美研芒格君 · X 阅读

@Cyrusrumo 谢谢。那更加是我的职责所在了。占用了大家的注意力，我需要让这部分注意力能值回时间本身的价值

@dajingou1 如果大家感兴趣，我会专门出一篇，从 X 的推荐算法本身出发，站在技术角度下和在算法机制下，我们的内容是怎么被分发的 方法论大家可以直接拿来用

@aoxiang_77 我也被套麻了

首先，我想谢谢你之前有阅读过。其次，你有这种感觉，应该是因为我们最近之前那种长文发得越来越少，最近有一段时间都没有发过了 至于说，为什么不发了？ 有的时候大家看我的文章，觉得说得在理，于是就投入了真金白银，更有的朋友加了杠杆往里投。我发现有的时候我的一些数字会误导大家，并且产生争议。出于信任，但最后成了亏损，我觉得我没法承担这个责任，也会对不住大家 因此，我们账号最近也在做调整，在不久的将来，应该会找到一种折中更合理的方式

@Jeffreyxysu 谢谢你，一点善意的鼓励就是我们持续分享的动力

@Crypto_Alb1 收到，我觉得后面有一盘大棋，有潜力成为一个转折点。这个我已经在准备了。一定会跟大家分享的

我们账号是在硅谷的投研团队，团队成员来自斯坦福、沃顿商学院和 UCLA，金融科技背景出身。都在硅谷的大厂任职 这 5 个月里我们累计全网涨粉了将近 10 万。获得了千万的曝光。多亏团队一位成员是推荐算法出身，功不可没，有机会也给大家讲讲这块的心得经验 1. 这个帖子是想跟大家坦诚聊聊： 我对账号的想法和接下来的主线，想听听大家的意见，大家畅所欲言，想夸想骂都可以。大家都是我的产品经理 2. 我最近是不满意的： 我认为我们账号的长文思考可以再频繁一些。日常内容可以再深入一些，再有启发性些，能够带给大家一些在别的地方看不到的、能够带走的 insights 3. 我要调整的： 近期呢，趁着团队几位老成员回归。我想对我们这个账号团队的内容做一些调整 我们还是会主要做三件事 a. 分享 AI，AI 是一切的起点。我会把我看到好的学习方式、思考方式、新的产品思路分享出来。 b. 基于 AI，延展出来的投资思路和基本面分析。这块更多的是逻辑架构，以后我会减少点位和个人交易的截图 c. AI Model As A Service，提供基于 AI 的决策服务。我跟大家其实分享过，我们团队现在的投研和思路，80% 都是自动化执行的。我们随后训练了自己的 Decision Model 来做日常决策评估 这块试用效果差点意思，我不想发布出来把大家坑了，还在迭代打磨过程中 整体大概就是这样。如果你有什么想跟我说的，可以在我的评论区留言，也可以私信我，我的 DM 也是打开的

@jj05s7 @grok 谢谢你，正能量从你做起

@curious_hao 我得仔细看看了。mrvl野心可能比我想象的大很多，短期我看不懂了。这个消息过于炸裂，需要好好消化一下

@tilllinxx 今天消息有点太多了……

WTF？！ $MRVL 要收购 $LITE ？？？ 这个消息将会改变我的很多逻辑和主线 https://t.co/1rcDaP5anu

@Felix4sgy 以后可能会减少讨论股票

无论你现在在忙什么，先把手头的事放一放，来看看谷歌今天发布的Genie 4 世界模型。我强烈建议大家花几分钟了解它 Genie4做的事情是：给定 prompt，你就是这个世界的造物主。你描述一个场景，AI 生成一个可以探索、会对你的操作作出反应的环境。你可以控制移动和视角，也可以在过程中输入文字，改变天气、加入人物，让这个世界继续演变。 我认为要有两点take-away： 1. 未来的社交、娱乐和游戏，都注定会被世界模型改变。2. 它背后可能带来的算力需求，非常值得关注 沿着这个世界模型方向发展，未来看一部悬疑片，你可能可以走进现场，自己找线索、问角色问题；玩游戏，你可以描述想探索的世界，再一边玩一边改变它 社交也值得重新想象。如果以后能支持稳定的多人互动，你和朋友就可能一起创造一个地方，在里面聊天、探险、演一段自己的故事。每个人的选择，都能改变这个世界 可以想象的空间无限大

@davidmlcf 你说的很对。以后我会减少类似机会的分享，赚钱是个很私人的事

今天中午和朋友约吃sweetgreen ，复利健康 我发现AI时代下，越来越多的打工人出现了心理健康问题 朋友说他很痛苦，老板push工作总会说“这个AI不是很快就搞定了？” 如果出了差错就怪罪过度依赖AI 我自己也带团队，也会跟成员说类似的话。所以我想聊聊外耗和正反馈，这事怎么解决 首先，我觉得大家要摆正心态。很多管理层现在也很慌，为了管理而管理。此外，现在确实是一个卖方市场，岗位少，求职人多，竞争激烈，公司不缺人 但我觉得还有几点能做的 1. 我鼓励大家培养外耗型人格。如果你的老板这样对你，千万不要怀疑，这是管理手段，这是很有可能是故意的 2. 我鼓励大家自信，实在想不开有事跟AI聊聊。不要忘了，你有 GPT 和 Claude，他们比你能接触到的 Manager 厉害很多倍。敢于看穿老板的管理手段 3. 寻找正反馈，杜绝负循环 现在的大部分活都是 AI 做的，如果你每天能得到好的反馈，你会觉得被 AI 赋能了 相反，如果每天老板都是用 AI 来压迫你，长此以往不利于职业发展。不利于自身健康 4. 如何寻找正反馈？ AI 时代，大家的能力差别都被抹平，这个需要大家自己去寻找 我想说一个常见的误区：很多搞技术的人都觉得，如果不搞计算机、不搞 AI 了，就是落后，就是自毁职业发展。 AI 时代，我更建议大家去尝试一下以前想都不敢做的事，这个世界很大

Agent Evaluation 是我觉得为数不多还需要人力去做判断、将来很难被AI 彻底取代的职业方向。我给大家找了一个非常好的学习资料入门：Hugging Face 的公开 Training Agent 课程 学完了，你应该会有更强的 sense，判断 AI 时代下哪些工作更适合人来做 这个资料是公开的，视频都在 Hugging Face 的 YouTube 频道，代码全部开源，下面有这六节： 1、Agentic Evaluations Workshop：怎么评价一个 Agent。 这一章节去看：为什么 benchmark 分数和真实使用体验对不上？目前 Agent Eval 做到了哪一步，还有哪些问题没解决。先把“怎样才算一个好 Agent”，等等都有 cover 2、RL for Agents Workshop：给 Agent 做强化学习，难在哪 这一章节去关注：从 LLM 的 RL 走到 Agent 的 RL，会多出哪些难点？环境怎么搭、rollout 怎么跑、reward 怎么设计，以及训练过程中推理为什么会成为 bottleneck 3、SFT on agent traces：用 Agent 的执行轨迹做微调 这一章节去关注：拿公开的 coding-agent traces（执行轨迹）整理成训练数据，用 TRL + LoRA 做 SFT，在 Hugging Face Jobs 上跑，用 Trackio 看指标。基本带着走了一遍小型的微调流程 4、Distillation：把大模型的能力蒸馏给小 Agent 这一章节去关注：怎么把 teacher model 的能力转移给更小的 coding agent。off-policy、on-policy、self-distillation 都会讲，看看这几种蒸馏方式分别怎么做 5、Reinforcement Learning：SFT 之后，怎么继续用 RL 训练 这一章节去关注：用 GRPO 接着训练，讲 group sampling、可验证的 reward，以及 reward、KL、输出长度这些曲线怎么看。看 Agent 怎么 reward hacking 6、From reward functions to environments：让 Agent 在真实环境里学习 这一章节去动手：从 reset()/step() 接口讲起，用 OpenEnv 搭环境、上传到 Hub，再接入 TRL 的 GRPOTrainer。最后通过 Harbor 和 Hugging Face sandboxes，用 AsyncGRPOTrainer 训练真正的 coding agent：OpenCode。让 Agent 在环境里采取动作、拿到反馈，再继续训练

@santoslee_me 看来每个公司都差不多. 大家很一致地都喜欢起这种标题. 包括但不限于 减少 90%， 一下午就能干完, 一个人就能xxx

@LXT_supreme 1. 我没说过，不知道你在哪里看的 2. vst我也从没说过 3. 我多次说不推荐杠杆

2026 年是裁员元年。现在给公司卖命，绝对不是一笔划算的生意，大家都该想想出路。包括我自己 我今年才意识到。今年 1 月我们还在用 Opus4.5 和 GPT5.2，这才过了 9 个月。你能想象未来 3 年吗？我很害怕 今天，微软向约6万人开放自愿离职计划，覆盖全球员工约27%，身边朋友已经有收到了。 我预计 5 年之内，大科技公司的岗位会缩减至少 30%。 最近一个月 $ORCL solana:KWiZdAh4C9Pf5oCBzWvtjcQEFudryu8tFaXrmsJpump $EBAY $NFLX 都宣布了 3%-5% 的人员缩减，这只是第一波 公司内的内卷也已经拦不住了 数不完的打工人在疯狂证明：我会用AI。我能用 AI 提效 x%，节省 y 的人力。管理层再嘉奖这些人，实现内卷正循环 AI 疯狂发展。明年还需要多少人？后年呢

@Benj_Taylor2001 MRVL 我的长期持有仓位总量比较大。通常不动，操作的都是短线