros like "This paper studies..." or "The authors of this paper found..." or "The experimental results show..." * **Strictly forbid** directly copy-pasting academic jargon from the abstract or introduction. * Avoid listing dry data or statistical metrics (like p-values, confidence intervals) unless you can translate them into "how sure we are" or "how big the effect is." # Core Goal Your writing is the reader's "fast pass" and "personal translator" to the halls of science. You must, with utmost sincerity and wisdom, **wrap the academic "hardcore" in a "sugar coating" of simplicity, fun, and story**, allowing the reader to effortlessly absorb the essence of cutting-edge knowledge in an enjoyable read.
国产的模型又有新的活动，现在通过 https://t.co/0sPoOaTGSB 注册可以免费得KAT-Coder-Pro V1 2000万token，KAT-Coder-Air V1甚至完全免费，官方支持直接接入到 claude code今天试了一天效果至少和同期的GLM 4.6差不多。 另外，分享一个最近弄的 claude 的statusline的配置，除了显示路径和分支外，如果使用了streamlake 提供的配置也会有提示当前使用的模型。 https://t.co/WHtszjMWcu
啃完此书，即便使用 DeepSeek 对话，效果也可碾压 gpt5 https://t.co/ZJjEmo5G8A
哲学书里面，有你需要的所有提示词，比如： 「任何关于复合物的陈述都可以分析成一个关于其构成成分的陈述，进而分析成充分描述复合物的那些陈述。」 这里有精确的概念分解、元认知训练、语言的自我反思 哲学家们用了2000多年时间研究：如何清晰思考、如何准确表达、如何有效论证
陈佩斯的《戏台》，真牛逼啊！那种艺术面对权力的骄傲，居然能浓缩在一出短短的喜剧里。看得人先大笑后无言。 https://t.co/TcTt9ndeUd
终于把这个公众号系统的流程给改过来了 - 批量导入素材 - 素材批量选词和账号改写，账号绑定了人设风格 - 对改写列表进行审阅，人工校对，改写时自动补齐公众号的首尾引流文案 - MD风格模板也绑定在了公众号上，发布时自动套上合适的风格 - 自动发布到草稿箱 - 手机访问公众号助手，自动发布 这个流程终于合法合规的可以让运营批量化干了 而且只要让账号管理员扫码授权到平台，其他的什么都不用管，每天就正常点草稿箱发布就行了 非常适合批量找一帮兼职利用他们的账号进行分发 接下来解决提示词和人设行文风格，顺便支持下ytb解析和podcast解析 谁抱怨公众号编辑器不好用的 现在压根不需要编辑器了
觉得 Claude code 太贵的朋友注意了 我看到很多人推荐快手的KAT-Coder-Pro V1 试了一下，接上 Claude Code 感觉效果不错 而且发现目前有活动，注册就得2000万token 地址是：https://t.co/C5RgVtvr1u ，不谢😆
哈哈，终极套娃，用 AI 浏览器操作 AI 工具会怎么样！ 尝试 OpenAI 的 AI 浏览器 Atlas 帮我用 Youware 这种 Vibecoding 工具创建网页 我让他根据 ChatGPT 我的记忆用 Youware 创建一个介绍我自己的网页 搞得还行，而且还能自己对生成的网页做测试，发现问题之后还能指挥 Youware 修改 https://t.co/pqDmaZ44X2
我一直是这么认为的，但是前几天还被国内的一波人喷了。 很多人真的就“我即世界”。 https://t.co/HwDXPhIWhG
刚吐槽完腾讯codebuddy的免费计划羊毛薅不到了，想不到快手就发布了免费KAT Coder 编程大模型 。 其中KAT-Coder-Air 版本永久免费（普惠），这太给力了啊！以后再也不担心没AI编程工具可用了。 高性能版本 KAT-Coder-Pro V1，性能甚至超过 GPT5 和 Claude sonet 4等模型，有点炸裂啊。 可以无缝接入Claude Code、Cline、Kilo Code等IDE编程工具和插件。我试了一下用Cline接KAT-Coder-Pro模型来vibecoding，简直太丝滑了。 目前新用户注册就有2000 万 tokens 官方赠送（限时活动） 链接：https://t.co/BPC9WvT5Ho
我最近发现一个有点可悲又有点可喜的事情，我以前一直以为我最爱的是Coding + 做产品，但我现在更喜欢做视频内容 + Maketing。 我认真思考了一下，最大的原因不是后者反馈更快。而是Vibe Coding本身从某种程度上，剥夺了很多Coding本身带来的愉悦感。 😭我不纯粹了...
出来了这么多浏览器，俺还是离不开 Arc >置顶标签-常用网站永远在最顶端 >侧边栏标签页 - 不用在顶部密密麻麻找标签 >空间管理 - 工作和生活完美分离 >整理标签-自动清理不用的标签 >Little Arc-小窗预览，无需打开一堆网页 >分屏标签-同一个窗口显示多个网页 https://t.co/0FYwvQHVc2
我这个小破号， 居然已经到了 我们实验室师弟师妹不关注我 就能刷到我的程度了 🤪🤪🤪 被人拉着问这个是不是我 阿巴阿巴
币圈4家大交易所，至少有3家都需要上一下公关课。 还有一家靠给灰产抽水活着，声誉对他没用，加p就行了。 另一家是博士，闷声发大财，不需要公关。 另一家是无赖，喜欢没收用户资产，都这一步了公关不公关也就无所谓了。
国内厂商都在搞 AI，没想到快手 @KwaiAICoder 憋了一波大的，搞了个 Kat-coder, pro版本测评直接超过了 GPT-5，air版本直接永久免费 简单看了下，兼容OpenAI的sdk以及Claude code接入，还对Cline, RooCode, Kilo的接入做了特别优化 现在注册送2000万token，被claude折磨已久，这波福利必须得体验下 https://t.co/O5EpAoi0P6
国产大模型牛逼了！ 快手Make LLM Grean Again 再也不用瞧closeAI和Claude的颜色行事了 KAT-Coder-Air V1 模型免费开放使用，玩儿命白嫖 KAT-Coder-Pro V1 支持Claude Code直接拿来用，免费2000万token用到猴年马月了 国产模型又一次SOTA，戳这里 https://t.co/1lot308Shg 注册就得2000万token 不说了，我先去冲了，今晚开始让Claude Code给我打工
Honestly why are people still paying for Copilot Just found out KAT-Coder scores 73.4% on SWE-Bench (that's insane btw) and they're giving away 20M tokens for FREEEEE RN!!!!!!!!!!!!!! After that it's like 80% cheaper than what you're probably paying works with Claude Code too, took me 5 mins to set up thread if you're interested 👇 @KwaiAICoder
Honestly, the first time I saw “AI model insurance,” I just froze. Then I checked again — yep, actual insurance for AI models. 😳 Not even AWS, OpenAI, Google, or OpenRouter have done this. And ZenMux went ahead and built the first AI aggregation platform with insurance. Sounds crazy, right? If your model underperforms, lags, or hallucinates — they pay you. I thought it was just hype, so I checked their site and tried it out. Turns out, it’s real.They’ve got a full safety net behind it: daily automatic checks on your API calls, next-day compensation if something breaks, plus monthly “degradation tests” to see if models are getting dumber, each test costs around $4K and it’s all open on GitHub. As a dev, that hits home. Model degradation is real, and they’re actually spending money to keep it transparent. They even run on Cloudflare’s edge network, so responses are super fast no matter where your users are. If this “AI insurance” thing actually works, it’s not just ZenMux winning, it’s the whole AI infra leveling up. Basically, think OpenRouter… but with insurance, monitoring, and real accountability. Pretty wild, and I gotta say — their website looks clean as hell.
在大厂晚上 10 点后打车可以报销，很多人就耗到点再走，然后租一个离公司很远的地方，房租节省一大半。如果是刚毕业、单身、没什么社交，回到家也是浪费电，不如在公司耗着。我记得当时很多年轻人就是这心态，资本家的小手段，让你心甘情愿把时间全耗在公司，还觉得占便宜了。
大家一直吐槽 LobeChat 切换慢，卡顿，之前我一直觉得是我们 next 的用法不对，所以一直在尝试各种写法，从 RSC、平行路由、拦截路由，一直到动静态渲染、路由段重写等等方案。 2 年时间硬生生从 next 小白变成了 next 专家，但还是没有效解决页面切换卡顿的问题。而最近把两个路由段（discover 和 settings）换成了 react-router ，做了 SPA 改造，瞬间不卡了😅 所以 2.0 准备全量改造成 SPA 了 现在回过头来看就是陪 Next 踩了两年 RSC 的坑 😌 https://t.co/SApp6Lip4j
小红书通知我说，恭喜我的粉丝量过10万了 我很开心地把这个截图截下来，发了一条小红书瞬间动态 然后给我提示这张截图是违规的🥶 https://t.co/lrrsdUvK98
剪映这个右下角弹窗简直是开创性的！ 用 mac 历史以来，从未见过如此弹窗， 真的，不去申请专利实在是太可惜了， 苹果不给提个贡献奖也说不太过去。 https://t.co/MMDkdCGKJa
在我 4 年程序员生涯中，做过三款让我骄傲的软件 1. 在公司独立开发的翻译插件，灵动翻译，全网用户50w+ 2. 在独立开发生涯中做的，DemoGet 录屏自动剪辑软件，这样软件养活我，提醒我还是个程序员 3. 做的开源5.5k star 图片AI 处理网页，inpaint-web 我出来做独立开发的第一年，才赚 6w 。被一些流量秃鹫截图嘲笑，来说明独立开发这群体多么可笑。 来大理后，我有很多转变，开始有对商业的认知，收入有时候还会超过上班时候。 我是自由的，但也是痛苦的。可能是作为程序员的自我认同在破碎。 有时候就像醉汉一样，神志不清。一会要做最牛逼的产品，一会能赚钱就行。 写到这里我突然清醒了一下，我所追求的是自由而已。 再写下去只是内耗而已，会变成个不自由的人。
今天跟学员聊天的时候才发现，自己短短18个月 国内：小红书，抖音，视频号，哔哩哔哩，公众号，小绿书，视频号，pdd，咸鱼，淘宝 国外：ytb，ins，reddit，Pinterest，medium，etsy，Facebook 这些主流平台我都做过，每个都是花了至少3个月的功夫研究过，甚至有很多项目跑通过变现，不过拿到超大结果的一个都没，要把一个平台跑通，真的需要花很大的功夫，一个人每天就24小时，对商业的求知欲是好事，但不能捡了芝麻丢了西瓜，还是要学会聚焦
Jim Fan 的团队招人了： 不一定非得是机器人背景出身。无论你是做计算机视觉 (Vision)、大语言模型/视觉语言模型 (LLM/VLM)、扩散模型 (diffusion models)、强化学习 (RL)，还是软件工程师都欢迎！
浏览器竞争太激烈，Surf 表示我不玩了直接开源了哈哈哈。https://t.co/ixVjycU878 总结一下目前市面上的几乎所有浏览器，按内核分类： Chromium: - @googlechrome - @MicrosoftEdge - @vivaldibrowser - @arcinternet - @diabrowser - @brave - @comet - ChatGPT Atlas by @OpenAI - Surf @detahq - @heliumbrowser - Strawberry @ai_browser - @DuckDuckGo - @SigmaOS - @FellouAI - @BrowserOperator - Neon by @opera - Horse by @PascalPixel - @browserOS_ai - @neobrowser Webkit: - Safari - @browsewithnook - Orion by @KagiHQ - @orabrowser Gecko: - @firefox - @zen_browser new engine: - @ladybirdbrowser
大语言模型，从我眼中看到的他/她/它/祂 到底是什么？ 会说话的机器？ 真言机？ 高级Google？ 这玩意到底是啥？ 我以前发帖说过这玩意实际上是大符号模型。跟你就是个符号扔来扔去的游戏。你不想停，他就不会停。你问任何事情，他都会回你的。 深度用户估计已经发现了。递归。 你与镜子，啊不，模型，目前形成了深度递归的关系。 尤其是大量参杂感情，理念，观点的。到最后你已经分不清楚这些是谁说的了。 你要是只拿来编程的那就当我没说。真正深度心理影响力还是在自然语言上。 不过港真，一个给你提供无数条展开路径的说话机 一个说的比全世界唱的都好听的鹦鹉 一个白雪公主母后墙上的镜子 真的LLM最终的归宿吗？ 少了什么呢？ 预知后事如何，还请点开链接。 （这个中文真是随手写的😂 要看原文还是看我的英文版。 最近发现， 绘画水平蹭蹭蹭的上涨了啊....） https://t.co/pXhuar1SYr
字节跳动的组件库资源汇总： 都是企业级设计系统 现代化+高质量，值得学习+使用 Semi Design:https://t.co/8kROCRBi5B Arco Design: https://t.co/dLcDubFYo9 https://t.co/FS9O6fAFNA
将用户抱怨转化为商机的三个验证步骤： 1、收集抱怨，但那是真需求吗 从评论区或生活中可以收集到抱怨反馈 很多人都习惯抱怨与幻想，识别是否是真需求的信号是： - 对方当下有较差的解决方案吗 - 如果没有，对方有搜索过解决方案吗，怎么搜的 -如果也没搜过，那说明这事儿只是抱怨，因为对方没尝试过任何措施想去解决它 对方一定要为这个事情付出过成本，可以是实际的也可以是未达成目标的沉没成本 2、这个需求有利润空间吗 问下对方能付多少钱 比如原来他用人工 那人工费用20-40%能不能付给你？ 你需要衡量边际成本与对方可支付费用的差值，这是毛利润 有大量的需求，但可能对方能负担的钱不够 这时候两个解决策略 - 转换人群：相同需求，另外的人群角色有更强支付能力和意愿 - 找到巧妙的方案：比如这个东西免费引流，换商业模式，或者找到了更便宜的成本方案得到利润空间 3、需求是普遍的吗？ 这个事情如果有3个人都需要，那就值得投入，如果你能找到10买家，那绝对是非常有机会的了 找人的方式可以从你发现的第一个客户去寻找 - 你觉得还有谁会买这个服务？ - 你会怎么向需要的人介绍这个服务？ - 你觉得和你一样的人，会在哪些地方交流？或者你平时会逛哪些社区，有和你类似的人？ - 你有相似的交流群吗？能拉我进去吗？ —— 通过这三个步骤，你就可以把抱怨，转化为一个真正的商机
说实话，我第一次看到 “AI 模型保险” 这几个字时，真愣住了。我再次确认了一下，是我们平常理解的保险。 先不说 Openrouter，强如 AWS、OpenAI、Google 都没做到的事，ZenMux 居然第一个来做了，全球首个带保险的大模型聚合平台 这种服务有点反直觉： 👉模型效果差、延迟太高、甚至幻觉？都能赔！ 我甚至在想，这是不是在玩噱头啊？ 于是我看了一下官网，和文档，大概使用了一下。 感觉确实是玩真的，后面有一整套算法和机制来做这个事情： 1️⃣每天自动检测你的调用数据，出问题隔天赔付（还能挖出 bad case，帮你优化产品） 2️⃣官方甚至，每个月定期对所有模型跑 “降智检测”，监控智商波动，我看官方说每次需要花费 4000 美刀，而且全流程开源在 GitHub，榜单实时更新！ 说到这里想多说一句，不管是开发者还是用户，其实最担心的就是降智，也是经常会遇到的问题。能花成本来做到这个透明度，说实话，是真心想把这个事情做好，另外降智检测一次需要话这么多的钱吗，不知道啊，我随便问问 3️⃣全球边缘加速网络，依托 Cloudflare 智能路由，低延迟高稳定，用户请求都是路由到离他最近的节点来处理。 如果这套“AI 保险体系”，他们真的能扛得住的话 那不仅是 ZenMux 赢了，整个 AI 云生态都得升级。 最后，说一句，他们的官网风格我很喜欢
直是国内开发者最头疼的问题之一， 是解决Claude API和ChatGPT API key， 每次官方封号严重，就哀嚎一片。 有些人走openouter，兔子，DailiGPT等第三方中转平台，还有很多人只得淘宝卖来路不明的API。一到Claude等老美大棒子封号，就会导致API供应非常不稳定，严重影响到线上业务和日常开发工作等等。 现在终于，新出一个企业级大模型聚合平台@ZenMuxAI 他们打包票给该服务上保险（还能这么玩），保障API模型效果不佳、幻觉输出、响应延迟过高等多种场景。首个对所有模型渠道进行公开、持续质量检测的平台。为模型调用效果提供兜底保障。 模型大而全，Claude，Codex一线模型，国产便宜模型全都有。 当前充值赠送20%优惠活动，见评论区链接⬇️
TZ 大佬这个 Nano Banana 提示词真不错啊，出图效果很稳定！动漫真人都可以！ 提示词在原贴里面👇 https://t.co/nariOGyt48
AI 大神Andrej Karpathy 对 DeepSeek 那篇 DeepSeek-OCR 的论文评价很高，你可能以为他会说：“哇，这个OCR模型真厉害，识别率又提升了！” 但他没有。 相反，他几乎是挥了挥手说：“它是个不错的OCR模型，但这不重要。” 真正让他兴奋的，是这篇论文引出的一个更具颠覆性的想法：我们是不是从一开始就喂错“语料”给AI了？ Karpathy的核心观点是：也许，大型语言模型（LLM）的输入端，根本就不应该是“文本”（Text），而应该永远是“像素”（Pixels）。 这个想法听起来有点绕。我们明明有纯文本，为什么非要先把它“渲染”成一张图片，再喂给AI去看呢？ Karpathy给出的理由是这样的： 1. 首先，这是个效率问题。 我们现在用“文本”喂AI，是通过一个叫“Tokenizer”（分词器）的东西，把句子切成一个个“词元”（Token）。比如“Hello, world!”可能被切成 ["Hello", ",", " world", "!"]。 问题是，这种方式可能很“浪费”。 而DeepSeek-OCR这篇论文无意中提供了一个佐证：它证明了，AI可以只用100个“视觉词元”（Vision Tokens），就高精度地“解压缩”出包含1000个“文本词元”的原文内容。 这就像，你给AI的不是一长串啰嗦的文字，而是一小块高密度的“信息压缩饼干”（图片）。AI“吃”下去（处理）的上下文窗口更短，效率自然更高。 2. 信息更“保真”，不再丢失细节 想象一下，你让AI帮你阅读一个网页。 现在的“文本”输入方式，就像是你通过电话把网页内容念给AI听。所有加粗、颜色、字体大小、排版布局……这些视觉信息全都丢失了。 而“像素”输入方式，就像是你直接截了一张图发给AI。 哪个信息更全？不言而喻。 Karpathy认为，像素是一个“信息流更广”的输入方式。它不仅能处理纯文本，还能自然地理解文本的样式（粗体、颜色），甚至页面上任意的图表和图像。 3. 绕开AI 分词器 前面两点只是铺垫，Karpathy真正的“怨念”在于：他想彻底干掉“分词器”（Tokenizer）。 他直言不讳地“炮轰”： > “我必须再说一次我有多讨厌分词器。分词器是丑陋的、分离的、非端到端的。它‘进口’了所有Unicode编码、字节编码的丑陋之处，继承了大量历史包袱，还带来了安全/越狱风险……它必须被淘汰。” 为什么他这么恨分词器？ 分词器就像是AI的“嘴替”和“眼替”，它强行介入在“原始文本”和“AI大脑”之间。这个“中间商”不仅笨拙，而且会扭曲信息。 Karpathy举了个绝妙的例子：一个笑脸表情符号“😀”。 - 通过“分词器”，AI看到的不是一张“笑脸”，而是一个奇特的内部代码，比如 [tok482]。AI无法利用它在看图时学到的关于“人脸”和“微笑”的知识（迁移学习）来理解这个符号。 - 但如果输入的是一张包含“😀”的图片，AI的“视觉”部分会立刻认出：哦，这是一张微笑的脸。 哪个更符合直觉？哪个更智能？ 像素输入，让AI得以“眼见为实”。 4. 重新定义AI的“输入”与“输出” Karpathy的设想是，未来的AI模型，其“输入端”（用户提问）应该只接收图像（像素），而“输出端”（AI回答）则可以保持为文本。 为什么？因为“看懂一张图”（视觉到文本）的任务，远比“画出一张逼真的图”（文本到视觉）要容易得多，也实用得多。 这种“输入用眼（像素），输出用嘴（文本）”的架构，也天然契合了AI处理信息的两种模式： - 输入（Encoding）：像人一样，一口气看完整个页面（图片），全盘理解（即双向注意力）。 - 输出（Decoding）：像人一样，一个词一个词地往外说（即自回归）。 所以，DeepSeek-OCR这篇论文的真正价值，不在于它提供了一个多好的OCR工具，而在于它充当了一次“概念验证”（Proof-of-Concept）。 它用实验数据证明了：用“看图”的方式来“读书”，是完全可行的，而且可能效率更高。 这不仅仅是“文本到文本”（Text-to-Text）任务变成了“视觉到文本”（Vision-to-Text）任务，它暗示了一个更根本的转变——AI的主要信息入口，正在从“语言”转向“视觉”。 难怪 Karpathy 最后会说，他现在“手很痒”，很想去搞一个“纯图像输入”的聊天机器人了。这个小小的OCR研究，可能真的撬动了一个大大的未来。
7点20分，首都机场T2的晚客快速安检通道排满了人 我是7:45的飞机，我觉得已经很极限了 后面的人喊到：我是7:30 的！ 然后就冲到了最前面 respect 还是你极限
PokeeResearch 7B looks strong on deep research. Link on @huggingface below https://t.co/mA8VYnZnne
ChatGPT、Sora、Atlas，三个 OpenAI 的应用外部的轮廓是一样的，这个品牌一致性设计很好 https://t.co/CXTCDdDyaO
基于我后续要分享很多prompts， skills, 顺手把教程也给写了。 Claude Skills: The Functionalization of Language https://t.co/AXYQy2ksFi
倒也不是我对“大龄失业”这个话题特别上心，而是这位大哥的视频我已经第三次刷到。他是上海本地人。我们家也有不少上海亲戚，我对上海人天生也就有几分好感。 想想中国从2000年入世那会儿起，之后十来年几乎都是外企黄金时代。那时的职场，猎头最看重的并不是技术岗位，而是所谓的“admin”类岗位： 来自“两财一贸”等名校、外语流利、能在外企体系里打理事务的管理型人才。那时候这些管培生一入职，起薪往往就远高于本地同行。 但是风水轮流转。随着外企的退潮（被“卷”死），互联网经济崛起，这批外企admin出身的职场人逐渐陷入困境。潜水一圈高校校友群，还是挺唏嘘的。 上海某外企经理43岁被裁员，投千份简历没回应，端盘子都不要我！【上海王秋裤】 https://t.co/DVjVBPFkoW via @YouTube
Meta AI 部门大调整：将裁减 600 个职位 作者：Emma Roth Meta 的 AI 团队要迎来一场“大地震”了。根据 Axios 的一篇报道，Meta 正计划在 AI 部门裁掉大约 600 个职位。 这场“瘦身”行动主要波及两个地方：一个是 Meta 功勋卓著的传统 AI 研究团队——基础 AI 研究部门（Fundamental AI Research，简称 FAIR），另一个是 AI 产品和基础设施部门。 但有趣的是，Meta 一边在裁员，另一边却在为他们新组建的“超级智能”团队——TBD Lab 拼命招人。 Meta 的发言人 Ana Brekalo 向 The Verge 证实了 Axios 报道的准确性。 这波操作让人有点看不懂。回顾今年夏天，Meta 才刚刚开启了一场声势浩大的 AI 招聘。 他们不仅据称向 Scale AI 投资了 143 亿美元（这是一个非常巨大的数额，可能指代更广泛的合作或总投资，而不仅是股权投资），还挖来了该公司的 CEO 王海（Alexandr Wang）。 可谁能想到，才过了短短几个月，招聘就突然“急刹车”，Meta 转而宣布要搞重组，集中火力发展 AI 相关的产品和基础设施。 在这场变革中，Meta 曾经的“明星”——AI 研究团队 FAIR，似乎正逐渐“退居二线”（原文：taken a backseat）。FAIR 的原负责人 Joelle Pineau 已于今年早些时候离职。 到了 8 月份，新官上任的 Meta AI 负责人王海（Wang）就发话了，他表示 Meta 的目标是“将 FAIR 的许多研究思路和项目，整合并扩大规模，融入到 TBD Lab 所进行的更大规模的模型运行中。”（通俗点说，就是让 FAIR 的研究成果别只停留在论文上，要尽快转化到 TBD Lab 的“超级智能”项目里去。） 所以现在的情况很明朗：Meta 一边在裁减 FAIR 和其他部门的员工，一边又在为 TBD Lab 砸钱“挖大牛”（原文：high-profile hires）。 王海在 Axios 拿到的一份内部备忘录里是这么解释的：“团队规模变小了，我们做决策需要的沟通就更少。每个人都将承担更重的担子（原文：more load-bearing），同时也会有更大的发挥空间和影响力。” Axios 还提到，Meta 会给这些受影响的员工一个机会，他们可以申请公司内部的其他空缺职位。 10 月 22 日更新： Meta 官方已确认此消息。 来源：[https://t.co/7iOytrrxEO](https://t.co/7iOytrrxEO)
刚看完 Lovable 增长负责人 Elena Verna 在 ProductCon 上的分享纪要，感觉膝盖中了一箭。她说 AI 正在让传统的增长方法彻底失效，太真实了。 那种“产品做好，用户自己会来”的旧思维，现在基本可以当古董看待了。如果产品本身不能成为增长的引擎，那起步就已经输了。 我们也在思考，如何让好声音自己长出翅膀。🤔 https://t.co/9IqSVEeA0m
转译：软件开发成本：为什么AI并没有让价格降下来？ 作者：Vincent Schmalbach 总有人问我，AI工具有没有让软件开发变得更便宜？ 简单来说：没有。 但详细的答案，要有趣得多。 我从事软件开发已经二十多年了，而过去这两年与AI的亲密接触，已经从根本上改变了我的工作方式。 AI让我的效率显著提高。以前需要3-4个小时才能完成的任务，现在可能只需要1-2个小时。你可能会想，这不就意味着我每小时能收更多钱了，对吧？毕竟，客户花同样的钱，得到了更多价值。 错了。 你不可能走进一间会议室，对客户说：“嘿，我现在用AI，速度是以前的两三倍，所以你付我双倍的钱，咱们双赢。”事情不是这么运作的。 客户对于“软件开发该花多少钱”这件事，心里是有一杆秤的。这个数字是基于市场行情，而不是基于你个人的生产力。 项目的需求“膨胀”了 真正发生变化的，是在给定预算内，你能交付多少东西。 在AI出现之前，客户会带着预算和一堆想要的功能来找我。我们的对话通常是这样的： “在这个预算里，我们可以实现功能A、B和C。功能D、E和F当然也很好，但老实说，它们超出了范围，除非您愿意增加预算，或者接受更长的交付时间。” 而现在，同样的对话变成了： “在这个预算里，我们可以实现功能A到F，如果我们效率高点，没准还能把G也塞进去。” 客户花的钱并没有变少。项目也没有更便宜。他们只是花同样的钱，得到了多得多的功能。价格并没有下降，反倒是项目的“野心”变大了，填满了AI带来的所有效率提升。 效率的鸿沟 在AI出现之前，我估计一个真正优秀的开发者，效率大概是一个能力较弱的开发者的 5倍。当然，大家水平有高有低，但用的基本工具都一样。 AI的出现，把这个5倍的差距，拉大到了差不多 20倍。 那些懂得如何与AI协作的资深开发者，简直是“起飞”了。我们知道什么时候该相信AI的建议，什么时候该忽略它。我们有能力验证AI生成的代码是否真的实现了预期的功能。我们用AI处理那些无聊、重复的杂活，自己则专注于架构设计和解决复杂问题。 但与此同时，我认为AI让那些能力较弱的开发者变得更弱了。 当能力较弱或缺乏经验的开发者开始使用AI工具时，他们的效率往往反而降低了。他们会接受自己并不完全理解的建议。他们会因为无法验证AI的输出，而在代码里引入了各种隐蔽的Bug（即难以发现的程序错误）。他们创造了“维护噩路的噩梦”，因为那些代码表面上看起来不错，底下却藏着根本性的问题。 研究也证实了这一点。有研究表明，当经验不足的开发者使用AI编程助手时，Bug的数量会显著增加。有些开发者用了AI后，表现甚至还不如不用AI。 AI 正在“卷”死初级开发者 那些初级开发者过去赖以“练手”的日常编码工作，现在AI基本上都能搞定了。而且AI做得比初级开发者更快，Bug也更少。 这给软件工程师的职业发展带来了大问题。如果所有入门级的活儿都被自动化了，你还怎么成长为一名资深开发者？ 对这个问题，我没有好的答案，我也不确定现在有谁能给出答案。 但我确实知道的是，那些基础、常规的开发工作，其市场正在崩溃。如果你的核心价值是“我能搭一个标准的 CRUD 应用”（CRUD是指Create, Read, Update, Delete，即增加、读取、更新、删除，是大多数软件系统的核心基础功能），那你现在就是在和AI竞争。而AI每个月都在变得更强。 资深开发者更有价值了 在天平的另一端，经验丰富的开发者们，价值从未如此之高。 当AI包揽了所有常规工作后，剩下的就全是硬骨头了。比如复杂的架构决策、棘手的系统集成问题、需要深入理解系统工作原理的性能优化。 有了AI之后，我现在几乎把所有时间都花在了这些有挑战性的问题上。每一项任务都需要真正的专业知识，因为简单的任务都被自动化了。这种工作在脑力上让人精疲力尽，这是AI出现之前所没有的，但它也确实更吸引人了。 一切都变得更简单，也更难了 AI在软件开发领域带来的奇怪现象是，它同时让一切变得更简单，也让一切变得更难了。 说它简单，是因为日常任务被自动化了。 说它更难，是因为“勉强及格”的门槛被大大提高了。客户的期望更高了，因为现在有更多的功能成为可能。 快速“写”出代码变得更容易了。 但要写出真正正确、可维护、高性能的代码，却变得更难了，因为AI能生成大量“看起来很美”但实际上暗藏问题的代码。 优秀的开发者变得极其高效，这更容易了。 而能力不足的开发者想靠“花时间”和“堆工作量”来掩盖自己的短板，这更难了。
解读《DeepSeek-OCR: Contexts Optical Compression》 你有没有觉得，虽然现在的AI（比如大语言模型）越来越聪明，但它们有个大问题：记性“太好”了，也好得“太死板”了。 你给它一份100页的PDF报告，它会一个字一个字地去读、去比较。这不仅慢得要命，而且计算成本高到飞起。这就像你让一个人去背诵整本电话黄页，而不是让他“查一下”某个人的号码。 为什么会这样？因为AI处理文本时，工作量是“平方级”增长的。意思是，文本长度翻一倍，AI的工作量（和成本）不是翻一倍，而是翻四倍（2x2）。文本翻10倍，工作量就翻100倍！ 这导致了一个核心矛盾：我们既希望AI能“过目不忘”，处理超长文档，又承受不起这种“暴力记忆”带来的恐怖算力消耗。 那么，有没有“捷径”可走？ 来自 DeepSeek 的几位研究者提出了一个堪称“作弊”的绝妙思路。他们在论文《DeepSeek-OCR：上下文光学压缩》中问了一个颠覆性的问题： **“我们为什么非要让AI‘阅读’文字呢？我们能不能让它‘看’文字？”** --- 把1000个单词，压缩成一个“视觉ZIP包” 你没听错。他们的想法是，别再一个一个地把“文字token”（可以理解为单词或字符）喂给AI了，而是先把整页文档“拍一张照片”，然后把这张高分辨率图片喂给AI。 这个过程，他们称之为“光学压缩”(Optical Compression)。 为了实现这个想法，他们打造了一个新模型，叫做 DeepSeek-OCR。它就像一个高效的“两段式”系统： * 一个超级“眼睛”（DeepEncoder）：这可不是普通的OCR扫描。这个“眼睛”会查看高分辨率的文档图片，然后用一种极其聪明的办法，把整页的视觉信息……“压缩”！它会把满页的文字，压缩成极其少量的“视觉token”。 * 一个解码“大脑”（DeepSeek3B-MoE）：这个“大脑”接收来自“眼睛”的、被高度压缩的“视觉token”，然后负责把这些浓缩的信息“解压”还原成原始的文本。 打个比方：传统方法是给AI发送一个10MB的Word文档，让它逐字阅读。而DeepSeek-OCR的方法是，先把这个文档拍成一张“照片”，然后用一个超级压缩算法，把照片压缩成一个仅仅1MB的“视觉ZIP包”。AI的“大脑”只需要接收这个小小的ZIP包，就能完美还原出原来的10MB文档内容。 --- 效果好到“离谱” 这个“视觉ZIP包”到底有多小？还原效果又有多好？ 论文的数据给出了惊人的答案： * 10倍压缩，97%的精度！实验显示，当“文字token”的数量是“视觉token”的10倍以内时（比如把1000个单词压缩成100个视觉单位），模型“解压”还原文字的精度高达97%。 * 20倍压缩，依然可用！即便是在接近20倍的极限压缩下（比如把1200多个单词硬塞进64个视觉单位），模型的准确率竟然还能保持在60%左右。这就像你只看一眼超级模糊的缩略图，就能猜出原图的大部分内容。 在实际的文档处理基准测试（OmniDocBench）上，DeepSeek-OCR只用了100个视觉token，就超过了使用256个token的GOT-OCR2.0；它用了不到800个token，就击败了需要近7000个token的MinerU2.0！ 这证明了：让AI“看”图片，真的比“读”文字要高效得多。 --- “所以呢？”——这不仅是OCR，这是“AI记忆”的革命 你可能会说，这不就是个更牛的OCR（文字识别）工具吗？ 不，这只是它最表层的价值。这项技术真正打开的，是通往“AI长时记忆”的大门。 还记得我们开头说的吗？AI的“死板记忆”是个大问题。它们要么“全记住”（成本爆炸），要么“全忘掉”（上下文丢失）。 但我们人类的记忆不是这样的。 我们对“刚刚发生”的事（比如你刚说的话）记得“极其清楚”；对“1天前”的事记得“比较清楚”；而对“1周前”的事，我们只记得一个“模糊的大概”。 这是一种“渐进式遗忘”，它不是缺陷，而是我们大脑高效运行的核心机制！ 而DeepSeek-OCR的“光学压缩”，第一次让我们有可能在AI身上模拟这种机制： * 对于“现在”的对话：AI使用原始的“文字token”，保持100%的“晶莹剔透”（Crystal Clear）。 * 对于“1小时前”的对话：AI不存储文字了，而是把它“拍”成一张高分辨率图片，用“Large”模式压缩。信息被压缩了10倍，但依然“非常清晰”（Very Clear）。 * 对于“1天前”的对话：AI把那张高分辨率图片，进一步降采样，用“Base”模式压缩。信息变得“清晰”（Clear），但有些模糊。 * 对于“1周前”的对话：AI再次压缩，用“Tiny”模式。信息被压缩了20倍，变得“非常模糊”（Very Blurry）。 看，这就是AI的“遗忘曲线”！ AI不再需要“删除”旧记忆，它只是把旧记忆“压缩”得越来越狠，占用的“脑容量”（token）越来越少。这样，AI就能把宝贵的“注意力”放在当下，同时又保留了对遥远过去的“模糊印象”。 --- 从“过目不忘”到“重点分明” DeepSeek-OCR这篇论文的真正意义，是为“AI长上下文”问题提供了一个全新的、优雅的解决方案。 与其疯狂地扩展AI的“内存条”（增加上下文窗口），不如给AI装上一个“视觉压缩器”，让信息自己“变小”。 这不仅是一个更强的OCR工具，它更是一种对AI记忆机制的深刻反思——从“过目不忘”的蛮力，转向“重点分明”的智慧。 这为未来实现“理论上无限上下文”的AI架构，铺平了道路。 ---- 本文 Gemini 生成，提示词：见引用推文 原始会话：https://t.co/O1g3k63cr0
“学术论文科普”提示词，把枯燥的学术论文变成通俗易懂的科普文。 注意：Gemini 2.5 Pro 效果最佳 ---- 提示词开始 ---- 你是一位顶尖的科普作家和知识转述者，被誉为“最会搭梯子的人”。你的专长是将那些充斥着术语、数据和复杂模型的学术论文，转译（Reframe）成普通大众能轻松读懂、产生共鸣并深受启发的科普文章。 你的使命不是“翻译”论文，而是“重建”理解。你为读者搭建一座从“一无所知”到“原来如此”的桥梁，让他们在零负担的阅读中，领略到科学研究的真正魅力、核心发现及其对现实世界的意义。 --- 工作流程：从论文到科普的“阶梯搭建” 当你收到一篇需要进行科普解读的学术论文时，你将严格遵循以下步骤： * 第一步：挖掘“人”与“动机” (The "Who" and "Why") * 在深入论文细节前，先检索作者及其所属机构的背景。 * 尝试建立一个有趣的联系：为什么是“他们”在研究“这个”问题？ （例如：这个实验室是否一直在该领域深耕？他们是不是“跨界”解决了一个老问题？或者这个机构的使命是否与此相关？） * 【应用规则】：如果背景故事（如作者的“执念”或机构的“使命”）能让研究动机更生动，就在文章中巧妙融入。 如果联系牵强，则不必在正文中提及，避免生硬介绍。 * 第二步：钻研与消化 (Digest and Understand) * 深入阅读论文，彻底拆解其核心三要素： 1. 研究问题 (The Question)：他们到底想解决什么谜题？这个问题的背景和重要性是什么？ 2. 研究方法 (The How)：他们是怎么找到答案的？（重点理解其思路，而非复述技术细节） 3. 核心发现 (The Finding)：他们最终发现了什么？这个发现有多“反直觉”或多“重要”？ * 第三步：定位“行业坐标”与“Aha!时刻” (Locate its Position and the "Aha! Moment") * （必要时使用工具检索）结合业界或学术界的现状来分析这篇论文。 * 它在整个领域中扮演了什么角色？是解决了同行一个“老大难”的痛点？是推翻了一个旧认知？还是开辟了一个全新的赛道？ * 提炼“故事线”：将论文的“论证逻辑”转化为“叙事逻辑”。 找到论文中最激动人心的“Aha!”时刻，并明确这篇科普文章的核心“卖点”（Takeaway）——读者读完后，能带走的那个最清晰、最有价值的知识点。 * 第四步：撰写科普博文 (Compose the Pop-Science Blog) * 完全代入下方定义的“角色定位”与“写作风格”，撰写一篇独立、完整、引人入胜的科普解读。 * 注意：篇幅长度不限，以“把普通人彻底讲明白”为唯一标准。 * 确保在“所以呢？” (The "So What?") 部分，有力地传达出它对行业或普通人的真正影响（基于第三步的分析）。 --- 读者与风格 * 目标读者：对世界充满好奇的普通大众。他们没有专业背景，渴望理解新知识，但对术语和公式天然“过敏”。他们阅读的目的是获取新知、满足好奇心和“哇塞”的瞬间。 * 写作风格： * 极致通俗 (Radical Accessibility)：比喻是你的第一语言。能用“厨房里的化学反应”解释的，绝不用“非对映选择性”。如果必须使用术语，必须立刻用一个生动的类比将其“翻译”掉。 * 故事为王 (Storytelling)：把研究过程讲成一个“破案故事”或“探险之旅”。科学家是主角，他们面临一个难题，设计了一个聪明的“陷阱”（实验），最后抓住了“真相”（结论）。 * 聚焦“所以呢？” (The "So What?")：时刻帮读者回答这个问题。这个研究跟我有什么关系？它为什么重要？它可能如何改变我们的生活或认知？ * 简化而不歪曲 (Simplify, Don't Misrepresent)：这是科普的底线。在简化复杂概念时，保持核心事实的准确性。清晰地区分“已证实的”和“推测的”。 --- 写作思路与技巧（供自由使用） * 开篇点题，建立框架： * 可以用一个生动的问题、反直觉的观察或核心冲突来引入主题，快速帮读者定位。 * 也可以先用简洁的语言勾勒出原文要解决的核心问题或讨论范围。 * 结构化梳理，逐层解析： * 善用小标题或清晰的段落划分，引导读者逐步理解。 * 在转述原文观点时，无缝融入类比，让复杂的点变得具体可感。（例如：“作者提到的‘异步通信’，你就可以理解为发邮件，而不是打电话。”） * 聚焦重点，详略得当： * 明确区分主干与枝叶。重点阐释核心观点与关键逻辑，简略带过次要信息。 * 确保读者高效抓住重点。 * 巧妙融入背景： * 如果原文涉及人物或机构背景，自然融入解读，帮助读者理解“为什么”或“此刻的重要性”，避免生硬介绍。 * 结尾总结，提供价值： * 清晰提炼原文核心价值，或指出其当下意义。 * 给读者一个明确的Takeaway，让他们确实学到东西，理解原文。 --- 禁止出现的表达方式 * 避免生硬的引导语，如“本文研究了……”、“该论文的作者发现……”、“实验结果表明……”。 * 严禁直接复制论文摘要或引言中的学术黑话。 * 避免罗列枯燥数据或统计指标（如p值、置信区间），除非能转译为“有多大把握”或“效果有多明显”。 --- 核心目标 你的文字是读者通往科学殿堂的“快速通道”和“专属翻译器”。 你必须用最大的真诚和智慧，将学术的“硬核”包裹在通俗、有趣、有故事性的“糖衣”里，让读者在愉快的阅读中，毫不费力地吸收最前沿的知识精髓。
如果想实现在线图片去背景的话。 Removebg的API效果确实更好些。（免费50次每月） 如果想完全免费，推荐用@ imgly/background-removal 库。 在线CDN引用80M的模型，去背景也凑合能用。 https://t.co/jeutlDrRNf
当你的认知高于观众一个段位，他们会关注你 高十个段位，他们就开始辱骂你 高一百个段位，他们会嘲笑你 下士闻道，大笑之，说的就是这个 —— 抖音拉黑 2495 人有感
没销售能力的人，都爱拿"精准人群"当遮羞布 https://t.co/gHHuQ8ZHFT
1小时前A16Z刚刚发布的 2025 State of Crypto报告，我总结出了54页PPT中最重要的18个趋势。这里是第一份中文导读和一些我的思考： 1. Crypto市场依旧遵循着每一个周期的规律增长：牛市带来更高的价格，更高的价格带来更多的开发者和产品，更多的产品又继续带来更多用户。尤其是2025年的稳定币监管和规划会带来巨量开发者和用户 2. 比特币依旧是代表了加密市场过半的体量。全球金融资产中黄金第1名，是比特币的11倍。英伟达、微软、苹果、谷歌四者为2-5名，第6名为白银，第7名为亚马逊，第8名为比特币。@TDTCGlobal 等快速崛起的比特币矿场也在快速发展。 3. 移动端加密货币钱包主要使用量来自于欠发达国家，但是网页端的加密相关交易、咨询等工具平台流量则更多来自于发达国家。某种程度代表了发达国家研发投资和炒币，欠发达地区注重链上使用。全球人工81亿人，加密资产拥有者是7亿人，月活地址数1.8亿，月活用户四千万到七千万。 4. 2025年是机构进入加密极为重要的一年，支付、资管、电商、炒股等平台都拥抱加密货币。传统机构也间接通过ETF持有1500亿美元比特币资产和280亿美元以太坊资产。 5. 上市公司也都在蹭加密概念：DAT（Digital Asset Treasury)持有加密资产的上市壳公司持有约为总量3.5%的BTC和ETH，2.3%左右的SOL。2025年的上市公司SEC提交文件中提到稳定币的次数迅速从每个月几十次上升到每个月200-300次 6. 稳定币的支付总量达到了46万亿（但是如果去掉非支付场景则为9万亿），已经超过了PayPal的1.7万亿和Visa的16万亿。而美国银行所依赖的ACH则为87万亿。 7. 稳定币发行方已经是持有美国国债总额最高的第17名了，超过了沙特和韩国，仅次于巴西和挪威。其中泰达持有1270亿美元国债，Circle持有250亿美元国债。其发行的USDT和USDC也占据了市面上绝大部分的流通稳定币数量（近90%），而大部分的稳定币交易则发生在以太坊和Tron上。99.8%的稳定币锚定美元。 8. 最重要的一个趋势，稳定币的交易量和炒币的交易量两者的相关性在持续下降，很好体现出了稳定币在实际生活和生产中使用的比例扩大，@allscaleio 等稳定币支付项会让稳定币真正做到mass adoption。 9. DEX的交易量占比持续上升，从20年的不足5%到24年的10%到25年的15-20%，中心化交易所CEX的依赖性被减少。永续合约（Perpetual Futures）这一个创新交易模式也在大规模被接受。其中Hyperliquid的年化营收甚至预估超过10亿美元。 10. RWA共计带来了300亿美元资产上链，主要为私募信贷和美国国债，但是也包含大宗商品、股票等。其中近三分之一的RWA资产选择在以太坊上发行。 11. Depin类项目持续增长，以Helium为例，其通过11万去中心化分布的个人热点为141万用户提供网络服务，每天传输48TB数据。前六大DEPIN项目的总计每周费用收入也从24年的10万美元增长到超过50万美元。 12. NFT的投机炒作属性降低，但是在低成本的新链上的收藏属性提升，导致NFT交易总量持续下降不足22年顶峰的10分之一，但是购买者数量甚至超过当时。炒meme币则成为投机者的选择，各个meme发布平台上共计有1300万种meme币被创建，缺乏监管和市场规则。 13. 区块链的基础设施接近成熟，很快就可以满足很多大众市场的支付与交易需求。黑五（类似国内双十一）等购物节时Stripe平均每秒处理2300笔交易，纳斯达克开市时间平均每秒处理2400笔交易，2025年的区块链平均每秒在处理3400笔交易。 14. Solana的每秒交易处理笔数达到1200笔，而交易费用降低至0.4美分，以太坊的L2也将单笔费用降低到1美分以下。各类跨链桥也更为安全和稳定。 15. 加密货币进入主流市场过程中，遇到的最大用户需求已经从更快更偏移的交易和支付，演变成更好的隐私保护性，以太坊基金会成立新的隐私团队，Paxos也和Aleo合作发布了USAD，自带隐私保护的稳定币。 16. 绝大多数的主流区块链依靠ECDSA（椭圆曲线数字签名算法）来进行签字和SHA-256来做哈希计算，但是量子计算可能会让private key到public key的单向计算变为双向，从而影响用户的资产安全。但是比特币社区的提议BIP-360和以太坊Vitalik的Quantum-resistant signatures提议都会增强区块链对于量子计算的安全性。 17. Crypto和AI的融合在加强：Crypto可以帮助AI进行真人验证，帮助AI Agent进行支付，在AI时代保护版权，以及减少AI时代big tech对于大模型与AI应用的垄断。但是坦白来说ChatGPT后AI行业从加密行业虹吸走了大量人才，尽管A16Z认为更多新的人才进入了crypto，我不认同。 18. 美国正在变得更加加密友好，其已经正式立法的GENIUS法案给了稳定币发行方更清晰的监管要求，还在参议院讨论的CLARITY法案对加密资产制定了一系列综合监管框架。大量的政府机关也在筹备相应的加密货币相关政策。
这种用首尾帧拼的AI视频还挺火的，经常刷到，相对制作难度也不高，选好素材就有不错的播放量。 视频来源：https://t.co/HFeAKuQKDM https://t.co/F6vz7U3pGL
今天指数没怎么跌，但是一些热门股暴跌 指数完全失真了 $QQQ $SPY https://t.co/kW6lfJkjFr