Loading video...

Video Failed to Load

Go Home

🚨 一个极致向量化、速度非常快的回测框架。 VectorBT，8.1K stars！ 别人跑一个回测的时间，你能跑一万个，史上最快的向量化回测框架！核心优势是完全向量化，能大幅提升回测和参数优化的速度。 它特别适合需要跑大量策略、做参数扫描或者进行大规模回测的用户。相比传统循环式的回测方式，vectorbt 在处理大量数据和参数组合时速度优势明显。 核心亮点： > 向量化矩阵回测：一万组参数同时跑，不是 for 循环一条条跑 > Numba + Rust 双引擎，比传统事件驱动框架快 100-1000 倍 > 内置 TA-Lib + Pandas TA，技术指标开箱即用 > Walk-Forward 滚动优化 + Monte Carlo 鲁棒性测试 > QuantStats 集成，绩效报告一键生成 > Apache 2.0 开源，PyPI 总下载量 290 万次 以前做参数优化：改一个参数 → 跑一遍回测 → 画一张图 → 再改...

_zheergen's profile picture

爱吃折耳根的Ace

2,037 subscribers

15,198 views • 16 days ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

写了个量化回测、用了14个参数的选股策略 通过跑500次历史数据来得出最高胜率的参数。 并且加入大盘上涨周期，横盘周期 跑完数据后，我会把数据上传到主页里面去。 有感兴趣的到时候自行查看下载。
0:20

写了个量化回测、用了14个参数的选股策略 通过跑500次历史数据来得出最高胜率的参数。 并且加入大盘上涨周期，横盘周期 跑完数据后，我会把数据上传到主页里面去。 有感兴趣的到时候自行查看下载。

吴川

52,715 views • 10 months ago

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。 它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具 它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。 做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看
0:51

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。 它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具 它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。 做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

爱吃折耳根的Ace

57,381 views • 29 days ago

终于有人把 A 股 / 美港股 数据源与量化基建彻底打通了！ 分享一个开源量化天花板级的项目--LEAN，把数据获取、清洗、回测、实盘接口整合成完整闭环，开箱即用。 ✅ 核心能力 告别数据荒：支持上百种数据源和主流券商接口，轻松集成美股、港股、A股等资产的历史 Tick 数据 策略自由度拉满：高性能零延迟撮合，采用事件驱动 + 模块化架构，支持多智能体协作与自定义风险模型。 全链路回测闭环：内置极致精准的本地回测引擎，深度模拟滑点、交易成本和市场冲击，提供专业风险评估、绩效分析和高清可视化看板。 一键封装成skill，直接让你的 Cursor / Claude Code 调用，不仅能帮你生成策略，还能直接跑回测、看绩效，全套量化工作流一气呵成！ 感兴趣的可以看看哦～非投资建议，dyor 地址：
0:21

终于有人把 A 股 / 美港股 数据源与量化基建彻底打通了！ 分享一个开源量化天花板级的项目--LEAN，把数据获取、清洗、回测、实盘接口整合成完整闭环，开箱即用。 ✅ 核心能力 告别数据荒：支持上百种数据源和主流券商接口，轻松集成美股、港股、A股等资产的历史 Tick 数据 策略自由度拉满：高性能零延迟撮合，采用事件驱动 + 模块化架构，支持多智能体协作与自定义风险模型。 全链路回测闭环：内置极致精准的本地回测引擎，深度模拟滑点、交易成本和市场冲击，提供专业风险评估、绩效分析和高清可视化看板。 一键封装成skill，直接让你的 Cursor / Claude Code 调用，不仅能帮你生成策略，还能直接跑回测、看绩效，全套量化工作流一气呵成！ 感兴趣的可以看看哦～非投资建议，dyor 地址：

爱丽丝呀！

29,833 views • 29 days ago

华尔街彻底慌了！开源项目 TradingAgents 直接公开数亿级量化系统 普通人也能轻松上手 AI 多智能体量化框架 - 双大模型协同：GPT‑5.4 + Claude4.6，多智能体互相讨论，输出最优交易决策 - 十年历史回测：年化稳稳 30.5%，最大回撤超低，轻松碾压传统顶级对冲基金 - 中文市场优化：A 股/港股/美股全覆盖，本地数据源完美支持 - 一键部署 & 可视化：Docker 搭建，Web 界面操作简单，投研报告轻松生成 社区活跃、上手快，AI 投研让量化不再是富人的游戏！
0:27

华尔街彻底慌了！开源项目 TradingAgents 直接公开数亿级量化系统 普通人也能轻松上手 AI 多智能体量化框架 - 双大模型协同：GPT‑5.4 + Claude4.6，多智能体互相讨论，输出最优交易决策 - 十年历史回测：年化稳稳 30.5%，最大回撤超低，轻松碾压传统顶级对冲基金 - 中文市场优化：A 股/港股/美股全覆盖，本地数据源完美支持 - 一键部署 & 可视化：Docker 搭建，Web 界面操作简单，投研报告轻松生成 社区活跃、上手快，AI 投研让量化不再是富人的游戏！

开发者Hailey

152,225 views • 3 months ago

🚀 AI量化研究的天花板：Microsoft Qlib + Claude Code 还在用Zipline或Backtrader？那些都停更很久了。 今天分享一个微软开源的AI量化库 Qlib，配合 Claude Code，让不懂代码的人也能跑通量化全流程。 ⚠️ 本文仅为技术研究，不构成投资建议。👇 为什么选 Qlib？ GitHub 4.2w+ Stars，微软亚洲研究院（MSRA）出品。 ✅ 持续更新 ✅ 自研数据格式（比MySQL快50倍） ✅ 内置27个AI模型（LightGBM, LSTM等） ✅ 真正的一体化：数据 -> 因子 -> 模型 -> 回测 Qlib 的 5 大模块 1️⃣ 数据引擎：.bin格式，极速读取。 2️⃣ 因子计算：内置Alpha158/Alpha360因子集。 3️⃣ 模型预测：一键切换LightGBM等模型。 4️⃣ 策略决策：TopkDropout（打分排名，汰弱留强）。 5️⃣ 回测分析：自动生成IC、IR、最大回撤报告。 痛点：门槛太高 Qlib虽强，但对新手极不友好： ❌ 文档晦涩，抽象层太多 ❌ 配置文件（YAML）复杂，改一个参数报错一堆 ❌ 环境配置困难（Python版本冲突、依赖报错） ❌ 缺乏实盘接口，只能做研究 Claude Code (CC) 怎么帮你？ CC 就是你的 量化副驾驶，它负责脏活累活： 1️⃣ 读懂代码库：解释158个因子的金融含义。 2️⃣ 配置文件代写：你提需求，CC帮你写YAML配置。 3️⃣ 部署排错：自动修复Python环境报错、依赖冲突。 4️⃣ 数据格式转换：自动把CSV数据转为Qlib的.bin格式。 最佳工作流 🧑✈️ 你（主驾驶）：负责判断、策略方向、最终决策。 🤖 Claude Code（副驾驶）：负责写配置、跑数据、修Bug。 🏭 Qlib（引擎）：提供底层算力与模型。 📊 第三方数据（燃料）：提供最新的行情数据。 一个下午，跑通从零到回测的全流程。 实测结果 & 警告 用 Alpha158 + LightGBM 跑了全A股5000只标的： 📈 回测年化收益：46.2%（含成本） ⚠️ 注意：回测 ≠ 实盘。 公开因子（如Alpha158）是“驾校教练车”，不是“赛车”。因子会衰减，拥挤度会变高。实盘收益通常要打折。 不要迷信公开因子的回测收益。 这套组合的真正价值是：降低门槛，让你能利用 AI 快速挖掘出属于自己的“独家因子”。 把“教练车”改装成你的“赛车”，才是量化的终极形态。🏁 项目地址放评论区了👇
6:01

🚀 AI量化研究的天花板：Microsoft Qlib + Claude Code 还在用Zipline或Backtrader？那些都停更很久了。 今天分享一个微软开源的AI量化库 Qlib，配合 Claude Code，让不懂代码的人也能跑通量化全流程。 ⚠️ 本文仅为技术研究，不构成投资建议。👇 为什么选 Qlib？ GitHub 4.2w+ Stars，微软亚洲研究院（MSRA）出品。 ✅ 持续更新 ✅ 自研数据格式（比MySQL快50倍） ✅ 内置27个AI模型（LightGBM, LSTM等） ✅ 真正的一体化：数据 -> 因子 -> 模型 -> 回测 Qlib 的 5 大模块 1️⃣ 数据引擎：.bin格式，极速读取。 2️⃣ 因子计算：内置Alpha158/Alpha360因子集。 3️⃣ 模型预测：一键切换LightGBM等模型。 4️⃣ 策略决策：TopkDropout（打分排名，汰弱留强）。 5️⃣ 回测分析：自动生成IC、IR、最大回撤报告。 痛点：门槛太高 Qlib虽强，但对新手极不友好： ❌ 文档晦涩，抽象层太多 ❌ 配置文件（YAML）复杂，改一个参数报错一堆 ❌ 环境配置困难（Python版本冲突、依赖报错） ❌ 缺乏实盘接口，只能做研究 Claude Code (CC) 怎么帮你？ CC 就是你的 量化副驾驶，它负责脏活累活： 1️⃣ 读懂代码库：解释158个因子的金融含义。 2️⃣ 配置文件代写：你提需求，CC帮你写YAML配置。 3️⃣ 部署排错：自动修复Python环境报错、依赖冲突。 4️⃣ 数据格式转换：自动把CSV数据转为Qlib的.bin格式。 最佳工作流 🧑✈️ 你（主驾驶）：负责判断、策略方向、最终决策。 🤖 Claude Code（副驾驶）：负责写配置、跑数据、修Bug。 🏭 Qlib（引擎）：提供底层算力与模型。 📊 第三方数据（燃料）：提供最新的行情数据。 一个下午，跑通从零到回测的全流程。 实测结果 & 警告 用 Alpha158 + LightGBM 跑了全A股5000只标的： 📈 回测年化收益：46.2%（含成本） ⚠️ 注意：回测 ≠ 实盘。 公开因子（如Alpha158）是“驾校教练车”，不是“赛车”。因子会衰减，拥挤度会变高。实盘收益通常要打折。 不要迷信公开因子的回测收益。 这套组合的真正价值是：降低门槛，让你能利用 AI 快速挖掘出属于自己的“独家因子”。 把“教练车”改装成你的“赛车”，才是量化的终极形态。🏁 项目地址放评论区了👇

Vincent | 信号＞噪音

13,696 views • 2 months ago

你的龙虾赚钱了吗哈哈哈 灵魂拷问 ClawQuant Trader — AI Agent 原生的量化研究终端 龙虾版 TradingView 功能亮点： - 深度集成 Binance 数据 API，默认对接全球最大交易所的实时行情 - 开箱即用 7 大内置策略：DCA / 均线交叉 / 网格 / RSI 反转 / 布林带 / MACD /唐奇安突破，覆盖趋势跟踪、均值回归、被动投资三大流派 - 事件驱动回测引擎 + 批量对比 + 参数扫描 + Walk-forward 验证 - 5 维稳定性评分（0-100）+ 专业图表报告（权益曲线 / 回撤 / 交易标记） - 6 个标准化 Skill 接口，AI Agent 通过自然语言即可完成从数据拉取到模拟部署的全流程 你跟 AI 说"帮我找最近 30 天最稳的策略"，它自动拉Binance 数据、跑 7个策略回测、参数调优、出报告。全程自然语言，零代码。也可以嵌入策略。 PyPI: pip install clawquant GitHub: 官网: 介绍文章：
2:32

你的龙虾赚钱了吗哈哈哈 灵魂拷问 ClawQuant Trader — AI Agent 原生的量化研究终端 龙虾版 TradingView 功能亮点： - 深度集成 Binance 数据 API，默认对接全球最大交易所的实时行情 - 开箱即用 7 大内置策略：DCA / 均线交叉 / 网格 / RSI 反转 / 布林带 / MACD /唐奇安突破，覆盖趋势跟踪、均值回归、被动投资三大流派 - 事件驱动回测引擎 + 批量对比 + 参数扫描 + Walk-forward 验证 - 5 维稳定性评分（0-100）+ 专业图表报告（权益曲线 / 回撤 / 交易标记） - 6 个标准化 Skill 接口，AI Agent 通过自然语言即可完成从数据拉取到模拟部署的全流程 你跟 AI 说"帮我找最近 30 天最稳的策略"，它自动拉Binance 数据、跑 7个策略回测、参数调优、出报告。全程自然语言，零代码。也可以嵌入策略。 PyPI: pip install clawquant GitHub: 官网: 介绍文章：

0x 哆啦A梦

56,581 views • 4 months ago

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！
0:53

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

爱吃折耳根的Ace

14,878 views • 26 days ago

🚨 卧槽！华尔街花500万训练的金融AI， 普通人现在0成本就能白嫖！ 量化基金几百万年薪养的那帮量化研究员，手里最核心的武器，强化学习交易框架，被人直接开源了！ FinRL，15.4K+ stars，哥伦比亚大学团队发起，全球首个金融强化学习开源框架。 把交易建模成马尔可夫决策过程，让 AI 像下围棋一样学交易——不是预测涨跌，是在市场中学会何时买、何时卖、何时不动。 FinRL 核心亮点： > 五大 DRL 算法内置：PPO、DDPG、SAC、TD3、A2C，选股+调仓+择时三合一 > OpenAI Gym 标准接口：换策略像换游戏手柄，插上就跑 > 并行训练 2048 个环境，GPU 加速 1650× > FinRL-X 2026 新版：数据 → 策略 → 回测 → 实盘，四层模块化架构，不是胶水代码 > LLM + RL 融合：FinRL-DeepSeek 接入大模型情绪信号，市场情绪强时放大动作、弱时收敛 > 实盘对接 Alpaca，纸盘先跑再切真钱 > 学术血统：NeurIPS + ACM ICAIF + PAKDD 论文背书，不是野路子 以前做量化：写因子 → 写策略 → 写回测 → 调参 → 过拟合 → 实盘亏钱 → 推倒重来。 现在 FinRL 让 AI 自己在市场里试错学习，几百万次迭代找到最优策略。强化学习交易这件事，终于从顶会论文变成 pip install 了
0:55

🚨 卧槽！华尔街花500万训练的金融AI， 普通人现在0成本就能白嫖！ 量化基金几百万年薪养的那帮量化研究员，手里最核心的武器，强化学习交易框架，被人直接开源了！ FinRL，15.4K+ stars，哥伦比亚大学团队发起，全球首个金融强化学习开源框架。 把交易建模成马尔可夫决策过程，让 AI 像下围棋一样学交易——不是预测涨跌，是在市场中学会何时买、何时卖、何时不动。 FinRL 核心亮点： > 五大 DRL 算法内置：PPO、DDPG、SAC、TD3、A2C，选股+调仓+择时三合一 > OpenAI Gym 标准接口：换策略像换游戏手柄，插上就跑 > 并行训练 2048 个环境，GPU 加速 1650× > FinRL-X 2026 新版：数据 → 策略 → 回测 → 实盘，四层模块化架构，不是胶水代码 > LLM + RL 融合：FinRL-DeepSeek 接入大模型情绪信号，市场情绪强时放大动作、弱时收敛 > 实盘对接 Alpaca，纸盘先跑再切真钱 > 学术血统：NeurIPS + ACM ICAIF + PAKDD 论文背书，不是野路子 以前做量化：写因子 → 写策略 → 写回测 → 调参 → 过拟合 → 实盘亏钱 → 推倒重来。 现在 FinRL 让 AI 自己在市场里试错学习，几百万次迭代找到最优策略。强化学习交易这件事，终于从顶会论文变成 pip install 了

爱吃折耳根的Ace

27,161 views • 22 days ago

有个叫 TradingAgents 的开源项目，直接把数亿级的量化系统公开了，华尔街那边估计不太淡定。 这个 AI 多智能体量化框架，普通人也能上手，没有想象中那么难。 说几个要点： · 用了 GPT-5.4 加 Claude 4.6 双大模型，多个智能体之间会互相讨论，最后给出一个综合的交易决策。 · 拿十年历史数据跑过回测，年化收益稳定在 30.5%，最大回撤控制得很好，表现比很多传统顶级对冲基金还强。 · 针对中文市场做了优化，A 股、港股、美股都覆盖，本地数据源也能很好地对接。 · 部署起来很方便，用 Docker 就能搭建，有 Web 界面，操作不复杂，还能自动生成投研报告。 社区现在挺活跃，上手也快。AI 投研这套东西，正在让量化不再是少数有钱人的专属玩法。
0:27

有个叫 TradingAgents 的开源项目，直接把数亿级的量化系统公开了，华尔街那边估计不太淡定。 这个 AI 多智能体量化框架，普通人也能上手，没有想象中那么难。 说几个要点： · 用了 GPT-5.4 加 Claude 4.6 双大模型，多个智能体之间会互相讨论，最后给出一个综合的交易决策。 · 拿十年历史数据跑过回测，年化收益稳定在 30.5%，最大回撤控制得很好，表现比很多传统顶级对冲基金还强。 · 针对中文市场做了优化，A 股、港股、美股都覆盖，本地数据源也能很好地对接。 · 部署起来很方便，用 Docker 就能搭建，有 Web 界面，操作不复杂，还能自动生成投研报告。 社区现在挺活跃，上手也快。AI 投研这套东西，正在让量化不再是少数有钱人的专属玩法。

区块链行情研究

13,681 views • 2 months ago

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！ 这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎 国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会 实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测 根据历史收益、风险数据自动优化参数 大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署 两分钟就能跑起来 不懂代码的小白也能快速上手 🔒 完全私有 在你自己的服务器和自己的密钥上运行 数据、策略全掌控 支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！ 项目地址放评论区了👇
0:38

发现个量化交易神器！QuantDinger 直接把量化交易的门槛砸碎了！ QuantDinger（量化丁格），你的私人 AI 量化操作系统，几天时间就在 GitHub 拿下 4.2k stars！ 这不是普通的交易工具，而是个具备自我进化能力的 AI 交易员： 🤖 AI 智能分析引擎 国内外股市、期货、加密货币、外汇全支持 24 小时监控全球交易机会 实时推送到手机，不错过任何机会 📊 全自动工作流 AI 自动分析市场 → 生成策略代码 → 自动回测 根据历史收益、风险数据自动优化参数 大模型帮你调参，让策略更稳定 💻 部署超简单 Docker 一键私有化本地部署 两分钟就能跑起来 不懂代码的小白也能快速上手 🔒 完全私有 在你自己的服务器和自己的密钥上运行 数据、策略全掌控 支持实盘数据、多市场同时监控、智能风控... 搞量化交易的兄弟，这个必须试试！ 项目地址放评论区了👇

Vincent

28,860 views • 2 months ago

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google
0:44

单卡 700TPS! Diffusion Gemma 来了! Google 刚刚发布了 Gemma 小模型的 Diffusion 版本! 大小26B, 激活参数量4B, 最重要的是, 这次还跟 NVIDIA 合作针对4090和5090优化了一波, 5090每秒能生成700+token! 给不知道什么是 Diffusion 大模型的同学科普一下, 传统大模型都是一个字一个字吐出来的, 而 Diffusion 大模型则是如同刮奖一样, 是一片一片出来的, 速度高是 Diffusion 大模型的优点. 有得必有失, 缺点当然就是输出质量没有传统大模型好了. 不过这次的 Diffusion Gemma 还是比之前的 Diffusion 文本大模型好不少, AIME 2026(数学能力测试) 能达到 Gemma4-26B-A4B 的94%的水平, 最差的是tau2 bench(考验Agent能力的测试), 也能达到82%. 这个模型大小 4bit 量化版本 16G 显存就能运行了, 另外, 我突发奇想, 这个模型能不能作为 gemma4 dense 模型的草稿模型用来投机解码? 感兴趣的同学可以试试! #diffusiongemma #gemma #gemma4 #google

karminski-牙医

12,374 views • 1 month ago

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming
14:09

Kimi-K3 全方位实测! 我竟然打游戏输给了她?! 给大家带来Kimi-K3全方位编程能力实测! 包含前端, 后端, Agent能力. 并且包含现有SOTA级别模型横评! 这次 Kimi-K3 交了一个让我都意想不到的成绩, 甚至让我怀疑Scaling Law还远未结束! 下一个是不是要出10T参数量的模型! 本次测试直接把我几个测试集都要打到头了, 前端测试是淘汰的最快的, 我还以为这几个能撑下半年, 结果现在就撑了2个月. 后端的向量数据库测试大概还有几个算法变种可以优化, 然后就到头了, 除非未来的模型能自己发明新算法(那这妥妥AGI了). 测试唯一还需要提升的是Agent能力, 当然不是说Agent能力不行, 而是距离榜首还有一些提升空间. 总之, 现在唯一需要考虑的是, 完了, 又一个 CodingPlan 套餐要断货抢不到了.... #kimik3 #月之暗面 #AIAgent #多模态大模型 #VibeCoding #VibeGaming

karminski-牙医

12,159 views • 4 days ago

卧槽，发现了一个自动化黑盒测试的开源项目：Maestro Maestro 是一个极其现代化的自动化测试平台。 最大的痛点杀手是：它将测试门槛降到了极低，甚至不需要你懂复杂的代码。 全平台通吃：不管你是原生 iOS/Android，还是 React Native, Flutter，甚至是 Web，一套框架全部搞定。 免手写代码：提供全能测试 IDE（Maestro Studio）。你只需要像普通用户一样在界面上点按，它就能自动录制操作并生成测试脚本。 目前本地跑完全免费：开发者使用 Maestro CLI 和桌面端 Maestro Studio（支持 Mac/Win/Linux）在本地测试，0 成本。 Cloud Plan (企业级云端并发测试)：针对需要规模化、集成 CI 的团队是走收费模式。 仓库地址见评论区👇
0:33

卧槽，发现了一个自动化黑盒测试的开源项目：Maestro Maestro 是一个极其现代化的自动化测试平台。 最大的痛点杀手是：它将测试门槛降到了极低，甚至不需要你懂复杂的代码。 全平台通吃：不管你是原生 iOS/Android，还是 React Native, Flutter，甚至是 Web，一套框架全部搞定。 免手写代码：提供全能测试 IDE（Maestro Studio）。你只需要像普通用户一样在界面上点按，它就能自动录制操作并生成测试脚本。 目前本地跑完全免费：开发者使用 Maestro CLI 和桌面端 Maestro Studio（支持 Mac/Win/Linux）在本地测试，0 成本。 Cloud Plan (企业级云端并发测试)：针对需要规模化、集成 CI 的团队是走收费模式。 仓库地址见评论区👇

比特币橙子Trader

103,698 views • 4 months ago

速度是真滴快！ 兄弟们，刚在Zenmux ZenMux 评测了一下Gemini 3.5 Flash，ChatGPT 5.4和Claude Opus 4.6，按下回车的那一刻，Gemini 3.5 Flash的吐词速度真是快的飞起。 评测方法很简单，让他们按照同一个指令生成一个个人网页，生成的结果都还不错，都能满足指令的要求，但Gemini 3.5 Flash已经跑完很久了，另外两个还在输出。 不知大家有没有发现？现在我们大部分时间都是在等AI干完活，复杂一点的项目一晚上可能都跑不完，现在这个节点，这时间效率其实有点差强人意的。 未来输出效率肯定也是一个非常重要的指标，毕竟前期大家的模型能力越来越接近，接下来就看谁能更快干完活，这一点Google又走在前头了。 想要亲自评测的朋友，可以去Zenmux上自己测一下，目前Gemini 3.5 Flash还能限时免费使用。
1:06

速度是真滴快！ 兄弟们，刚在Zenmux ZenMux 评测了一下Gemini 3.5 Flash，ChatGPT 5.4和Claude Opus 4.6，按下回车的那一刻，Gemini 3.5 Flash的吐词速度真是快的飞起。 评测方法很简单，让他们按照同一个指令生成一个个人网页，生成的结果都还不错，都能满足指令的要求，但Gemini 3.5 Flash已经跑完很久了，另外两个还在输出。 不知大家有没有发现？现在我们大部分时间都是在等AI干完活，复杂一点的项目一晚上可能都跑不完，现在这个节点，这时间效率其实有点差强人意的。 未来输出效率肯定也是一个非常重要的指标，毕竟前期大家的模型能力越来越接近，接下来就看谁能更快干完活，这一点Google又走在前头了。 想要亲自评测的朋友，可以去Zenmux上自己测一下，目前Gemini 3.5 Flash还能限时免费使用。

李岳

16,858 views • 2 months ago

新的开源数字人模型 SoulX-FlashHead 我5090的卡速度比infinitetalk快四倍，当然质量没他好，测试了下，适合做动漫角色，阿猫阿狗的拟人化。 照常我请出来李春姬老师做测试。 只能说一般，但是架不住他快啊 30秒的视频，只要1分半就好了 照道理4卡5090可以实现实时流式生成了
0:29

新的开源数字人模型 SoulX-FlashHead 我5090的卡速度比infinitetalk快四倍，当然质量没他好，测试了下，适合做动漫角色，阿猫阿狗的拟人化。 照常我请出来李春姬老师做测试。 只能说一般，但是架不住他快啊 30秒的视频，只要1分半就好了 照道理4卡5090可以实现实时流式生成了

CuiMao

20,829 views • 4 months ago

仰望U9X在德国ATP测试场跑出了496.2KM/H的极速，成为全球最快量产车 在纽北赛道6:59.157的速度成为纽北最快量产电动车 然而分析数据，你会发现一个可怕的事实： 仰望U9X只用了不到一半的实力 人家可能只是去做技术验证的 冷知识 布加迪Chiron SS+从400跑到490用了40秒以上 而U9X只用了约18秒就到496.22
4:24

仰望U9X在德国ATP测试场跑出了496.2KM/H的极速，成为全球最快量产车 在纽北赛道6:59.157的速度成为纽北最快量产电动车 然而分析数据，你会发现一个可怕的事实： 仰望U9X只用了不到一半的实力 人家可能只是去做技术验证的 冷知识 布加迪Chiron SS+从400跑到490用了40秒以上 而U9X只用了约18秒就到496.22

渡边君

26,255 views • 8 months ago

🚨卧槽！港大实验室悄悄扔出一颗核弹AI 交易研究平台 他就是 Vibe-Trading ，目前在 GitHub 上已经有 15.8k star。 说一句"回测港股高股息低 PE 策略"，底层 29 个 AI Agent 自动分工拉数据、写因子、编策略、跑回测、出报告——像一家迷你量化对冲基金，只是研究员全是 LLM。 安装很简单：pip install vibe-trading-ai，一行搞定 Vibe-Trading 核心亮点： > 自然语言写策略：说人话，AI 自动拆解→编码→回测→归因→报告，全程不碰代码 > 29 个预设 AI 团队：投委会辩论、量化台、风控委员会、加密交易台——机构怎么分工它就怎么跑 > Alpha Zoo：452 个预置因子（qlib158 + alpha101 + gtja191 + Fama-French），alpha compare 一键排 IC/IR > 7 大回测引擎：蒙特卡洛、Walk-Forward、Bootstrap 置信区间，不是玩具 > 影子账户：上传券商交割单，AI 逆向提取你的交易模式——用你自己的数据打你自己的脸 > 策略一键导出：TradingView Pine Script v6、通达信、MT5 MQL5，写完就能用 > 刚性风控：仓位上限、单日最大亏损、极端行情熔断—AI 强制执行，不是建议 如果你平时研究股票，或者想把 AI Agent 接进自己的投研工作流，这个项目值得强烈收藏
0:30

🚨卧槽！港大实验室悄悄扔出一颗核弹AI 交易研究平台 他就是 Vibe-Trading ，目前在 GitHub 上已经有 15.8k star。 说一句"回测港股高股息低 PE 策略"，底层 29 个 AI Agent 自动分工拉数据、写因子、编策略、跑回测、出报告——像一家迷你量化对冲基金，只是研究员全是 LLM。 安装很简单：pip install vibe-trading-ai，一行搞定 Vibe-Trading 核心亮点： > 自然语言写策略：说人话，AI 自动拆解→编码→回测→归因→报告，全程不碰代码 > 29 个预设 AI 团队：投委会辩论、量化台、风控委员会、加密交易台——机构怎么分工它就怎么跑 > Alpha Zoo：452 个预置因子（qlib158 + alpha101 + gtja191 + Fama-French），alpha compare 一键排 IC/IR > 7 大回测引擎：蒙特卡洛、Walk-Forward、Bootstrap 置信区间，不是玩具 > 影子账户：上传券商交割单，AI 逆向提取你的交易模式——用你自己的数据打你自己的脸 > 策略一键导出：TradingView Pine Script v6、通达信、MT5 MQL5，写完就能用 > 刚性风控：仓位上限、单日最大亏损、极端行情熔断—AI 强制执行，不是建议 如果你平时研究股票，或者想把 AI Agent 接进自己的投研工作流，这个项目值得强烈收藏

爱吃折耳根的Ace

93,632 views • 23 days ago

反检测浏览器一个月动辄收几百块，现在有人直接开源了一个能打的平替。 CloakBrowser，一个深度魔改的 Chromium 浏览器，专治爬虫和自动化场景下的各种检测。 - reCAPTCHA v3 评分 0.9，达到跟真人一个水平 - 主流爬虫检测 14 项全过，Cloudflare 验证也能自动绕过 - 完全兼容 Playwright，老项目改一行代码就能用上 GitHub： 市面上同类方案大多是靠脚本伪装，Chrome 一更新就失效。 CloakBrowser 直接改了 Chromium 的源代码，从底层让浏览器看起来就是个真实用户在操作。 开箱即用，200MB 大小安装包，做爬虫、数据采集、自动化测试的朋友可以试试。
0:27

反检测浏览器一个月动辄收几百块，现在有人直接开源了一个能打的平替。 CloakBrowser，一个深度魔改的 Chromium 浏览器，专治爬虫和自动化场景下的各种检测。 - reCAPTCHA v3 评分 0.9，达到跟真人一个水平 - 主流爬虫检测 14 项全过，Cloudflare 验证也能自动绕过 - 完全兼容 Playwright，老项目改一行代码就能用上 GitHub： 市面上同类方案大多是靠脚本伪装，Chrome 一更新就失效。 CloakBrowser 直接改了 Chromium 的源代码，从底层让浏览器看起来就是个真实用户在操作。 开箱即用，200MB 大小安装包，做爬虫、数据采集、自动化测试的朋友可以试试。

高军

41,721 views • 2 months ago

微软联合交大、同济、复旦发了一个框架叫 SkillOpt，思路很有意思：像训练神经网络一样训练 AI Agent 的技能文件 它不动模型权重，训练的是 Skill——就是你给 Claude Code 或 Codex 写的那些 prompt 和指导文档 做法是把神经网络训练的那套搬过来：轮次、批量大小、学习率、验证门控，全部套在自然语言上。执行任务 → 记录过程 → 复盘 → 修改 Skill → 验证效果，自动闭环迭代 结果很夸张。7个大模型、6类任务、3种 Agent 环境，总共52组测试，全部第一或并列第一 但最有价值的不是跑分，是它的迁移能力： 在 GPT-5.4 上优化好的技能文件，直接给 GPT-5.4-nano 用，性能提升 5.6 分 在 Claude Code 里优化好的技能，直接搬到 Codex 里用，提升 29.4 分 甚至能从一个数学基准迁移到另一个 一个 best_skill.md 文件，到处能用 对那些天天手动调 prompt 调到头秃的人来说，这个东西等于把调参这件事自动化了
0:37

微软联合交大、同济、复旦发了一个框架叫 SkillOpt，思路很有意思：像训练神经网络一样训练 AI Agent 的技能文件 它不动模型权重，训练的是 Skill——就是你给 Claude Code 或 Codex 写的那些 prompt 和指导文档 做法是把神经网络训练的那套搬过来：轮次、批量大小、学习率、验证门控，全部套在自然语言上。执行任务 → 记录过程 → 复盘 → 修改 Skill → 验证效果，自动闭环迭代 结果很夸张。7个大模型、6类任务、3种 Agent 环境，总共52组测试，全部第一或并列第一 但最有价值的不是跑分，是它的迁移能力： 在 GPT-5.4 上优化好的技能文件，直接给 GPT-5.4-nano 用，性能提升 5.6 分 在 Claude Code 里优化好的技能，直接搬到 Codex 里用，提升 29.4 分 甚至能从一个数学基准迁移到另一个 一个 best_skill.md 文件，到处能用 对那些天天手动调 prompt 调到头秃的人来说，这个东西等于把调参这件事自动化了

Vincent

45,881 views • 1 month ago