与「证据开示」相关的搜索结果

奥特曼这次踢到铁板了，和苹果的官司可能要打好多年。 苹果打官司的风格，一向是硬刚到底。 它和三星的智能手机专利战从2011年打到2018年，中间一路打到美国最高法院，七年后才和解。 而且，这次案件被驳回的概率极小。 苹果这次提交的材料已经远远超过让案件继续审理的门槛，在起诉书中详细列出了窃取商业秘密的具体人员和行为，诉状长达41页。 这类案件的审理过程也非常复杂。 商业秘密案件无法简单比较两件产品，OpenAI 的硬件又没有公开，进入证据开示后，双方需要调取大量内部文件和通信记录，查清哪些资料被带走，又是否进入了研发。 这场诉讼还撞上了OpenAI最重要的硬件阶段，如果持续数年，几乎会覆盖整个产品开发周期。 OpenAI 在研发设备的同时，还得持续投入时间和资金应诉，上市也会多出一项长期风险。

倪大说的对，欺诈是极难成立的。 但我们的主角MSTR 在 2000 年已经吃过一轮集体诉讼，被迫和解支付了超六亿美元的和解金。 信心是金融市场的血液，集体诉讼就是放血的刀子。 不需要割到动脉，一个伤口，一次证据开示，32 个币，就够了。 所以不需要等到判决，只需要等到不确定性（达成和解）。 确实在美国，欺诈很难成立。 《私人证券诉讼改革法案》（PSLRA，Private Securities Litigation Reform Act）门槛高，Tellabs 案（Tellabs v. Makor Issues, 551 U.S. 308）标准严，主观故意（Scienter）要"强烈推断"，每一项都是墙。 但事实上，美国集体诉讼从来不是打到判决的游戏。 是打到证据开示（Discovery）的游戏。 原告只需要熬过驳回动议（Motion to Dismiss），不用全部诉求（Claim），一条就够了。 一条活下来，案件进入证据开示。 证据开示是什么？不是法庭辩论，是取证。 法院命令 Strategy 交出：Saylor 的内部邮件。 董事会对 STRC 目标受众的讨论。 STRK/STRC 内部定价模型，Saylor 和承销商关于"这个产品到底卖给谁"的沟通。 这些材料一旦进入公开记录，不需要判决。 光是尴尬就足够杀人了。 这就是为什么 90%以上的证券集体诉讼以和解收场。 不是被告认输，是被告算了一笔账： 和解赔钱是一次性的，是可控的，封口的。 证据开示，不可控的，每一个内部邮件都可能变成下一个新闻头条。 这不是法律计算，这是风险计算。 实打实的案例。 瑞幸咖啡（Luckin Coffee），2020年，3亿美元销售造假。原告起诉，瑞幸否认，法律上各种辩护。 然后案件要进入证据开示了。 随后爆出 1.75 亿美元天价和解。 没等到判决。是证据开示的威胁，就让他们不得不掏出天价和解费。 再看我们的主角自己——MSTR 在 2000 年已经吃过一轮。 一份虚假收入报告，让市值一天蒸发 110 亿。 随后引发集体诉讼，索赔金额超 6 亿美元，最后和解。 再看美国 2025 年全国数据： 证券集体诉讼中位数和解金 1730 万美元，创三十年新高。全年总和解金超 30 亿美元。 2000 年的 MSTR 是一家软件公司。 2026 年的 Strategy 是全球最大的 BTC 持有者。850,000 个币。 这次的标的比 2000 年大三个数量级。 这些闻到血腥味的律所不会被几亿美金打发。 他们绝对会要历史级别的和解金。 而Saylor 的嘴！他的播客！他的"退休收入机器"！他的"月度收入机器"（monthly income machine）！ 给原告律师提供了这辈子最丰盛的靶子。 最后在看这个脆弱的市场。 2026年5月底，Strategy 卖了 32 个 BTC。 就 32 个，0.0038% 的持仓，价值 250 万美元。 BTC 应声暴跌，砸向 60,000 美元。 一个管理 850,000 BTC 的公司，卖掉了万分之一的持仓。 市场反应是什么？崩了。 不是技术面崩。不是宏观崩。是信心崩了。 明白了吗？ 市场不是被那 32 个 BTC 砸下去的。是被"Strategy 在卖币"这五个字砸下去的。 Saylor 花了四年建立的人设——永不售出，永不，永远——32 个币就碎了。 现在你告诉我： 如果 250 万美元的公司开支就让他卖币，那要支付不低于六亿美金的法律和解金，他还会不会卖？ 信心是金融市场的血液。 集体诉讼是放血的刀子。 不需要割到动脉。一个伤口。一次证据开示。32 个币。就够了。 我们不需要等到判决，你只需要等到不确定性的那一刻。 那就是现在即将要发生的事。 #STRC# #MicroStrategy# #MSTR# #Saylor# #BTC# #Bitcoin# #ClassAction# #集体诉讼# #证券欺诈# #和解# #Discovery# #证据开示# #LuckinCoffee# #瑞幸# #币圈# #Crypto#

EvoOntology：给数据智能体一个会成长的语义层 数据智能体（Data Agent）面对异构数据时，能“看见”的往往只有表名、列名和文件路径；指标如何定义、实体如何关联、业务上有何约束，这些语义都藏在数据之外。让智能体每次从零探索，代价高且易出语义错误；把人工维护的语义层全量注入提示词，又难以扩展、随数据漂移而失效。这就是论文中的 agent-data gap。 中国人民大学 ruc-datalab 提出的 EvoOntology（arXiv:2609.15779）给出了新解法：首个面向数据智能体的自进化本体层（Self-Evolving Ontology Layer）。核心洞察是把本体当作“可训练的智能体状态”：不更新模型权重，而让语义知识随真实使用持续积累、验证、版本化演进，每次变更可检查、可比较、可回滚。 本体以三层结构封装为 MCP 服务器，供智能体运行时主动查询： · Schema Layer 定义本体的表示边界（节点族、语义关系、引用模式）； · Content Layer 是类型化语义图，由 Terms / Mappings / Constraints / Evidence 四类节点构成，每个语义对象都有工作负载证据支撑，落地验证后才提交； · Tool Layer 仅暴露 browse_semantics 与 resolve_semantics 两个 MCP 工具加紧凑会话 manifest，智能体按需检索当前步骤所需语义，而非全量注入上下文。 本体遵循 Build → Use → Evolve → Evaluate → Publish 生命周期：构建器智能体从真实工作负载推导候选概念并对照原始数据验证；交互轨迹被持续记录；进化时诊断重复行为、归因到具体层级并生成局部补丁；候选版本只有在相同数据、相同智能体、相同解码设置与交互预算的配对评估中可复现地胜过父版本，才会发布。 在 BIRD、DDR-10K、InsightBench 三个基准、四个 LLM 骨干（GPT-5.5 / GPT-5.6-sol / Claude-Sonnet-5 / Claude-Opus-4.8）上，EvoOntology 一致优于无本体 ReAct 与静态初始本体。其中 DDR-Bench 上仅“自进化”环节就贡献了 +7.7（81.8 → 89.5），验证了持续演进相对静态语义层的增量价值。 论文： 代码：

特朗普家族这两年算是把“总统流量”玩明白了。 别人搞 Crypto：发币、讲故事、找资金。 特朗普家族搞 Crypto：政治、资本、项目、家族生意一起上。 顺风的时候叫资源整合，风向一变，可能就变成：麻烦解释一下这笔钱哪来的。 如果民主党未来控制国会，特朗普家族的加密业务很可能被重点调查。 最有节目效果的是： 以前大家查特朗普链上地址，以后国会查特朗普资金流水。 不过，调查不等于违法，最终还得看证据。

左派越瞎搞，选民右转越快。 BC省选就是一个实例，如果这次NDP失去政权，就是民意右转的最好证据，BC可说是北美极左大本营，两年前的省选NDP也只是以3席微弱优势胜选。 人品政品及其低下的尹大卫因自己的贪婪正在让NDP加快崩盘，人民之大幸。

胜率49%，一半都不到。 51天，18.2万美元。 他在Polymarket上跑一套会自己改门槛的量化模型，专做BTC Up/Down。 公开账本： 51天，已实现约+182,403美元，日均大约3,500。 36,473次预测，胜率约49%。 均笔不大，靠同一套设置，每小时重复约30次往外刮。 模型只干一件事： 噪声越大，信号必须越强，才允许下单。 阈值随波动走： H = k × σ σ，当前短期波动率。 k，敏感度参数。 H，进入所需的最小信号强度。 盘面安静，H下调，小信号也能过。 波动抬升，H上调，同样的方向直接丢掉。 举个例子： 信号1.8，阈值1.2，下单。 信号1.8，阈值2.3，不做。 同一段走势， 在一种环境里是订单， 在另一种环境里，当没看见。 他不追求神准。 49%的胜率够用—— 过滤掉的是噪声里的假突破， 留下来的才动手。 这个模型最反直觉的地方： 它不预测方向，它只改证据的门槛。 人亏钱，常常是在市场最吵的时候，用最松的标准冲进去。 他反着来： 市场越吵，动手前要的证据越硬。

Bitget 8年，这是唯一一次安全事故。经过完整溯源，黑客通过三方安全产品漏洞窃取内网权限凭证，通过向钱包系统伪造提现命令，欺骗钱包执行、绕过风险校验的异常转账，最终完成攻击行为。热温钱包的私钥以及冷钱包均未受到本次攻击影响。 已完成的整改： 1、受影响的系统已隔离，漏洞已修复。 2、所有相关服务器已从网络中隔离，阻止攻击扩散，并保留证据用于溯源。 3、所有内部登录凭证已作废并重新签发，高敏感权限已全面收回并重新拆分。 4、已将漏洞详情通报相关第三方安全厂商，协助其分析和修复，修复完成前已停用相关功能。 5、所有提现均需经过独立校验，加固提现校验。 涉及的第三方安全产品问题，我们委托 Mandiant 和慢雾开展调查，#将在本周内正式发布的安全报告中详细披露。# 安全事件已完成控制。有人回应、有人负责、有人处理、有人兜底 ，这就是你选择 Bitget 的原因 🩵 此外，为感谢大家的支持与理解，我们推出 #Bitget同行计划：# 1、针对交易或资产达标的用户，Bitget 拿出未来1个月 的 30% 平台收入作为奖池供大家瓜分；为 VIP 空投等级保护卡，未来60天内在卡券中心领取激活即可。详情： 2、针对机构客户，PRO Taker 费率限时折扣、做市商返佣激励及等级保护。详情：

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。

普通人吃肌酸补剂非常有用。肌酸是循证医学证据最完整、性价比极高的基础补剂，并非健身狂人专属： 运动增益：直接扩充细胞内 ATP“应急电池”，让深蹲、俯卧撑等多做 1~2 次，加速体力恢复，对抗随年龄增长的肌肉流失。 脑力抗疲劳：大脑是耗能大户，补充肌酸能缓解熬夜、高压下的认知迟钝与记忆衰退；对少吃红肉的人群提升尤为明显。 吃法：选最便宜纯粹的一水肌酸，每日固定 3~5 克温水送服即可，无需冲击期；初期微增的体重是细胞储水，并非长胖。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。