crypto花椒

Polymarket讓用戶賭美軍飛行員什麼時候被救出來。
F-15E在伊朗上空被擊落，Polymarket上線了一個市場：美國確認飛行員獲救的時間——4月3日還是4月4日？
用戶可以買Yes或No。超過63%的賭注壓在不會很快被救。
民主黨議員Seth Moulton炸了。他在社交媒體上寫：他們可能是你的鄰居、朋友、家人。而有人在賭他們能不能活著回來。
他管Polymarket叫反烏托邦死亡市場。順便提了一句——Donald Trump Jr.是Polymarket的投資人。
Polymarket隨後下架了這個市場，說不符合公司誠信標準。
但Moulton指出，平台上還有219個跟戰爭相關的賭盤在跑。
好消息是兩名飛行員都被救回來了。川普周日宣布第二名武器系統軍官也獲救。
壞消息是這件事暴露了預測市場的倫理底線問題。
Polymarket的邏輯是：預測市場能提供比民調更準確的概率評估。
這在選舉、政策預測上確實有用。但當標的變成人的生死時，市場效率這個敘事就不夠了
想想看——如果有人因為賭不會獲救而獲利，他希望飛行員被救還是不被救？
預測市場不是中立的。當下注金額足夠大，參與者就有了動機去影響結果。
在大多數場景裡不是問題。但在涉及人命的場景裡，這個機制是危險的。
市場有邊界。不是所有東西都應該被標價

目前在手機上跑起來了 Google最新的gemm4 3n E4B 模型
這應該是你離本地大模型最近的一步了，感受一下開源無限 token 的感覺
方法： 下載 Google AI Edge App - 按需下載自己需要的手機模型 - 聊天即可

美國的房子，正在集體變老。
Seeking Alpha剛發了一篇報導：美國住宅維修成本飆升，房主的財務壓力越來越大。
美國現有住房的中位年齡已經超過40年。
二戰後嬰兒潮建房高峰，那批房子現在全到了大修期。屋頂、管道、電路、地基
建材價格從2020年開始就沒真正回落過。人工成本更是一路漲——藍領技工短缺是美國勞動力市場最大的結構性問題之一。
你想找個靠譜的水管工，排隊等三個月是常態。
普通一次屋頂翻修，$15,000-$30,000。管道全換，$10,000起。這還是正常價，加急加錢
從投資角度看——
美國房地產的隱性通膨比CPI顯示的嚴重得多。CPI裡住房權重高，但它只算租金等價，不算維修。一個40年老房的真實持有成本，比貸款月供還高。
而Home Depot和Lowe's這類家裝零售商，基本面有長期支撐。建材、工具、維修服務——需求是剛性的。
同時，新建房市場也會受益。當老房修繕成本接近新建價格時，推倒重建或買新房的人會越來越多。

Kevin Warsh的Fed主席提名聽證會定在4月16號。
Trump想換掉Powell
Warsh的履歷很扎實。斯坦福+哈佛法學院，Morgan Stanley做過高管，2006年成為美聯儲歷史上最年輕的理事。Bush時代的人。
但他面臨兩個障礙。
第一個：Thom Tillis參議員公開說不投票。原因不是反對Warsh本人，是要求司法部先結束對Powell的調查。一個共和黨人卡自己黨的提名，這在Fed人事上很少見。
第二個：Elizabeth Warren反對。理由是央行獨立性。這在意料之中，民主黨基本會統一反對。
關鍵問題是參議院的數學。
銀行委員會13:11（共和黨佔多數），全院51:49。Tillis一票倒戈，委員會就12:12打平，提名出不了委員會。除非有民主黨人倒戈——這個概率接近零。
所以Warsh能不能上任，取決於Trump團隊能不能搞定Tillis。
從市場角度看，這件事的影響鏈很清晰。
Warsh被認為比Powell更鷹派。如果他上任，市場會重新定價2026-2027的利率路徑——更高更久。美債收益率上行，風險資產承壓。
但反過來，如果提名失敗，Trump和Fed的關係會進一步惡化。Powell剩餘任期內的政策獨立性反而會增強——這對市場是短期利好。

Anthropic花了4億美金，買了一家不到10個人的公司 🧬
這家公司叫Coefficient Bio，去年才成立，團隊清一色Genentech（基因泰克）出來的計算生物學大佬。
4億買10個人？瘋了吧？
沒瘋。買的是AI+生物科技這個方向。
Dario（Anthropic CEO）的終極目標是讓Claude參與藥物研發。1月份已經推了Claude for Life Sciences，接了PubMed、Benchling這些科研平台。現在把人也招進來了。
說白了就是：AI不只幫你寫文案了，要幫你做藥了。
這裡面有個門道——Anthropic IPO在即。
收一個biotech團隊，估值敘事馬上升級：從"聊天工具公司"變成"AI科研基礎設施"。天花板完全不同。

Generalist AI的GEN-1來了——機器人真的會幹活了
GTC 2026上，兩個機械臂自主完成手機包裝
NVIDIA做機器人的"安卓"，Generalist做"應用層"靈巧操作模型，Universal Robots提供硬體。
和Figure、Tesla Bot不一樣。Generalist純做模型，接入別人硬體。輕資產、快迭代。
2026年是通用機器人分水嶺。不是因為demo驚艷，是供應鏈成形了：晶片+模型+硬體+場景，四層都有人在做
我們正在一個超級大時代！

一篇论文让我停下来看了半小时 S0 Tuning
核心idea：不改模型权重，只调一个初始状态矩阵，就能大幅提升模型coding能力。
在Qwen3.5-4B上，只用48个HumanEval训练样本（不是48K，是48个），S0 tuning把pass@1提升了23.6个百分点。
对比LoRA，S0高了10.8个百分点。p值<0.001，统计显著。
在FalconH1-7B上，S0达到71.8%。
这意味调完之后模型速度不变，大小不变，只是"起跑位置"更好了。
对做本地模型部署的人来说，这打开了一扇门：拿一个通用模型，用几十个领域样本把它调成专用模型，不付任何性能代价。
论文在arxiv: 2604.01168。做模型适配的人应该读一下

Google放了Gemma 4
1B、13B、27B三個尺寸，還有31B稠密版。全部Apache 2.0協議。商用隨便用。
這個license變化比模型本身重要。之前Gemma用的是Google自家協議，有限制。現在Apache 2.0，和Meta的Llama直接競爭。
模型本身的亮點：多模態——文本+視覺+音頻。31B稠密版在AIME 2026上跑了89.2%，LiveCodeBench v6拿了80%，Codeforces ELO 2150。
27B參數量對本地部署很友好。一張4090能跑。
E4B和E2B是端側版本，給手機和IoT用的。Google在鋪Gemini Nano 4的生態。
Llama在開源LLM圈子裡一家獨大太久了。Google這次不是試水，是全面進攻——覆蓋從2B到31B全參數段，Apache協議不設商用門檻，端雲一體。
對獨立開發者和小團隊來說這是好消息。競爭越激烈，免費午餐越多。
對Meta來說，Llama的護城河在收窄。

OpenAI花錢買了一個YouTube talk show。
TBPN，一個2025年才開始做的科技直播節目，YouTube粉絲才5.8萬。OpenAI把它收購了。
TBPN去年廣告收入500萬美金。今年預計破3000萬。是一個不到兩歲的節目，增長6倍。
節目每天下午2點直播3小時，嘉賓名單是這樣的：Sam Altman、Meta高管、微軟高管、Palantir、a16z。Bloomberg和CNBC都來過。
這是硅谷權力圈的客廳。
收購後TBPN歸OpenAI戰略部門管，匯報給首席政治官Chris Lehane。注意這個職稱——政治官，不是內容官。
OpenAI說會保持編輯獨立。但一個AI公司買下自己CEO常上的節目，“獨立”這兩個字能信幾分，自己判斷。
當AI競爭白熱化，技術差距在縮小的時候，誰控制敘事誰就贏。Google有搜索，Meta有社交圖譜，OpenAI什麼都沒有。
買TBPN不是買內容，是買分發渠道+輿論陣地

阿里悄悄放了個大招。
CoPaw-Flash-9B——基於Qwen3.5的AI Agent模型。9B參數，能跑在你自己電腦上。
厲害在哪？
部分benchmark和Qwen3.5-Plus（閉源大模型）打平了。
90億參數 vs 幾百億參數，分數差不多。
更讓我興奮的是CoPaw這個框架：
- 支持持久記憶（聊過的它記得）
- 多渠道連接（、飛書、Discord都能接）
- 本地部署，不用API費用
Qwen3.5的架構也很猛——總參數397B，每個token只激活17B。效率拉滿。
你不需要H100伺服器。一台MacBook可能就夠跑一個個人AI助手了。
我在想把我內容pipeline的一些中間步驟（資料清洗、格式轉換）挪到本地模型上，API費用能省一大半。
2026下半年，個人AI Agent可能會變成標配。
不過benchmark分數和實際體驗是兩回事。等我本地跑通了再說。

這個市場就是被這種MM搅局最後死亡的
一天拉18倍 然後 15分鐘結束戰鬥
縱然是上了bn的合約/現貨 也是難逃命運
沒有任何info edge的散戶只會死得更快
山寨完了 加密完了

刷到一張"AI工具大全"的圖，分了十幾個類，看著特別牛。
說個暴論- 你根本不需要那麼多工具。
我每天真正打開的就三個：
- Claude：寫程式碼+寫長文 + 讓他認識我
- Codex： 瞎幹搞
偶爾用到的再加三個：google stitch做圖，Whisper轉錄，Claude artifact做資料分析。
五個。夠了。
那張圖的問題在哪？它把"存在"當成了"有用"。三個AI寫作工具，Claude一個就替了。三個AI畫圖工具，google stitch/一個就夠。
選工具的邏輯：
別問"市面上有什麼"
要問"我每天重複做的事，AI能幫哪件"
從痛點出發找工具，別從工具清單出發找痛點。
我見過太多人——Notion AI付了費沒打開過，Jasper訂了一年寫了三篇。
工具不是越多越好。夠用就行。

有人用Transformer來判斷程式碼裡的迴圈能不能並行化了。
聽起來很學術？別急。
先說背景。
寫程式的人都知道，把一個for迴圈改成並行執行是性能優化的聖杯。但問題是：改錯了就出bug。傳統方法靠靜態分析，但遇到複雜的依賴關係就歇菜了。
這篇論文幹了一件事：把程式碼塞進Transformer模型（對，就是GPT那個架構），讓AI來判斷「這個迴圈能不能安全地並行跑」。
為什麼這個方向有意思。
傳統的並行化分析工具已經發展了幾十年了，但準確率在複雜場景下還是不夠。多面體模型搞不定動態結構的程式碼。
Transformer的優勢在於它能捕捉程式碼裡的長距離依賴關係。一個變數在迴圈的第3行被修改，在第47行被讀取——這種跨距離的資料流關係，對Transformer來說是天然的注意力機制問題。
但我想說的不是這篇論文本身。我想說的是趨勢。
AI正在從「幫你寫程式碼」進化到「幫你優化程式碼的底層執行方式」。這是完全不同的層級。
寫程式是替代程式設計師的手。優化執行是替代編譯器工程師的腦。
當AI能判斷哪些程式碼可以並行、哪些不行的時候，下一步就是自動改寫。
說白了——AI不只是在學寫程式碼，它在學理解程式碼。
對開發者來說，這是好事。你寫的爛迴圈，AI幫你優化。
對編譯器團隊來說，這是威脅。你的核心技能正在被模型化。
vibe coder的時代越來越近了。 人類被淘汰進行時

Spec-heavy, code-light 是正確的架構選擇
什麼harness engineer 說白了就是你的上下文不夠詳細，大多數人根本就不知道自己要細緻的規劃什麼
我的黑客松項目 （讓你雇佣一隻AI求職團隊）已經回爐重做了V2了
我寫了18個spec，接近16個skills，中文的招聘平台 + 英文的招聘平台每一個都testing + 拿到真實實驗數據後才開始操刀
天天看你們發這個那個的，自己完整的跑過嗎？