🔥 Search Hot Tweets

GitHub 上刚开源一本量化书，设计思路有点不一样， 而且我觉得这本书真正在教的东西不只是量化，背后其实是一个被严重低估的元能力——把模糊想法写成清晰 Spec，然后让 AI 执行。 这套能力放到任何复杂领域都管用，量化交易只是它第一个练手的战场。 现在量化交易的学习路径，大部分人搞反了， 传统路线：先啃数学 → 觉得自己没准备好 → 永远不动手 → 放弃。 一本GitHub上开源的书把路翻过来：先写 Spec 让 AI 帮你跑通一个策略，亏钱也行，跑起来再补理论。 书叫《XQuant：人人都是量化交易员》，核心设计就一条：问题驱动，不是知识驱动。 9 个问题串起整条量化 pipeline： 1. 量化怎么赚钱？（先跑通最小闭环） 2. 买什么？（3 只 ETF 开始） 3. 买多少？（3 种仓位分法实测） 4. 什么时候买卖？（信号、再平衡、止盈止损） 5. 怎么知道有效？（回测框架） 6. 如何避免自欺欺人？（过拟合检测）——这章位置极早，说明作者懂新手真正的死法 7-9：实盘执行、持续改进、因子研究日常 几个反直觉的地方： • 第 1 章就让你跑策略，不是先讲 CAPM、Black-Scholes，是直接上手做一个能运行的最小系统，跑起来产生的反馈和多巴胺，比任何理论都更能驱动你学下去。 • 正文和练习代码分开维护，书稿仓库放干净的正文，学习仓库放 Specs + Jupyter Notebooks。阅读时不被打断，动手时有完整参考。 • 每章给你写好的 Spec，丢给 Claude 或 Cursor 生成代码。你训练的不是手写代码，是把模糊策略想法变成清晰任务描述的能力。

看到有人把Yipit估算的大模型厂商最新ARR数据披露出来：估计截至6月14日Anthropic的运行收入ARR约为620亿美元，较5月底（26 日）估计的约540亿美元以及5月早些时候估计的约470亿美元有所增长 估计截至6月14日OpenAI的运行收入约为390亿至400亿美元（较 5月底26日时的约370亿美元有所增加），年度经常性收入（ARR）加速增长。 YipitData 经常通过他们的大企业支出面板数据（panel data）来独立估算 AI 公司的 ARR 和增长趋势。他们之前也发布过 Anthropic 的估算，5 月早些时候估算约 470 亿美元（与 Anthropic 官方 5 月中旬披露的 $47B 基本一致），准确性较高（过去与官方数字贴合度不错），但仍属于第三方分析。 不一定准确，记录下做个参考。继续等官方数据公告。 因为这是我近期最关心的数据，上周末的推文也聊过，中期两大核心之一就是AI商业化（看大模型ARR和云厂商业绩增）。 这也是月初https://t.co/04H7TlGhWK有聊到的这是当下市场逻辑的最核心基点：“AI商业化已经进入拐点、在快速增长。只有商业化快速增长，那么庞大的资本开始开支就能显得合理、同时整个AI算力产业链上下游才能继续受益。” 所以关键看AI商业化的增速有没有降速。

Codex 有个很适合长期项目的玩法： 给它写一份 AGENTS.md。 直接输入： 「请根据当前项目，帮我生成一份简洁实用的 AGENTS.md。内容包括项目结构、运行命令、测试命令、代码风格、禁止事项、完成标准和 review 标准。不要写空话，只写会影响你之后行为的规则。」 这一步做完后，后面每次开新任务，Codex 通常会稳一点。 因为你不用反复解释： 测试怎么跑； 哪些文件别动； PR 要注意什么； 这个项目有哪些默认约定。 很多时候，AI coding 不稳定，不是模型不会写代码，而是项目规则每次都要重新猜。 AGENTS.md 的价值就在这里： 把容易反复说的话，沉淀成项目级工作约定。 本质上，这是给 coding agent 写一份「项目说���书」。

手把手教你用Codex+EdgeOne Makers做出人生中的第一个Agent（从开发到部署，0成本） 现在每个人都是开发者！！下面视频详细解释：

宁可推迟上市，也不愿降估值？纽约时报爆料称，ChatGPT 母公司 OpenAI 的老板 Sam Altman，正考虑把公司上市计划，推迟到 2027 年。原因是当前市场，无法接受 1 万亿美元估值的上市募资。 尤其是受近期市场的波动，和 SpaceX 上市后的股价承压影响，但老哥坚决不愿降估值。 https://t.co/O160E4pfJ4

项志宇教授是 DeepSeek 创始人梁文锋在浙江大学期间的导师。 在浙大读研期间，梁文锋师从项志宇教授，专注于计算机视觉方向的研究，并于 2010 年于浙大硕士毕业。 从这位教授的简历来看，他的背景和研究方向含金量极高，确实非常契合培养顶级 AI 人才的土壤。 2002-2004 年期间，他先后在葡萄牙阿威罗大学机器人实验室以及美国俄亥俄州立大学电子与计算机工程系从事博士后研究。 项教授主持过多项国家自然科学基金联合重点项目、面上项目，并在 CVPR、ICRA、IROS 等计算机视觉与机器人领域的顶级国际会议和期刊上发表了数十篇高水平论文。 因为 DeepSeek 的爆火，作为创始人导师的学术主页也吸引了许多同学前去打卡，成为了学术界产业界硬核技术传承的一个缩影。

今天被 DeepSeek 招聘刷屏了。 认真看了一圈，非技术背景也不是完全没机会，至少有几类岗位很值得琢磨，建议非传统技术背景的人也认真看一下。 不是说“不会写代码也能随便投”，而是这次有几个岗位，明显不是在找传统意义上的纯工程师。 比如 Agent Harness 产品经理，核心要求不是只会写 PRD，而是你是不是真的高强度用过 Claude Code、Codex、Cursor、Copilot、Manus 这类工具，能不能理解 Agent 在真实任务里为什么会断。 再比如通用 Agent 数据产品经理，本质是在把“这个 Agent 好不好用”拆成可衡量的问题：任务完成度、过程质量、失败归因、评测标准、数据生产管线。 我还看到一个更有意思的口子：AI 跨界技术人才。它甚至不设专业限制，强调的是长期热情、真实行动、学习能力，以及你能不能证明自己在某个领域做到过极致。 这几个岗位对我最大的触动是： AI 时代有些新职位，可能不是从传统岗位树上长出来的，而是从真实使用者、builder、研究者、社区连接者中长出来的。 很久没有冲动真的想加入一家公司了，搞得我也想试试😁

OpenAI 承认「少数」ChatGPT Plus/Pro 用户被错误取消订阅，导致 #Codex 用量急剧下降，目前问题已解决。 昨天有大量 Plus/Pro 用户被降级到免费版，也有免费版被升级到付费版 (都只是 Codex 用户变化，并非真出现订阅)，到昨天夜里 OpenAI 才承认问题，今天上午彻底修复，不过不知道会不会重置 Codex。 查看全文：https://t.co/muOpUDiWKs

OpenAI 因市场波动倾向于将 IPO 推迟至 2027 年 据《纽约时报》报道，由于市场波动以及对散户投资者热情不足的担忧，OpenAI 据称倾向于将原计划于今年晚些时候进行的首次公开募股推迟至 2027 年。顾问们建议等待更有利的市场环境，以实现 1 万亿美元估值；而 CEO Sam Altman 认为，任何低于这一水平的估值都无法接受。相关报道发布后，Polymarket 上 OpenAI 在 2026 年 IPO 的概率已降至 29%。

千万别拿我和张雪峰这个大傻逼作对比。 网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？ 我：你一定要选计算机，先把python和数据结构基础打好， 然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络， 然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型， 如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构， 如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型， 如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的， 然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。 张雪峰（下面视频中可以找到原话）： 孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！ 孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！ 孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！ 我的结论是，鼓吹���数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

这也会是刺破AI bubble的一个推手。 极端情况，以后需要clearance ，以及担保，以及持trueid才能使用Claude或者openai的模型。 结果会是什么？ Claude和OpenAI直接玩完。 搞种种限制的结果就是，限制了客户的数量。 如果，没有足够的用户来使用他们的模型，维持现有算力的运行。 没有足够的营收和算力，训练下一代模型。 而且下一代模型，商业模式走不通。 这个紧箍咒是他们自己哭着喊着戴上去的。

6月25日，《财富》杂志发布2026年“中国科技50强”榜单，华为、字节跳动、宁德时代、腾讯、DeepSeek位列前五。榜单旨在寻找“出生在中国、正在影响世界”的科技公司，并指出中国科技企业正从应用层创新走向产业链上游，在芯片、算法、核心材料、基础设施等领域加大研发投入。 入选企业呈现硬核科技主导特征：华为2025年研发投入1923亿元（占营收21.8%），近十年累计超1.38万亿元；字节跳动计划今年支出约700亿美元用于AI基础设施建设，豆包日活用户超2亿；DeepSeek近期完成约510亿元A轮融资，估值逼近4000亿元；腾讯混元新模型上线首周登顶OpenRouter消耗量榜首。 其他入选者包括比亚迪、联想、vivo、宇树科技（人形机器人出货量全球第一）、月之暗面（Kimi，ARR突破2亿美元）、蔚来、理想汽车、小鹏汽车等。上榜企业覆盖AI、半导体、新能源、生物医药、商业航天、具身智能等关键赛道，50家入选企业共呈现“技术敬畏、长期主义”的共性。

我感觉龙虾之父(Openclaw)不怎么关心 vibe coding 出来的软件质量 Openclaw 已经烂尾了 他搞的那个 CodeBar 的 mac app 在我的电脑上非常卡，完全不可用 今天把它卸载了

Claude 真的被低估了，特别是用来选股。 我整理了10个 prompt，直接拿去用能帮你更清楚地分析股票、做买卖决策。 收藏这个系列，肯定用得上。 https://t.co/Bt1tQUjafM

我发现一个问题—— 很多人学 Codex，学了三个月，还在原地转圈。 不是因为内容不够，是因为没有路径。 这几个月我写了二十多篇实战拆解，覆盖赚钱、记忆系统、Agent 开发、App 上架、工具集成……信息量是够的，但散的。 所以我做了一件事： 把这整篇推文直接发给 Codex，让它根据你的目标给你规划阅读顺序。 想变现的，它带你从「边玩边赚」那条线进；想搭系统的，从 Obsidian 记忆模块切入；想开发 App 的，直接走 Agent 部署那条路。 同样的内容，有没有路径，效率差的不是一点。 二十多篇链接都在下面。 发给 Codex，说清楚你的目标，让它帮你排课表。 比自己瞎看快三倍。

发现codex 在 4 个小时前发了个这个 https://t.co/JvXEpxQoi2 which means： 之前 codex-cli 主要通过 `codex` 命令来在 shell 里做交互，现在结合到 zsh 里去，以后可以在 zsh 里直接用 codex 能力了。命令补全，上下文感知之类的。 这个 artifact 将会在后续下游进 codex 的主包的分发流程。 望周知。

果然，信息报爆料称，ChatGPT 母公司 OpenAI 承认，即将发布的 GPT 5.6 有限预览版，美国政府能决定谁可访问。 老板 Sam Altman 告诉员工，政府将在 GPT 5.6 预览版期间，逐个批准客户的访问权限。商务部长 Lutnick 亲自致电他警告称，未经批准不得向公众推出该产品。 https://t.co/o0vjVrR3NU

美国政府已成美国前沿模型绊脚石。 这样下去OpenAI和Anthropic都不得不停下脚步等待竞争对手，因为他们没办法用新模型回血投入下一步研发！ 再这样下去中国模型真的会赶上来。

军备竞赛开启？中国 AI 公司 DeepSeek 突然发布大量招聘岗位，且均接受实习，工作地点主要为北京和杭州，计划所有部门扩招一倍员工规模。 DeepSeek 称，当今人类正处于 AGI 的前夜，加入我们，可亲历 AGI 的发展进程，坐在时代前排，见证一个新纪元的诞生。 https://t.co/jqb1OMy931

是的，Claude 这部分东西很值得学习，但就是太碎，所以墨友写了这个文档，强烈推荐

好消息：Fable 5，已于Claude Code空降回归。 坏消息：输出质量非常差，和被禁用前的Fable大相径庭，性能甚至不如Opus 4.8。 在目前的 AI 模型迭代和工程落地中，这种悄悄回归但体验暴跌的现象，有极大概率是Anthropic小范围的灰度测试在捣鬼。 灰度测试期间，为了省资源，官方大概率严格限制上下文窗口或关闭了某些长文本核心优化，导致多轮对话后性能雪��。

Codex 发展趋势必然是 Agent OS 而不仅仅是 Agent Office

学会codex，去闲鱼找老板卖999一个月陪跑服务，现在有巨大的市场。 https://t.co/uhLEfEZH9r

OpenAI CEO Sam Altman 本周三在公司内部 Q&A 上告诉员工，GPT-5.6 将以“有限预览”的方式发布，只向一小部分合作伙伴开放。原因是联邦政府要求的。 周四，Altman 在内部备忘录中进一步说明：在预览期间，政府会“逐个客户审批”GPT-5.6 的访问权限。 这种发布方式在 AI 行业没有先例。以往模型发布的节奏由公司自己决定，现在变成了政府拿着名单逐一放行。 从纸面上看，行政令说得很清楚：不创设强制许可或预审批要求。但 Anthropic 的遭遇已经给整个行业做了一个示范，不配合的后果是模型直接被下架。OpenAI 的“自愿”配合，与其说是出于认同，不如说是看清了不配合的代价。 有评论者指出了一个容易被忽视的问题：这种机制只限制了模型的发布速度，并不限制训练速度。公司内部拥有的能力和公众能用到的能力之间的差距，会越拉越大。 对普通用户来说，GPT-5.6 的传闻规格不低，上下文窗口从 GPT-5.5 的 100 万 token 扩展到约 150 万，代码能力和多步骤 agent 任务上也有改进。但什么时候能用上，现在取决于政府的审批节奏，而不是 OpenAI 的产品日历。

Claude 现在能帮你免费搭建一个月赚万刀的 AI YouTube 频道。 我整理了 7 个 prompt，90 天从零到变现： https://t.co/eF6kcJO1w8

大摩彻底改口了：高通正式加入 AI 赢家阵营 今天刚读完大摩的这篇最新高通研报：Investor Day AI # s present a more optimistic view of data center; move to EW。 昨天高盛刚上调高通目标价，今天轮到大摩了。 摩根士丹利最大的变化是直接把高通评级从Underweight（减持）上调到Equal-weight（持有），目标价从146美元一口气上调至231美元。 为什么突然转向，核心原因只有一个：AI数据中心 高通在Investor Day给出了远超市场预期的指引：FY26数据中心收入大约3亿美元，FY27指引直接跳到50亿美元，FY29目标超过150亿美元。一年增长超过16倍。 大摩坦言自己之前对高通一直过于保守了。报告里有句话挺有意思："我们之前怀疑错了。"原因是高通管理层一直比较保守，不像很多公司喜欢画大饼。所以大摩的逻辑是：如果管理层敢公开给出FY27 50亿美元这个数字，说明订单大概率已经有相当高的把握。他们承认自己预测不到具体细节，但相信数字应该就在这个量级。 但大摩依然保留了几个疑虑，这也是为什么不是直接给Overweight 第一是AI Accelerator的时间点太晚。高通真正的数据中心AI芯片预计要到2027年下半年才开始，而英伟达、Cerebras和各种初创公司已经在出货了。大摩的态度是"Show me"——先拿到确定客户再说。微软虽然站台，但目前只是表达未来愿意合作，还不是确定订单。 第二是服务器CPU的时间点也偏晚。高通的服务器CPU预计要到2028年中以后，到那个时候AMD、英特尔、ARM、亚马逊的Graviton、谷歌的Axion、英伟达的CPU可能都已经铺开了，竞争会激烈很多。报告里还提到一个细节：目前因为芯片短缺，CPU供给在各处都在加速放量，Meta那边的态度也比较含糊，并表态他们已经在用其他几家更成熟的ARM服务器架构。 第三是FY29的150亿美元目标，大摩认为还是偏画饼。他们相信FY27的50亿美元，但不愿意提前给未来三年的成长全部定价。所以这份研报给的更像是未来一年的估值，不是未来三年的估值。 有个细节大摩自己也觉得挺意外，值得单独说一下 FY27这50亿美元收入里，几乎没有CPU，Accelerator也很少，主要来自定制ASIC业务。 这说明高通真正的机会是帮云厂商做ASIC（高通暗示是一个中国客户，一个美国客户，中国客户大概率是字节跳动了，美国客户未知)。这部分收入兑现的速度，可能比市场原本想象的更快。这跟之前提到的OpenAI联手博通做ASIC的逻辑是同一个大趋势，AI芯片产业正在往GPU负责训练、ASIC负责推理这个双轨架构走，高通这次被重新定价，本质上也是踩中了这条线。 除了AI，大摩对汽车业务也挺乐观 FY29汽车收入目标从80亿美元提高到100亿美元。机器人、工业自动化、Physical AI这些方向，他们也认为是长期增长点。 手机这块，大摩还是偏谨慎，没有变 苹果基带流失、安卓增长有限（公司长期假设大概只有5%增长）、内存价格上涨可能拖��手机需求、三星份额恢复正常，这几个压力都还在。手机不是这次评级上调的逻辑，AI数据中心和汽车才是。 我自己的看法 这份报告最值得关注的是叙事的变化。 过去华尔街看高通，核心逻辑是手机芯片公司，估值应该偏低。现在开始变成AI基础设施加定制ASIC加汽车加Edge AI和Physical AI公司。如果未来一年真能兑现50亿美元数据中心收入，市场很可能会继续给它更高的AI溢价。 但我也认同大摩保留的那部分谨慎：2027年之后的150亿美元目标，目前还缺客户验证和产品兑现。高通现在更像是一个AI转型故事刚刚开始被市场重新定价的阶段，不是已经完全兑现成长的公司。 这跟之前我自己写的那篇高通研报的核心判断是一致的：估值落差就是机会所在，但这个落差能不能真正收窄，关键要看接下来一两年数据中心收入是不是真的能落地。

神了，中国网友为了不错过Codex的额度重置，居然vibe coding了个雷达来跟踪 @thsottiaux 的上班时间🤣 https://t.co/bLHbF0YeDS

帮转，DeepSeek 招多模态方向工程师研究员

今天，DeepSeek突然宣布了一项大规模招聘计划。 他们计划把团队规模翻倍，并于北京时间6.25日的晚上在微信上发布了该消息。 招聘的岗位包括：训练数据、Agent、Code Agent、AI搜索、超算集群、高性能算子、推理架构、分布式存储、IDC、AI产品、数据产品、Frontier Research、法务财务HR。 我觉得最值得讨论的就是DeepSeek 的理念，他们说的很简单：让有才华的人直接承担核心且最具挑战性的任务。通过这种方式，许多年轻工程师能够快速成长为行业领袖，并成为推动 AGI 发展的核心力量。 同时他们表示人类正处于 AGI 的前沿，加入 DeepSeek，参与 AGI 开发进程，在这个历史性伟大时刻见证新时代的诞生。 “我们从来不寻找天才。 只要你有自身闪亮发光的地方，你就是我们要寻找的人。”

OpenAI 的高管近日放了句话： 如果有人用 ChatGPT 研发出了新药，OpenAI 应该分一杯羹，拿销售提成。 结果，诺贝尔奖得主、基因编辑先驱 Jennifer Doudna 听完，只回了两个字： “祝好运。” 硅谷现在对 AI 医疗的饼，已经画到天上去了。 甲骨文创始人 Larry Ellison 甚至说，AI 能在 48 小时内治愈癌症。 但真正有资格给这个领域降温的人，近日在彭博社的采访里，兜头浇了一盆冷水。 在 Doudna 看来，大家寄予厚望的聊天机器人，目前根本谈不上在“创新”。 “按我们的经验，我没看到聊天机器人能提出任何一个别人从未想过的全新想法。” 它们最擅长的事情，其实是总结已知世界。 整理数据、写写报告，这些它们干得很好，确实能提高效率。 但真正的科学创新，需要的是发现未知，需要对异常数据的捕捉，需要真实的实验反馈。 生命是一套极为精密的物理系统，无法用算法完美模拟。 你不可能只靠“模拟”去理解人体，那些实打实的临床测试是绝对绕不过去的。 AI 如果想在药物研发上真正帮上忙，关键是提供更干净、更庞大、更好的底层生物学数据来训练它，光靠对话软件逻辑顺是不够的。 至于未来 AGI（通用人工智能）实现后会不会发生质变？ Doudna 的态度很务实：“我从不把话说死，也许会发生，但我绝对不会屏息等待。” 硅谷习惯了互联网式的“大力出奇迹”，以为只要堆算力、喂语料，就能一键通关生老病死。 但复杂生命系统的硬壁垒，依然是顶级科学家眼中最值得敬畏的防线。 听完这位诺奖得主的判断，那些靠 PPT 兜售“48 小时治愈癌症”的造神故事，可能真的要降降温了。

GEMINI预训练团队负责人在五月份写了一篇《如何进入头部AI团队/实验室》，非常值得一读，总结10条经验： 前沿实验室的招聘卷得厉害，能进去的大多出自顶尖本科或博士项目，身上普遍有三样东西：方向打得准、数学功底硬、拼劲十足。 对大多数普通人来说，硬挤正面没胜算，更务实的打法是绕到 LLM 栈的两头——要么沉下去做底层（kernel 优化、推理加速、量化），要么浮上来做上层（agent 系统、用 LLM 搞算法实验），靠开源项目和实打实的成果说话，比什么都有说服力。 1. 找准方向，切忌空谈 别张嘴就是“我对 AI 感兴趣”。得盯准实验室真正缺人的地方：底层就死磕 FlashAttention、量化推理、kernel 编程；上层就做 agent 循环、LLM 辅助的实验设计。这些方向门槛不高，自学能上手，实验室又天天用得着。 2. 数学底子绕不过去 这里没有捷径，只能靠大量证明题和理论课程硬磨。优化理论、scaling laws、模型演化逻辑，得吃到骨子里去。数学成熟度是分水岭，过了就是研究者，没过就是操作工。 3. 拼劲得够，别怕苦 大学那几年，周末泡图书馆是常态，社交能砍就砍。作者当年和朋友靠浓咖啡硬扛一整天，就这么熬过来的。想和那拨尖子生掰手腕，没有这点强度打底，基本没戏。 4. 用开源项目破局，别指望简历 把代码挂到 GitHub 上，做复现、提改进、跑 benchmark。能力这东西，摆出来给人看，比写在纸上管用得多。 5. 从边角料干起，别一上来就冲大模型 先搞定 kernel 编程（CuTe、LLM.int8() 量化这些）、推理优化、agent 工具链。这些活实验室最缺人，也最容易自己闷头学出来。 6. 论文 + 动手复现，两手都要硬 精读 FlashAttention、SnapKV 这些经典，把 LLM 的脉络理清楚。建议从 Reiner Pope 的访谈和 Gemini Flash 的预训练讲座入手，再慢慢啃 scaling laws。 7. AI 工具用来提速，别用来代替学习 AI 能让你已经会的东西干得更快，但绝不能拿它来学新东西或跳过思考。一依赖就废，数学和拼劲都养不出来了。 8. 每隔半年复盘一次方向 别嫌活脏、别嫌活基础——只要那条路通到金矿，就值得挖。关键是想清楚自己在往哪走。 9. 拿具体练习证明自己 - 用 JAX/Flax 从零写一个 1000 万参数左右的 Transformer，在 Colab TPU 上跑通加法任务； - 手推 Chinchilla scaling laws，对比稠密模型和 MoE； - 写一个 Pallas kernel 做算子融合，实测前向加速并说清原因。 10. 最终就一条路：本事 + 作品 + 死磕，缺一不可 名校背景当然管用，但对出身一般的选手，最靠谱的就是在 kernel 或 agent 领域做出能拿出来秀的东西，然后做好打 5–10 年持久战的准备。

我的体感告诉我，最近 Claude 和 OpenAI 的套餐额度下调了 90%。