从今天开始，我们将面对一个更加不确定的世界。

【未来10年，你更看好哪些投资品？】 简单比较了2014年至2024年这10年间各种投资产品的价格涨幅，包括加密货币、科技类股票、高增长ETF、数字资产/NFT以及初创企业及私人股权，Crypto是毫无疑问的王者。 未来有哪些投资品你更加看好，欢迎留言交流啊！

🛑 OKX带单汇报：今日无操作，静待 BTC 趋势转好 今天凌晨，空头又趁着主流媒体炒作哈里斯赢面增大之际，狠砸了一波，最低打到了66800。叔虽然看着这一波下跌，但没有动手干预。随后，市场迅速在这个位置反弹，一直到 68000。美国大选期间，资本和媒体搅动风向，币圈也因此不安宁，真是无奈啊！ 🗳️ 大选风云与资本动向 昨天半夜，叔就看到了川普在摇摆州领先的消息。然而，空头依旧趁着流动性低的时候，利用消息面放大恐慌，猛砸市场，爆掉不少合约。 哈里斯的非常规手段不少，局势反复的可能性依然存在。不过，老实说，叔真的不看好她。 当前局势胶着的一个重要原因是投票进度中女性比例过高，在女性选民群体里，哈里斯的性别优势以及在堕胎合法化议题上的立场占了上风。如果后续男性选民比例提升，局势可能会变得不一样。 希望特朗普能尽快获胜，带动 BTC 一路新高！🚀

我最近在思考，V神作为以太坊的精神领袖与神秘的中本聪之于比特币相比，到底是不是“无为而治”更适合区块链的发展？

两年前的今天，Vitalik发布了以太坊的升级路线图。两年后的今天，你觉得以太坊的发展符合你的预期吗？ 最近跟几个哥们聊天的时候，有朋友觉得以太坊正变得“无聊”，认为其过度规划抑制了去中心化自发创新的火花。大家还是很怀念曾经“狂野西部”充满冒险精神、无处不在的开放实验场。 技术上，毫无疑问地它正走向稳定、扩展性和性能的巅峰。但在这条规划得如此有序的道路上，我们是否失去了一些最初的“区块链魅力”？就像最近ETH的行情一样，总少了一些什么？ 大家怎么看？🤔

PEPE走势强劲：四小时MA20支撑显现，叔果断介入！ 今天在回调节点，叔观察到 #PEPE 一直运行在四小时 MA20上，底部不断抬高，支撑非常强劲，果断选择介入！ 这里不得不说，#OKX 默认的MA20均线支撑，比其他交易所常用的MA25更精准，帮助叔抓住了更好的买点。叔现在看K线基本都用 OKX了，确实靠谱！

目前BTC的贪婪指数已经到88了，市场情绪已经非常亢奋，大家可以关注一下啊！

关于Solana上的龙头Payfi 项目，简单介绍及交互，都在下面了，请自取👇 项目官网：huma.finance/ 项目推特：nitter.net/humafinance 介绍文档：docs.huma.finance/ Discord：discord.com/invite/29zVxZ6kC… 交互链接：app.huma.finance/solana/#/?r… Payfi是什么，简单理解是用去中心化金融手段为企业和个人提供基于未来收入的融资解决方案。 项目关键特点： 1⃣基于未来收入的借贷：允许用户抵押未来收入或应收账款来获得融资。 2⃣结构化金融：支持分层融资、首损覆盖、应收账款的代币化等功能，不仅适合个人，也适合机构投资者。 2⃣去中心化：通过链上透明度为投资者提供实时监控资产表现的能力，确保资金的安全和透明。

哈哈，ZK 挖矿听起来像是以太坊的一次‘轮回梗’！不过仔细想想，这也算是去中心化在新技术场景下的另一种演绎。无论是模块化、ZK Rollup，还是性能突破，相信以太坊每一步都在强化自己的竞争力。未来会不会真回到‘新 PoW’时代，大家拭目以待吧！

吐血了，我为了撸点空投，大半夜把$DOGE换成了$SOL。虽然一直在说牛市不要乱动，谨慎换仓，但还是逃脱不了散户的弱点😂

双顶形态显现，BTC回调风险增加？叔的最新操作策略📊 当前行情还是维持震荡走势，叔认为 BTC 有回调的需求。越是靠近 99000 的位置，抛压越大，短期内不可恋战。 📑今日操作回顾： ---BTC 合约多单：今天上午行情冲高时，叔出掉了 BTC 的多单，斩获 +18%。 ---DOGE 合约多单：同样出掉了 DOGE 的多单，斩获 +83%。 当前行情短期风险较大，叔的策略是逢高减仓，灵活应对。 ---ETH 空单布局：叔顺手还下了 ETH 的空单，原因是： 1、回调预期更强：相比 BTC，ETH 的回调幅度可能会更大一些。 2、BTC 回调目标：第一步看到 90000，技术面上日线级别的双顶形态出现，继续做多的风险大于收益。 💡操作建议： ---逢高减仓：建议将仓位控制在5成左右，保持灵活。 ---合约操作：对合约熟悉的朋友，可以尝试开空单捕捉回调机会。 ---跟叔的带单：小广告一下，叔会实时分享操作方向，大家可以参考叔的布局。（OKX上跟单搜索“鉴叔”） 🚀关于 BTC 冲破 10 万的可能性： 叔认为短期内 BTC 冲破 10 万的概率低于 25%。 如果真的有突发利好导致 BTC 突破 10 万，那咱们再买回来就是！目前还是以高抛低吸为主，稳健操作为第一原则。

最近币圈整体还是振荡行情，最近也有不少人接受采访，提到了他们对于比特币的看法—— 1⃣ Matt Hougan：短期回调不影响长期牛市格局，机构入场障碍已被扫除，预计2025年将有更多资金进入 据 Cointelegraph 报道，Bitwise 首席投资官 Matt Hougan 就近期加密货币市场回调表示，过去几天约 20 亿美元的强制清算反映了市场杠杆的自然出清过程，这种现象自加密货币早期就经常发生，有助于重置杠杆水平，不会影响长期牛市格局。 Hougan 强调，机构资金正大规模进入市场。他表示，美国大选后比特币 ETF 连续 15 天资金净流入，主要来自机构投资者。根据 Bitwise 年度调研，过去六年机构投资者因监管不明确而观望，如今随着监管明朗化，机构入场障碍已被扫除。 此前著名投资管理公司黑石集团建议投资组合配置 1-2% 比特币。考虑到全球机构资产规模达 100 万亿美元，2% 的配置比例将带来巨大增量资金，这一趋势很有可能在 2025 年显著加强。 2⃣ Cathie Wood：比特币比黄金具备更多稀缺性优势 近期，ARK Invest 的 CEO Cathie Wood 在接受采访时表示，特朗普的当选将带来一波此前因繁琐的监管程序而受阻的私人公司收购潮。 她指出，联邦贸易委员会（FTC）的政策调整将释放潜在的并购需求，为风投创造流动性机会。此外，马斯克在削减政府规模方面将发挥重要作用。 同时，她也重申了比特币到 2030 年将突破 100 万美元的预测，她强调比特币较黄金具有稀缺性优势，当金价上涨时，矿企会增加开采，加快供应增长，而比特币则不会出现这种情况。 币圈行情起起伏伏是常态，叔对比特币还是长期看好的。你们呢？

很多小伙伴可能对期权的Max pain是什么意思可能不太了解，叔教这两天也通过 @elonmusk 免费的Grok （nitter.net/i/grok）来学习，比Google上搜索的结果要好很多。分享给大家—— 问：Does the manx pain point of options also apply to Bitcoin? 答：The concept of "max pain" in options trading indeed extends to Bitcoin options, functioning similarly to how it does in traditional stock markets. Max pain refers to the strike price at which the underlying asset, in this case, Bitcoin, would cause the most financial pain to the largest number of option holders at expiration. Here's how it applies: Mechanism: Max pain is calculated as the price where the total option value (combining both call and put options) would be minimized if the Bitcoin price settled at that level. This is often where the market might gravitate towards as expiration approaches, due to the actions of option sellers, typically institutions, who might manipulate or pin the price to ensure their options expire worthless, thereby maximizing their profit and the buyers' loss. Impact: The max pain theory suggests that Bitcoin's price might be influenced by this point near options expiry dates. For instance, posts on X have discussed scenarios where Bitcoin's price action seemed to align with the max pain point, suggesting that large option expiries can indeed impact Bitcoin's price dynamics. Controversy and Effectiveness: While some traders use the max pain point as a strategic indicator, it's a controversial theory. Critics argue it might be coincidental or even manipulated, with the actual impact on Bitcoin's price varying based on market conditions, open interest, and the presence of significant institutional involvement in Bitcoin options. Practical Use: Traders might look at the max pain point alongside other indicators like open interest, implied volatility, and market sentiment to make informed trading decisions. Tools like max pain calculators for Bitcoin options are available, allowing traders to estimate where the max pain might be for upcoming expiries. In summary, yes, the max pain point of options does apply to Bitcoin, with similar dynamics to traditional options markets, although its effectiveness can vary, and it's often part of a broader set of indicators used in trading strategies.

叔在98700附近把btc多单平了，回了一部分血，这几天都大跌回撤有些大，还没完全回复之前的回撤，继续慢慢努力爬坡。 目前把多单平了，这么长时间叔首次开BTC合约空单（98700开的，当前+12%），把握还是比较大的。 说说对市场行情的看法，目前短期（3~5天内）比较看空，有两个理由: 1⃣日线级别BTC技术线走势比较弱，A浪下跌，B浪反弹量能也不够强，应该大概率还有个下跌的C浪。BTC突破不了十万，本身就有一定的回调需求（除非又有大利好，这种也不好说，btc利好也确实比较多） 2⃣Coinglass上看Deribit的12月27日到期的期权有145亿$， Max Pain在85000,虽然感觉也不大可能到这个位置，不过也是一个辅助交叉验证的数据，有一定参考价值，说明当前市场看空力量更强一些

DeepSeek 最近接连推出并开源了 DeepSeek V3 和 DeepSeek R1 ，在海内外引起了不小的反响。其依靠出色的模型质量和极低的训练成本，引起了广泛的关注，并间接带动了英伟达市值的暴跌。 其中 DeepSeek V3 可以说是目前最强大的开源基础模型，并达到了与领先的闭源模型（包括 GPT-4 和 Claude-3.5-Sonnet)相当的性能。其在知识、数学、代码等领域的表现尤为优秀： 在 MMLU、MMLU-Pro 和 GPQA 等教育基准测试中，DeepSeek-V3 的表现优于所有其他开源模型 在所有非长链推理的开源和闭源模型中，DeepSeek-V3 在数学相关基准测试中取得了最先进的性能 在代码相关任务中，DeepSeek-V3 在 LiveCodeBench 等代码竞赛基准测试中成为表现最佳的模型 值得注意的是，DeepSeek V3的训练成本约为558万美元，远低于OpenAI GPT-4的训练成本。这一突破性成果证明了通过优化算法架构、训练框架和流水线设计，可以在保证模型性能的前提下，大幅降低训练成本。 而 DeepSeek R1 则进一步指明了一个摆脱有监督微调依赖，纯粹依靠强化学习，实现 AI 推理能力优化并自我成长的探索发展方向。在多个基准测试中，DeepSeek R1展现出卓越的推理能力，尤其在数学、代码和自然语言推理等任务上，与OpenAI的o1模型相媲美。 在LLM大模型普遍陷入算力和数据内卷当前局势下，DeepSeek 从算法和训练框架层面实现了创新突破并开源，无疑是人工智能领域的又一个重要转折点。 🌟【模型浅析】 常规大语言模型（LLM）的训练过程通常有三个阶段：预训练（Pretraining）、有监督微调（Supervised Fine-Tuning, SFT）、以及强化学习反馈优化（Reinforcement Learning Feedback, RLF，常见的是 Human-based），每个阶段都有不同的目标和方法。 而 DeepSeek 不仅是在每个阶段内部实现了大量优化，还颠覆了整个训练流程，为大模型发展指出了一些新的路线。 🌟【DeepSeek V3】 DeepSeek V3 基于 14.8T 数据进行预训练，涉及 6710 亿参数，其中激活参数 370 亿，模型性能与 GPT 4o- 0513 不相上下。 但由于其算法架构和训练框架等方面的设计，与 GPT 相比，及大幅度削减了训练成本。完整训练消耗 278.8w 个GPU小时，仅消耗约 557.6w 美元。 与 DeepSeek V2 一样，DeepSeek V3 在预训练阶段，依旧专注于 MoE（混合专家系统） + MLA（多维长程注意力） 架构： 🔸DeepSeekMoE 是一种混合专家（MoE）模型架构，旨在通过激活部分专家来提高训练效率。与传统 MoE 模型不同，DeepSeekMoE 使用更细粒度的专家，并将部分专家隔离为共享专家。 通过动态路由机制，模型能够根据输入的特征选择合适的专家进行处理，从而提高了模型的表达能力和训练效率。 🔸MLA 通过低秩近似方法，将注意力键（Key）和值（Value）进行压缩，减少了推理过程中的内存占用和计算量，从而提高了推理效率。 这种方法有效降低了模型的内存需求，使其在推理时更加高效。 除此之外，在 DeepSeek V3 中还新增了两项核心技术： 🔸无辅助损失的负载均衡策略 传统 MoE 系统需要额外训练"平衡器"来防止某些专家模块过载（类似交通调度员），但这会影响模型性能。而为了避免传统负载均衡策略对模型性能的负面影响，DeepSeek V3 设计了无辅助损失的负载均衡策略。 该策略通过动态调整专家的偏置项，确保每个专家的负载均衡，避免了辅助损失对模型性能的干扰。这种方法有效地提升了模型的训练效果和性能，就像给高速公路装上自动分流系统，既保证车流畅通又不增设收费站。 🔸多 Token 预测训练 传统模型像逐字填空，每次只预测下一个词。DeepSeek V3 设计了多 Token 预测训练的方式，即在训练过程中同时预测多个未来的 Token。这种方法能够提高模型在评估基准上的整体性能，增强了模型的预测能力和泛化能力。 为提升训练效率，DeepSeek 还设计了下述框架和流程： 🔸FP8 混合精度训练 为了实现更高效的模型训练，DeepSeek V3 引入了 FP8 混合精度训练框架，并首次在超大规模模型训练上验证了其可行性。 FP8 是一种使用 8 位浮点数表示的数值格式，相比传统的 32 位浮点数，精度有所降低，但占用空间更小，计算速度更快。能够显著提升了训练速度并减少了 GPU 内存的使用。 🔸DualPipe 流水线算法 DualPipe 算法是一种高效的流水线并行策略，旨在减少训练过程中的通信延迟和内存占用。通过算法、框架和硬件的协同设计，克服了跨节点 MoE 训练中的通信瓶颈，实现了近乎完全的计算-通信重叠。显著提高了训练效率并降低了训练成本，使得能够在不增加额外开销的情况下进一步扩大模型规模。 而基于预训练出来的基础模型，通过有监督微调（SFT）和强化学习（RL）使其与人类偏好对齐。并基于 DeepSeek-R1 系列模型对 DeepSeek V3 模型进行蒸馏提炼以进一步增强了推理能力。在蒸馏部分，DeepSeek 引入了一种创新的方法，能够将推理能力从长链思维 (CoT) 模型（特别是来自 DeepSeek R1 系列模型之一）提炼到标准大语言模型中（特别是 DeepSeek-V3）。 🌟【DeepSeek R1 Zero 和 强化学习策略】 DeepSeek-R1 是一种先进的推理模型，指明了不依赖SFT数据仅通过纯强化学习来让 LLM 自主发展推理能力的可行性。 DeepSeek R1 Zero 的目标是探索不依赖SFT数据仅通过纯强化学习来让 LLM 自主发展推理能力的可行性。 它利用了准确率奖励和格式奖励来鼓励模型进行有效的推理，并且避免了过程奖励（PRM）或结果奖励（ORM）。这不仅减少了训练数据的依赖，还开辟了不依赖SFT的推理训练的新路径。 这种纯 RL 训练方式让 R1 自己学会了 Longer-chain reasoning（长链推理）和 Reflection（反思），这是一种“自我进化”能力，被认为是大语言模型学会自我反思、可以自我纠错的 “aha moment（顿悟）”。 其下是 DeepSeek 在推理过程中产生 ”顿悟“ 的实例： 🌟【DeepSeek R1 和小模型蒸馏】 尽管 DeepSeek R1 Zero 在推理能力上表现出了不俗的性能，但是在语言表达和结果可读性上存在较大的不稳定性。 为了解决这部分问题，并进一步优化性能，DeepSeek-R1 使用了冷启动 + 多阶段训练的方式： 🔸阶段1⃣：使用少量高质量的 CoT 数据进行冷启动，预热模型。 🔸阶段2⃣：进行面向推理的强化学习，提升模型在推理任务上的性能。 🔸阶段3⃣：使用拒绝采样和监督微调，进一步提升模型的综合能力。 🔸阶段4⃣：再次进行强化学习，对推理数据和一般数据采用不同的奖励规则，使模型在所有场景下都表现良好 其中第一阶段使用冷启动数据的主要目的是为了解决 DeepSeek-R1-Zero 在训练早期出现的训练不稳定问题。 相比于直接在基础模型上进行 RL，使用少量的 SFT 数据进行冷启动，可以让模型更快地进入稳定训练阶段： 🔸可读性：冷启动数据使用更易于理解的格式，输出内容更适合人类阅读，避免了 DeepSeek-R1-Zero 输出的语言混合、格式混乱等问题。 🔸潜在性能：通过精心设计冷启动数据的模式，可以引导模型产生更好的推理能力。 🔸稳定训练：使用 SFT 数据作为起始点，可以避免 RL 训练早期阶段的不稳定问题。 另外，R1 在强化学习中加入了组相对策略优化算法（Group Relative Policy Optimization，GRPO），从效果上来说，它能够优化策略、提高样本效率和增强算法稳定性等。 而采用第三阶段产生的样本数据，可以对其他 LLM 小模型进行进行蒸馏，使其具备更强的逻辑推理能力，掌握更高阶的推理策略。下面是蒸馏出来的 6 个小模型以及相应的性能对比。 基于 DeepSeek R1 蒸馏出的小模型，都具备不错的性能。其中，Distill-Qwen-7B 模型在 AIME 2024 上达 55.5%，超越 32B 规模的 QwQ-Preview。而 Qwen-32B 和 Llama-70B 模型在除了 CodeForeces 以外的任务上都超过 o1-mini 。 未来DeepSeek还会发展到什么程度？叔拭目以待。

大家中秋节快乐🎑 这个活动要送三十双鞋👀

#币安中秋登月计划 步履不停 向月前行 大家多多参与中秋活动赢大奖 🎁我再给大家在此条转发+评论里随机赠送3️⃣双鞋👟 祝大家中秋快乐💛

近期 Bitfinex whale BTC 現貨槓桿部位加/減倉 與 Overall LIQ 共振時，都是相對好的買/賣點 綠框：Bitfinex BTCUSD LONGS 加倉 + Overall LIQ 綠柱 紅框：Bitfinex BTCUSD LONGS 減倉 + Overall LIQ 負值 而且昨天美股跟黃金一起下殺的時候，BTC 沒有跟著破底，以前 BTC 通常是跟跌不跟漲，現在反過來了，代表買盤的性質可能在轉變，有獨立的資金在撐。 還是看好接下來的走勢，熊市連跌五個月了，漲一個月不過分吧。

你叫 AI 幫你開瀏覽器查東西，有沒有發現 token 燒特別快？我最近發現同一個任務，換不同工具做，token 消耗最多差 4.5 倍。 現在主流有三個工具讓 AI 操作瀏覽器。我拿同一個任務測了一下：開 Hacker News，取首頁文章列表。 第一個，Google 的 Chrome DevTools MCP 讓 AI 像前端工程師一樣操作瀏覽器，看 DOM、看 console、跑 JavaScript、分析 network、跑 performance trace。功能最完整。回傳 32 KB，約 9,500 tokens。 第二個，Microsoft 的 Playwright CLI 瀏覽器自動化的老牌工具，支援多瀏覽器、persistent session、network mock、cookie 管理。測試和爬蟲場景很強。回傳 58 KB，約 16,000 tokens。三個裡面最肥。 第三個，Vercel 的 agent-browser 從第一天就只為 AI 設計。預設只回傳可互動的元素，按鈕、連結、輸入框，靜態文字全部過濾掉。回傳 13.5 KB，約 3,500 tokens。 同一個頁面： agent-browser 3,500 tokens Chrome DevTools MCP 9,500 tokens Playwright 16,000 tokens 最省的跟最肥的差 4.5 倍。 一個複雜任務跟瀏覽器來回幾十次，這個差距累積起來很驚人。 為什麼差這麼多？因為 Playwright 和 Chrome DevTools MCP 原本都是設計給人用的。 它們回傳的資訊很完整，完整到包含 AI 根本不需要的東西。每個靜態文字節點、每個裝飾性元素，全部都在 tree 裡面。 agent-browser 的做法是反過來的。它從 AI 的需求出發：你要點按鈕？我只給你按鈕。你要填表單？我只給你輸入框。其他的東西，不回傳。 但三個工具各有各的場景。 agent-browser 適合日常自動化，開網頁、抓資料、填表單，最省 Token。 Chrome DevTools MCP 適合 debug。你需要看 console 錯誤訊息、分析 network request、跑 JavaScript 的時候，其他兩個做不到。 Playwright 適合需要複雜流程控制的場景。登入狀態保持、多分頁操作、network mock、cookie 管理。要繞過 bot 偵測的話，還有一個 rebrowser 的變體版本。 我自己三個都裝著，看場景切換。日常跑 agent-browser，debug 開 DevTools MCP，需要登入態或 mock 的時候用 Playwright。 之前沒注意到這個差距。發現之後調整了一下工具選擇，token 消耗量明顯下來了。 我把 agent-browser 的連結放第一個回覆，推薦大家改用這個工具做日常瀏覽。

重訓1小時+有氧30分鐘，來補充一下蛋白質