与「Ray」相关的搜索结果

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。

牛初无疑，在接下来的一年内，会巨大的波动，满满积攒力量，直至冲到顶峰！ 周而复始 这一轮和之前的轮次有相同的周期，也有不同的地方。 主要不同： 1 Ai的变化 2 Rwa资产上链 3 Hyper带来的回购潮 因此，炒作和叙事的点，愈发清晰 一：Ai在当下的应用，可以找到你链上的隐私，所以，隐私赛道，被加密搞火了，相关的头部Zcach引领了隐私赛道叙事在冲锋。 Zcash 全隐私 Near 半隐私 Sol 不隐私 Near炒的点属于，说做了Eth要做的事儿，随便做协议，但是想隐私就隐私，不想隐私就不隐私！现在做成了收费站。 这是链类的，至于其他的链，现在干的事儿，和之前没区别... 但是最重要的我觉得是Zec可监管，门罗Xmr呢？ 这不是隐私之王？ 我甚至觉得XMR起码应该是比特币1/10的市值！ 虽然我说的但是算个屁 二： 资产上链，美国要做的玩意，还给了五年获免，就是你瞎搞啥就搞呗！ 这个很区块链，我们是来玩区块链的，不是来玩交易所的！ 名牌能看到的是，大资金不相信交易所，尤其是扎针交易所，都去Hyper上玩去了。 民心所向的是，区块链本身就应该在链上玩，而不是在交易所赌。 那就得出来一批基础设施，链上的，就之前纳斯达克那一套，给弄到链上，然后再升级，这块儿要出来好多庞然大物在未来！ Hyper就属于又踩中一个赛道 三 Hyper带来的回购潮，升级后变成了回购销毁潮，一把撕破了之前的这些骗子的伎俩！ 一边释放自己的币去卖，一边回购销毁，币价基本不变，四年收割一次，这些本质都他妈是web2的做法！ 我持币人和公司没有任何关系！ 很他妈的无耻，但是币圈好资产真的太少了。 上一轮，我看到了一个新模式资产，也是销毁类的，买了2M，扔着没管结果昨天看还有0.2M不到，Linea... 真是日了狗了... 算为新模式买单，也从里面学到了一个知识： 新模式，还得应用的起来，这个最关键！ 接下来，做一些可以看到或者未来可以看到的结论： 一 各个链，分红越来越明细。 Polygon就是预测链，Hyper就是合约链。 这玩意已经确定了，要改或者新王登基很难！必定牛市来时越滚越大！ Sol就是土狗链和创新链，老外在刷。Toly心知肚明，扶持谁不扶持谁肚子里门儿清！ Bsc很尴尬，国人带头刷，这块儿，何一是个外行！她最应该维护的人根本不是什么Kol，而是各个微信群的群主！ PancakeSwap 全家桶 占了总交易量的70%.... 真的都是小P子的功劳... Base很尴尬，老板看起来也很无奈... 土狗吧干不过别人，自己又不会做，现在资产上链吧，抢不来人，自己也不舍得拉，但是这个就是变数！ 一旦做起来，会有大增量。 Hood不知道能不能作为Rwa资产链，新赛季Pons真的是带着Robinhood吃麻了... 甚至扶持的Lit也麻了！ 这里有一个观点：Lit不是Hype的龙二！ Lit是Hood的龙一，这个观点一变，估值就会有变！ 最奇葩的是稳定币链看土狗赚钱，眼红别人去做土狗... 不他妈做支付？？？ 想白嫖dev过来做协议吗？ Eth还是老协议，借贷之类的，毕竟除了Btc和Eth，其他的链都有作恶的可能！ 机构不是不想选别的，是他妈没得选！ 所以我觉得这也是王纯这类大佬，大资金只敢拿大饼和eth的原因！ 二 资产上链，这个，我觉得可玩性最多。 1 借贷协议 借贷是所有链 TVL 的第一大头：以太坊 47%、Base 53%、Solana 35%、BSC 33% 未来加上美股等资产上链，这块儿蛋糕会更大！ AAve是大哥，但是Morpho直接不收过路费，直接砍掉所有人一块儿肉... 操！这种就是对别人狠，对自己更狠的人... AAve品牌溢价，Sky叙事太老旧，这个赛道，如果谁有新模式做起来，真的挺好的。 甚至结合一些模式来做，比如销毁机制等，把价值捕捉也能做到升级。毕竟之前的和持币人关系没那么大。 这个，收费吧别人不用你了，不收费吧，不赚钱，毕竟做协议花不了多少钱，主要是技术和品牌建设以及后台。 2 Dex类 这一类，太刺激了.... 交易终端类： 看看Gmgn，Axiom，Fomo，Terminal (PUMP)，Maestro这些的收益，所有人看着都流口水的东西！ 交易终端如果有带模式的出来，技术还硬的话，一定可以干掉很大的市场！！！ 请我们一起等待那一刻的到来，但这一块儿技术不硬不行，还得有背景，一起等！ 纯血Dex类 3 新玩意 比如 chip 这玩意，真他妈的新，是这一轮目前超级性感的叙事，借钱出去买Gpu，然后收租金，这块儿，如果Gpu涨了，能吃到很大，但是，他价值捕捉完了之后，价值不赋予币本身，所以，垃圾！ Fables（PROLOGUE）也是，做股票代币费率，收益也猛的很，但是就是不给代币赋能，日你妈垃圾！这玩意日后会很猛我认为，会非常猛，但是我投票你娘胎呢... 炒作没问题... 有赌之后被收购或者给持币人分钱的... 这玩意，和Risk Curators，BisonFi这种都一球样，赚钱的，要么不发币，要么发了跟散户没关系... 呵呵 4 剩下的还没想到 三 这一大类，就是由Hyper引发的回购热潮 Pons相当于Pump的升级版 要看懂这块儿，就不得不讲历史，并且历史教训告诉我们，一直赚钱不吐出来，觉得自己牛逼的Dev都得死，公司也一样，哪怕垄断，只要利润够，一定有人要把你翘掉！ Pump当年引发热潮，然后其他链开抄，但是Pump属于租地模式，毕业后要给Ray钱，一直给。 Ray做黑社会，pump被收的实在不行了，就自建了pumpswap 当年的屠龙者，现在成为了之前的恶龙，不发空投，天天卖sol。 当Pons出现的时候，直接： 自建发射曲线+多资产配对 结果Uni看不下去他赚钱了，反手自己做了Pools，而后没打过，怕他走pump的路，就直接在9.4买了pons的股份，但是没说咋买的，反正就是买了... 打不过就加入，直接做股东。 Pons相当于上门女婿，自己赚自己的钱，但是赚钱了给老丈人分钱。 不仅如此，毕业后swap的钱，老丈人还允许你自己设置， 至此，结论：Pons的格局已经定了。 未来大概率只有Pons，已经你要自己做，我pools的钱，全部砸给Lp，最厚，我不收这个钱，你除非补贴，要么，你就弄不死我！ 我永远是老大，这就是Uni牛逼的地方！！！ 这也是大资金可以随便干Uni的原因之一！ 平台大，还灵活，有赚钱的协议Pons出现之后直接做一个免费协议放过去做竞品（打不过的原因是他的费率本身设的0.25，根本收入比不过Pons索性不收了），打不过直接买你！ 这就是Rh协议的现状，至于其他的那些，比如 o1，给创作者分的太少，自己留的太多，死吧你！ Pair，有创新，多池子，没意思，鸡肋，死吧... Long，目前看有一点点竞争的，做股票成倍的塞到一个资产里组池子（其实有个几把创新？）。 赚的钱，全部买英伟达的股票，放到自己金库里。持有Ai的人，就可以有权利投票啥的，这他妈有屁用？ 我投票投你给我分钱你给我呢？搞笑 我觉得他们就是死骗子团队，拿散户的钱给自己做金库！ 而且这个家伙命好，正好Meme和Boner都发生在了Long... 如果没有这俩Long的命运应该也挺悲惨的... 还有他现在在做的给机构用的发币模式，也挺牛逼的，这个我觉得是趋势，未来会有机构发币，包括锁仓，分红，质押等一系列，这个做好了，也有大发展！ 也是他打不过Pons的另辟蹊径。 设想一下：未来三五十年，Ai作为基建，英伟达的股票得涨成啥逼样，那Ai的金库，得飞成什么样子，这是这一轮发射台最性感的一面，也是整个链上资产最性感的一面，之前币圈有波动，四年震荡一下子，但是这一次，直接把底层资产改掉了，我直接拿英伟达，美光，海力士.... Ai趋势向上，我的资产就一直向上，诶卧槽，这个是真的屌... 不敢想象这些Meme或者台子的财库未来会有多炸裂... 其他的，没了，嗯，真的没了，整个盘完，资产类就一个能买，Pons 赌的话，再多加一个Meme和Boner 观点和半个月前不变，别的资产都是打流水用的,压根没一点毛用。 接下来观察的是新协议，没有发现的。 然后是Sol，我们的巨型土狗天堂。 Sol真的很牛逼，在没有FTX扶持的情况下，自己还能活的这么好，真不知道是什么高人在... 并且和Zec的合作也这么好，我怀疑Zec就是Sol这帮人买了大量筹码，之前几十块的时候就疯狂喊，纳瓦尔是股东，所以大家喊起来也不怕，也有paypal黑帮撑腰。 Sol上一轮的屠龙者就Pump，但是长大了不认爹，不给大家分钱，大家都是流氓，我是发盘子的，你说了给我钱，你到现在还不给，一直压着我的款... 就真的说不过去了，然后Stonk出来，复刻了Pons在sol上，这个真的很悔恨，100多万市值买的，压根没看，出门玩了个把月，回来一看已经几千万了.... Pump是Sol上唯一： 自建发射曲线+Swap+多资产配对的台子了... 之前傲慢，现在被Stonk整服了之后，开始干活... 之前一直在干fomo，结果也干不过人家... 现在，做发射曲线的：Pump，Ray，Met Pump几乎都是自家干自家的，最强不说啥了，只是没有反哺生态，但实力确实是强，发力起来，还是很可怕，bug是dev的收益分成比例低，和Uni一样的问题，让dev们不愿意过去发盘子。 Ray上最大的就是Stonk Met上最大的就是Ember 感觉跟结盟一样后面俩... 但是，创作者，带点脑子的，都应该去自己收益最高的地方不是，现在sol上，发币收益最高的就是stonk，比pump高了三倍，所以，我觉得，这场仗，还没打完... 还得再看，再等... 然后Bsc的，不想说了，无论是蝴蝶，还是Four... 困了，睡午觉了，明天继续再理思路

#Patriots# WR AJ Brown, who left last night’s opener because of an injury, is believed to have suffered a high-ankle sprain, per me and @MikeGarafolo. X-Rays were negative for a fracture. Brown has an MRI today to determine how much time he’ll miss.

Grok Bot 设计之旅 来自 Grok Bot Design Lead @johnbai 是 Cursor 纽约办公室的第一位设计师，John 在这期访谈中首次公开其幕后设计过程。 # Grok Bot 产品起源：为什么 Cursor 要"另起炉灶"？ Cursor 桌面端对非技术用户门槛过高，工程化概念让设计师等群体难以上手。John 入职后长期负责增长与 onboarding，核心命题一直是"降低门槛"。 内部曾有两派：一派主张改造现有产品（John 甚至提过类似 Codex 后来采用的"双模式切换"方案：coding vs. tasks）；另一派主张彻底重做。最终共识是：Cursor 品牌技术感太强、包袱太重，对非工程师缺乏吸引力，于是高层自上而下拍板，由几名资深工程师闭门探索全新产品。 Grok Bot 初版是精简版 Cursor Glass（agents 窗口）+ iMessage 式聊天界面。这是关键的"秘密武器"——AI 圈用户习惯了流式输出和思考状态，但普通用户最熟悉的是 iMessage/WhatsApp 的消息形态。这一选择奠定了产品的亲和力。 # 设计探索：从"激进重构"到"回归聊天" John 展示了大量未采用的探索，其演进逻辑值得注意： 1. 质疑范式：他最初质疑"为什么又是左栏列表 + 中间聊天 + 右侧详情的三栏结构"，尝试了大量替代形态——任务清单悬浮窗、"Mission Control"多 Agent 监控视图、便签式界面、Raycast 式唤起、常驻桌面的 "Notch（灵动岛）"概念、Clippy 式桌面角落角色等。 2. 用产品打造产品：他用内部原型（代号 Sand，即 Grok Bot 前身）来构建自己理想中的 Notch 形态。亲手使用后他发现：Notch 形态会丢失上下文，而聊天仍是管理 "Agent 舰队" 的正确交互范式。这是本期最重要的认知反转——设计师通过快速原型证伪了自己的激进方案。 3. 收敛逻辑：领导层对"退居后台"的 ambient 方案反应冷淡，因为产品需要品牌存在感；而探索中诞生的碎片（如六边形 Cursor logo 加双眼的像素小人）最终演化为 Grok Bot 的吉祥物。两条设计路线——"给工程版抛光"与"彻底重做"——最终融合为现有形态。 4. 拟人化的来源：早期内部用户自发给 Agent 起名、上传表情包当头像，团队从中捕捉到"用户想赋予 Agent 人格"的信号，遂将角色形象设为默认状态。 # Onboarding 哲学（本期最有方法论价值的部分） John "在 Cursor 的全部时间都在设计 onboarding"，其核心原则： 1. 衡量负担的标准是概念数量，而非步骤数量。只要价值传达清晰、过程有吸引力，用户愿意走完多步流程；反之，塞入过多概念（他点名 Buzz 的 onboarding）会让人流失。 2. 不要迷信 Skip 按钮。AI 工具跳过引导后，用户被丢进空白输入框，直接陷入"行动瘫痪"（action paralysis）。先教会用户产品能做什么，比让他们快速进入产品更重要。 3. 最终落地的三步：① 你拥有的是一个 Agent 团队（各有分工）；② 每个 Agent 有自己的电脑（嵌入式 computer-use 窗口 + takeover 接管按钮——主持人称这是他的 "aha moment"，因为云端电脑的运作首次变得透明可信）；③ 任务可自动化运行。 4. 被砍掉的方案及原因：连接 Google 做个性化定制（信任未建立，用户不愿授权）；语音引导（跟风 ChatGPT/Claude 语音模式，但新用户"不知道该说什么"，时机错误）。 5. 用动效"买时间"：信息逐步流入的动画，既表现 AI 在思考，又掩盖了加载延迟。 # Cursor 的设计文化 没有两个设计师流程相同：有人纯代码起手（做 Cloud Agents 的 Maya 甚至没有 Figma 文件，只交付 Vercel 可交互原型），有人用 Paper，John 自己仍以 Figma 起草——但 Figma 的定位已变为"喂给 Agent 的素材与故事板"，文件本身是完全一次性的（throwaway）。 Agent 深度参与设计执行：John 把 Notion 文档丢给 Bot，让它在 Figma 里自动布局数十个 logo 变体、填充组件网格——过去需要手动 Google 找 SVG、缩放对齐的重复劳动全部外包。后期他甚至跳过 Cursor，直接让 Agent 在浏览器里生成多个方案。 高保真评审文化：每个想法必须附带可交互原型，crit 时发链接让所有人亲手试用。"静态走查已经不够用了"——这迫使设计师在分享前就验证方案是否成立，避免"给烂方案抛光"。 沙堡心态与 unshipping：设计师不能对自己的概念有执念（"can't be precious"），早期探索注定大量被丢弃，但碎片会进入最终产品；公司内部有强烈的"反上线"（unshipping）文化，靠删除来收敛复杂性。 他引用 Colin Dunn 的 "informed simplicity"：用户觉得"理所当然"的简洁，来自设计者先极度发散、再极度收敛的过程。 # 团队、招聘与反馈机制 团队：冲刺期共 5 名设计师，按各自强项自然分工（John 做探索与 onboarding，Pong、Keith、Tyler、Mamuso 抛光主壳），品牌团队主导命名与形象迭代。 招聘标准：基本功优先于工具数量、出活速度或"模型优化技巧"。核心考察能否真正 ship 产品、是否有体现 PMF 寻找循环的工作流程——"现在什么都能造，但不是什么都值得造。" 反馈处理：坚持用户研究 + 数据驱动。重视深度用户（如主动向 power user 私信索取详细反馈，再让 Bot 汇编成 Notion 文档同步团队）；数据洞见直接指导迭代——用户常用 Bot 少于 5 个（影响信息架构）、授权认证是主要卡点、吉祥物反响强烈（故提升其存在感）；同时密切观察用户自发"hack"出的用法（如 iMessage 版 Bot），顺势纳入设计。 # 实际使用场景（产品能力的具象化） John 本人：妻子申请绿卡，让 Bot 扫描邮箱自动找出过去 5 年的租约与账单；租房监控（定时抓 StreetEasy 房源，按"靠近地铁蓝线"等条件排序）；跨工具流水线（Slack 反馈频道 → Notion 数据库 → 自动更新 Figma 设计，人只需验收）。 主持人 Rid：梦幻橄榄球 GM Bot（抓取公开交易数据 + 动态竞价模型）；QA Bot（每日自动跑完全部产品流程、生成工单，置信度达标即直接派给 Cursor Agent 修复）——他在机场行李提取处用手机修好了此前两次都没修好的 bug。 John 的总结颇具代表性："我现在默认它什么都能做，因为我还没碰到过墙。"

🚨 英伟达财报已经过去，现在市场开始用真金白银投票了。 今天美股开盘，$NVDA 一度大涨 7.1%，市值瞬间增加约 3590亿美元。 背后的数据很硬： Q2营收 962亿美元，同比+106% 数据中心 890亿美元，同比+117% FY2028营收预计还能增长约 70% 更夸张的是，这还是在供应受限情况下给出的预期——不是没人买，而是货还不够卖。 财报后华尔街也开始重新算账，多家机构上调目标价，最激进的 Raymond James 直接看到 515美元。 但现在真正值得看的，已经不是英伟达还能不能赚钱，而是： 英伟达卖出去这么多“铲子”，下面挖金子的人到底赚没赚钱？ Salesforce、CrowdStrike已经开始交AI收入的答卷，接下来再看网络和软件端能不能继续接棒。 如果AI能持续变成订单和现金流，行情才有继续扩散的基础；否则最后可能还是少数巨头吃肉。 以前市场问：你有没有AI？ 现在市场问：AI到底给你赚了多少钱？ 你觉得AI下一棒会轮到谁？ $NVDA

Memecoins paired with anything. Memes have traditionally been paired with $SOL, meaning you would trade coins directly against Solana. Now, there’s a new way to launch & trade anything. You can launch coins paired with a broad list of custom quote assets, such as RWAs, commodities, currencies, memes, and more to come. Get airdropped rewards for holding coins while trading against anything. Powered by @Raydium