与「65」相关的搜索结果

发币还是赚钱啊，迪拜买了约 100 套房. 法国一名 45 岁的俄裔女子 Svetlana A 被巴黎预审法官立案调查并收押，她涉嫌和英国伴侣 Robert H 操纵VRA币价搞有组织诈骗，钱被怀疑拿去迪拜买了房。 VRA 是这位 2018 年发的币，2021 年春天两个半月涨了约 65 倍，现在比最高点跌了约 99.98%。 报道说她光 2022 年就在迪拜花了超过 5000 万欧元，买下约 100 套公寓和 3 栋别墅，但她的律师说钱的来源有文件证明，否认指控。 她还花约 1740 万欧元买下一整栋 73 户的楼。 但今天整个 VRA 的市值不到 500 万美元，混不混蛋吧你说，用欢乐豆换了美元买了楼。

两倍做多ETF 适不适合长期持有，这种对不会算账的人是个天坑🤔🤑 很多买两倍做多海力士两倍做多SpaceX被套住后就准备长拿了，但是发现时间越长账户的钱越少。 可能最后股价回来的差不多了，两倍做多的 ETF 已经少了四成。 账是怎么算的，假设我拿 2 万块，1 万买一只股票，1 万买它的两倍做多 ETF。 第一天，股价跌了 20%，正股账户剩 8000，ETF 跌了 40%，剩 6000，我有点慌。 第二天，股价涨了 25%，正股账户回到 1 万，ETF 涨了 50%，变成 9000，我松了口气，然后发现少了 1000。 接下来八个交易日，股价又这样来回了四次，每次都回到原价。 正股账户还是 1 万，ETF 账户变成了 5905，问题出在跌下去以后，ETF 从 6000 涨 50%，涨的是 6000 的 50%，股价回到了原点，它回不去。 它每天都按当天的涨跌乘 2，来回越多，本金被磨得越薄。 比如去年初到 11 月初，微策略只跌了 12%，两倍做多它的 MSTU 跌了 65% 以上，两倍做空它的 MSTZ，也跌了 65% 以上。

Bitget 开放提现 1小时，钱都去哪了？ OKX 接收了 24.67M 做市商 Wintermute 提走了 10.75M 币安的充值地址太多了，只统计大额（50K+地址）的话，大概38M Kucoin 接收了 2.5M Gate 接收了 1.65M Bybit 接收了 850K ----

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。

Blue Origin is great and if we had nothing to compare it with, we'd be incredibly impressed with what they built, having raised just $30B. But let's just use BO to put SpaceX's capital efficiency into perspective; — SPCX invented the orbital class reusable booster — flew + landed it like 650 times — built Starlink; 10M+ customers — built Dragon; launched like 60 humans to the ISS — got ~95% of the way to making a fully reusable Starship operational — acquired xAI, positioning them to do Starmind All of this on just $10B worth of private equity Like what the fuck

【《纽约时报》：21世纪最佳电视节目100部】 《纽约时报》发布“21世纪最佳100部电视剧”（The 100 Best TV Shows of the 21st Century）榜单，评选范围涵盖2000年1月1日至今播出的所有电视剧集。该榜单由500多名明星演员、剧集运作人及其他电视从业者共同投票产生，排名有先后之分。 在超过500名参与投票的人中，既有伊丽莎白·莫斯、亚当·斯科特、布莱恩·科兰斯顿、萝丝·拜恩、科尔曼·多明戈和杰森·贝特曼等演员，也有达蒙·林德洛夫、莉娜·邓纳姆、莉娜·韦瑟和诺亚·霍利等剧集主创。 榜单显示，《绝命毒师》位居榜首，《火线》和《广告狂人》分列第二、三位。《继承之战》与《伦敦生活》跻身前五。《权力的游戏》《副总统》《我为喜剧狂》《抑制热情》《亚特兰大》进入前十名。具体排名如下： 1、《绝命毒师》 2、《火线》 3、《广告狂人》 4、《继承之战》 5、《伦敦生活》 6、《权力的游戏》 7、《副总统》 8、《我为喜剧狂》 9、《抑制热情》 10、《亚特兰大》 11、《办公室》(美版) 12、《发展受阻》 13、《都市女孩》 14、《胜利之光》 15、《六尺之下》 16、《办公室》(英版) 17、《美国谍梦》 18、《我可以毁掉你》 19、《切尔诺贝利》 20、《王冠》 21、《白莲花度假村》 22、《迷失》 23、《归来记》 24、《朽木》 25、《守望尘世》 26、《黑镜》 27、《风骚律师》 28、《兄弟连》 29、《基和皮尔》 30、《人生切割术》 31、《幸存者》 32、《安多》 33、《醍醐灌顶》 34、《富家穷路》 35、《真探》(第一季) 36、《匹兹堡医护前线》 37、《太空堡垒卡拉狄加》 38、《国土安全》 39、《守望者》 40、《混沌少年时》 41、《路易不容易》 42、《绝望写手》 43、《浴血黑帮》 44、《马男波杰克》 45、《幸福谷》 46、《大城小妞》 47、《双峰：回归季》 48、《纸牌屋》 49、《正常人》 50、《公园与游憩》 51、《善地》 52、《唐顿庄园》 53、《怪奇物语》 54、《传奇办公室》 55、《不安感》 56、《救援高手》 57、《蒂姆·罗宾逊短剧：还不快走》 58、《查普尔秀》 59、《笔写青春》 60、《窥视秀》 61、《鲁保罗变装皇后秀》 62、《慢马》 63、《幕后危机》 64、《安东尼·波登：未知之旅》 65、《东城梦魇》 66、《彩排》 67、《使女的故事》 68、《黑钱胜地》 69、《安东尼·波登：无国界》 70、《盾牌》 71、《怒呛人生》 72、《鱿鱼游戏》 73、《巴瑞》 74、《熊家餐馆》 75、《足球教练》 76、《某人某地》 77、《摩登家庭》 78、《费城永远阳光灿烂》 79、《傲骨贤妻》 80、《约翰·威尔逊的十万个怎么做》 81、《后翼弃兵》 82、《更美好的事》 83、《火线警探》 84、《地球脉动》 85、《英国烘焙大赛》 86、《幕府将军》 87、《保留地之犬》 88、《嗜血法医》 89、《驯鹿宝贝》 90、《体育老师笑传》 91、《大祸临头》 92、《罪夜之奔》 93、《第11号站》 94、《头号外交官》 95、《豪斯医生》 96、《奔腾年代》 97、《废柴联盟》 98、《先见之明》 99、《吉尔莫女孩》 100、《丑闻》

美国产业链重构描述: 半导体、医药和消费电子是当前供应链转移最明显、金额最大的三类行业，美国本土回流与墨西哥/越南/印度“友岸”并行。 半导体领域以台积电亚利桑那项目为代表：总承诺已达2650亿美元，规划10座先进制程晶圆厂加封装厂，N4已量产，后续向3nm及以下推进；美光在纽约克莱和爱达荷的投资规划超过2500亿美元，纽约厂已于2026年浇筑第一罐混凝土；英特尔、三星、格芯等也在俄亥俄、得州等地扩产，CHIPS法案已向24家企业49个项目拨款约317亿美元。 医药与医疗器械方面，礼来、阿斯利康、强生、辉瑞、罗氏等累计宣布超过4800亿美元美国产能承诺，覆盖原料药、无菌注射剂、生物制剂和细胞基因治疗；礼来在印第安纳、弗吉尼亚等地新建多座工厂，阿斯利康规划弗吉尼亚原料药基地，FDA推出PreCheck试点加速审批，同时对专利药进口设置高额关税威胁，倒逼企业“建厂换关税减免”。上游关键起始材料仍高度依赖中国，完全脱钩仍需更长时间。 消费电子与服务器硬件以苹果供应链为典型：印度已承担约25%的全球iPhone组装，越南负责65%的AirPods及部分iPad/Watch/Mac；歌尔等供应商跟随迁至越南；墨西哥对美电脑与电子产品出口大幅上升，台资企业在华雷斯等地扩产数据中心服务器，2025年相关出口已超700亿美元。这些转移多为“中国+1”或近岸，最终组装外迁，但关键零部件仍大量来自中国或需从中国进口。

🚨 NOW: President Trump and First Lady Melania welcome Xi Jinping back to the White House on his final day in America They'll sit down for tea before heading to the National Archives to check out America's founding documents, the Declaration of Independence and Constitution 🇺🇸

能变现的才是粉丝，我没有粉丝。我 0 商单。 关注我的人，30% 是前辈。65% 是创业同行者，喜欢看点儿科技新闻和技术。 还有 5% 的活爹。鞭策我，辱骂我，抬杠，提供情绪价值。 感谢您们关注！我是您们的粉丝。