X 阅读

@Pathusa 中期肯定来不及了，除非现在停火

想上车焊门的，忽然发现要检票了 共和党在中期拉几乎是必然的，问题只是是否丢两院 对于Trump来说Iran除非能在近几天有实质性协议，供应链才“可能”来得及在中期之前改善 而在中东问题妥协换取或有一院，对于接下去两年执政帮助又有多大？还是干脆取舍，布局2年后，赌希望更彻底一点解决这个问题？

@Rustallintsla 等你上图😋

@Rustallintsla 油焖笋是一绝，网上有攻略，不放一滴水，就油，酱油，糖，美国应该也有，茭白确实少见

@redrocklord 我也觉得丑，还难受，哈哈 https://t.co/r2DaEiVwXl

48小时，一个周末，往返温哥华，两场关于AI和宏观的分享，燃尽了，希望能给大家带来ROI！非常充实！

@xzzzjpl 中文推特博主基本上没什么变化，原创水平高专业深的很稀缺，屈指可数。绝对多数都是搬砖和翻译工作。

OpenAI 最近的风评不太好，像极了六月份的 A➗。上周的 DevDay 把预期拉得这么高，结果没什么让人惊喜的新发布，还把额度砍半了 从第一性原理出发，背后其实还是算力和互联不足 我实际用下来 500$的pro，用 GPT-6 Medium /Ultrafast只能聊个 150 句 200$的实际用量也远远打不过 Opus 5.5。连我这种忠实用户都想着退订 背后的原因其实还是算力 这更加让我坚信和看好算力和互联标的的发展与长期持有，两者决定了推理容量和速度

@Corsica267 报名！

@Guilin_Chen_ 🫶

$QCOM 的AI智能体故事线开始被看到了，刚刚开始

请问谁不想做血汗工厂的股东？

No, I actually think Innolight is VERY attractive at current level

这件事情对于我日常投资研究有两个重要意义 1. 研究一家公司的时候. 我的不同类的数据，例如研报、本地的 PDF、各种网页、数据源，终于可以 All in one 地让 AI 在我电脑上操作了 2. OpenAI Computer Use 好用，但就是太贵了。这个彻底解决了我 Token 不够，但是又需要操作电脑的问题

最近 Muse 很火，我也在想：有没有可能，让我们已经在用的任意的AI，也拥有像 Muse 一样操作电脑的能力？ 因此我周末捣鼓了开源一个skill。一句话来讲，使用它可以让任何AI 接到电脑上的 Computer Use，让它能看屏幕、点按钮、输入文字，直接操作 App 顺着这个方向，可以尝试的事情就很多了：找餐馆、查机票、购物比价，或者整理社交媒体素材。以前需要自己在几个 App 之间来回切换，现在可以试着用一句话把任务交给你已经订阅了的AI。（Kimi, 豆包 Gemini, Codex, Claude 等等） 开源链接 https://t.co/nE89deYTba 使用方式 把这个 GitHub 链接直接给到 AI，让它帮忙安装 在 demo 里，我演示了如何安装，并以 Claude Code 为例，操作我的浏览器，帮我给餐馆定位 我更感兴趣的是背后的成本空间。 这个 skill 复用了本机已安装的 ChatGPT/Codex Computer Use 组件，由你选择的模型理解任务、决定下一步怎么做。项目脚本本身不调用 OpenAI 推理 API，因此，不会消耗 OpenAI 的 Token，但前提是你要安装了 Codex 我自己也更愿意让操作发生在自己的电脑上，继续用自己的 App 和登录状态。此外所有的支付信息、付款记录全部留在本地，解决合规、隐私的顾虑 先开源出来，给大家玩玩。我很想看看，当更多 AI 能直接操作电脑之后，大家会拿它做出什么有意思的东西 如果是你，你最想让它接手电脑上的哪件事？如果你用起来觉得还挺有意思的，欢迎提交 PR，也欢迎点点 star 后续我们也会用仓库把我们的投研 harness 陆续开源出来

@Jeffo_Mansfield https://t.co/KrjzMHmFTD

个人看法，不喜勿喷

源头在IR vol（IR & oil关联度）目前正趋势性蔓延到其他宏观资产（还没到股票） 最好能源supply chain能恢复，至少让市场安心定价目前石油出口情况；或者盈利业绩爆表硬拉 有人觉得：油价—>通胀—>利率—>完蛋 其实不然：油价vol—>关联度 —>利率vol 所以法国放油储、甚至央行展缓加息都未必太敏感

@dichng921282375 准备写一篇文章先吓死你~~哈哈

哇，这篇文章写得真好！想搞懂 Agent、Harness和 Post Train到底怎么连起来，一定要读这篇最终指南，我认真读了一遍，收获很大 《The ultimate guide to multi-harness RL》讲了一个很实际的问题：同一个模型，为什么放进 不同的 Harness, Claude Code、Codex、OpenCode，表现会差这么多？又该怎么训练，让它在不同框架里都能更好地完成任务？ 看完你能搞懂这几件事： 1/ 模型、Agent、Harness、RL 环境到底是什么关系。 Harness 就是模型外面负责组织上下文、执行工具、控制任务流程的那层程序。它改变了模型能看到什么、能做什么，也就改变了最终表现 为什么只在一个框架里训练，换个框架就可能出问题。 模型可能记住了某套工具名称、参数格式和重试规则。换个地方，连工具都调用不对，原本会做的任务也做不好 2/ 怎么让真实的 Agent 框架接上 RL 训练。 文章把 OpenEnv、Harbor、TRL 怎么配合讲得很细：任务在哪里跑，模型生成的数据怎么记录，最后怎样变成训练样本。连“为什么不能只存聊天文本，还要保留原始 token 和生成概率”这种容易忽略的细节都解释了。 3/ 怎样同时训练“做对”和“少走弯路”。 奖励怎么设计，怎样鼓励模型做对任务又少调用工具，以及模仿大模型的 SFT 和根据自身尝试学习的 RL，在这组实验里有什么区别。 文中有个很直观的实验结果：在 SmolDataEnvs 数据分析测试中，2.6B 的小模型经过四种框架联合 RL 训练，平均任务成功率从 42.2% 提升到 54.2%；在训练前后都做对的任务上，工具调用减少了约 31%。 我最喜欢的是它的讲法：先把概念讲明白，再用交互图一步步展示一次任务怎么跑完、数据怎么送进训练，后面还有代码和实验对照。想把 Agent 和 RL 真正串起来理解，这篇很值得收藏慢慢看