puzzithinker @puzzithinker

这下省事了！高频回测里最容易骗你的地方，不是策略，而是你默认自己每张单都能成交 hftbacktest，4.8K Stars，专门给 HFT / Market Making 做订单簿级回测。 以前做高频回测，大多数框架只管“信号出来就成交”，很少认真处理延迟、排队位置和盘口变化。 hftbacktest 不一样，它直接把真实订单簿、Feed 延迟、下单延迟、Queue Position 全塞进回测里，让策略先过一遍真正的成交考验。 核心能力： 1️⃣ Tick-by-Tick 回放：直接重放逐笔成交和订单簿，不拿分钟 K 线假装做高频 2️⃣ 支持 L2 / L3 Order Book：可以重建盘口、挂单队列，研究做市和订单流 3️⃣ 延迟也算进去：Feed、下单、回报延迟都能模拟，不再默认自己是零延迟大神 4️⃣ Queue Position：你的限价单排第几位、什么时候真正轮到成交，也会影响最终结果 5️⃣ 支持多资产、多交易所，可以继续研究跨市场做市、套利和 Basis 策略 6️⃣ Rust 版还能把同一套 Algo 继续接 Binance Futures、Bybit 做 Live Bot 原型 我觉得它最狠的一点，是会直接把很多“漂亮回测”打回现实。 你的单真的成交得到吗？ 几十毫秒以后机会还在吗？ 排队没排到你，收益曲线还成立吗？ 高频策略如果连这几关都没过，回测赚再多都可能只是纸面利润。 做 HFT、Market Making、订单簿策略或者 Crypto 高频量化的，这个很值得收藏。 github.com/nkaz001/hftbac…

爱吃折耳根的Ace @_zheergen

2 days ago

卧槽！华尔街做股票最残酷的一套规则，被人直接搬进 AI 投研团队了：谁的业绩差，谁就得改脑子。 项目叫 ATLAS，2.3K stars。 它不是让一群 AI 围着股票聊天，而是让 25+ 个 Agent 每天研究市场，再用真实表现给它们打分。 谁长期有用，话语权就越来越大；谁一直拖后腿，就自动改

0 20 82 16K 149

卧槽！给 TradingView 做付费指标的那家 LuxAlgo，把自家图表引擎开源了 Vela，495 Stars，Apache-2.0 开源，也是 LuxAlgo 自己在用的金融图表引擎。 以前做行情前端，要么买 TradingView 授权（贵、数据还受限），要么自己造图表轮子（难、bug 一堆）。 这个不一样，LuxAlgo 直接开源整套图表引擎，不是 TradingView 的壳，是自带 WebGL2 渲染器的 headless 核心，数据层 / 脚本引擎 / 渲染层全是插件化接口。 核心能力： 1️⃣ WebGL2 金融图表：实时 K 线高性能渲染，Canvas2D 自动兜底 2️⃣ 70+ 技术指标：MA、RSI、MACD、VWAP、SuperTrend、Volume Profile 都有 3️⃣ 22 种画图工具：趋势线、斐波那契、Pitchfork、波浪、Long / Short Position 直接用 4️⃣ 多图 Workspace：多图布局、Crosshair 同步、周期切换、对象树都做好了 5️⃣ 实时行情接入：Binance、Coinbase、Hyperliquid 开箱即用，也能换自己的数据源 6️⃣ 支持 Pine Script：配合 PineTS，可以把原来的 Pine 指标直接跑进 Vela 我觉得它真正有意思的地方，不是“能画 K 线”。 而是你拿到了一套可以继续长成自己交易终端的骨架。 行情、指标、策略、AI Agent、Broker，后面都能继续往上接。 想自己做 TradingView 风格量化终端、Crypto Dashboard 或 AI Trading 工作台的，这个很值得留着。 仓库：github.com/LuxAlgo/Vela

爱吃折耳根的Ace @_zheergen

a day ago

这下省事了！高频回测里最容易骗你的地方，不是策略，而是你默认自己每张单都能成交 hftbacktest，4.8K Stars，专门给 HFT / Market Making 做订单簿级回测。 以前做高频回测，大多数框架只管“信号出来就成交”，很少认真处理延迟、排队位置和盘口变化。 hftbacktest

6 7 39 100K 63

这应该是我用大模型以来，所得到的最有价值的一次对话 【提示词】 如果一个人的操作系统内，包含概念表、关系表、流程表这三个东西，请从 PDF 里面分析 dontbesilent 的三张表里面有什么（PDF 里面是我的 1000 多条推文） 然后我得到了三张表，分别代表了： - 我的商业词典 - 商业世界的内在联系 - 如何将思考转化为行动的蓝图 这个就是所谓的“底层操作系统”，比如商业词典里面，会给「粉丝」、「赛道」这些基础概念词下定义 常见的说法可能是：粉丝就是喜欢你、追随你的人 我认为这是一个错误的定义 那如果什么是粉丝、什么是产品、什么是流量，这些基础概念词，你的定义全部是错的，后面的逻辑推理就无从谈起了，一错百错 所以扩充和修正这三张表，就成了核心工作 出处 dontbesilent · 2025-06-29 · x.com/dontbesilent/s…

keyboard_arrow_left Previous keyboard_arrow_right Next

dontbesilent @dontbesilent

a year ago

这应该是我用大模型以来，所得到的最有价值的一次对话 【提示词】 如果一个人的操作系统内，包含概念表、关系表、流程表这三个东西，请从 PDF 里面分析 dontbesilent 的三张表里面有什么（PDF 里面是我的 1000 多条推文） 然后我得到了三张表，分别代表了： - 我的商业词典 - 商业世界的内在联系 -

keyboard_arrow_left Previous keyboard_arrow_right Next

26 101 614 93K 839

"Manchester City whistleblower ready to help UK authorities in return for protection" theguardian.com/football/2026/…

假期第三天，继续学习阿里的「AI Native 研发范式实践手册」 今天继续看「企业级 AI 研发基础设施」中最容易被忽略、最容易自以为没问题的「企业知识库」 说起来可能会让 CEO、CIO 们不开心，你们公司的「企业知识库」真的合格吗？ 虽然肯定不会是放在架子上、箱子里的一堆堆纸质文件（如果是，对不起，冒犯了 😄），基本的电子档还是有。但大部分企业，都只是把文档攒下来了，是积累？不，更像积压！ 文档目录架构一团乱、每个部门都有自己的规则（或者没有规则）、关键证据缺失、关键信息都在老板脑子里、同一实时多篇文档不知道以哪个为准、很多悬而未决的 ToDo 遍布在每篇文档的最后却没跟进、不同部门有不同权限设置。。。 与其遍地找 CAIO、花大价钱请 HW 培训、找各种咨询团队搭企业 AI 架构，真的不如先把只属于你企业内部的知识库搭好。 从公司角度牵头梳理文档，做知识整理、知识加工、知识供给，再输入给 Agent 使用和反馈，闭环知识更新改进。 在此之上，做好质量、版本、权限、责任四个方面的知识治理（是持续治理，不是一次性运动！） ai-native.alistatic.com/app/ainativein…

keyboard_arrow_left Previous keyboard_arrow_right Next

meng shao @shao__meng

2 days ago

假期第二天，继续学习阿里发布的「AI Native 研发范式实践手册」 今天细看「企业级 AI 研发基础设施」这一章中最重要的「企业级 Agent Harness」 从大型企业内部视角，把很多平时熟悉或不熟悉的技术点串起来，算是系统复习吧(主要是陪孩子上课有连续时间 😂) 在常规的 Agent Harness

keyboard_arrow_left Previous keyboard_arrow_right Next

2 10 55 11K 40

The idea of an intelligence explosion caused by recursive self improvement has been around for a long time but until very recently it did not seem imminent. Now many leading researchers think it may happen quite soon. You can read our paper about it here: casp.ac/reports/intell…

世界五大学习法： 1.费曼学习法：把你学的东西，讲给别人听，如果能讲清楚，就是学会了。 2.西蒙学习法：确定学习目标，拆分学习目标，6个月就能精通任意领域。 3.SQ3R阅读法：浏览、提问、阅读、回忆、复习。 4.番茄学习法：规划学习和休息时间，二十五分钟为一段，定闹钟。 5.康奈尔笔记法：记与学，思考与运用相结合的方法。步骤包括记录、简化、背诵、思考和复习五步。

🎉重磅！Qwen Image 2.1 的换脸/换头天花板 LoRA 来了！ 开源神库 BFS-Best-Face-Swap 迎来重大更新，现已正式支持最新的 Qwen-Image-2.1 基座模型 利用多模态大模型的原生理解力提升替换精度 🔥核心能力： 1. Face Swap（换脸）： 仅改变面部五官，保留原图的头发、肤质与微表情 2. Head Swap（换头）： 替换整个头部（含发型），并与原图颈部自然融入 3. Body Swap（换身体）： 替换整个人物，但保留原有场景、动作构图与光影 项目提供了现成的 ComfyUI 工作流和 Draw Things 预设，同时支持 Python Diffusers 部署 去吧，愉快的玩耍！ 传送门👇🏻

Lonely @Lonely__MH

4 days ago

🔥 Qwen Image 2.1 玩家福音！ 如果你使用 Qwen Image 2.1 图像生成总翻车，试试这个修复神器 - 轻量级的 LoRA 插件模型：Qwen-Image-2.1-Fix ✅ 修复 vanilla 模式下大部分生成缺陷，提高画面稳定，减少抽卡次数 ✅ 支持 Diffusers 库、Draw Things、DiffusionBee ✅ 附带推荐设置的工作流

11 26 233 78K 350

THE PEP FILES. PART 5: Creating the Manchester Nest While Pep was warring with doctors in Munich, a far more methodical operation was unfolding across the English Channel. Manchester City’s Abu Dhabi ownership didn't just want to hire Pep Guardiola; they wanted to construct a closed, bulletproof sanctuary tailored exclusively to his needs. To do it, Ferran Soriano and Txiki Begiristain spent four long years terraforming the Premier League landscape, bending rules, weaponizing endless capital, and quietly laying a foundation that no traditional football institution could compete with. Chapter 1: The Shadow Enclave & The Youth Pipeline City didn't just build a new £200 million training complex at the Etihad Campus; they built a cloned enclave of Catalonia in the North of England, complete with former Barcelona coaches, physios, and background handlers. To ensure the setup had the world's most elite young talent waiting for Pep's arrival, City aggressive pushed past standard global recruitment boundaries. Rival clubs began quietly whispering about City’s youth academy practices: Off-the-Books Enticements: Reports surfaced of City securing the world's brightest teenagers by offering secret financial incentives to their families, buying luxury housing, providing high-paying shadow employment, and issuing under-the-table cash transfers strictly prohibited by FIFA and FA youth recruitment regulations. The Premier League Bans: The operational aggression was so severe that the Premier League eventually slapped Manchester City with bans and heavy fines for illegally tapping up elite academy players from rival English clubs, including buying luxury accommodations for young prospects' families to bypass standard anti-inducement rules. By the time Pep was ready to make his move, the academy cupboards were stacked, funded by a pipeline of unregulated capital. Chapter 2: The Middle Eastern Referee Pipeline Money and player recruitment were only two prongs of the fortress. Institutional influence required something deeper, a way to cultivate goodwill within the refereeing ecosystem. Long before Pep stepped foot in England, City’s hierarchy set up a unique pipeline between the English game and the Gulf: The UAE Excursions: Senior Premier League match officials were offered lucrative, handsomely paid assignments to travel to the United Arab Emirates and referee domestic matches in the UAE Pro League. The Conflict of Interest: Elite English referees were flying first-class to Abu Dhabi, the very home state of City’s ownership, earning match fees that dwarf standard European domestic rates, only to return to England days later to officiate key Premier League fixtures involving Manchester City. While technically packaged as international referee development, rival executives saw it for what it was: an unprecedented network of financial influence weaving through the officiating hierarchy. Chapter 3: The Nasri Incident & The Shadow Medical Pipeline In Munich, Pep was constantly fighting Dr. Müller-Wohlfahrt over medical autonomy and unauthorized treatments. City offered a very different guarantee: absolute, total medical control. They promised Pep that his squad’s recovery protocols would run entirely through his personal contacts, specifically Dr. Ramón Cugat and the Quiron Clinic in Barcelona, far from British medical scrutiny or traditional English club oversight. Yet, whispers of aggressive recovery methods were already swirling around the club before Pep arrived: The Drip Doctors Scandal: In late 2016, City midfielder Samir Nasri visited a high-profile "wellness" clinic in Los Angeles known as Drip Doctors. Photos surfaced of Nasri receiving a massive 500-milliliter intravenous hydration drip containing specialized micronutrients, a volume 10 times higher than the 50ml limit permitted under WADA anti-doping codes.

Congrats to early DGX Spark owners. Same 128GB box was $3,999 at launch. Founders Edition is now $6,950, and the new 64GB starts at $4,999 with half the RAM. blogs.nvidia.com/blog/local-ai-…

兄弟们，天天看群里有人吹什么信息差，其实说难听点全靠手脚勤快。 只要你梯子不断，脑子里知道怎么让Claude和GPT干活，国内大把人的钱包就是给你敞开的。 我自己花10亿Token让Codex测试下来可以跑通的几个路子,免领👇： 1. 去Hugging Face和Discord各大AI频道扒最新的工作流和Prompt合集，转手丢给DeepSeek洗成保姆级中文教程，挂闲鱼和微信小店，上个月我朋友单靠卖这个睡后收入五位数。 2. 盯紧Product Hunt和X上的独立开发圈子，把海外刚冒头、还没被搬烂的微创新产品，挑有痛点的用可灵做成解说视频，发微信视频号和知乎，哪怕挂个私域咨询都能直接收割一波。 3. 爬海外顶级Newsletter和Substack上的干货，用NotebookLM做成针对垂直行业的落地问答库，打着“行业专家私教”的名头往私域引流，一套打包卖199，买的人根本不管成本是零。 4. 把国内B站和快手上那些解压、木工、非遗手艺视频，稍微掐头去尾换上无版权BGM，直接往Instagram Reels和YouTube发，海外老外就吃这套，赚美金播放分成真的省心。 5. 收集GitHub上开源的各种自动化脚本，自己花两小时测试跑通，做成小白专属配置包，去专门的技术社群当定制服务卖，单子多到你根本接不过来。 全特么是公开的东西，但凡你肯动手倒腾两下，真轮不到你在这天天焦虑。

太酷啦！以后的系统架构图都以这个标准来做！！

delost @thedelost

3 days ago

Codex tip: once GPT-6.1 Sol is your main model, stop running Astra on every turn put Astra on call as an architect agent GPT-6.1 Sol keeps writing the code Astra only gets spawned at three points: → before a plan: is this the right approach? → when the same error comes back:

90 253 2K 961K 5K

x.com/i/article/2105…

斯坦福外刊：30天的极度专注，可以拉开10年的

keyboard_arrow_left Previous keyboard_arrow_right Next

💥我靠！拆掉脚手架，成绩反而更高，北京大学把 Agent Harness 蒸进权重，成功率飙升至23.3% → 44.3%，甚至超过基础模型挂着优化 Harness 时的 41.7%！ 核心亮点：训练时用优化 Harness 当老师，部署时只留最小 Harness，能力写回权重。论文称为 Harness Distillation。 关键上手步骤： 1️⃣克隆仓库，uv sync；要训练再加 --group tinker。Python 3.12–3.13，轨迹在 Docker 沙箱里跑，密钥写入 .env。 2️⃣先演化学生侧 Harness（工具、中间件、技能、记忆），再改写成老师私有参考 K，仓库里 harness_bank/ 已有 Spreadsheet、AppWorld、USPTO 三套。 3️⃣harness-zero run-rollout：Student 在最小 Harness 下行动，Harnessing Agent 用 K 审查，要么 PASS，要么在学生能执行的动作空间里 REPLACE。 4️⃣harness-zero build-sft 只留成功轨迹，再 train-sft 对 Qwen3.5-9B 做 LoRA SFT。审查过程不进学生可见轨迹。 5️⃣部署只留最小 Harness，卸掉专用 Harness、参考 K 和老师模型。不想自己训，可直接下 metaevo-ai/ahd-9b-ssb、ahd-9b-appworld、ahd-9b-uspto。 别再给每个任务外挂一套越来越重的 Harness，先让它当老师，再把老师卸掉。 论文：arxiv.org/abs/2609.24974 开源：github.com/metaevo-ai/har… #HarnessZero #Agent #北大 #港科大 #开源 #LLM #AIAgent

keyboard_arrow_left Previous keyboard_arrow_right Next

打造 dbskill 的流程

dontbesilent @dontbesilent

6 days ago

x.com/i/article/2104…

7 58 302 37K 575

我现在阅读的学习资料，都是让 Grok Bot 用 /dbs-learning 给我写的，安卓折叠屏随时看 X 上面的内容随时作为 Grok Bot 的输入，联动非常好 这使得绝大多数纸质书、Kindle、微信读书对我来说都没用了 折叠屏 + dbskill，是我现在随时学习的最优解

《上海方案》正式标志着中国2026年开启房产税时代。《上海方案》预示了几件事： 1. 基层不会学习美国出台一年一交的“房产税”，而是直接用“土地使用权租金”来征收，40~70年一征收，每次征收总价的70%，等于每年征收1%~1.75%——这就是中国房产税的税率； 2. 不按年征收，而按照40~70年后统一征收一大笔钱， 也就意味着每次交一大笔钱，这样征收痛苦程度低，成本小，难度低，很容易收上来； 3. 这件事先从上海试点，之后再向沿海其他城市和内陆推广，先从商住房试点，然后向民宅和其他土地性质试点，也许整个进展非常缓慢，也许快速全国各地落地，也有可能在上海商业地产第一步就停止了，这件事无法预测，要看国务院级别的决心和动力； 4. 一次性征收40~70年的“土地使用权租金”，也就意味着房产税不存在减免措施，什么低收入、农村、城市、小面积、低保、残疾、老人，一律一视同仁。 我个人认为，这件事要么在这次《工作指导意见》中遇见强大舆论阻力停止，否则一定会快速全国范围推广开来，一定不能拉长战线，因为这是一件能挣钱的大好事，绝对不能犹豫不决，必须快刀斩乱麻。

按2025年统计数据，中国三类基本养老金的人数和支出是倒挂的：城乡居民占领取人数的一半以上，支出只占约8%；机关事业单位人数不到7%，支出约占24%。 领取人数来自人社部2025年公报：城镇职工离退休人员1.5215亿人，城乡居民实际领取1.8820亿人，机关事业单位领取人数公报未单列，按约2300万估算，企业职工约为1.29亿人。支出用的是财政部2025年决算。 另外，机关事业单位的退休人员还有其他收入来源； 1）职业年金。 单位缴8%、个人缴4%，由受托机构单独发放，不走基本养老保险基金。很多地方月均大约几百到一千多元； 2）统筹外项目。 取暖补贴、物业补贴、部分改革性补贴、病故后的丧葬费和抚恤金等，按规定不列入基金，仍由原单位按原渠道发。离休人员也不进这套制度，离休费继续由原单位发。

「绝望式繁荣」The Despair Prosperity 是我进入2025年后一直在琢磨这个社会主题, 正好最近有个很点题的观察, 一起记录下. 之前也写过美国的消费也并没有topline看上去那么美好, 疫情之后财富效应集中在拥有股票资产的富裕阶层, 但是富裕阶级的商品消费增长是边际递减的, 所以服务消费（Services）的增速与占比长期显著高于实体商品消费（Goods） PS. 疫情期间发放的数万亿美元补贴在中低收入群体中已基本耗尽。低收入群体的信用卡违约率、还有车贷款逾期已经攀升至近年高位) 从2025年开始, 服务业和商品/专业商品制造就业(包括信息业) 就业数据也是在K形分化上越走越远最近一次的非农更可以体现服务业就业情况比其他行业突出很多(新增就业岗位高度集中在医疗保健与社会援助、休闲与酒店业etc) , 拉动了大部分就业. 这段时间在反复看不同的角度的消费和基建resonation, 发现进入2024年以来是美国战后历史上第一次capex diffusion 和consumer sentiment大背离的历史阶段 (下图) 上一次的最像的时候是1991年, 但是regime不可比, 那时候是因为刚走出萧条, 信心并无法完全恢复所以没有立刻跟上基建; 这次是刚从大的macro shock(covid)里回复常态, 但是新的天量级别专项基建开支完全无法传导到就业/工资和普通人的商品消费信心. 最近还有一个做了1500个数据中心的survey：county level 引入型数据中心后，大约增加 100–200个岗位，工资没有明显上升，但房价上升约 2%–5% ... 收益的还是资产端 😂 .. AI capex创造的劳动收入很小，却通过电力、住房和财政补贴(还是靠税收) 把成本让居民一起承担

Dovey "Rug The CNY" Wan🪐 @DoveyWanCN

3 months ago

x.com/i/article/1886…

19 40 290 74K 277