与「sigma」相关的搜索结果

I am actually disgusted by the timing of this drop. And this will get a bit more technical. Let’s do a real technical teardown of this "1,385-sigma Blackwell weight fingerprint" report that OpenAI and Anthropic are breathlessly promoting today, because banking on nobody reading past the headline is how DC narratives get manufactured. ​First, look at the actual CUDA maths: when PyTorch initialises model weights (torch.nn.init) with a fixed PRNG seed, curand/Philox parallelises random number generation across the GPU’s Streaming Multiprocessors (SMs). Because Hopper has 132 SMs and Blackwell has 148 or 152 SMs, the exact same seed lays out initial weights in a different spatial pattern depending on the GPU’s SM count. In huge MoE models, certain low-gradient null-spaces or unrouted slices preserve faint directional traces of those step-0 weights even after training. ​So yes, brute-forcing the seed and SM grid can show that a model’s step_0 weight initialisation script ran on a 148/152-SM Blackwell GPU. Now read what the summary explicitly admits in the fine print: 1. Initialisation is not full training: The report literally states that these signatures show how the weights were created, and "support (but do not prove) the inference that Blackwell also participated in model training". Initialising a model checkpoint takes seconds on a single rented dev node before loading the safetensors onto a standard Hopper cluster. The "2,000 to 3,000 Blackwell GPUs" and "$500 million" cluster numbers do not come from the weight fingerprint and Depue admits in his own thread that he simply "estimated" cluster sizes from release schedules and model details. ​2. Zero geolocation and zero proof of smuggling: The final sentence of the executive summary explicitly admits that the findings "do not establish the physical location of the chips, how they were acquired, or whether export control regulations were violated". Depue himself rented a cloud GB200 instance just to run his verification test. Commercial labs that are not on the Entity List renting bare-metal Blackwell nodes in offshore clouds (Singapore, Japan, or the Middle East) is completely legal under BIS rules and leaves the exact same SM fingerprint. Now ask yourself why a former OpenAI researcher dropped this on November 12, the exact day Jensen Huang was pushed out, with OpenAI and Anthropic immediately stepping in to "independently verify" it. US closed-source labs are watching their paid API moats get eaten alive by free Chinese open-weights models. Conflating a step-0 PRNG initialisation seed with a "$500M smuggled Blackwell cluster" hands DC hawks the exact pretext OpenAI and Anthropic want to regulate global cloud compute and kneecap open-source AI.

I have a major result to share. I’ve found conclusive forensic evidence that the top 4 Chinese AI labs—DeepSeek, Moonshot, MiniMax and Ant Group—have built their newest models on NVIDIA’s most advanced Blackwell chips, which are barred from export to China. This sounds insane, but I discovered that almost every AI model carries a hidden signature of the GPU that trained it. When a model is first set up, the starting values of its weights are laid out in a pattern that depends on the exact GPU. Each combination of GPU and seed number produces a unique pattern—a sort of fingerprint of the hardware used to create the model. Traces of that pattern survive training into the published model. Again, this evidence isn’t based on any insider information or leaking. It’s based on a forensic analysis of the model weights released by the companies themselves. I searched more than six trillion combinations of chip layout and seed number and matched them to open-weights models. In doing so, I found conclusive evidence that six Chinese AI models—including DeepSeek-V4-Pro, Kimi K3, and MiniMax-M3—were initialized on NVIDIA Blackwell systems. Four of the models match Grace Blackwell, the GB200 and GB300 parts in NVIDIA’s flagship liquid-cooled rack-scale systems. I then verified these results on real hardware. Running unmodified PyTorch with the seeds I’d recovered, a Blackwell B300 reproduced DeepSeek-V4-Flash’s untouched starting weights bit for bit, and a rented GB200 reproduced Kimi K3’s to a correlation of 0.999995. A Hopper H100 reproduced none of DeepSeek-V4-Flash’s, and changing the seed by one broke the match. (DeepSeek’s seed is 953049583 by the way.) The method also was verified to match 24 known open-weights models to the hardware that developers said they used. It is exceedingly unlikely that these results are a coincidence. Across six trillion combinations, the best accidental match should reach only about 8 sigma (i.e., eight standard deviations above what random chance would produce). The real matches range from 49 to 1,385 sigma, and even the weakest single test hits 20. These were data-center-scale training runs. With some analysis of release schedules and model details, I estimate that the largest, Kimi K3 and DeepSeek-V4-Pro, used 2,000 to 3,000 Blackwell GPUs each. Clusters of this size cost on the order of $150 to $200 million each to buy, and across these labs alone would add up to more than half a billion dollars of export-controlled GPUs, not counting experimental compute or otherwise. It’s quite likely that we see multi-billion dollar expenditure on export-controlled GPUs. I am highly confident in this result, and it has been independently verified by senior researchers at OpenAI and Anthropic. You can read the full report at There is much more I’ve identified about these models through other forms of checkpoint forensics like this, and will have more to share soon.

Day Six Hundred Eighty Eight (10/04/2026) of charting $SIGMA @SigmaOnXRP @First_Ledger and the $XRPL ripple:native coiled at $1.50, liquidity waiting at $1.87 Remember to play SIGMA GAME! at Pump Games to play and earn!

Grok Bot by Elon Musk just replaced a $294,000 Wall Street research desk. Six AI agents, $200 a month, doing the work BlackRock pays people six figures for. The guy who built it published every prompt. What that desk cost before the bots: > $27,000 a year for the Bloomberg terminal > $22,000 for Refinitiv > $50,000 for sell-side research > $15,000 for AlphaSense > $180,000 for the junior analyst who reads all of it until 2am so somebody senior can trade on it before the open $294,000 a year. The agents cost $2,400. Same brief, 122 times cheaper, and it is there before the open. Six agents split that desk. Each one gets its own computer in the cloud, and they all write into the same vault. > FILINGS reads every 10-K, 10-Q and 8-K on a 100-ticker watchlist overnight and flags the ugly parts: going concern language, auditor changes, restatements > EARNINGS reads the call transcript within 24 hours and tells you if the CFO got quieter than he was last quarter > SECTOR does one pass per sector and picks up the rule change nobody read > INSIDER catches Form 4 buys over $1 million and new positions from Two Sigma, Third Point and D.E. Shaw the day the 13Fs land > CHATTER counts mentions on X and flags any ticker three standard deviations louder than its own 30-day normal > CHIEF OF STAFF reads the other five at 5:30am, bins anything only one of them flagged, and emails you the ranked brief at 6 One analyst covers 30 names. Six agents cover 3,000 and finish before the open. You show them the job once. They repeat it every night with your laptop shut. Every research floor on Wall Street was priced on reading being slow and people being expensive. Both of those stopped being true this month. So you wake up, read for five minutes, and know what moved on every name you hold. That used to be somebody's entire job, and he got a bonus for it. The article below is the step by step guide to building the whole AI trading machine. Save & read it, you will want it open while you build.

We're excited to announce that Beldex has secured a new round of funding, led by @Sigma_VC and supported by leading venture capital firms. This investment will accelerate product development, ecosystem growth, and our vision of building privacy infrastructure for Web3.

量化必备：几何布朗运动从理论到向量化实现 之前分享过从零到一的 Python 量化回测、真实数据清洗避坑，以及 Fama-French 多因子模型实操。 今天粉丝问我：Ace 还有没有把几何布朗运动（GBM）从数学公式一路讲到可交互模拟仪表盘的完整视频？ 我去找了这支来自 Daniel Boctor 的优质实战教学。 视频真正的价值在于：它把量化金融中最基础也最重要的随机模型——几何布朗运动，讲得既有理论深度，又有工程落地感。 核心内容包括： 1️⃣ 清晰拆解 GBM 公式 dStSt=μdt+σdWt \frac{dS_t}{S_t} = \mu dt + \sigma dW_t St​dSt​​=μdt+σdWt​，把漂移项、扩散项和随机项讲透 2️⃣ 特别纠正离散模拟时必须使用几何复利收益、而不是简单算术收益的常见错误 3️⃣ 用 NumPy 向量化彻底摆脱 for 循环，瞬间生成成百上千条随机路径 4️⃣ 用 ipywidgets 搭建可实时调节参数的交互仪表盘，直观观察资产增长曲线和终端财富分布 5️⃣ 末尾额外演示了 Fama-French 因子滚动回归分析 这是一支从理论到可视化都做得很扎实的量化随机过程教学，适合想系统学习蒙特卡洛模拟和向量化编程的朋友。强烈建议跟着敲一遍代码收获会很大。

那个45倍的「白毛女股神」，到底在买什么？ 事情是这样的。 最近币圈和美股圈都在传一个名字。 @aleabitoreddit 一个X账号，头像是个白毛二次元少女。 2026年5月晒出年度战绩。 4502.45%。 我当时就愣了。 45倍？ 这尼玛是什么操作？ 我跟你说，兄弟们，她不是蒙的。 公开讨论的35只股票，31只正收益。 胜率接近90%。 超10只股票翻倍。 SIVE年内涨超10倍。 AXTI涨超5倍。 AAOI涨超5倍。 而且最骚的是，这些公司，在Serenity公开讨论之前，市值大多不到2亿美元。 华尔街的研究几乎没人覆盖。 机构根本看不上。 但当市场发现，这些企业居然是AI产业链中不可替代的关键环节时。 估值开始疯狂重估。 我跟你说，这人的厉害之处，不是敢买小票。 真正厉害的是，他不是在预测股价。 他是在推演供应链哪里会断。 01）普通人看AI，Serenity看什么？ 大部分人看AI，通常会问： 谁最火？ 谁涨最多？ 谁是龙头？ 谁最确定？ 所以最后大家都会看向英伟达、微软、Meta、台积电。 但Serenity的思路不是这样。 他真正问的是： 如果AI继续扩张，最后会被谁卡住？ 这就是他最核心的方法。 不找热门，找瓶颈。 02）瓶颈中的瓶颈 比如AI发展，第一反应当然是需要更多GPU。 但GPU只是第一层。 GPU变多之后，数据中心会变得更大。 数据中心变大之后，服务器之间、机柜之间、芯片之间的数据传输压力会越来越高。 于是光通信、激光器、硅光、CPO，就会变得越来越重要。 再继续往下挖： 谁提供关键材料？ 谁提供测试设备？ 谁掌握细分产能？ 谁是那个不起眼，但一旦缺货就会拖慢全链条的环节？ 这就是所谓的，瓶颈中的瓶颈。 一个公司不一定名气最大，也不一定收入最大。 但如果它卡在一条大产业链的关键位置。 当需求爆发，而供给短期跟不上。 它就可能被市场重新定价。 03）Serenity的七层卡脖子地图 Serenity把AI供应链拆成了七层。 每一层都找到了那个「没有它整个链条就断掉」的关键节点。 第一层，原材料。 AXTI，做InP磷化铟衬底。 没有它，光子学建设会倒下。 第二层，pBN坩埚。 信越化学，做InP晶体生长设备。 第三层，衬底加工。 AXTI加上一个未命名的双寡头。 Serenity说，这是「皇冠明珠卡脖子」。 第四层，CW激光器。 SIVE，Sivers Semiconductors。 控制下一代CPO的连续波激光光源。 市值不到3亿美元，Serenity说「严重错误定价」。 第五层，光模块。 AAOI、LITE、COHR、中际旭创。 组装光模块的。 第六层，测试设备。 AEHR，做光子学测试。 第七层，光纤电缆。 GLW康宁、Prysmian、Furukawa。 传统光纤加空心光纤。 你看，从原材料到成品，每一层都有一个「没有它就不行」的节点。 Serenity不是在买股票。 他是在画一张AI供应链的「断点地图」。 04）三个经典案例 案例一：SIVE，10倍股 Sivers Semiconductors，瑞典半导体公司。 做AI光互联激光器和光子芯片。 Serenity反复提及超过190次。 公开讨论前，市值不到1.5亿美元。 长期交易量不到100万美元。 没人关注。 但Serenity看到了什么？ 他看到了CPO，也就是共封装光学。 下一代数据中心，光模块要直接封装到芯片旁边。 这需要CW激光光源。 而SIVE控制了这个卡脖子点。 他预测，2026/27年SIVE可能还是零收入、亏损5000万。 但2028年收入可能到5亿。 2029年到10亿。 更骚的是，空头机构Two Sigma建仓SIVE净空。 股价暴涨之后，空头保证金压力越来越大。 被迫平仓，被动买盘助推。 至少一家空头认亏出局，损失数千万美元级。 这就是Serenity说的逼空共振。 在一个流通盘极小的股票里，做空本身就是在给多头递刀子。 SIVE最高涨了近20倍。 案例二：AXTI，5倍股 AXT Inc，美国衬底材料商。 做InP磷化铟衬底。 Serenity说，AXTI「基本上是整个光子学供应链」。 垂直整合了4个不同的卡脖子点。 他用了一个类比。 霍尔木兹海峡。 全球20%的石油通过霍尔木兹海峡。 一旦堵住，整个系统停摆。 AXTI就是光子学领域的霍尔木兹海峡。 Serenity说，大多数人完全不知道自己在说什么。 尽管日波动15%到25%，他仍然持有。 认为当前估值合理。 后来AXTI从十几美元涨到百元以上。 涨幅接近10倍。 案例三：AAOI，数倍股 Applied Optoelectronics，美国光模块公司。 Serenity说，这家公司「激光→设计→组装→销售光模块，拥有整个供应链」。 正在建设ELSFP，也就是外置光源。 进入CPO领域。 他预测，2027年下半年光模块收入10倍增长。 他在84美元左右买入相当数量。 说66亿市值对他来说太便宜了。 后来股价从30多美元一路上涨数倍。 05）Serenity的五步选股法 Serenity的方法，可以总结成五步。 第一步，找超级趋势。 AI、数据中心、算力、半导体、光通信。 大趋势要足够大，足够确定。 第二步，找第一层瓶颈。 GPU、HBM、电力、网络、数据中心。 这些是最明显的瓶颈。 但也是最拥挤的。 第三步，找第二层瓶颈。 激光器、硅光、CPO、特殊材料、测试设备、系统集成。 真正的认知差，往往藏在这里。 第四步，找「小市值 + 关键卡位」的公司。 不是因为它小就买。 而是因为它小，同时又卡在重要位置。 大趋势很大。 公司很小。 位置很关键。 市场还没完全理解。 这才是十倍股可能出现的地方。 第五步，做前瞻推演。 这家公司未来拿到订单的概率大不大？ 有没有产能扩张能力？ 管理层在做哪些布局？ 过去有没有进入核心供应链的经验？ 它卡住的瓶颈，会不会越来越重要？ 这一步最难。 因为此时订单可能还没明显增加。 财报还没验证。 机构也还没大规模买入。 市场还没给出确定性。 但真正的超额收益，恰恰来自这里。 机构等订单确认、收入兑现、财报验证之后才敢买。 Serenity做的是，在这些信号完全出现之前。 先基于供应链逻辑和工程常识。 判断这家公司有没有机会进入核心位置。 06）为什么是小市值？ Serenity专门挑小市值公司。 不是因为小市值涨得快。 而是因为大基金有体量限制。 一个管理百亿美元的基金，不可能去买一个市值2亿的股票。 买多了，流动性不够，进出都困难。 所以小盘股存在定价真空。 华尔街的研究几乎没人覆盖。 机构根本看不上。 但Serenity不一样。 他用的是自己的钱，加上1.4倍杠杆。 集中持仓。 他不需要考虑流动性。 他只需要考虑，这家公司卡在产业链的哪个位置。 当市场发现这个卡脖子点的时候。 估值就会疯狂重估。 这就是信息差。 市场上研究英伟达的人有几万人。 研究激光器供应链的人可能只有几十个。 研究硅光材料的人可能只有几个人。 而研究某个特殊外延片供应商的人。 可能全世界不到十个人。 Serenity就是这几个人之一。 07）Serenity是谁？ 说实话，没人知道。 全网现在还不知道这个人的真实身份。 没有人知道她的真实姓名、国籍、年龄、职业。 是完全隐匿于网络的顶级投资大佬。 X账号简介写的是： AI半导体产业链研究院、Nature论文作者、RISC-V基金会核心成员。 整个含金量拉满。 她还公开了一段过往。 2018年拒绝了英伟达AI团队主管的邀约。 那时候英伟达股价只有6美元。 我跟你说，这人的背景，大概率是真的。 因为她对AI硬件的理解，不是看研报能看出来的。 是从工程细节里抠出来的。 她自己说过，「Only buys what he's touched」。 只买自己摸过的东西。 她大概率是真的在半导体行业干过。 08）机构轮动理论 Serenity还有一个核心观点。 机构轮动。 她抓住了内存名称上涨的尾巴。 SNDK、三星、SK海力士、美光。 然后机构之前用AAOI、AXTI、LITE、COHR等光子学名称跑赢。 现在再次通过大量增加SiPh、ELS来做到这一点。 她说的三阶段轮动是： 第一阶段，内存。 第二阶段，光模块。 第三阶段，外置光源和硅光。 她认为自己现在处于第三阶段的开端。 而大部分人还在第一阶段徘徊。 这就是认知差。 09）风险与争议 Serenity的方法也不是没有风险。 第一，幸存者偏差。 她公开讨论的股票，涨了的大家都能看到。 跌了的，可能就不提了。 第二，没有监管披露。 她没有基金，没有13F报告。 持仓大小、进出时间，都不透明。 第三，高波动。 她持仓的股票，日波动15%到25%是常态。 普通人根本扛不住。 第四，流动性风险。 小市值股票，进出都困难。 她想卖的时候，可能根本没人接盘。 第五，逼空风险。 她自己也参与逼空。 但逼空是双刃剑。 空头被逼平仓，股价暴涨。 但如果空头坚持不撤，或者更多空头加入。 股价可能暴跌。 10）普通人能学到什么？ Serenity的方法，普通人很难完全复制。 因为她有实打实的AI科研背景。 她对供应链的理解，是从工程细节里抠出来的。 不是看几篇研报就能学会的。 但有几个思路，是可以借鉴的。 第一，不追热门，找瓶颈。 热门股已经被充分定价。 瓶颈股，市场还没发现。 第二，往下挖三层。 英伟达需要GPU。 GPU需要光模块。 光模块需要激光器。 激光器需要衬底材料。 每一层都可能有机会。 第三，小市值+关键卡位。 大趋势很大。 公司很小。 位置很关键。 第四，做前瞻推演。 在订单确认之前，先判断逻辑是否成立。 第五，接受高波动。 如果承受不了15%的日回撤。 就别玩这个。 说到底 Serenity的方法，本质上是「供应链断点投资」。 她不是在看股价。 她是在看产业链哪里会断。 当需求爆发，供给跟不上。 卡在关键节点的公司，就会被重新定价。 这就是十倍股的来源。 但说实话，这种方法，门槛极高。 你需要对产业链有极深的理解。 你需要能接受高波动。 你需要有耐心，等市场发现你发现的逻辑。 我跟你说，股市会奖励错误。 以至于很多人赚到钱之后，就意识不到自己的错误。 但把时间拉长来看，市场是公平的。 所有短期的盈利靠运气。 长期的超额收益，永远靠认知壁垒。 Serenity的认知壁垒，就是她比全世界99.99%的人，更了解AI供应链的断点在哪里。 这就是她一年赚45倍的原因。