X 阅读

@hochnnnn 不是给周期估值，而是降低multiple，因为在在加息 涨不动的基本上毛利率在降低或者不涨，找margin在涨的

@fokjingliang 收到

@moneyinyes @gxd92743348 @jasonnotes0206 我接触的硅谷的人里。看空需求的，只有炒股的人

CDS与公司是neg feedback loop 相反CRWV cds在100bps是个非常赚钱的公司在做送钱业务。流动性冲击，市场指一个受害者把他CDS炒高，债务问题看上去就变得严重了，甚至好像系统性了 但是忽略了一个问题，次贷时还款出了问题，但现在租金还在涨。而且有钱的家伙是很清楚租金和需求的

@moneyinyes @gxd92743348 @jasonnotes0206 当然现在大家非常看空没错 但是说供应需求大大超过需求，那得要问CSP的人有没有相信的🤔

I don’t understand why China would want to shoot itself in the foot by restricting the next generation its open-weight models Market is already treating the very negative impact as a done deal and won’t care about later flexibilities — after all, CSPs can only compete with the two labs by relying on these models at the moment; On the other hand, many of DeepSeek’s own optimizations also heavily depend on contributions from the open community However, for CSPs that have already seen the benefit of these models for their enterprise AI, the only real path forward is to TRAIN their own models rather than keep depending on others

@gxd92743348 @jasonnotes0206 无漏偏逢天下雨 流动性shock被AI内部的一些问题放大了，而且滞后反应了

@jasonnotes0206 其实并不是因为加息

@hochnnnn WE WILL FIND OUT

昨天，今天市场都有谣言说有人爆仓了，看到今天网络安全都跌成这样，我的感觉也是可能有机构爆仓了，捡便宜吧

@hazenlee 🤷

@MoHan18735204 No margin

很多LO二季度开始追芯片，卖软件，纯韭菜操作，就是因为就业绩差，要追指数配置，看看我置顶的推。 个人投资你老板是你自己，只需要向自己交代就好，机构的老板是ASSET OWNER，有业绩压力就肯定有时候要妥协，投资理念向业绩妥协，没办法，这个世界就是这么现实

朋友，PM有业绩压力，我没有。 我接触的LO基金，今年全部跑输ACWI 5-10+%，全是出名的机构，主动基金过去几年是灾难区，就算是HF，今年不是5月份的追涨也是一塌糊涂。可以把今年HF的YTD一家家都列出来，没赚多少还DEGROSS，4月份他们敢追吗？ 另外我说过了，我不是HF，我也不是机构，我没有业绩压力，如果有，我确实会减仓保住自己的BONUS，但今年他们应该也没什么可以保的

@vincent_zheng17 真的是语无伦次，看似很有道理，其实上句不接下句

@yan_zhifei 不同的指数，结果就不一样 https://t.co/wolMQCpuCx

@jasonLi3780 过去一个月，能看懂吗？哥

另外过去一个月： SPY+1% 纳指+0.7% 道指-0.4% 罗素-5.3% 银行-8.7% 必需品+4.4% 医疗+5.4% 芯片+0.3% 大科技+2.2% 等权-0.1% 情绪面为啥低？

微软这篇讲 3T 级模型预训练的技术博客，真的值得认真看，很少有人愿意把这么大的模型到底怎么训，讲得这么细、这么清楚。链接我放在后面 这次的模型叫 MAI-Base-2，由微软 MAI 团队自主训练，总参数 2.8T，每个 token 激活 80B。目前完成了预训练，后训练还在进行 几个我觉得值得分享的点 > 参数很多，每次只用一小部分。 总共 2.8 万亿参数，处理每个 token 时激活约 800 亿。这就是 MoE，按需要调用不同的“专家”，控制计算量。 > 先用小模型探路，再放大。 他们先训练一系列小模型，推算大模型的结果。连数据重复学几遍，都要和正式训练对齐。最后实际的训练误差和提前预测的非常接近，这个我觉得很厉害。 > 怎么调参，也摸出了规律。 比如学习率，可以理解成模型每次更新参数时迈多大一步。他们根据训练量、训练步数去推算，再到更大的模型上验证，减少正式训练时的试错 > 模型越大，训练稳定性越重要。 这次用了 Muon 优化器，还加了激活梯度裁剪，减少异常更新的干扰。后面这项改动很有意思，模型越大，带来的效率收益反而越明显。 > 从预训练就开始学图像。 总训练量是 50T token，其中约 9T 来自多模态数据，是原生多模态模型。 原链接：https://t.co/O0VmTp23jp

@Johnny047997632 差不多了