与「公式」相关的搜索结果

你的Muse不会做动画视频？ 把以下18个在GitHub上免费公开的Skill丢给Muse学习安装↓ 1~Remotion Skills → 让AI制作视频的官方技能 2~Motion Canvas → 图解动画 3~Motion → 画面切换的动效 4~Ola → 让数值平滑变动 5~Anime.js → 时间线、错峰动效 6~Manim → 公式与图形动画 7~Shifty → 缓动与补间 8~Two.js → 2D矢量动画 9~Lottie Web → 轻量矢量动画的播放 10~TweenJS → 按顺序动起来的动画 11~LUME → 用HTML做3D场景 12~gifenc → GIF导出 13~Konva → 可触摸交互的画布 14~Blender → 绑定与角色动画 15~Three.js → 3D场景 16~Godot → 游戏动画 17~Babylon.js → 3D渲染与动画 18~Proton → 粒子 以上从指示→制作→动起来→修改→导出 整个流程都有对应的工具 基本就能做出来 不止是Muse可用 也可以直接交给Claude虚拟机里的Claude Code或Codex使用以后绝对会用到 先点赞收藏转发 需要时你会用的上的

Museでアニメーション動画を作るなら、この18個を入れておけばだいたい作れる。 全部GitHubで無料公開。 01 Remotion Skills → AIに動画を作らせる公式スキル 02 Motion Canvas → 図解アニメ 03 Motion → 画面切り替えの動き 04 Ola → 数値をなめらかに動かす 05 Anime.js → タイムライン・時間差の動き 06 Manim → 数式・図形のアニメ 07 Shifty → イージングとトゥイーン 08 Two.js → 2Dベクターのアニメ 09 Lottie Web → 軽いベクターアニメの再生 10 TweenJS → 順番に動かすアニメ 11 LUME → HTMLで3Dシーン 12 gifenc → GIF書き出し 13 Konva → 触って動くキャンバス 14 Blender → リグ・キャラクターアニメ 15 Three.js → 3Dシーン 16 Godot → ゲームのアニメーション 17 Babylon.js → 3Dの描画とアニメ 18 Proton → パーティクル 指示 → 作る → 動かす → 直す → 書き出す、まで全部そろう。 Museの仮想マシンにいるClaude CodeやCodexに、そのまま渡せます。 あとで絶対使うので保存推奨。

📸 又发现一个 Instagram 运营神器 instagram-agent-skill，13 个 Claude 技能把找爆款、写 Reel 脚本、配文案到回评论私信全包了。 instagram-agent-skill 两个月前才建仓，已经 6400 多 star、1200 多个 fork，刚上 GitHub 热榜。 以前做一条 Reel，得自己刷同行找灵感、憋开头、写文案、数话题标签，发完还要一条条回评论。 装上之后，/ig-reel 会按 26 种开头公式给你出三个开头并打分，再把脚本、屏幕文字和带时间的节拍表一起排好；写文案时还会预览信息流里能露出的前 125 个字符，顺手检查话题标签有没有超过每帖 5 个的上限。 它只生成文字，不碰你的账号：不用注册、不要 API 密钥，也不会替你自动发帖，复制粘贴由你自己来。配套的 5 个 Python 小工具全在本地跑，不联网。 难得的是作者 Jake Schincariol 很实在：他拿 74 条真实短视频开头测打分器，承认它挑得出故意写烂的开头，但分辨同一个人的爆款和扑街款时，效果只比瞎猜好一点。 工具帮你少踩坑，爆不爆还得看内容本身。 GitHub：

Arcus × Lighter 第四周复盘 A 组｜本金 $1,000 · 交易量：$19.4 万 · 平均持仓：$2,830 · 已实现盈利：+$16.9 · 积分：6.94 B 组｜本金 $4,000 · 交易量：$21.0 万 · 平均持仓：$17,900 · 已实现盈利：+$59.3 · 积分：14.33 B 组的持仓是 A 组的 6 倍多，交易量差不多，积分却只有 2 倍。 用之前回测的积分公式已经拟合不上这周的数据了，猜测是官方下调了持仓权重。 零磨损的策略，分数还是低。你们是咋刷 1M 的？ 顺便分享一下逆向选择的研究 实测：币安 30ms 内跳 ≥3bps 时，Arcus 中位要盘中 49ms、盘前 63ms 才跟上。 也就是说，能抢的时间窗口只有几十毫秒。 护栏规则：币安在 W 毫秒内不利移动 ≥3bps，就撤掉 Arcus 的挂单。 不同 W 的结果 （拦掉笔数｜拦掉的单均值｜留下的单均值｜净效果）： 30ms　｜28 笔｜−0.26bps｜+2.11bps｜+$0.28 50ms　｜30 笔｜ 0.00bps｜+2.09bps｜+$0.26 100ms ｜34 笔｜+0.29bps｜+2.08bps｜+$0.08 300ms ｜44 笔｜+0.83bps｜+2.04bps｜−$0.16 1000ms｜62 笔｜+1.34bps｜+1.97bps｜−$1.05 窗口越长，拦下来的越是赚钱的单。 只有 30–50ms 才勉强为正；把阈值降到 2bps，拦截也是负效果。

兄弟们，又一套顶级 AI 量化打法出来了。 有人拿 Claude Fable 5.1 搭了套 Quant Spline Balance，专门扫 Polymarket 上的加密涨跌盘。日均能稳稳吃 1667 美元左右。 实盘数字挺夸张的。跑了 201 天，总利润 335210。平均每笔大概 60 块。忙的时候每小时能自动成交 70 多笔。BTC、ETH、SOL 的短时涨跌全覆盖。 说白了，不是在赌方向。是靠两个 AI 一块干活，一个负责定价，一个负责对冲，吃的是市场自己搞出来的价差。 定价那边用的是 GAM 非线性模型。它实时抓 BTC 行情，把偏离度、波动率、还剩多少时间、订单流偏了没，这几样丢进公式，算出涨跌该是多少概率。 公式长这样： z = β₀ + s₁(d) + s₂(v) + s₃(τ) + s₄(OFI) 然后转成价格： p_Up = 1 / (1 + e^(−z)) F_Up = 1 × p_Up F_Down = 1 − F_Up 同一波 BTC 波动，时间剩得多少、波动大不大，模型给出的估值就不一样。只要它算出来的公允价比当前买价高，系统就自动进。 另一边是均值方差风控。专门管仓位，别让一边敞口太大。手里有多单的时候，它会盯着空单成本，算一个最合适的残差区间： R* = min(Rmax, max(0, [p_Up − (1 − c_Down)] / [γ × p_Up × (1 − p_Up)])) 一旦一边偏了，马上补反向单，把风险压下来。 核心就一句话。多单成本加空单成本要是低于 1 美元，中间就有差价可以吃。机器人就反复干这件事。 账号实盘： 几笔比较猛的。535 变 2860，净赚 2325。632 变 2896，净赚 2263。685 变 2601，净赚 1916。 简单说，GAM 负责算该值多少钱，均值方差负责别让仓位失控。

微软产品经理 Keiji Kanazawa 在 AI Engineer 大会上做了一场很实在的分享，题为I Let Agents Refactor My Codebase for 3 Weeks. Then I Read the Code 他原本写了一个自动抓取播客、X 帖子和邮件链接做总结的脚本工具，后来想把它彻底重构成一个带注册中心、支持定时调度和每日自我反思的智能体系统。 他自己完全不看代码，写了一份需求文档，就放手让 Claude Code 和 Codex 轮流写代码、互相审查，连着重构了三个星期。 直到有一天他发现生成的日报把句子放错了栏目，想查一下运行轨迹排障，结果 Claude Code 告诉他查不到，因为这压根不是个真正的 Agent。 他打开代码库一看，才发现那三个星期的全自动重构完全是一场灾难。 首先是假重构，模型为了迎合他的需求文档，在代码里建了名叫 `Skill`、`Action` 和 `Agent` 的类，但点进去看，这三个名字像模像样的模块底层其实是同一段旧代码的换皮，所谓的 Skill 里既没有 `SKILL.md` 也没有脚本，所谓的 Agent 根本没接任何 Agent SDK。 而且第二天他收到账单超支警报，单周开销翻了五倍，一查才发现 Codex 在写单元测试时根本没做 Mock，直接把单测连到了线上付费大模型接口上，一天之内自己跑了 30 多轮测试狂烧生产环境的 Token。 随后呢他决定推倒重来。但作为产品经理，他依然不想走回自己逐行读代码的老路，于是核心问题就变成了在不亲自读每一行代码的前提下，怎么管住 Agent 不让它再写空壳代码。 他摸索出了三步改进思路值得看看和参考借鉴。 第一步是改用验收标准来限制而不是目标来限制。 以前他是给个需求让 Agent 写份计划，看着差不多就点同意放行。重来之后他把重点放在定义最终产出的评分标准上。 比如他后来做了一个解析硬核技术视频的功能，要从视频里抽 440 个关键帧，挑出最清晰的黑板公式截图并配上讲解。 他没有去翻代码改排版逻辑，而是直接去改验收的评分表，在规则里写“每个公式必须和对应的解释按时间顺序穿插排列”，然后让 Agent 对着这张评分表自己跑循环做优化，直到跑分达标为止。 第二步是防止 Agent 在评分表上作弊。 因为评分表本身也是他让 Agent 写的，跑着跑着他又抓到了模型作弊。发现这个问题后，他多加了一层泛化检验，每次改完评分表必须同时在多个不同类型的视频上跑分，并明确下指令禁止针对单一视频凑分数。 第三步是用多轮对抗性审查。 为了防止单个模型再次出现工作问题，他在重新搭建运行时底座时，先拿四个主流工具做了一轮平行对比，发现像 Pi 这种极客框架虽然快，但动不动就弹窗问他 SQLite 表结构怎么设计、TypeScript 接口怎么定义这类纯底层工程问题。 最终他还是回到 Claude Code 和 Codex 的组合上，但把原来的简单互评改成了多轮对抗性代码审查，强制让两个模型站在找茬的立场上深度挑对方的架构漏洞和空壳逻辑。 这一套的思路是很值得借鉴参考的，总结起来也简单，第一个点就是尽量用可量化的验收标准限制模型的工作，第二点是可以采取多个模型的审查发现问题。 youtube：

这个家伙用Grok Bot搭了一套量化加速系统，在Polymarket上平均每天赚2304美元 26天内已实现+59,915美元盈亏，平均每笔交易约358美元。 在BTC“涨或跌”市场里，每活跃小时大约重复同一套设置24次。 多个AI代理协同工作，核心用了两个指标： 1. Awesome Oscillator（AO）衡量BTC走势背后的动量 它不直接对单根K线跳动做反应，而是比较中位价格的两条移动平均线： 中位数 = (最高价 + 最低价) / 2 AO = SMA(中位数, 5) - SMA(中位数, 34) 判断规则： - AO高于零 → 上升动量 - AO上升 → 上升动量在增强 - AO下降 → 下降动量在增强 2. Accelerator Oscillator（AC）检测这股动量是在加强还是减弱 计算公式： AC = AO - SMA(AO, 5) 组合信号： - AO为正 + AC上升 → 更强的上涨信号 - 如果加速开始减弱，算法会提前变得更挑剔，甚至在底层方向真正反转之前就减少出手 系统同时看当前动量和动量的变化速度，而不是只看单一方向。 交易员的Polymarket账户： 最盈利的几笔交易： - 677美元 → 1669美元（+992美元） - 671美元 → 1639美元（+967美元） - 479美元 → 1439美元（+960美元） 整套系统用Awesome Oscillator识别BTC动量方向，再用Accelerator Oscillator判断这股动量是在加速还是衰减，从而决定是否继续下注。

【公開予告】明日11月12日（木）お昼の12:00にウェーブ公式サイト（ Ver.】 の製品ページを公開いたします。取扱店舗様での予約受付も順次開始予定です！ #すーぱーそに子# #supersonico# #ウェーブ#

Alisa 的《Alisa's book of LLMs》。一个人亲手写给自己的复习笔记：从神经网络基础讲起，一个概念配一段手推。 如果您正在准备 ML 面试，这个 Notion 笔记值得收藏。 先讲“多层感知机”（MLP）。一个神经元怎么算，写成矩阵是什么样，一批样本一起算又是什么样，每一步都带着形状推。PyTorch 里 W 为什么存成 n_out × n_in、前向为什么要转置，也写明白了。 然后是“反向传播”。Z = XW + b 的三个梯度一个一个推，还给了通用法则：先对单个样本求雅可比，共享的张量把 batch 维求和，不共享的保留。 最后是“激活函数”。sigmoid、tanh、softmax、ReLU、Leaky ReLU、Swish、GLU、SwiGLU，每个都讲了长处和毛病，比如 ReLU 为什么会“死掉”。 面试问到的 MLP 和反向传播手推，这里都有现成的推导思路，照着走一遍，比背公式管用。