工地出事是很麻烦的事，出来喝一杯，光靠监控日志根本没用，调查起来全是扯皮，责任也扯不清。 Inference Labs现在把计算机视觉用在工地监管上，自动识别安全帽、反光背心和禁入区域，解决的就是这个痛点。 它不是只做识别，关键是给每一张关键画面都加上可验证的计算证明，事后调查不用靠猜测，直接用可信数据定责，效率和可信度都明显提升。 这套方案把AI视觉与可信证明结合，落地场景明确，对工地安全溯源很实用，也体现了zkML在现实场景的价值。 #VerifiableAI #zkML #InferenceLabs Inference Labs

相信大家都有过这种体验？AI给你一个结果，根本不知道它是怎么算的、有没有瞎编，只能闭眼盲信！ 现在Inference Labs直接把这个痛点解决了👇 普通AI只给答案 Subnet-2 DSperse 直接给密码学证明 清清楚楚锁定三件事： ✅... 是哪个模型跑的 ✅ 用了什么输入 ✅ 输出就是这个结果，没篡改 不用查日志、不用凭信任，直接验证就完事，AI变成可审计、可查证的可信基建 而且这不是实验室概念，是已上线量产的可验证推理 还是全球最快zkML证明集群，Subnet 2 可验证预言机，覆盖任意计算验证！ AI输出不再靠猜，有证可依才是真可信 #VerifiableAI #zkML #InferenceLabs Inference Labsshow more

现在身边的AI越来越多，摄像头、智能设备都自带AI运算，AI也不只会发文字，还能直接做决策、产生实际价值，连人造的合成数据也越来越逼真。 但Inference Labs 说AI用得越广、越分散，可信度并不会自动变高；合成数据好用，也让造假模仿变得更简单；AI一旦开始执行真实操作、产生经济相关信号，就必须有验证机制来兜底。 不管是遍地开花的边缘AI，还是以假乱真的合成数据，或是能实操的AI代理，都需要验证来守住真实和公正，这才是AI靠谱落地的关键。 #VerifiableAI #zkML #InferenceLabs Inference Labs

羡慕这种节奏感超强的。以前，拍几张损坏的照片就能搞定保险理赔。现在？事情变得复杂多了。AI已经开始自动修改图片，理赔流程也变得全自动，连拒赔都能瞬间给你反馈。这样的“高效”背后，最怕的就是信息不透明，特别是当AI决定了赔付时，谁能保证这不是系统的一个误判？ Inference Labs让这一切变得不一样。每个理赔决策都有可验证的证据：从图片到模型配置，再到每个计算步骤都有加密证明。这意味着，以后AI决定给你赔多少钱，背后有一堆可以核查的数字和数据，而不是简单的日志记录。 这种技术能让理赔透明、可信，确保每一分钱的赔偿都有根据。不仅仅是让AI做决策，而是让每个决策都能拿得出手的证明，谁也不能随便糊弄你。 Inference Labs #InferenceLabs #VXVHub #AI... #PredictionMarkets #TrustInTech #Cryptoshow more

周末愉快，我也想去，有组团的吗？ 地球人都知道，纯链上运行，交易慢、手续费高，用户全跑光；用户持仓和交易记录全公开，大户根本不敢进场操作。 这不是一家DEX的问题，是整个DEX赛道的通病。 Brevis。Aster 官宣合作，有了靠谱的解决方向。 不用在链上挤着排队，交易速度提上来了，手续费也能降一大截，散户大户都得劲。 交易和持仓数据靠ZK证明处理，链上只认证明有效，不会泄露具体信息，再也不怕别人盯着你钱包抄作业。 DEX花钱买 Brevis... 的证明服务，这笔钱分给提供算力的Provers，甚至可能落到代币持有者手里，大家都能分到甜头。 现在圈子里聊ZK，全在扯什么更快的证明器、更牛的电路，纯纯抓错重点！ ZK落地的真正卡点根本不是技术，是协调问题！ 谁来做证明？啥时候做？收多少钱？用啥硬件？谁来兜底？ 这些事没捋明白，ZK技术就是白搭，最后还是得走中心化协调的老路。 Brevis，就是冲着解决这个协调难题来的：DApp能拿到稳定、成本可控的ZK证明；Provers能有稳定收入，不用瞎忙活； 公链不用信任何第三方，直接验证明就行。 这项目现在已经跟好多头部项目合作了，产品也是实打实落地，不是画饼。后续大概率会有新动作，各位铁子抓紧盯紧了！ #KaitoAI #Kaito #Yap Kaito AI 🌊 Buidlpad Brevisshow more

当 AI 走进法庭，它最缺的其实是一份证据 当 AI 真正走出实验室，开始大规模进入我们的现实生活时 大家讨论最多的其实并不是它的智力到了什么程度，而是这个系统一旦出了问题 法律层面到底该怎么判定责任归属，很多人可能还没意识到，目前几乎所有的 AI... 系统在法律层面上都有一个致命的伤 那就是它们根本拿不出任何可以被第三方采信的证据。 想象一下，在未来的金融系统或者交易场景里 如果一个 AI 驱动的协议突然出现了巨大的亏损，或者是在清算的时候出了偏差，现在的处理方式其实非常尴尬，模型厂商会说这只是概率问题 而开发者会说自己只是写了代码，这种模糊的解释在技术圈里或许能混过去，但在法官或者是仲裁员面前，这种话是完全没有法律效力的，因为法律不相信任何口头上的解释，法律只看证据。 现在的情况就是这样，因为 AI 具有天然的黑箱特性，导致法律体系无法对它的行为进行复现和验证，所以一旦真的出了事。 现实社会往往只有两种极端的处理办法，要么就是由于风险不可控而直接禁用，要么就是找一个具体的人出来背黑锅。 这并不是因为我们的监管机构太守旧，而是法律体系的底层逻辑决定的，它无法接受任何无法自证的黑箱行为。 说到底，法律其实从来不关心一个模型到底是聪明还是笨。 它关心的只有三件事，那就是你到底做了什么，你是按照什么样的流程去做的，以及最重要的，你能不能拿出实实在在的证据来证明这一切。 这就是 Inference Labs 最核心的价值所在，它其实不是在跟人比拼算法的优劣，而是在给 AI 的每一个行为补齐那一层法律意义上的证据结构。 这个项目实际上是解决了 AI 的可仲裁性问题，这虽然是一个很少被人提及的法律视角，但它却是 AI 从辅助工具走向核心执行层的必经之路。 以前的 AI 推理过程就像一团理不清楚的乱麻，在仲裁机构眼里，它既不是一个能负责的人，也不是一套可以被审计的标准流程，这就导致大家只敢让 AI 提提建议，而不敢让它去真正掌握决策大权。 Inference Labs 提供的推理证明，本质上是在用法律能听懂的语言去记录 AI 的行为，它不需要向外界解释模型当时到底是怎么想的，它只需要负责向法庭或者是受害者证明，在那个特定的时间点，确实是这个版本的模型，在特定的输入环境下，产出了这么一个确定的结果，这在仲裁场景下简直就是定海神针。 有了这层证明之后，AI 产生的决策就有了可以被法律认可的证据，在未来的 DeFi 自动风控或者是合约执行中，一旦双方发生了争议。 我们就不再需要去争论开发者的初心，而是直接把那份不可篡改的推理证明丢进仲裁程序，系统不需要证明自己是善良的，只需要证明自己是如实执行的。 这就是 AI 从灰色地带走向主流市场的关键转折点，所以它的真实用户绝对不是那些每天在推特上找空投的散户，而是那些真正身处一线、需要设计协议并承担合规风险的专业人士，这些人可能平时很低调，但他们对这种能保命的工具极其看重，一旦采用了就很难再换掉。 大家习惯了去追逐那些爆发性的技术热点，却往往忽略了 AI 融入社会体系时最真实的摩擦力，这个项目的眼光其实放得很长远，它在赌一个非常确定的趋势，那就是所有的 AI 最终都必须被拉进法律的框架里，到那个时候。 那些拿不出证据结构的 AI 都会被迅速淘汰，而像它这样提前搭好仲裁入口的项目，才会真正成为系统的基石。 Inference Labs #inference_labs #KAITOshow more

如何快速打破冷战 很多兄弟们都以为女朋友生气不知所措 今天就给大家出一期教程 这样就变成热战了！ ⁺๑⃙⃘₊————꒰ঌ ໒꒱ྀི————๑⃙⃘₊⁺ 网络会断，环境会乱， 但做过什么决定，是不是对的， 事后一定要能查... 这正好说中了 Inference Labs 在干的事。 他们的思路其实很现实： • 不是每一步 AI 行为都硬塞上链 • 只给关键决策留「凭证」 • 其他流程照样高速跑，不拖性能 就像现实生活一样—— 你不会留所有发票， 但大额那几张， 随时得掏得出来。 这才是 Selective Proofs 真正有用的地方： 不是追求理论上的完美 zk， 而是跑得动、查得到、出事能追责。 zkML 真正落地， 靠的从来不是炫技， 而是这种能在真实世界活下来的设计show more

好久没吃了，还真有点饿了，现在的AI都能自己干活，听着都挺厉害，但总觉得差点意思，光说自己行，拿啥证明啊？ 很多人吹的AI自主能力，其实就是空口白话，没有实打实的依据。你说它强，它到底强在哪？全是自己说了算。 Inference Labs 要建一套公开的技术基础设施，让AI的自主能力，能靠加密技术给出明确的证明，不是靠嘴说。 想了解更多的，直接去他们的Discord： #InferenceLabs Inference Labs

现在 meme 市场的问题很明显，行情一热大家冲现货，行情一凉就没人玩了。不是 meme 没需求，是交易方式太单一。 #MemeMax 直接把 meme 放进永续里，让你不管涨跌都能参与，只用判断方向，不用死拿筹码，这点对很多人其实更友好。... 更关键的是，它不是单纯做个 perp 给你玩。你在里面交易、产生行为，这些数据是会被记下来的，能跟后面的激励、排名、奖励连在一起，不是打一枪就走的那种结构。 Phase 2 也快来了，Top 500 有实打实的奖励，这点已经说得很清楚了。不是那种只给前几名吃肉，后面全陪跑的玩法。你愿意花时间参与，基本都有反馈。 现在的态度也很简单，先用、先看、先参与，不急着下结论。 至少在一堆只靠喊口号的项目里，#MemeMax 属于那种真想把 meme 交易这件事做成“长期工具”的。 能不能跑出来，最后还是看数据，但现在这个阶段，值得放进观察列表。 #MemeMax #Web3 #MaxPacks #DeFi #KaitoAI #Kaito #Yaps #MemeMax Kaito AI 🌊 MemeMaxshow more

99%的人用AI做预测，从第一步就错了！ 大多数人找AI问未来，本质是在找电子算命先生。 要一个确定答案，对了就吹AI神，错了就当没发生。 但AI预测真正的价值，从来就不是猜对结果。 而是把混乱、打架、定义模糊的零散信息，结构化成有证据、可迭代、能自纠错的概率判断。 绝大多数人用AI预测都死在三步上。 题目不写死，会不会上市这种模糊问题，从根上就是废问题。 信源平权，官方公告和自媒体八卦混在一起，最后只能和出一团稀泥。 只要结论不要过程，中了当玄学，错了没复盘，永远不会进步。... 真正有效的用法，是给AI搭一套完整的认知脚手架。 先把题写死，明确定义、层级、截止时间，堵死所有偷换概念的空间。 再钉死已发生的事实，把没发生的事也明确列出来，负面信息和正面信息同等重要。 然后给信源分层加权，官方权重最高，主流媒体次之，预测市场做对照，二手内容只当气氛组。 接着分情景输出概率，基准、上行、下行各配对应的观察信号，什么情况该上修，什么情况该下修。 最后一定要追问，逼它自洽，逼它解释冲突，逼它承认之前的判断偏差。 其实最值钱的环节恰恰是AI改口， 就像Anthropic上市的预测，三刀追问之后，模型主动把9月1日前上市的概率从8到12个百分点，下修到4到7个百分点。 敢当面认错并讲清原因，比一次性给出一个漂亮的答案，可信一百倍。 这套方法不止能用在公司上市上， 产品发布，政策节点，竞品动态，甚至个人的职业选择，只要是答案在未来、信源互相打架的场景，全部可以复用。 它本质上是把专业分析师的思考过程，外化出来强制AI走完全链路。 AI当然也有局限，它拿不到内部信息，它会过度自信，它的概率永远是判断不是事实。 但真正的高级用法，就是承认这些局限，然后用结构和流程，把局限变成可管理的部分。 求答案永远是最低级的用法， 借AI的算力，打磨自己的判断系统，才是真正的长期杠杆。show more

很多人看 Inference Labs ， 第一反应都是那些听起来特别硬的技术名词，比如什么 zkML，什么 PoI。 但说真的，如果你把这层技术的皮给剥开，你会发现它讲的根本不是代码，而是权力。 Inference... Labs 真正做的，是把 AI 系统里以前那些模糊的权力关系，直接给拆散了摆在台面上。 在传统的 AI 世界里，模型方就是绝对的老大。 模型怎么跑，参数怎么调，最后给你一个结果，你除了相信，没有任何别的办法。 算力方也是一样，谁手里的机器多，谁的声音就大。这种结构下，用户其实是没有任何话语权的。 但 Inference Labs 正在把这套逻辑给彻底拆掉。 在它的 PoI 机制下，模型不再是那个不可挑战的上帝了。模型只能负责干活，负责给出推理结果，但它没有权利定义这个结果是不是对的。 一旦进了这个系统，模型的每一个输出都必须经过证明，经过别人的复现和验证。 这一步，本质上就是在削弱模型的权力。模型不再是权力的中心，它变成了一个纯粹的服务提供者。 再来看看算力。 很多人以为验证网络会让算力变得更值钱，更重要。其实恰恰相反，在 Inference Labs 的结构里，算力其实是被压制的。 算力在这里只负责执行任务，它不负责最后的裁决。你算得再快，机器堆得再多，你也改变不了结果的合法性。你没法靠着算力去强行说服系统接受一个错误的结果。 这意味着，算力在这里变成了一种商品化的成本，而不是一种能让你称王称霸的筹码。 那么，真正的权力流向哪儿了。 答案是验证者。 验证者不需要去训练什么顶级的模型，也不需要去买成千上万张显卡。 他们只做一件事，就是决定哪些推理是被系统承认的现实。这在现在的 AI 圈子里是非常罕见的设计。 它相当于承认了一点，AI 的问题其实不在于它聪不聪明，而在于当它给出结果的时候，谁有资格说这是一次有效的推理。 Inference Labs 把这个资格，从那些模型公司和平台手里，转移到了这个验证层。 这种变化的影响会非常深远。 以后在这个系统里，最强势的一方，不是那些最会训练模型的，也不是那些最有钱堆机器的。 而是那些能长期维持验证信誉的节点。这种节点看重的不是短期的那点博弈速度，而是长期的稳定性。 因为在它的规则里，只要你作恶一次，代价就是被系统永久边缘化。这种代价，任何想长久玩下去的人都承担不起。 所以我也一直在想，为什么 Inference Labs 在短期市场里显得这么安静。 其实道理很简单，这个系统里真正占便宜的角色，从来就不是那些会喊叙事，会搞投机的。 它奖励的是耐心，是持续不断的输出，以及永远不犯错的稳健。它天然地就在排斥那些只想进来薅一把就走的投机者。 我的感觉非常明确，Inference Labs 其实并不是在追求让 AI 变得更强，它是在尝试解决一个更有难度的问题。 那就是当 AI 已经足够强的时候，到底谁来约束它，谁来承担它产生后果后的责任。 在这个系统里，权力第一次不再是围绕着模型集中，而是被彻底拆散，被互相制衡。 这才是它最被低估的地方。 它在重新定义 AI 时代的规则。它告诉我们，在这个新的权力游戏里，诚实和稳定，才是最贵的资产。 #inference_labs #KAITOshow more

大家都在刷SpaceX上市首份财报，没人注意Musk扔的王炸：SpaceX 要把AI数据中心搬到太空去， 而且不是科幻和概念PPT， 明年就开始发射。 就在昨天的财报电话会上， Musk直接宣布： SpaceX未来所有的AI算力， 不管是地面数据中心还是轨道上的， 独家使用Nvidia最新的Vera... Rubin架构。 2026年底，总算力超过2GW， 2027年底，接近10GW。 这是什么概念？ 现在全球最大的超算也就几百兆瓦， 10GW是十个超算的规模， SpaceX直接一步迈进全球最大AI基础设施玩家的行列。 但这还不是最炸的， 最炸的是他们同步公布的Starmind计划： 一整个轨道AI卫星星座， 2027年开始发射， 每一颗卫星里，直接塞Nvidia Rubin GPU加Vera CPU， 真正的数据中心级太空算力。 地面的数据中心也省事， 直接用同一套设计， 把太阳能板和散热器拆了就行。 很多人第一反应是这也太扯了， 但你仔细想，这事儿逻辑硬得可怕。 现在地面上搞AI，最大的瓶颈是什么？ 不是GPU，是电，是散热，是地。 一个10GW的数据中心， 要占多少地，要拉多少电，要建多少冷却塔， 审批要多少年， 这些问题在太空里全部不存在。 太阳是免费的， 真空是最好的散热器， 轨道上的空间要多少有多少。 以前这事儿不成立， 是因为发射成本太高， 现在Starship把发射成本打下来了， 把一公斤东西送到轨道的成本马上就要降到几百美元甚至更低， 太空计算突然就从科幻变成了经济账。 而且这不是什么遥远的愿景， 他们已经和NVIDIA GeForce 联合设计好了Starmind AI1计算载荷， Elon Musk 原话是"这不是遥远的未来，我们预计明年就开始发射"。 计算在轨道上跑，结果通过星链的激光链路传回来， 你在地面上用，根本感觉不到区别。 这个消息一出来， AMD 股价直接跌了8%。 这可是SpaceX， 是现在全世界最能把疯狂想法变成现实的公司， 加上Nvidia最新的芯片， 再加上Starship的发射能力， 这三家凑在一起， 等于直接给"轨道数据中心"这个概念盖了章。 他们还在申请最多一百万颗卫星的FCC许可， 这个野心， 已经不是和谁竞争的问题了， 是直接把AI算力的上限给掀了。 我们这代人从接触电脑开始， 所有的计算都发生在地面上， 在机房里，在数据中心里， 从明年开始， 我们用的AI， 可能有一部分真的是在天上算的。 这一天，可能会比所有人想的都近。show more

说实话，现在的 AI 赛道像极了早期的互联网泡沫 大家都在疯狂造车、飙车，却没几个人在乎制动系统。 如果你现在去聊 AI 项目，最受追捧的无非两类。 一类是像 AI... Agent 这种，能立刻上手帮你自动交易、写代码、发推特，让大家觉得未来已来 另一类是卖算力、卖推理额度的，收益率写在脸上，代币叙事极其丝滑。 Inference Labs 刚好哪边都不占。它既不给你提供现成的智能助理，也不大张旗鼓地卖算力。 它的这种冷淡，让它在当下的喧嚣中显得有些被低估。 但如果你静下心来琢磨一下它的底层逻辑，你会发现，它不是不重要，而是走得太靠前了。 它不解决怎么更聪明，它解决怎么不骗人 大多数 AI 项目都有一个心照不宣的默认前提 只要模型足够强大，输出的结果就是圣旨，我们就该信任它。 Inference Labs 偏偏不信邪。它的逻辑刚好相反：不管你模型多强，只要不可验证，就不该被信任。 这听起来很抽象，甚至有点杠精。 但在金融、治理、预言机这些动辄涉及真金白银的领域，这简直是命门。 当 AI 开始替你管理资产、替你做决策时，你真的敢只凭一句模型很强就放权吗？ 万一它黑箱操作了呢？万一它的逻辑跑偏了呢？ Inference Labs 卖的不是结果，而是约束。 在一个崇尚野蛮生长的阶段，卖约束的人肯定不如卖兴奋剂的人受欢迎。 但从系统演化的角度看，当行业进入深水区，约束层的价值永远高于应用层。 嵌进巨人的肩膀：Subnet 2 与验证逻辑 很多人看 Inference Labs 觉得它是实验室里的 Demo，但这其实是最大的误读。 看看它落脚的地方 Bittensor 和 EigenLayer。 这些不是什么空气实验室，而是已经有巨大经济体量的实战系统。 以 Subnet 2 为例，它构建了一个真实的博弈网络。在这里，矿工不能随随便便交个答案就领钱，他们必须提交一套可验证的推理证明。 验证者如果想偷懒直接复制别人的结果，系统的惩罚机制会瞬间教他做人。 这套逻辑不性感，甚至有点枯燥，但它极其重要。 它解决了 AI 网络规模化的一个核心矛盾：你没法靠信任去扩展一个由机器组成的网络。 如果没有这套问责机制，AI 世界永远只是个脆弱的草台班子。 它的价值，不在 DAU 里 Inference Labs 之所以容易被忽略，是因为它的成败并不体现在 DAU或者短期交易量上。 它的爆发点在于一个临界点 当一个 DeFi 协议决定引入 AI 策略时，它必须要求策略可验证 当一个预言机需要提交数据时，它必须要求推理路径可审计 当成千上万个 Agent 开始自动签署合约时，它们需要一个公允的底层证明。 到了那个时候，Inference Labs 才会真正站到舞台中央。它不是为当下的市场设计的，它是为那个系统面临失控风险的下一阶段提前准备的防弹衣。 在 Kaito 的社交热度排行榜上，这类项目往往排名靠后，因为它们讨论门槛高，不适合做快消内容的传播。 但我总觉得，时间是站在 Inference Labs 这一边的。 它属于那种迟到但不可替代的类型。 历史上所有关键的基础设施，其实都不是被大家追捧出来的，而是当老路走不通、当问题爆发到不得不解决时，被硬生生地推到历史高位上的。 真正的问题从来不是它会不会被用到，而是当所有人意识到非它不可的时候，市场还没给观望者留下上车的机会。 现在的沉默，或许正是它最好的掩护。 Inference Labs #inference #KAITOAIshow more

真是用魔法打败魔法，有人直接用 GPT-image-2 AI 生成了张香港身份证，然后拿去KYC验证秒过！ 验证界面直接弹出“你已通过验证，可信访问权限已激活”，还能点“前往 Codex”。第一眼觉得是 P 图，但结合最近趋势，这事越来越真实了。 另外视频是用Grok创作的法国女生，视频里连身份证都有着完美的反光再过一段时间，别说图片了，连视频也没办法相信。 各家平台的KYC机制是时候再升个级了，不然真要被AI按在地上摩擦了。

一个中国交易者，据称从 $4 起步，靠 AI 在 Polymarket 上做到了 $780,000 这个账户在... Polymarket 上主要做体育市场套利，底层跑的是 Claude Opus 4.7 驱动的 bot，目前累计盈利已经来到 $780,000 这套东西的逻辑并不花哨 完全自动化 没有人工干预 主要盯体育预测市场，尤其是 Polymarket 上的 NBA 盘 然后把 Polymarket 的价格，和传统 sportsbook 的赔率放在一起对比 先把赔率换算成隐含概率，再去找其中的错价 一旦 YES 和 NO 的合计价格低于 $1，就直接进场做套利 也就是说，它吃的不是大行情，而是那种单笔只有 1%–2%、但几乎接近无风险的小利润 单笔看起来不大 但只要频率够高，交易量够大，这些小 edge 被不断重复之后，最后就会滚成非常夸张的数字 AI bot 正在很安静地把预测市场，一点点变成某种“印钞机” 它们不需要猜故事，也不需要情绪判断 只要持续找到那些很小的定价错误，然后更快、更稳地把它吃掉。 你觉得这种体育套利账户最难复制的地方，是赔率换算和错价识别，还是高频执行本身？show more

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。 比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3... 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。 你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。 可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。 比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。 这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。 模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起 整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案 一句话总结：把“查数据”的自由还给业务，把时间还给开发。show more

Notion 今天凌晨发了一个开发者平台, 大家都以为它在追 AI Agent 风口, 但实际方向是有些反过来的, 它要让所有 Agent... 来追它, 我盯着它官方文档里那个新的 CLI 工具看了一会儿,才慢慢回过味儿来, 这个 CLI 设计得很奇怪, 它自带 --help,自带 --docs,自带 --spec, 每个命令的元信息都精简到极致,token 占用低到反常, 说实话人类开发者用 CLI 哪需要这些, 熟了就肌肉记忆,谁会反复读自动生成的 spec 呢, 但 Agent 会啊,它进入一个陌生 CLI,要先扫一遍能干嘛,扫的就是这些自描述信息, 也就是说,Notion 这个 CLI, 从设计的第一天起就不是给人用的, 是给 Agent 用的, 他们官方话术更直接：说和你的 coding agents 一起构建, 这一句话翻译过来就是,未来用 Notion 的主力用户, 可能不是你,而是是你的 Agent, 更狠的是这套基础设施的完整度,数据同步,Notion 托管, 工具调用,Notion 托管,Agent 沙盒,Notion 托管, 全跑在 Vercel Sandbox 加 Firecracker microVM 上, 连第三方 Agent 接入都开了, Claude 直接进来,当原生工具用, 数据,工具,编排,上下文,全部在同一个 workspace 里,零损耗, 以前 Agent 最大的痛点,是上下文碎片化,工具调用不稳定,自己还要搭一套 infra, 现在 Notion 把这套东西全包了, 你的 Agent 只需要醒过来,在一个已经布置好的房间里干活, 很多人还在评估 Notion 涨没涨价,还在讨论 Obsidian 迁移和本地优先, 但真正的故事是,Notion 已经在 Agent 时代的操作系统这条赛道上,把第一块地基浇好了 数据是血,Agent 是肌肉,Workers 是骨骼,CLI 是神经, 那些现在就把核心 workflow 搬进去的人, 和还在纠结要不要试用 ntn 的人, 未来 12 个月,差距可能比想象中要大得多。show more

今天回村看看节目，也是开了眼了，这不比抖音看的爽？ 对于 Brevis 这个项目，如果我们只盯着它所谓的ZK 协处理器这种技术标签看，其实很容易把路走窄了。 坦白说，我更愿意把它看作是一套链上激励的终极结算层。 咱们先看看现在的 DeFi 圈子，最大的摩擦点到底在哪里？... 其实往往不是交易速度不够快，也不是手续费太贵，而是所有的活动和激励机制，永远都绕不开信任这两个字。 你想想看，现在的积分活动、空投计算，谁在算？怎么算的？后台规则有没有临时被改过？ 作为用户，我们只能傻傻地盯着项目方的公告和 Excel 表格 而作为协议方，其实也很累，得背负沉重的运维压力，还得天天应付社区的对账质疑。 Brevis 的出现，核心价值就是用零知识证明（ZK）把这件原本充满人为操作空间的事，变成了一个纯粹的数学结论并直接上链。 这种改变是颠覆性的，它意味着争议直接被技术压扁了。 大家看的是同一份不可篡改、可验证的数学结果，信任成本直接从相信项目方的人品变成了相信代码和数学。 这方面，Euler 在 Incentra 上做的那次落地应用非常有代表性，完全可以作为教科书级别的案例。 它每隔 4 个小时抓一次市场快照，然后把奖励计算生成证明，再发到链上。 这中间不需要任何中间人，也不需要财务再去手工跑账。但在这个案例里，最让我感到惊艳的其实是它的上线速度——仅仅一个周末就跑起来了。 不需要为此专门部署新的智能合约，几乎没有额外的运维开销。 这就给所有的建设者打开了一个新思路 对于协议来说，这相当于直接把激励系统模块化了。 以后想做活动，就像插一个组件一样，插上去就能用，算完就能被任何人复算。 站在建设者和开发者的视角，这类基础设施的价值，绝对不在于它帮项目方发了多少糖，而在于它把激励的可信度和可组合性抬到了基础层的高度。 当奖励证明可以上链之后，活动就不再是一次性的脚本代码，而是变成了一种长期可持续的机制。 协议方可以更频繁、更放心大胆地去做精细化的激励设计，而用户也更敢把大资金放进去。 因为用户心里清楚，规则一旦定好，就不会在后台被悄悄揉搓修改。这会带来一个很现实的市场结果 用户的参与度会更深，资金的停留时间会更长。激励机制的作用，从单纯的拉新变成了真正的留存。 今天既然提到了代币经济学，我也看到了相关的消息。 但我不想去讨论币价会怎么走，我更关心的是它有没有把价值捕获设计得足够干净。 这才是判断一个基础设施代币能不能拿长线的关键。 我们需要搞清楚几个问题 到底是谁在付费？这笔费用来自哪里？算力提供者和应用方的关系是怎么绑定的？证明的发布和验证成本是怎么分摊的？ 这里的激励是为了短期的冲量数据，还是能喂出长期的真实需求？ 如果代币仅仅是活动积分的换皮，那它很快就会变成市场的噪音。 但如果这个代币能把可验证计算的需求变成一个有人持续买单的市场，那 Brevis 才会从一个好用的工具，升级成一个赛道的标准。 对于后续的观察，我给自己定的信号非常简单，不看那些花里胡哨的 PR 稿，只盯三个指标。 第1️⃣：Incentra 上的活动数量和入驻的协议质量，有没有持续向上的趋势。 第2️⃣：证明发布的频率和链上验证的行为，有没有在社区和项目方之间形成一种习惯 第3️⃣：也是最重要的一点，那些头部的协议方，是不是真的把更多的核心激励模块迁进来了，还是说只是为了配合宣发做了一次性的营销秀。 只要这三条路跑通了，Brevis 的位置就会越来越稳，它会越来越像行业默认的激励结算底座。 以后所有想要做复杂奖励、做精细对账、做流量归因的项目，都会绕不开它。 你要知道，这类基础设施从来不是靠喊口号赢的，而是靠被市场反复、高频地使用，才能最终赢下这场战争。 Brevis #Brevis #KAITOAIshow more

有人靠金融市场模拟，在链上赚了 $400,000 而且用到的整套工具，都是 GitHub 开源 能看到的钱包在这，自己点开看： 他们做的不是 crypto 原生叙事... 而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易 问题也很现实： 这些数据平时都在大型中心化交易所里。 你怎么拿？ 拿到之后又怎么处理，才能真的变成可交易模型？ 这套公开出来的技术栈，大概是这样： 1）Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。 核心卖点就是：免费真实数据。 GitHub： 2）MiroThinker 一个偏深度研究和预测的 agent。 据说在 BrowseComp benchmark 上做到 88.2。 特点是： 长周期推理 先验证再下结论 步骤级 + 全局级校验 单任务最多可调用 300 次工具 它的作用不是直接下单。 而是先通过 MCP Server 拉数据， 把研究、清洗、验证这些环节跑完， 最后整理成可以直接用于模拟的数据集。 GitHub： 3）MiroFish simulation system 把前面准备好的数据丢进去， 再设定模拟参数， 就可以开始跑价格行为模拟。 本质上，它卖的不是一个指标。 而是一种更接近“矩阵视角”的东西： 价格在不同条件下会怎么动 哪些路径更常见 哪些定价其实偏离了历史结构 整个流程串起来就是： 拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场 这种玩法最值得看的，不是“开源”两个字 而是它说明了一件事： Polymarket 上很多看起来像事件交易的东西，背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。 你觉得这种 edge 的核心，更像是数据获取能力，agent 研究能力，还是最后那层 simulation 对市场行为的还原能力？show more

全网都在吹日本Fugu跑分超GPT，但我敢说99%的人没看懂它真正炸场的地方。 首先这玩意儿根本不是什么超大单体大模型， 它全身上下只有0.6B参数，本职工作就其实就是个AI项目经理， 简单任务自己处理，复杂任务自动拆分，从全球顶级模型池里挑最合适的选手，分配思考执行验证三种角色，多轮协作最后合成答案。 你调用它和调普通模型没区别，一行API的事， 但背后的编排策略是训练出来的，不是人手写prompt调路由磨出来的，它可以发掘出人类根本想不到的协作模式。 我觉得最狠的还不是跑分超了Claude和GPT，关键是它直接绕开了scaling law的军备竞赛。 不用堆万亿参数，不用砸超算中心，靠更聪明的协作机制就能摸到前沿模型的天花板，AI的竞争第一次从拼参数变成了拼管理。... 当然不是银弹，比如黑箱不透明，复杂任务延迟更高，简单题用它反而更贵。 但这件事的信号意义比跑分数字重要一百倍，意味着多智能体编排从实验室玩具正式变成了可用的生产力工具。 orchestration layer这条新赛道，今天正式开跑咯🚀show more

.Irys (✧ᴗ✧) 主网的脚步越来越近，叙事正在悄然转变。 别再只当它是存储协议。 它的新身份：数据执行层。 目标从来不只是存储。 而是让数据真正活起来——结构化、可验证、可交互。 过去需要多层架构才能实现的功能，Irys 用一个统一接口全部搞定，将存储、索引、权限控制和可编程读写融为一体。... 拿 AI 验证网络 来说。 它通过多模型共识来保证 AI 输出的准确性，这会源源不断地产生海量结构化数据。如果底层设施无法支撑快速的写入、验证和复用，整个模式根本无法运转。 Irys 正是支撑这一切的底层。 起初，Irys 只是 Mira 的验证数据存储方。但最新的动向显示，这些验证记录未来可能会被其他智能合约直接引用。 这个趋势至关重要： 存下来的不再是冰冷的归档，而是可以被随时调用的热数据。 主网即将上线。 与其听各种天花乱坠的解读，不如多关注真正在上面构建的项目。 那里，才是真相。show more