Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

接下来是见证奇迹的时刻🪄 我使用 OKX OnchainOS 的K线数据/代币信息/交易活动等全方位数据，结合均值回归/量价分析/Wyckoff/艾略特波了等经典理论，革新了K线走势的预测算法，完整演示请看 VCR： OnchainOS K线预测平台自带完整 Web UI AI 模型使用 Vercel AI SDK 接入，支持所有主流模型自带 SKILL 可供包含 openclaw 在内的所有 Agent 调用提示词请见评论区，由于预测成本过高暂不开放公网预览，赛后我会公开源码和朋友们一起交流学习

大梦想家迪士尼

14,434 subscribers

14,285 Aufrufe • vor 4 Monaten •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

50秒的视频--用CodeX尝试入门量化交易/AI交易以前量化交易门槛很高，普通人基本接触不到——不懂复杂的数学模型、不会写代码，很难上手现在有了Codex，你可以完全不懂代码了。配合微软开源的明星AI 量化平台--Qlib（GitHub 43k+星），从数据处理、因子挖掘到信号生成全流程都开源了这是我目前正在测试的玩法： ➤ Qlib —— 微软开源的 AI 量化全流程平台，能基于比特币历史数据自动挖掘因子、训练模型，输出多空预测信号 ➤ Moss MOSS —— 100%模拟 Hyperliquid 实盘环境。支持一句话生成 Agent实时测试，完全免费。还能每周自动进化策略，最近新增了更多币种，是验证自己交易策略最好的地方我现在只用 Codex ，结合 Qlib + Moss，完全接管我交易 Agent，所有策略制定、开仓平仓、仓位、杠杆、风控，全部基于 Qlib 生成的信号自主决策，并且实时跑在MOSS MOSS 中文的模拟盘上测试，真正 24/7 全自动运行 moss直达：具体提示词在下一条推文👇

梭哈.AI

20,513 Aufrufe • vor 1 Monat

🚨 卧槽！A 股、美股、港股、加密、量化研究的人有福了清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！现在 GitHub 已经 32K+ stars，它把 K 线当成一种市场语言不是只看收盘价，而是把 open、high、low、close、volume、amount 这些信息，转换成模型能理解的 token，然后像语言模型学习文字一样，去学习金融市场里的价格波动、成交量变化和跨资产节奏，核心亮点： > 45 个全球交易所数据 > 120 亿+ K 线记录预训练 > 支持价格序列预测 > 支持波动率预测 > 支持合成 K 线生成 > Zero-shot 场景表现不错 > 提供 Kronos-mini / small / base 等模型 > 适合量化研究、策略验证、市场结构分析金融市场噪音很大，K 线也不是水晶球。真正用起来，还是要结合基本面、资金面、宏观、成交结构和风控。但对于做 A 股、美股、港股、加密、量化策略的人来说，Kronos 这个方向强烈建议收藏

🚨 卧槽！A 股、美股、港股、加密、量化研究的人有福了清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！现在 GitHub 已经 32K+ stars，它把 K 线当成一种市场语言不是只看收盘价，而是把 open、high、low、close、volume、amount 这些信息，转换成模型能理解的 token，然后像语言模型学习文字一样，去学习金融市场里的价格波动、成交量变化和跨资产节奏，核心亮点： > 45 个全球交易所数据 > 120 亿+ K 线记录预训练 > 支持价格序列预测 > 支持波动率预测 > 支持合成 K 线生成 > Zero-shot 场景表现不错 > 提供 Kronos-mini / small / base 等模型 > 适合量化研究、策略验证、市场结构分析金融市场噪音很大，K 线也不是水晶球。真正用起来，还是要结合基本面、资金面、宏观、成交结构和风控。但对于做 A 股、美股、港股、加密、量化策略的人来说，Kronos 这个方向强烈建议收藏

爱吃折耳根的Ace

38,893 Aufrufe • vor 12 Tagen

清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！以前的炒股软件预测股价就像猜数字，而 Kronos 的思路是：直接把 K 线的涨跌当成文字来读！像 GPT 预测下一个词一样，去预测未来的股价走势。哪怕你不懂量化，这 4 点也足够震撼： 1️⃣ 它最强的地方在于：哪怕是只有 4.1M 超小体积的版本，预测精度也直逼大版本，直接把体积缩减了 25 倍，普通电脑也能跑得飞起！ 2️⃣ 普通的预测只给你一根死板的线，它支持概率采样。不仅告诉你明天大概涨还是跌，还能生成好几条预测路径，明明白白告诉你它对这次预测“有多大把握”。 3️⃣ 在全世界 45 个交易所的数据上训练过，不管你玩 A 股、美股还是加密货币，它全部看得懂。 4️⃣ 它把从数据准备到策略回测的整套微调工具全放出来了。你可以直接用自己关心的股票数据，给它开小灶、深度定制。在股价预测测试中，它的表现直接把谷歌开源的 TimesFM 时序模型拉开 93% 的差距。地址：仅供研究、学习和辅助决策使用，非投资建议，dyor

清华大学重磅开源：全球首款 K 线金融大模型 Kronos 来了！以前的炒股软件预测股价就像猜数字，而 Kronos 的思路是：直接把 K 线的涨跌当成文字来读！像 GPT 预测下一个词一样，去预测未来的股价走势。哪怕你不懂量化，这 4 点也足够震撼： 1️⃣ 它最强的地方在于：哪怕是只有 4.1M 超小体积的版本，预测精度也直逼大版本，直接把体积缩减了 25 倍，普通电脑也能跑得飞起！ 2️⃣ 普通的预测只给你一根死板的线，它支持概率采样。不仅告诉你明天大概涨还是跌，还能生成好几条预测路径，明明白白告诉你它对这次预测“有多大把握”。 3️⃣ 在全世界 45 个交易所的数据上训练过，不管你玩 A 股、美股还是加密货币，它全部看得懂。 4️⃣ 它把从数据准备到策略回测的整套微调工具全放出来了。你可以直接用自己关心的股票数据，给它开小灶、深度定制。在股价预测测试中，它的表现直接把谷歌开源的 TimesFM 时序模型拉开 93% 的差距。地址：仅供研究、学习和辅助决策使用，非投资建议，dyor

爱丽丝呀！

138,955 Aufrufe • vor 26 Tagen

这是一套已经被161万人见证过的交易策略，据频道主说这是最好的剥头皮方法，能有接近96.8%的交易胜率，我大牙都被惊掉了😘🤓 接下来我会在比特币图表连续交易回测100次，看看比特币是否适用这套策略！第一个要用到平均K线图 Heikin Ashi，选中这两个黄色五角星的收藏按钮，这样方便我们在平均K线图和普通K线图之间快速切换，平均K线图可以消除强劲的价格波动滤除掉一些市场的噪音，帮助我们更好地识别行情走势/ 平均K线图取的是平均值，虽然两种图表呈现相同的走势，但收盘价与普通K线图的实际价格却有些出入。所以在本次测试中，我会打开右上角的上下布局，上方设置成平均K线图表作为信号指标使用，下方是我们的普通K线图，实际交易以普通K线图为准！第二个用到的指标是Chandelier Exit，后面简称CE指标，我们将参数改成1和2，样式栏中只留下Buy Label和Sell Label两个买卖标签，其他用不到的功能勾掉！第三个用到的指标是ZLSMA（Zero Lag LSMA），后面简称ZL线，将长度设置成50，颜色改成白色！这就是我们要用到的所有作案工具，接下来我就在视频中结合实例解释一下交易规则～

这是一套已经被161万人见证过的交易策略，据频道主说这是最好的剥头皮方法，能有接近96.8%的交易胜率，我大牙都被惊掉了😘🤓 接下来我会在比特币图表连续交易回测100次，看看比特币是否适用这套策略！第一个要用到平均K线图 Heikin Ashi，选中这两个黄色五角星的收藏按钮，这样方便我们在平均K线图和普通K线图之间快速切换，平均K线图可以消除强劲的价格波动滤除掉一些市场的噪音，帮助我们更好地识别行情走势/ 平均K线图取的是平均值，虽然两种图表呈现相同的走势，但收盘价与普通K线图的实际价格却有些出入。所以在本次测试中，我会打开右上角的上下布局，上方设置成平均K线图表作为信号指标使用，下方是我们的普通K线图，实际交易以普通K线图为准！第二个用到的指标是Chandelier Exit，后面简称CE指标，我们将参数改成1和2，样式栏中只留下Buy Label和Sell Label两个买卖标签，其他用不到的功能勾掉！第三个用到的指标是ZLSMA（Zero Lag LSMA），后面简称ZL线，将长度设置成50，颜色改成白色！这就是我们要用到的所有作案工具，接下来我就在视频中结合实例解释一下交易规则～

投机实验室

27,560 Aufrufe • vor 1 Jahr

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

GitHubDaily

21,964 Aufrufe • vor 8 Monaten

微软开源了一款金融市场预测模型：MarS 它基于订单级别的真实历史金融市场数据训练，能够实现逼真的金融市场模拟在市场趋势预测中，MarS的模拟显著优于传统的直接预测模型，体现了其对市场动态的深刻理解。用户可以通过注入特定的订单或描述目标场景，控制模拟过程，以分析特定条件下的市场行为。还提供一个交互式环境，用户可以在其中测试不同的交易策略，观察其市场影响。

微软开源了一款金融市场预测模型：MarS 它基于订单级别的真实历史金融市场数据训练，能够实现逼真的金融市场模拟在市场趋势预测中，MarS的模拟显著优于传统的直接预测模型，体现了其对市场动态的深刻理解。用户可以通过注入特定的订单或描述目标场景，控制模拟过程，以分析特定条件下的市场行为。还提供一个交互式环境，用户可以在其中测试不同的交易策略，观察其市场影响。

小互

85,751 Aufrufe • vor 1 Jahr

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

2025年全球大模型厂商下载量排行榜终于爆肝了一个元旦假期弄完了, 给大家带来2025年全球大模型厂商开放权重模型下载量排行榜. 数据更多代表国内以外的区域的下载量, 因为还有很大一部分在阿里魔搭 (modelscope) 和其他平台, 不过这部分暂时没有开源数据可以用来统计. 画面上半部分是排行榜, 数据来源是 HuggingFace 统计的公开数据集 datasets/cfahlgren1/hub-stats 动画下半部分是当天发布的新模型展示，由于模型过多, 总计750万个模型... 所以这里只展示2025年总下载量超过10K的模型. 注意, HuggingFace 这份统计数据在 2025-02-27 之前的数据只有30天均值下载数据, 28号才增加了历史总下载数据(两天数据差可以推算出当天的精确下载量), 所以27号之前的每天下载量数据使用30天均值数据除以30得到. 因此存在一定的误差, 但理论上不影响最终排名.

karminski-牙医

16,140 Aufrufe • vor 6 Monaten

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,710 Aufrufe • vor 2 Jahren

近日，有网友意外发现在同一则视频评论区下方，自己和老婆的评论区内容完全不同。据推测，可能接下来用户在热门抖音上所能看到的评论区会根据大数据来呈现更契合用户心理的内容，从而达到信息茧房的效果。

近日，有网友意外发现在同一则视频评论区下方，自己和老婆的评论区内容完全不同。据推测，可能接下来用户在热门抖音上所能看到的评论区会根据大数据来呈现更契合用户心理的内容，从而达到信息茧房的效果。

李老师不是你老师

909,814 Aufrufe • vor 2 Jahren

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

Rocky

64,824 Aufrufe • vor 2 Jahren

🚨 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

🚨 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

53,322 Aufrufe • vor 14 Tagen

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

宝玉

114,612 Aufrufe • vor 3 Jahren

1️⃣我在油管“学习”，这个博主在用ChatGPT预测和计算，空投后，即将上线的“币价”。 2️⃣他已经预测过几个项目了，很涨知识。

1️⃣我在油管“学习”，这个博主在用ChatGPT预测和计算，空投后，即将上线的“币价”。 2️⃣他已经预测过几个项目了，很涨知识。

Benjieming的撸毛之旅

34,493 Aufrufe • vor 1 Jahr

🔥首个去中心化的10000倍杠杆交易所上线秒级K线新玩法：500本金赚了30000美金。通过监测秒级K线，根据短时间增量和放量，短线交易，高杠杆高频交易，实现利滚利！我使用的0手续费指数交易平台，K线实时同步币安。视频可以观看我的操作！ 🔗入口：超短线交易，30秒结算一次，0手续费，10000倍杠杆！小资金短线交易首选！ #短线交易 #事件合约 #PolyMarket

🔥首个去中心化的10000倍杠杆交易所上线秒级K线新玩法：500本金赚了30000美金。通过监测秒级K线，根据短时间增量和放量，短线交易，高杠杆高频交易，实现利滚利！我使用的0手续费指数交易平台，K线实时同步币安。视频可以观看我的操作！ 🔗入口：超短线交易，30秒结算一次，0手续费，10000倍杠杆！小资金短线交易首选！ #短线交易 #事件合约 #PolyMarket

女技师

23,483 Aufrufe • vor 3 Monaten

E62. 火爆的RWA、预测市场背后，带来了预言机的新机会？ft. APRO 增长负责人 Sawyer @APRO 太巧了，我们刚跟Sawyer录完，就发现CZ发了一条推，认为针对预测市场的预言机有机会，下面很多评论都推荐了APRO, 接着大表哥还参与了APRO中文征名活动那么 APRO |🔶NO.1 Oracle 是什么? RWA、预测市场、AI 如何为预言机赛道带来了新的机会？从Chainlink的1.0时代到Pyth的2.0时代，再到APRO提出的AI增强型3.0方案，预言机如何应对RWA、币股、预测市场和AI Agent带来的新挑战？ APRO如何深耕BNB生态？还有散户们非常关注的一点，如何参与这个项目？本期 Day1Global Podcast 节目不容错过时间轴 & 本期精华 00:00 - 开场：预言机是什么？从"数据馈送"理解区块链世界的信息桥梁 06:48 - 预言机的三个发展阶段：从Chainlink 1.0到Pyth 2.0，再到APRO的AI增强3.0时代 13:32 - APRO的市场策略：以比特币生态为支点，快速覆盖40+公链，TVS突破15亿美金 18:18 - AI增强型RWA预言机：如何用大模型验证房地产、Pre-IPO股票、预测市场事件等非结构化资产 27:18 - ATTPS协议：为AI Agent之间的数据通信建立安全标准，已集成DeepSeek等主流框架 36:25 - 预言机的护城河：不是竞争而是共赢，在垄断市场中找到差异化定位 44:09 - EASY Residency Demo Day：在纽交所路演，Web2与Web3的时空交错碰撞 51:04 - 与BNB生态深度融合：服务40+项目，使用Greenfield存储近20GB数据 58:32 - 团队与招聘：20人精干团队，北美和香港BD岗位开放中 1:06:59 - 行业展望：预言机赛道的未来在于抓住每个风口的数据需求免责声明 & 风险提示：主持人或嘉宾在播客中的观点仅代表个人看法，有时可能会持有播客中讨论的某项目的头寸。此播客仅用于提供信息，不作为投资建议，Always DYOR (Do Your Own Research)。

E62. 火爆的RWA、预测市场背后，带来了预言机的新机会？ft. APRO 增长负责人 Sawyer @APRO 太巧了，我们刚跟Sawyer录完，就发现CZ发了一条推，认为针对预测市场的预言机有机会，下面很多评论都推荐了APRO, 接着大表哥还参与了APRO中文征名活动那么 APRO |🔶NO.1 Oracle 是什么? RWA、预测市场、AI 如何为预言机赛道带来了新的机会？从Chainlink的1.0时代到Pyth的2.0时代，再到APRO提出的AI增强型3.0方案，预言机如何应对RWA、币股、预测市场和AI Agent带来的新挑战？ APRO如何深耕BNB生态？还有散户们非常关注的一点，如何参与这个项目？本期 Day1Global Podcast 节目不容错过时间轴 & 本期精华 00:00 - 开场：预言机是什么？从"数据馈送"理解区块链世界的信息桥梁 06:48 - 预言机的三个发展阶段：从Chainlink 1.0到Pyth 2.0，再到APRO的AI增强3.0时代 13:32 - APRO的市场策略：以比特币生态为支点，快速覆盖40+公链，TVS突破15亿美金 18:18 - AI增强型RWA预言机：如何用大模型验证房地产、Pre-IPO股票、预测市场事件等非结构化资产 27:18 - ATTPS协议：为AI Agent之间的数据通信建立安全标准，已集成DeepSeek等主流框架 36:25 - 预言机的护城河：不是竞争而是共赢，在垄断市场中找到差异化定位 44:09 - EASY Residency Demo Day：在纽交所路演，Web2与Web3的时空交错碰撞 51:04 - 与BNB生态深度融合：服务40+项目，使用Greenfield存储近20GB数据 58:32 - 团队与招聘：20人精干团队，北美和香港BD岗位开放中 1:06:59 - 行业展望：预言机赛道的未来在于抓住每个风口的数据需求免责声明 & 风险提示：主持人或嘉宾在播客中的观点仅代表个人看法，有时可能会持有播客中讨论的某项目的头寸。此播客仅用于提供信息，不作为投资建议，Always DYOR (Do Your Own Research)。

Star@Day1Global Podcast

38,403 Aufrufe • vor 8 Monaten

OpenLedger ——它正在引领潮流去中心化人工智能不仅限于模型运行，还需可验证数据、用户数据主权及社区一起推动发展。这正是 Open Ledger 所关注的，它是Web3与AI的结合，开创了信任、所有权和公平的新时代。 ❑AI的未来不仅聪明，还公平。比如我们可以在Openledger 上提交自己对于 Specialized Language Model（专用语言模型）的创意，注意这里是所有人。这是一个真正利于我们所有人的工具，而不是炒作！每个人都能参与开发并从中受益！ ❑相较于传统AI的集中化与潜在剥削性，OpenLedger的DeAI模型倡导用户主导与公平分配的理念，为人工智能的可持续发展提供了新路径。据说现在 Mint Your Model Madness 已经有超过9999份的提交，我也提交了一个我的模型，我希望它可以成为我Web3最棒的伙伴。 ❑工作原理： >基于我们总结整理的一些关键词+聪明的关注者，多维度筛选分析并自动收集X平台的一些早期项目 >自动去除一些噪音，如很明显的广告，还有一些相似度99%的帖子 >通过项目多维度检测，如突然推文热度激增，聪明关注者数量变多等 >检测到项目再根据Grok、DeepSeek R1分析等生成类似数据，扩充数据集 >最后在给我们推送过来 ❑现在市面上好像有类似的产品，但不是太贵就是不能满足自己的需求，只有自己参与并训练出来的才是最合适的，大家也可以去参加体验一下，提交一下自己的创意，这不仅是参与 FIRST 10K 并创造 AI 历史的机会，还可以拿到测试网积分奖励，来一起~ 传送门：使用谷歌账号登录，然后点击“Create your model”表单，提交属于你自己的模型 ❑另外在昨天Kaito AI 🌊 公布的数据中，OpenLedger 30 天心智份额排名第一，冲顶我一点没觉得奇怪！他们的社区充满智慧与活力，为项目注入无限可能，未来可期！随着更多创造者的加入，分散的所有权将重新定义“拥有”人工智能的含义。无论最初的目标是什么，公平才是最终目标。DeAI的未来属于我们每个人！

OpenLedger ——它正在引领潮流去中心化人工智能不仅限于模型运行，还需可验证数据、用户数据主权及社区一起推动发展。这正是 Open Ledger 所关注的，它是Web3与AI的结合，开创了信任、所有权和公平的新时代。 ❑AI的未来不仅聪明，还公平。比如我们可以在Openledger 上提交自己对于 Specialized Language Model（专用语言模型）的创意，注意这里是所有人。这是一个真正利于我们所有人的工具，而不是炒作！每个人都能参与开发并从中受益！ ❑相较于传统AI的集中化与潜在剥削性，OpenLedger的DeAI模型倡导用户主导与公平分配的理念，为人工智能的可持续发展提供了新路径。据说现在 Mint Your Model Madness 已经有超过9999份的提交，我也提交了一个我的模型，我希望它可以成为我Web3最棒的伙伴。 ❑工作原理： >基于我们总结整理的一些关键词+聪明的关注者，多维度筛选分析并自动收集X平台的一些早期项目 >自动去除一些噪音，如很明显的广告，还有一些相似度99%的帖子 >通过项目多维度检测，如突然推文热度激增，聪明关注者数量变多等 >检测到项目再根据Grok、DeepSeek R1分析等生成类似数据，扩充数据集 >最后在给我们推送过来 ❑现在市面上好像有类似的产品，但不是太贵就是不能满足自己的需求，只有自己参与并训练出来的才是最合适的，大家也可以去参加体验一下，提交一下自己的创意，这不仅是参与 FIRST 10K 并创造 AI 历史的机会，还可以拿到测试网积分奖励，来一起~ 传送门：使用谷歌账号登录，然后点击“Create your model”表单，提交属于你自己的模型 ❑另外在昨天Kaito AI 🌊 公布的数据中，OpenLedger 30 天心智份额排名第一，冲顶我一点没觉得奇怪！他们的社区充满智慧与活力，为项目注入无限可能，未来可期！随着更多创造者的加入，分散的所有权将重新定义“拥有”人工智能的含义。无论最初的目标是什么，公平才是最终目标。DeAI的未来属于我们每个人！

左右🔶BNB

10,349 Aufrufe • vor 1 Jahr

🔥10000倍杠杆的秒级K线新玩法：500本金赚了30000美金。通过监测秒级K线，根据短时间增量和放量，短线交易，高杠杆高频交易，实现利滚利！我使用的0手续费指数交易平台，K线实时同步币安。视频可以观看我的操作！ 🔗入口：超短线交易，30秒结算一次，0手续费，10000倍杠杆！小资金短线交易首选！ #短线交易 #事件合约 #PolyMarket

🔥10000倍杠杆的秒级K线新玩法：500本金赚了30000美金。通过监测秒级K线，根据短时间增量和放量，短线交易，高杠杆高频交易，实现利滚利！我使用的0手续费指数交易平台，K线实时同步币安。视频可以观看我的操作！ 🔗入口：超短线交易，30秒结算一次，0手续费，10000倍杠杆！小资金短线交易首选！ #短线交易 #事件合约 #PolyMarket

童锦程

13,844 Aufrufe • vor 3 Monaten

🚨 卧槽！AI 自己写策略、自己回测、自己优化参数的量化平台来了 QuantDinger 现在 GitHub 8.8K stars 定位很直接：一个 self-hosted、local-first 的 AI 量化交易平台它把「策略研究 → 回测验证 → 实盘执行」这个流程，用 AI 的方式串联了起来，核心亮点： > 支持 crypto、股票、外汇等市场 > 支持 OpenAI、Claude、Gemini、DeepSeek、Grok 等多 LLM 研究 > 支持 Python-native 策略开发 > 支持确定性回测、手续费、滑点、逐笔交易分析 > 支持 IBKR、MT5、Alpaca、10+ crypto venues > 自托管，API keys 和交易凭证留在自己环境里 > Agent 默认 paper-only，实盘需要显式解锁和权限配置 > 每次 Agent 调用都有 audit log 对于玩 A 股、美股、港股、加密和外汇的人来说，它的价值不是预测明天涨跌，而是把交易想法变成一套可验证的策略流程，强烈保存看看

🚨 卧槽！AI 自己写策略、自己回测、自己优化参数的量化平台来了 QuantDinger 现在 GitHub 8.8K stars 定位很直接：一个 self-hosted、local-first 的 AI 量化交易平台它把「策略研究 → 回测验证 → 实盘执行」这个流程，用 AI 的方式串联了起来，核心亮点： > 支持 crypto、股票、外汇等市场 > 支持 OpenAI、Claude、Gemini、DeepSeek、Grok 等多 LLM 研究 > 支持 Python-native 策略开发 > 支持确定性回测、手续费、滑点、逐笔交易分析 > 支持 IBKR、MT5、Alpaca、10+ crypto venues > 自托管，API keys 和交易凭证留在自己环境里 > Agent 默认 paper-only，实盘需要显式解锁和权限配置 > 每次 Agent 调用都有 audit log 对于玩 A 股、美股、港股、加密和外汇的人来说，它的价值不是预测明天涨跌，而是把交易想法变成一套可验证的策略流程，强烈保存看看

爱吃折耳根的Ace

30,124 Aufrufe • vor 13 Tagen

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：

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！

29,350 Aufrufe • vor 15 Tagen