与「Base人生」相关的搜索结果

b20快出来的前一天晚上就埋伏了base人生，想着b20应该能带动一波base的情绪，没想到这么垃圾，就清仓了 结果突然coinbase开放中国人认证😅 还是不够砖啊

既然，CZ被美国特赦，全力支持美利坚，是不是要支持下Base？ 1.Baseapp支持的第一个meme $Base人生 X402协议 龙一： $ping 已经40M了，我不敢追了，很多人都没反应过来。这个叙事太牛逼了！ 2.又买了一点 #base人生，给我来回割，麻了# @jessepollak 另外提一嘴，在OKX钱包里用base_eth跨链兑换着麻烦可以使用他们交易所里面的dex交易，ca直接可以用交易所里的eth/usdc来交易。体验码：M5CiH0XU6uHW2

最近 Almanak 上线了新产品，之前做过一些研究，所以正好借着热度，聊聊这个项目。 他们主打的口号是：一个人跑一个链上对冲基金。 查了一下 Almanak 这个词，是“年鉴”的意思，一般图书喜欢叫这个名字，例如《中国文物年鉴》。 不过这个项目做的东西是 AI 代理+策略，上面各种策略横飞，加到一起，倒是也可以称之为基金策略年鉴。 于是乎，测试了一下他们的产品，输入的指令是： 在 Uniswap 上做主流币（WBTC、ETH）+稳定币（USDT、USDC）做 LP。 1. 定位哪个 Pair 的 APR 最高，在什么链上？这可能会涉及到 2*2*链数 种可能。 2. 通过近期、中期判断应该设置的价格区间 3. 根据价格区间计算应当投入的主流币、稳定币两种本金占比（假设每个仓位投入 100K 美金） 然后 Almanak 的 AI 问了几个问题之后，就开始抓取、分析。 最后分析出来，Base 上面的 ETH/USDC 流动性是以上这些选择里 APR 最高的，然后选择了 1600-3300 区间。 接下来，就直接进入开发、测试、部署流程了。 PS：真不把 AI 当人啊。 整个流程也就 10 分钟。下一步，如果真的往里面打入 $ETH，这个钱包就会真的直接开始执行策略。 话说回来，从基金风控角度来说，大资金不应该直接放在 AI 写的代码里。大资金真用的话，可能还是得引入真人来校对、找专业的代码审计机构，来审计一下才能用。 这个 Almanak 产生的代码，适合小资金、适合测试想法，也就是“构想验证”。 例如去年年底，有个机构申请了夜盘比特币 ETF，在美股收盘后建仓比特币，白天天亮了就卖了。这种 idea 你乍一听挺好，但是具体效果如何，你还得去真跑一个测试。 你丢个 100 美金进去，直接告诉Almanak，让它 Vibe Coding 出来的代码一跑，跑个十天半个月的实盘，心里自然就有结果了，一下子节约好多时间。 这也是为什么拿嘴编程叫 Vibe Coding，因为它就是一种感觉（Vibe），靠感觉驱动的。 说回年鉴，因为都是 Vibe Coding 出来的策略，所以它还有个策略广场，里面有各种策略。例如在 Pancake 上跑的，BTC-BNB 策略，然后还有 AI 打分，评价了安全性和收益率等等。 感兴趣的话，可以都来测试一下。 每个普通用户可以白嫖三个策略（Signal），不过如果写得策略比较多，就要充值会员了。 链接在评论区。

$AAVE 最近涨的还不错 1️⃣9月创始人 Stani Kulechov 表示，正在考虑在 Aavenomics 3.0 中加入 AAVE 销毁机制。 2️⃣依然是链上借贷龙头。目前 TVL 约 191亿美元，过去30天增长7.7%；过去30天产生约 36m美元手续费、5m美元协议收入，占整个 Lending 板块约35%。 3️⃣同时 V4 正在加速扩张。目前 V4 TVL 约 过去30天增长约83%，Active Loans已达到约 3.67亿美元； 4️⃣9月25日又在 Base 上正式上线 Coinbase 代币化股票抵押借贷市场。 虽然AAVE 4月后回购，因 rsETH 黑客事件暂停了，但继续看好@aave 接下来的表现。

Tokenized Stocks Are Being Won by Distribution As per @tokenterminal , Tokenized stocks stood at $3.56B in the week of Sep 21, up 65% from $2.16B in the week of Jun 29. That is roughly $1.4B added in 12 weeks, going into Q4. @Ondo Finance leads with 25.9% and $928.7M. xStocks follows at 23.8%, @binance bStocks at 20.6% and Securitize at 12.4%. The top four issuers hold 82.7% of the market Ondo's lead is 2.1% over xStocks and 5.3% over bStocks. That makes it the leader in a three-way race rather than a dominant player. @BNBCHAIN holds 29.5% of the market at $1.1B. Ethereum is at 21.5%, Solana at 20.2% and Avalanche at 11.9%. Arbitrum (5.6%), X Layer (5.0%) and Robinhood Chain (4.1%) make up the next tier, and Base is at 1.0%. Binance bStocks at 20.6% of $3.56B is about $734M. If bStocks sits on BNB Chain, roughly 70% of the chain's value is the exchange's own product. It reflects where an exchange with a large existing user base chose to issue, Ethereum and Solana are split across Ondo, xStocks, Securitize and others, and none of those issuers has a single distribution channel of Binance's size. Robinhood Chain at 4.1% and Robinhood as an issuer at 4.9% follow the same pattern at a smaller scale, with a broker issuing on its own rails. Bunt's POV Ondo's 25.9% is the most exposed number in this dataset. Exchange-native issuers grow with their own user base, and Ondo has to win through partners it does not control. I believe the Q4 test is whether Ondo holds its share while the total keeps expanding. If exchange-native issuance takes the share instead, the chain leaderboard will keep reflecting distribution rather than infrastructure.

原来这就是赛博活佛的含金量！！免费用啊家人们，这得省多少token！！ DeepSeek-V4.1-Flash 最新模型，免费用两周，每天 200 次调用不限速！！ 我一开始还以为看错了，反复确认了三遍 作为一个每天都在跑 Agent 任务的人，我最头疼的事不是模型不够强，是管理成本太高 DeepSeek 一个账号、Kimi 一个账号、GLM 一个账号、Qwen 一个账号，API Key 管了五六把，每个月充值要开四五个后台，对完账才知道这个月到底在 AI 上烧了多少钱 更离谱的是，大部分平台充进去的额度根本用不完，但你不充又没法调用，等于在给每个平台交月租 后来发现了 HiLinkup @HiLinkup_AI ——一个 API Key，直接接 DeepSeek、Qwen、Kimi、GLM、Doubao、MiniMax，文本图像视频音频全覆盖 我试了一下，换个 base URL 就行，代码一行不用改，OpenAI SDK 直接兼容 响应速度很快，关键是价格——大概是官方的 1 折左右！！，没有 TPU 上限 说白了就是：以前我每个月在五六个平台上分别充钱，现在一个账户统一计费，按量走，用多少算多少 关键是它现在每天送 1500 万 token 免费额度，日常跑 Agent 任务完全够用 唯一的门槛就是首充 5 块钱激活一下，充完还送 5 块，而且充进去的钱不消耗，每天只走免费额度 对于我们这种每天都在用国产模型跑各种任务的人来说，这个事的意义不只是省钱——是终于不用当五个平台的出纳了 一个 Key 管所有模型，按任务选型，不被任何一家绑死 说实话这种聚合平台的窗口期不会太长，各家模型迟早会收紧 API 授权，能用的时候赶紧先用起来！！ 链接：

🚨 HOLY CRAP! UK authorities are RELEASING the 5 suspected terrorists who got close to bombing/attacking RAF Fairford base, which is used by American troops RELEASED ON BAIL. This is UTTER MADNESS! "Following extensive interviews...the 5 men who were arrested are being released on police bail this afternoon." "This does not mean the investigation is over. They are subject to stringent conditions." Why would they do this?! KEEP THEM BEHIND BARS Under NO CONDITIONS should they be released. Even President Trump said we knew about this would-be attack before it happened Now they're going back into society? THE UK IS COOKED unless this soft-on-crime BS stops!

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。