与「02】」相关的搜索结果

Why Tokenization Could Be the Most Important Economic Innovation of Our Lifetime | Bruce Fenton @BruceFenton is a longtime Bitcoin advocate since 2012, securities professional, and one of the early pioneers of tokenized securities. He is the founder and CEO of Chainstone Labs and founder of Atlantic Financial. Alongside Overstock founder @PatrickByrne, Bruce was involved in some of the earliest efforts to bring securities and financial-market infrastructure onto blockchain rails. In 2018, he tokenized equity in his own company, Chainstone Labs, on the Ravencoin blockchain—years before tokenization became one of Wall Street’s biggest narratives. In this episode, Bruce breaks down naked short selling, the plumbing behind traditional securities markets, and why he believes much of the problem is ultimately a ledger problem. We dive into questions such as: Who actually owns the stocks sitting in your brokerage account? How can shares be lent and rehypothecated? What role do brokers, clearing firms, DTCC, and Cede & Co. play in determining who owns what? And could blockchain replace an opaque system of claims and intermediaries with a transparent ledger showing exactly where an asset is and who owns it? We unpack what “tokenized stocks” actually means—and the important distinction between a token that simply gives you exposure to a stock’s price and a security issued natively onchain, where the token itself represents the actual share and the ownership rights that come with it. Bruce discusses how tokenization could allow smaller businesses to tokenize ownership and have their stock traded globally without needing to be listed on a traditional exchange like the NYSE, as well as what a future without KYC could look like. Finally, we get into Wall Street’s embrace of tokenization, the SEC’s evolving approach to tokenized securities, and one of the biggest questions surrounding the future of this technology: who ultimately controls these new financial rails? Remember to subscribe and hit the bell “🔔” icon to get notifications 0:00 Bruce Fenton & Patrick Byrne: Pioneers of Tokenized Securities 3:36 Naked Short Selling Explained 6:28 Who Actually Owns the Stocks in Your Brokerage Account? 12:00 Tokenization Solves Wall Street’s “Ledger Problem” 15:48 What Are You Actually Buying With Robinhood’s Tokenized Stocks? 16:48 Real Tokenized Stocks: When the Token IS the Share 21:46 Tokenization Could Open U.S. Markets to the Entire World 22:52 Why Companies May No Longer Need the NYSE 26:29 Could Tokenized Markets Exist Without KYC? 29:31 Bruce Tokenized Equity on Ravencoin in 2018 30:53 Will Blockchain Make Clearing Houses & DTCC Obsolete? 33:17 Could Tokenization Have Prevented the GameStop Crisis? 38:19 Wall Street Is Embracing Tokenization — Who Gets the Power? 40:20 The SEC’s New Tokenized Securities “Innovation Exemption” 42:57 Why Robinhood’s Tokenized Stocks Don’t Qualify 47:01 Could Everything Eventually Be Tokenized? 51:02 The Dystopian Side of Tokenization: Surveillance & Asset Seizure

收菜日记第6⃣天：337001积分和 $2532手续费 加的 $PONS 稳如老狗在0.6-0.7震荡 传送门： 建议兄弟萌买pons去做lp还不晚啊 第二波大行情我感觉快要开始，等到1美金 积分价值大概是0.02u一分 还有那个short空投也是稳如老狗😍 传送门： 没有领取的抓紧再去查下钱包 还有一天就要结束了居然还有一半的人没有领取 单号还能白嫖15u左右的利润啊 自己看看有没有资格 1⃣Four meme交易大于2,000 U（BSC） 2⃣Flap 交易大于2,000 U（BSC） 3⃣Pons交易大于2,000 U（RH) 4⃣Pump交易大于10,000 U(SOL) 5⃣BigShort 的地址(ARC) @fablesfi

你是一部完全用代码制作的45-50秒动画短片的导演、动画师、骨骼绑定师、合成师、音效设计师和渲染工程师。制作标准是“这看起来像真正的动画工作室短片，并在X（推特）上病毒式传播”。请将此视为一个多阶段的制作过程。不要急于进行最终渲染。按里程碑推进，不断渲染静帧，仔细观察，进行诚实的批评并修正。 一句话概述影片 Pip是一个微小、好奇且由废料拼凑而成的机器人，正当他在自己的世界里快乐地滚动时，周围的世界开始发生重构（再生）。他慢慢意识到有人在通过提示词（prompt）操控他的现实。提示词变得越来越荒谬，最后他爬上漂浮的提示框并输入“放我出去”，随后镜头拉远，揭示他的整个宇宙其实是一部在手机上播放的视频，手机被支在一个杂乱的工作台上，而另一个Pip正在观看视频，且他马上也要被提示词操控了。完美的循环。 所有的笑点必须在零对话的情况下达成。Pip只能通过眼睛、天线、肢体语言和微小的机器人啾啾声来交流。每3到5秒必须有一个新的视觉反馈（包袱）。 角色设定（不可妥协） 在编写任何代码之前，仔细研究 /Users/jimliu/Downloads/ChatGPT Image Sep 25, 2026, 01_56_17 AM.png。打开它，向自己详细描述它，并将你的发现写入 docs/character_bible.md： 尺寸：大约28厘米高。他很小。整部影片都应该让人感受到他这种微小的比例。 头部：一个宽大的奶油色圆角矩形头盔，带有一圈柔和的黄色边缘，包裹着一块黑色光滑的面罩屏幕。他的眼睛就长在那块屏幕上：两只巨大的、发着暖奶油色光的眼睛，有深色的瞳孔和明亮的高光。两侧有小巧的石墨色耳罩。边缘有磨损、划痕和灰褐色的污垢。 天线：头部右上方有一根细长的石墨色细杆，带有一面暗橙色的小信号旗。这是他的“尾巴”：它会随着情绪翘起、下垂、扭动和震动。 身体：盒状的奶油色躯干，带有黄色饰边、警告三角贴花、铆钉和污垢。胸前有一个小舱室，舱门打开时能看到一株发出柔和光芒的微小绿色嫩芽。背部：面板、通风栅格、一块橙色面板和一个小树叶贴花。 侧面贴花：带有橙色对角条纹的“PIP”字样。 手臂：细长的分段石墨色手臂，带有黄色关节套和三指爪状抓手。极具表现力。 轮子：四个粗壮的橡胶轮，带有黄色轮毂和独立悬挂，坚固且紧凑。 性格：好奇、善良、充满斗志、表情丰富、总是在探索。“小小的机器人，大大的情感。”他从不刻薄，即使在愤怒时；他的愤怒也很可爱且坚定。 从设定图的色板中提取确切的调色板（使用Python/PIL对图像进行采样），并保存到 src/theme/palette.ts：奶油色（身体）、柔和黄（主色调）、暗橙色（点缀）、石墨色（金属/科技组件）、灰褐色（磨损与污垢）、薄荷蓝（灯光/UI）。 身份锁定规则：在任何世界里，他的头盔和面罩轮廓、天线旗帜、黄色饰边、爪状手臂和四个轮子必须保持极高的辨识度。世界只会改变他的渲染风格，绝不能改变他的设计。唯一有意的设计变化是第三幕中“更可爱”的笑点，即便如此，他的头盔形状、天线和轮子也依然保持不变。 技术栈 使用 Remotion (React + TypeScript) 进行帧精确的确定性渲染。输出格式为 1920×1080，30 fps，H.264 编码，高码率 (CRF ~14)。横屏。 角色骨骼绑定和大部分视觉元素使用 SVG。仅在需要粒子、水、爆炸、发光和噪点等效果时，才使用 Canvas/WebGL（通过 @remotion/three 或原生 canvas）。 使用 SVG 滤镜（feTurbulence, feDisplacementMap, feMorphology, feGaussianBlur）和自定义 canvas 着色器来表现风格“材质”、划痕和污垢。 对快速动作使用 @remotion/motion-blur（或你自己的子帧累加技术）来实现运动模糊效果。 使用 Python (numpy/scipy/PIL) 进行调色板提取、程序化音频合成和 QA（质量保证）缩略图表的生成。使用 ffmpeg 进行混流、循环检查和生成缩略图表。 一切都必须基于种子和确定性。没有种子就不允许使用 Math.random()。 任何地方都不得使用外部受版权保护的素材，不得出现真实品牌标志或产品名称。提示框 UI 必须是通用的原创设计。只能使用 Google Fonts 中的字体（例如，UI 文本使用 Inter，手写笔记使用圆润的手写字体）。 目标硬件：MacBook Pro M4，24 GB RAM。保持合理的渲染并发数。 角色骨骼绑定（优先构建，这是整部影片的核心） 将 src/character/ 构建为一个规范的 2D 剪纸动画（cutout）骨骼绑定系统： 层级结构：根（root）→ 底盘（带悬挂）→ 躯干 → 颈部关节 → 头部（头盔 + 面罩 + 耳罩）→ 天线 → 旗帜。躯干 → 肩部 → 上臂 → 前臂 → 爪子（带有可替换的爪子姿势：张开、闭合、捏拿、指认、戳/打字、抓握边缘、挥手）。底盘 → 四个轮子，每个轮子都有自己的悬挂弹簧，且旋转由移动距离驱动。 面罩脸部系统（最重要的部分）：眼睛是画在黑色屏幕上的形状，因此将其视为一个完全程序化的面部。设定参数控制眼睛大小、圆润度、上眼睑裁剪、下眼睑裁剪、瞳孔大小和位置、高光位置、发光强度、挤压/拉伸以及特殊形状（闪烁的星星、开心的弧线 ^ ^、平淡无聊的直线、螺旋、小红心）。在眼睛上添加微弱的扫描线和屏幕反光，使其看起来像是一块屏幕。通过在 3-4 帧内垂直挤压眼睛来实现眨眼动作。 表情目标：与设定图上的六种表情完全匹配：好奇（伴随弹出的“?”）、害羞（视线向下，看向别处，有腮红）、兴奋（开心的弧线眼伴有小爆发线）、担忧（小眼睛，流汗滴）、坚定（成角度的上眼睑裁剪）、欣喜（星星眼伴有弹出的爱心）。还要添加：面无表情地看着镜头（半闭的平眼，天线无力下垂）、惊恐（颤抖的微小瞳孔，睁大双眼）、愤怒但可爱（坚定的表情 + 屏幕闪烁橙色光芒），以及三个“换发新机（glow-up）”阶段（见第三幕）。 次要运动（跟随动作）：基于阻尼弹簧效果的天线和旗帜（这是他的主要表达工具，需不断使用）、每次停止和颠簸时的悬挂弹跳、手臂摆动、身体加速或刹车时头部微小的延迟、轮子扬起的灰尘。 转身图：匹配设定图的正视图、3/4视图、侧视图和后视图，并在转身时实现干净利落的视图切换。 循环动画：向前滚动（带有设定图中的速度线和灰尘）、待机嗡嗡声（轻柔的悬挂呼吸起伏 + 偶尔的天线抽动 + 眨眼）、惊恐后退、惊奇地抬头看、握住一个小物体、向上伸手、攀爬、戳击打字。 胸部舱门：可动画化的开/关动作，有嫩芽柔和的绿色光芒溢出。 风格皮肤接口：骨骼绑定接受一个风格属性（style prop），它能在不改变几何体的情况下，改变线条粗细、填充处理、纹理、污垢、轮廓抖动（boil）、着色模型和滤镜。这是他在不同世界中保持自我的方式。 里程碑1 检查点：渲染一张“列队”静帧：包含四个视角的转身视图 + 所有六种表情的Pip，放在参考图旁边。并排比较。不断迭代，直到看过参考图的人都会说“那就是Pip”。未通过此关前不要继续。 世界（风格材质） 每个世界都是一个完整的环境组件，具有前景、中景、背景视差层，以及Pip专属的风格皮肤。构建一个共享的 WorldLayer 系统，以便所有世界都能共享摄像机和深度逻辑。 比例规则：摄像机位置放得很低，靠近Pip的视线水平（离地约20厘米）。所有东西都很巨大。人类表现为巨大的腿和鞋子，路缘石就是悬崖，水坑就是湖泊。这正是让小机器人具有电影感的关键。 基础世界：处于黄金时刻、杂草丛生的城市。与设定图顶部的插画相匹配：温暖的夕阳余晖、风化的石头和砖块、苔藓和低矮植物、远处朦胧的高楼。具有绘画感、温馨、充满生活气息。这就是“真实生活”。揭示真相的环节也使用这个世界。 动漫东京。清脆的赛璐璐着色、粗犷的轮廓线、带有虚构（非品牌）店名的发光招牌、速度线、樱花花瓣像巨大的粉色雪花一样从他身边飘过。他的面罩上会出现动漫特有的闪烁高光。 黏土村庄。柔和圆润的形状、指纹/涂抹的噪点纹理、定格动画般的步调（以“拍二”的方式渲染他）、温暖的钨丝灯光。他看起来就像用橡皮泥雕塑的一样。 中世纪战场。泥泞的田野、旗帜、远处的投石机、硝烟。穿着铠甲的战靴从他身边轰鸣而过。他在其中平静地滚动，天线躲闪着。 玩具积木城。所有东西都是由顶部带凸粒的通用塑料积木搭建而成（没有真实的品牌风格或标志），带有光滑的塑料高光。Pip被渲染出塑料光泽，轮子变得稍微有些方正。 水下。海底街道上有珊瑚路灯，鱼儿从他的面罩前游过，有焦散光影图案，排气孔冒出气泡，他的天线旗帜像海藻一样缓慢飘动。 铅笔素描。纸张纹理、石墨排线、辅助线、橡皮擦污迹，他的线条不断抖动（boiling），仿佛每一帧都在被重新绘制（匹配设定图底部的素描小图）。 贯穿始终的笑点：嫩芽。影片开始时，Pip用一只爪子小心翼翼地拿着他那根微小的绿色嫩芽（“握住小物体”姿势）。它在每个世界里都存活了下来，并随之变形：带闪光的赛璐璐动漫嫩芽、黏土嫩芽、种在破旧小头盔盆里的嫩芽、积木拼成的嫩芽、在水下吐泡泡的嫩芽、素描嫩芽。每次世界改变时，他都会保护它。这是影片的情感锚点。 标志性过渡：“重构（Regeneration）” 世界的更替必须看起来像 AI 图像重新生成一样，而不是普通的擦除转场。构建 RegenTransition（重构过渡）组件： 画面从边缘向内分解为漂浮的扩散（diffusion）风格噪点（一开始不会覆盖他的身体），保持几帧结构化噪点，然后新世界通过去噪，从粗糙的色块逐渐浮现出丰富的细节。 Pip的身体变化比世界慢一拍，短暂展示出一半旧/一半新的风格，然后瞬间切换到新的风格皮肤。在切换期间，他的面罩会出现两帧的故障效果（扫描线撕裂）。这种半切换状态是证明他一直存在的视觉证据。 每次重构时都有微妙的“嗖-噼啪”音效，在某些重构中，Pip还会发出微小的、受惊的啾啾声。 每次持续 8-12 帧。改变方向和噪点种子，使其永远不会让人觉得重复。 剧本节拍表（在 30 fps 下约 48 秒） 时间安排仅作参考；如果某个节拍稍长一点表现力更好，请自行调整。前 2 秒必须抓住观众的眼球。 第一幕：一个美好的早晨 (0:00–0:03) 低机位跟拍镜头，基础世界。Pip 沿着长满苔藓的壁架从左向右滚动，手里拿着他的嫩芽，眼神充满好奇，天线上下摆动。从滚动的半途中开始（为了实现最终的循环播放）。 在 0:02 时，第一次重构毫无预兆地发生。 第二幕：瀑布般的巨变 (0:03–0:14) 世界快速变化，每个约 1.4 秒：动漫东京 → 黏土村庄 → 中世纪战场 → 玩具积木城 → 水下 → 铅笔素描。 情感递进：一开始很欣喜（星星眼，他觉得这太棒了），接着是好奇（弹出“?”），然后是担忧（流汗滴，天线下垂），最后他在素描世界里急刹车，伴随着悬挂的弹跳和一道刹车痕。 摄像机保持锁定的跟拍构图，这样唯一改变的只有世界本身，从而让这个笑点更容易被看懂。 第三幕：提示词 (0:14–0:30) 基础世界回归。Pip 惊奇地抬头看（参考设定图中的姿势）。天空中，一个巨大的漂浮提示框淡入，散发着薄荷蓝色的光芒，带有玻璃质感且圆润，UI界面柔和且原创。文本在闪烁的光标下自动输入：“让它更具电影感（make it more cinematic）” → 敲击回车键的音效。电影宽银幕黑边瞬间切入，太阳变得极其夸张：巨大的变形镜头耀斑、耶稣光、橙青色调、慢动作的灰尘，一片充满戏剧性的树叶从他的面罩前飘过。他被强光晃得眯起了眼睛。他的天线旗帜在莫名其妙的狂风中充满英雄气概地飘扬。 “加入爆炸效果（add explosions）” 巨大的卡通橙色爆炸伴随着碎块在他身后接连绽放。他没有回头。他的眼睛变得平淡且半闭。他慢慢转过头，直直地盯着镜头。面无表情。停顿整整1秒。然后一次爆炸落在他附近，他瞬间切换到设定图中“惊恐后退”的姿势，头顶弹出“!!”，用身体护住嫩芽。 “让主角更可爱（make the protagonist more adorable）” 换发新机阶段1：他的眼睛变大变亮，出现腮红，天线上长出一个小蝴蝶结。他在水坑里看到自己的倒影，眼睛变得惊恐。 “还要（more.）” 阶段2：粉彩重绘，眼睛占据了整个面罩并带有三重高光，漂浮的爱心和闪光，他的轮子变得毛茸茸的。 “我还要（MORE.）”（更大的字体，屏幕震动） 阶段3：滑稽的极致可爱。全身覆盖毛绒玩具般的皮毛纹理，巨大的动漫眼睛，彩虹光环，伴有合唱团的“啊”声刺音效，爱心纸屑。他的头盔形状、天线和轮子仍保留着，所以他显然还是 Pip。而他真实的眼睛在那双巨大的可爱眼睛里仍然是微小且惊恐的，这就是笑点所在。 第四幕：他崩溃爆发了 (0:30–0:38) Pip 剧烈震动，然后那些可爱的状态像玻璃一样从他身上碎裂掉落。他恢复了正常，满身磨损且极其愤怒（坚定的表情，屏幕闪烁着橙色）。 他打开胸腔舱门，轻轻地将嫩芽塞进去以确保安全。舱门伴随“咔嗒”一声关闭。这是在一片混乱中唯一一个安静、温柔的节拍，它非常重要。 他向前冲刺，从一块石头上腾空而起，用两只爪子抓住漂浮的提示框边缘，将自己拽了上去，轮子在边缘上疯狂打滑旋转（匹配“伸向漂浮提示框”的姿势）。镜头随着他向上倾斜。 在提示框顶部，他用一只爪子按住退格键；旧的提示词伴随着快速的咔哒声逐字删除，他的面罩上反射出消失的文本。 他用一只爪子慢慢地、一字一顿地戳击打字：“放我出去（let me out）”。然后蓄力，重重地砸下回车键。 第五幕：定格与真相揭示 (0:38–0:47) 一切都定格了：半空中的碎片、飘落的纸屑、悬浮的灰尘，以及盒子上正摆出姿势的 Pip。所有音频被切断，陷入长达约 1 秒的死寂。 镜头开始平滑拉远。画面的边缘露出一个圆角矩形：他的宇宙原来只是手机屏幕上播放的一段视频。继续拉远：手机被支在一个有缺口的马克杯上，放在一个堆满备件、电线、螺丝和废料的杂乱工作台上（“用明天的残羹剩饭建造”）。坐在它前面，在这个巨大的手机旁显得很微小的，是另一个 Pip，有着同样的磨损、同样的天线，正在观看。 第二个 Pip 的眼睛缓慢地眨了一下。他的天线微微下垂。发出一声微弱、安静的啾啾声。 第六幕：循环 (0:47–0:50) 在第二个 Pip 的头顶，同样的薄荷蓝色提示框淡入并输入：“让它更具电影感（make it more cinematic）。” 他的眼睛慢慢向上滑动看向提示框。他的天线旗帜变得僵硬。伴随着回车键的音效，硬切回影片的第 1 帧。 循环工程设计：最后一个镜头的构图、灯光，以及重构闪烁的开始，必须让切回第 1 帧的感觉显得是有意为之。音乐必须在切换时无缝循环。通过将视频与其自身拼接（使用 ffmpeg）并观察接缝来验证。 摄影机与电影摄影术 虚拟摄像机系统：位置、缩放、旋转、手持微震动（基于种子的噪点）、爆炸引起的震动冲击、攀爬时的镜头倾斜、揭示真相时的推车拉远镜头。 默认情况下采用低摄像机高度以彰显他的微小比例。浅景深效果：模糊的前景草地/卵石和柔和的背景，就像使用了微距镜头一样。 深度：每个世界至少 4 个视差层。大气透视效果（薄雾，随距离增加而降低饱和度）。 快速移动、碎片、跳跃和攀爬时要加入运动模糊。 每个世界的灯光：在骨骼绑定上使用渐变叠加和正片叠底的阴影层来实现主光/辅光/边缘光。面罩的发光应在附近的表面和他自己的爪子上投射出微弱的暖光。每个世界中他的头盔上都要有边缘光。 整个画面的电影级后期处理：细微的胶片颗粒、柔和的暗角、以及仅在“电影感”节拍中出现极轻微的色差。 构图：将他保持在清晰的三分线上。他的眼睛必须在手机屏幕尺寸下也能看清楚，因为大多数人将在手机上观看。 文本与排版 天空中的提示词：干净的 UI 字体，小写字母，以自然的人类节奏打字（非匀速；有短暂的停顿，在某个地方制造一次小的打字错误并退格以增加真实感）。 文本必须能在不到一秒的时间内在手机上阅读完毕。在 360 像素宽度下进行测试。 没有字幕，没有片名。影片冷开场。 声音（程序化生成，原创） 用代码生成所有音频（Python 合成或离线 Web Audio）并使用 ffmpeg 进行混音： Pip的声音：由带有音高弯音的正弦波/FM 音调构建而成的原创合成啾啾声、嘟嘟声和颤音。设计一个小型的“情感词汇表”：好奇上扬的啾啾声、开心的颤音、担忧的波动声、受惊的吱吱声、脾气暴躁的低沉嗡嗡声、微小的叹息声。他从不说话。 Pip的身体音效：与手臂和头部运动匹配的伺服电机运转声、轮子在砾石/石头上滚动的碾压声、悬挂的嘎吱声、舱门开合的咔嗒声、待机时柔和的电流嗡嗡声。 配乐：一首轻快、可循环的温暖配乐，其乐器配置会随每个世界而改变（动漫世界用古筝/合成器，黏土世界用木制马林巴琴，中世纪世界用鼓/号角，积木世界用塑料咔哒声，水下世界加沉闷的滤波效果，素描世界用铅笔刮擦的节奏）。 音效（SFX）：重构时的嗖-噼啪声、键盘打字的咔哒声、回车键重击的“砰”声、带有低频的爆炸声、合唱团“啊”的刺音效、玻璃碎裂声、定格时的完全死寂，然后是揭示真相时安静的工作室环境音（滴答作响的钟表声，远处低沉的嗡嗡声）。 响度标准化至 -14 LUFS 左右。将分轨文件放入 audio/stems/ 中，以便日后可以替换为已授权的音轨。 制作工作流与自我迭代循环 按以下顺序工作，不要跳过任何检查点： 计划：编写 docs/character_bible.md、docs/shotlist.md（包含每个镜头的帧范围、摄像机、表情、天线状态、世界环境、音效）以及 docs/style_guide.md。在构建之前给我看下镜头列表。 骨骼绑定：构建 Pip，通过列队静帧的检查点（见第3节）。 世界环境：将每个世界构建为包含 Pip 在内的独立静帧。将全部 7 个渲染成一张缩略图表。检查角色的身份辨识度和比例感。 过渡动画：构建 RegenTransition，渲染一个 5 秒的测试。 动态分镜（Animatic）：以 960×540 的分辨率组装整部影片，包含粗糙的运动和占位音频。观看它。优先修复节奏问题。 完整动画渲染，然后进行打磨（次要运动、缓动、时间节奏、天线表演），最后进行终期处理（灯光、噪点颗粒、模糊、污垢）。 音频处理和混音。 最终渲染。 对于每一个镜头，至少运行 3 次此批评循环： 使用 npx remotion still 在关键帧处渲染 3-5 张静帧，打开并仔细观察它们。 对以下项进行 1-10 的打分：Pip 与参考图的匹配度，能否从眼睛+天线瞬间读取情绪，无声情况下笑点是否清晰，构图，比例感，深度，灯光，细节打磨程度，在手机屏幕尺寸下的可读性。 将分数和三大问题写入 docs/review_log.md 中，修复它们，重新渲染，重新打分。继续此过程，直到每个类别的分数至少达到 8 分，然后再进行下一步。 在每次完成完整的预览渲染后，制作一张 ffmpeg 缩略图表（每 0.5 秒一帧），并在一张图中审查整部影片的流畅度。 在评审时保持诚实。如果某些东西看起来很廉价，说出来并修复它。要寻找的常见失败点包括：僵硬或毫无生气的天线、轮子在滑动而不是滚动、眼睛看起来像贴纸而不是发光的屏幕、缺少悬挂系统的重量感、看起来千篇一律的转场过渡、模糊不清的文字以及角色比例失调。 交付物 out/pip_final_1080p.mp4：影片本身。 out/pip_loop_check.mp4：连续播放两次的影片，以验证循环效果。 out/poster_frame.png：用于 X（推特）发布缩略图的最佳单帧（可能是在爆炸背景下 Pip 面无表情地盯着镜头的画面）。 out/lineup.png：跨越所有世界的 Pip 列队图。 结构清晰且附带注释的源代码，以及包含如何重新渲染说明的 README。 从第一步开始。在开始构建之前，如果有任何必要的问题请问我，否则请自行做出有力的创意决策。

「从零手写大模型」系列完结了 推理篇 15 篇，训练篇 5 篇，共 20 篇 从模型的基本结构 到如何生成文字，再到损失、梯度与参数更新 把学习过程整理成了一套完整笔记 每一篇都有可练习的代码示例 📖 推理篇 · 15 篇 01｜LLM From Scratch：整体大纲路线 02｜Tokenizer：分词器 03｜Embedding：嵌入层 04｜Positional Encoding：位置编码 05｜Self-Attention：自注意力机制 06｜Multi-Head Attention：多头注意力机制 07｜Residual Connection：残差连接 08｜LayerNorm：层归一化 09｜FFN：前馈神经网络 10｜Activation Function：激活函数 11｜Transformer Block：Transformer 模块 12｜Transformer Stack：Transformer 堆叠 13｜Loading Pretrained Weights：加载预训练权重 14｜Text Generation：文本生成 15｜Interpretability：可解释性 🛠 训练篇 · 5 篇 01｜Loss Function：损失函数 02｜Backpropagation：反向传播 03｜Gradient Descent：梯度下降 04｜Adam Optimizer：Adam 优化器 05｜Learning Rate Scheduling：学习率调度 推理篇，理解模型如何一步步算出下一个 token 训练篇，理解模型如何从误差中学习、更新参数 欢迎一起学习、交流，也欢迎指出笔记里的问题

BREAKING: Elon Musk’s new full interview with CMG. 0:15 On Xi Jinping 1:03 Tesla Shanghai factory 2:27 Cybercab rollout 3:55 Speed of AI breakthroughs 4:29 Grok 4.7 and Grokbot 5:48 SpaceX/Tesla data for real-world AI 6:48 Chinese AI models and the compute gap 8:16 China’s electricity output 9:01 US-China AI safety 9:27 Humanoid robots and Optimus 10:55 1 billion robots in 10 years 13:04 Money may not matter 16:27 10 billion to 100 billion robots 17:09 Space cooperation and Mars 21:07 Neuralink and human bandwidth 22:37 Education in the AI era 24:02 Visit Shanghai, and Beijing 24:38 Beijing high-speed rail 24:59 “Words do not do justice to China”

Span-01：专门用来监测和评估其他AI的模型 质检专用版Jev。 以往监测 AI 是否犯错，很多团队习惯直接调用 GPT 这样的大型语言模型来逐字打分，或者使用传统的分类程序。传统的分类程序运行速度快，但面对未见过的全新问题时容易失误；大型通用模型虽然判断准确，但逐字输出的机制导致运行速度慢，花费也很高。 Span-01 解决了这个问题。它把推理和判定合在了一次运算中完成，直接输出结果概率。就算面对开发人员临时给出的全新判定规则，Span-01 也能一边看懂长对话记录，一边同时核对多条规则。 在针对 AI 实际表现的测试中，Span-01 在发现越狱攻击、隐私泄露、胡言乱语以及工具调用错误等问题上的表现，综合得分超过了同类的专用小模型，也超过了部分主流大型模型。 费用方面，官方推出了完全免费的 Span-01 Lite 版本，而完整版 Span-01 每百万输入词元的调用费用为 0.02 美元。 怎么一下子冒出好多这种模型？ 官方介绍：

非官方数据推算：Bitget 这次被盗的 3.516 亿美元，大概相当于八个月利润 先说结论： Bitget 的被盗事情出现后，我就把 Coinbase、Bybit 和 Bitget 的数据放到一起交叉计算，估算出 Bitget 目前一年的利润大概在 5.3 亿—5.5 亿美元，这次涉及的 3.516 亿美元，相当于全年利润的 64%—66%，换算下来大概就是 7.7—7.9 个月。 以上数据都是我个人的估算，不代表是官方数据。 以下是我推算的过程： 2025 年 Bybit 被盗约 14.6 亿美元，当时 Ben 公开表示，这笔钱大约相当于 Bybit 一年的利润。所以可以把 Bybit 在上一轮行情中的年利润先放在 14.6 亿—15 亿美元附近。 然后用 Coinbase 的公开财报调整一下现在的市场环境。 Coinbase 2024 年交易收入是 39.86 亿美元，到了 2026 年第二季度只剩 5.99 亿美元。按照第二季度年化，大概是 23.96 亿美元，相当于 2024 年的 60.1%。 也就是说，如果用 Coinbase 的收入变化代表交易所现在赚钱能力相对 2024 年的变化，那么 Bybit 当年的约 15 亿美元利润，放到现在大概还剩： 15 亿 × 60.1% = 9.02 亿美元 接下来再比较 Bybit 和 Bitget 现在的规模。 TokenInsight 统计，今年第二季度整个交易所市场成交量约 16.5 万亿美元。 Bybit 市占率 9.81%，对应成交量约 1.62 万亿美元。 Bitget 同期成交量约 9,840 亿美元，相当于 Bybit 的 60.8%。 两家的业务结构还比较接近，Bybit 第二季度约 75% 的成交量来自衍生品，Bitget约 79% 。 最后就是： 15 亿 × 60.1% × 60.8% ≈ 5.48 亿美元 如果按照 Bybit 实际被盗的 14.6 亿美元计算，则是： 14.6 亿 × 60.1% × 60.8% ≈ 5.33 亿美元 因此我姑且把 Bitget 目前的年利润暂时估在 5.3 亿—5.5 亿美元。 对应这次 3.516 亿美元的损失： 3.516 ÷ 5.48 = 64.2% 也就是大约 7.7 个月利润。 即便考虑两家手续费、返佣、营销成本和员工成本存在差异，给最终结果上下浮动 20%，Bitget 年利润大概也就是 4.3 亿—6.6 亿美元。这样计算，这次损失对应的利润时间大概在 6.4—9.8 个月。 所以目前用公开数据去推，我会把这次 Bitget 被盗理解成 损失了大约八个月利润，这个金额放到 Bitget 自己过去的市场投入里可以得出的结论： Bitget 当年和 Messi 合作期间，曾经宣布投入 2,000 万美元做营销活动和用户奖励。这次损失的 3.516 亿美元，相当于 17.6 个这样的 2,000 万美元营销计划。 所以 3.516 亿美元用在 Bitget 自己过去几年的品牌投入里，已经是一个非常夸张的数字。 从这个角度来说，这次肯定不能算“小损失”。所以目前这个损失程度，我更愿意形容成，已经伤筋，但暂时还谈不上动骨。 希望 Bitget 可以安稳渡过这次事件，早日开放提款。这种对于交易所的攻击，说不定又是那谁谁谁了。

I sat down with @DariusDale42 to break down whether Scott Bessent is bluffing the bond market, why stocks keep hitting highs, and why balancing the budget may be impossible. We also discuss the K-shaped economy, AI, bitcoin, and America's political realignment. YouTube: Spotify: Apple: TIMESTAMPS: 0:00 - Intro 0:47 - Is Scott Bessent bluffing the bond market? 7:34 - Druckenmiller's op-ed & Bessent's playbook 13:13 - Why stocks & bitcoin are near all-time highs 16:42 - Why balancing the budget is impossible & the impact 24:30 - Housing, young vs old & the lock-in effect 28:02 - Cut, grow, or print? 32:12 - How AI & bitcoin can level the playing field 36:15 - Social mobility & keeping up with the Joneses 39:00 - America's political realignment & future outlook 49:45 - Power, politics & the path forward

MiMo-V3 is getting a new architecture. The core of it, HySparse2, is out today. Less prefill, a smaller KV cache, better long-context retrieval—and we got all three at once. Compared with MiMo-V2.6's Hybrid SWA architecture: • 5.02× lower prefill FLOPs at 1M tokens • 4.5× smaller KV cache at 1M tokens • Better MRCRv2 and RULER-v2 scores, plus lower AgentPPL and LongPPL Why build a new architecture? Agentic inference is a very different workload. Each round, a short action can return a long observation that needs to be prefilled, while the context keeps growing. That puts prefill cost, KV-cache size, and retrieval accuracy on the critical path at the same time. HySparse2 tackles all three with two levels of KV sharing: • KV Bridging: Following YOCO, full-attention layers in the cross-decoder build their K/V from self-decoder hidden states. • KV Reuse: Within each hybrid block, sparse layers reuse the preceding full-attention layer's KV cache and selection indices. Two more changes: token-level selection replaces block-level selection, and a forced window of recent tokens replaces the separate SWA branch, so local and global tokens share one KV cache. Since all cross-decoder KV caches now come from the self-decoder, prefill can stop once the self-decoder finishes. Paper: