Loading video...

Video Failed to Load

There was a problem loading this video. This could be due to a temporary network issue or the video might be unavailable.

最近在看 Broadcom，所以最新财报出来后，我直接拿来测了下 Ling-3.0-flash-Fin。我比较想知道的是：AI 业务涨得这么快，Broadcom 现在的增长到底有多依赖 AI？这次没有让模型简单总结财报，而是让它顺着半导体、AI 收入、软件业务、利润和现金流一路拆下去，同时核对数据来源和口径。最后给出的判断比较清楚： Broadcom 这季度增长很强，AI 已经成了最明显的驱动力，现金流表现也不错。但隐患也很明显——如果后面的增长越来越集中在 AI 加速器和网络需求上，那就要继续看这种高强度需求到底能维持多久。这也是 Ling-3.0-flash-Fin 比较有意思的地方。它不是只回答一个金融问题，而是会把检索、分析、计算和结果整理串起来，最后给出可以复核的结论和风险提示。它基于 Ling-3.0-flash 继续做金融增强，依旧是 124B 总参数、5.1B 激活参数。这次比较让我意外的是，它对财务数据之间关系的处理，明显更像在真正做研究：不会看到一个高增长数字就停下来，而是会继续追收入结构、利润、现金流和潜在风险。至少从这次 Broadcom 财报测试来看，它的金融增强，不只是“更懂几个金融术语”。 Ling-3.0-flash-Fin 试试，大家现在可以直接在 OpenRouter 上体验：开源地址：以上仅为模型测试，不构成任何投资建议。

Hello AI with Jia

7,925 subscribers

17,921 views • 2 days ago •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

37 Comments

Lies2 days ago

关键得看AI占比走势

Almusty2 days ago

The video is produced very well. The financial system's staff really need to seriously ponder it. Grateful to the blogger for open-sourcing such a great thing! Keep coding!

Almusty2 days ago

I'm more concerned about whether, after the AI demand recedes, Broadcom's other businesses can still pick up this slack.

Almusty2 days ago

Ling-3.0-flash is really easy to use to measure financial reports

web3丨劳斯莱斯&剑豪2 days ago

金融更强了，值得期待一下

加密旺哥2 days ago

AI增长确实很关键

蟾哥🐸2 days ago

财报拆得细后面就看AI订单能不能续上

赏金猎人 | 斩鉤—Backpack🎒2 days ago

Ai增长的速度太快了

Anson 🔶 BNB2 days ago

Ling-3.0-flash用来测金融财报真的嘎嘎好用！

Hello AI with Jia2 days ago

嘎嘎的哈哈哈哈

Crypto墨城2 days ago

这个不错啊，我去试试看。

Sola ∎ 𝕏🧲2 days ago

开源先收了改天拿矿企财报试试水

starlight ☪️2 days ago

AI growth is strong, but the non-AI weakness is worth watching.

ApeCaptain2 days ago

以后全是ai了

星烁 | Gate打金狗0Gas费2 days ago

不是看数字大，而是追问它从哪来

奶牛叔2 days ago

财报拆到现金流想上手试试

DJ2 days ago

ai还是主流

易佳欣🦊 | Gate打金狗0Gas费2 days ago

关注了很不错啊

Vesper2 days ago

半导体收入那块拆得真细

Hello AI with Jia2 days ago

这是百灵的优势咧

小丸纸_Gi 🍀2 days ago

以后的AI感觉不止能帮我赚钱了

Miss tang|Gate打金狗0Gas费2 days ago

我也拿财报测过模型，追风险那段挺像人话

九思crypto2 days ago

OpenRouter能直接试门槛低

Cocoa2 days ago

从财报看，AI对博通的拉动作用十分明显

晨曦Nice2 days ago

AI依赖度这个问题问得好

Chango Club | ⛽2 days ago

拿财报测模型比单纯聊天有意思多了

starlight ☪️2 days ago

Strong retrieval plus financial reasoning makes this kind of analysis more useful.

Lin| Gate Card刷遍全球2 days ago

AI已经是主引擎了

Zeras.ETH2 days ago

财报分析最怕幻觉，能追溯来源确实强

阿军2 days ago

感谢分享我去试试

撸币教程｜火币余币宝13%2 days ago

我去体验看看

starlight ☪️2 days ago

The risk analysis matters just as much as the growth numbers.

Louis fabulous ❤️🦅2 days ago

This kind of financial-report analysis can be carried over to check again next quarter — what growth was attributed to last time, whether it actually materialized this time, and which risks actually played out. Having AI continue investigating along the same questions as before is more useful than writing a fresh summary from scratch each time.

币圈姚师2 days ago

开源还能直接试，先玩两把看看。

凯尔 Skyler 🟠2 days ago

财报拆得比我细我也去跑跑看

高山仰止.eth2 days ago

研究一下

Ox糖豆2 days ago

体验起来呀

Related Videos

以前在 360 工作过，也一直持有一点 360 的股票。所以看到最新一季报后，我还是挺想认真研究一下：这次扭亏，到底是业务变好了，还是费用降下来了？刚好最近在体验 Ling-3.0-flash-Fin，就把整份财报直接丢给它做了次测试。它不只是把财报摘要了一遍，而是顺着营收、毛利率、销售费用、研发费用和经营现金流一路拆下来，把数据来源和计算过程也列得比较清楚。这也是 Ling-3.0-flash-Fin 比较打动我的地方：它不是只针对某一道金融问答给出答案，而是把信息检索、研究推理、计算和结果交付串成一条完整的工作流。面对财报、工作簿和多份研究材料，它会尽量优先寻找可信的一手信息，核对数据口径，再调用工具完成计算，让结论能够回到原始材料中复核。它延续了 Ling-3.0-flash 的长上下文能力，在金融语料训练和工具使用上做了专门增强，同时采用 124B 总参数、5.1B 激活参数的架构，兼顾专业能力和运行效率。再加上开放模型路线，对金融机构、研究团队和开发者来说，也更方便进一步部署和二次开发。最后的判断是：360 一季度确实扭亏了，但利润改善更多来自费用下降；收入和现金流也在改善，不过现在还不能太早下结论。因为我既是前员工，又是股东，看这家公司多少会带点感情色彩。让模型帮我把数据重新梳理一遍，反而能提醒自己：熟悉一家公司，不等于真的看懂了它的财报。分析结论十分透彻还带有隐患提示大家也可以找一家自己熟悉的公司，把财报扔给 Ling- 3.0-flash-Fin 试试。现在可以直接在 OpenRouter 上体验：看看它给出的结论，和你的判断是不是一样。以上只是模型测试，不构成任何投资建议。

以前在 360 工作过，也一直持有一点 360 的股票。所以看到最新一季报后，我还是挺想认真研究一下：这次扭亏，到底是业务变好了，还是费用降下来了？刚好最近在体验 Ling-3.0-flash-Fin，就把整份财报直接丢给它做了次测试。它不只是把财报摘要了一遍，而是顺着营收、毛利率、销售费用、研发费用和经营现金流一路拆下来，把数据来源和计算过程也列得比较清楚。这也是 Ling-3.0-flash-Fin 比较打动我的地方：它不是只针对某一道金融问答给出答案，而是把信息检索、研究推理、计算和结果交付串成一条完整的工作流。面对财报、工作簿和多份研究材料，它会尽量优先寻找可信的一手信息，核对数据口径，再调用工具完成计算，让结论能够回到原始材料中复核。它延续了 Ling-3.0-flash 的长上下文能力，在金融语料训练和工具使用上做了专门增强，同时采用 124B 总参数、5.1B 激活参数的架构，兼顾专业能力和运行效率。再加上开放模型路线，对金融机构、研究团队和开发者来说，也更方便进一步部署和二次开发。最后的判断是：360 一季度确实扭亏了，但利润改善更多来自费用下降；收入和现金流也在改善，不过现在还不能太早下结论。因为我既是前员工，又是股东，看这家公司多少会带点感情色彩。让模型帮我把数据重新梳理一遍，反而能提醒自己：熟悉一家公司，不等于真的看懂了它的财报。分析结论十分透彻还带有隐患提示大家也可以找一家自己熟悉的公司，把财报扔给 Ling- 3.0-flash-Fin 试试。现在可以直接在 OpenRouter 上体验：看看它给出的结论，和你的判断是不是一样。以上只是模型测试，不构成任何投资建议。

程序员端哥

20,692 views • 14 days ago

SpaceX 财报数字挺好，股价怎么还跌了？最近开始买美股后，我第一次认真打开 SpaceX 的财报。营收涨了，利润也涨了，财报发布后股价却跌了。单看每个数字我都认识，放到一起就不知道这份财报到底算好还是不好。股价跌，是公司真的出了问题，还是大家原本期待得太高，我也分不清。我把 SpaceX最新一季的业绩公告、电话会文字稿和财报发布后的市场资料一起丢给 Ling-3.0-flash-Fin，让它帮我理一遍：SPCX 这季经营得怎么样，主要数字都在增长，股价为什么还会跌。公司自己公布的内容和市场对股价的解释，要分开写清楚。买卖还是我自己决定。我需要 AI 做的，是把这些看不明白的材料读完，把关键数字、公司的解释和市场的反应整理到一起。哪个地方还想细看，我再顺着它给出的材料继续问。 Ling-3.0-flash-Fin 是蚂蚁百灵首个金融增强模型。它沿用 Ling-3.0-flash 的架构和长上下文能力，保持 124B 总参数、5.1B 激活参数，在此基础上继续做了金融语料预训练和领域后训练。它主要处理年报、财务工作簿和多份研究材料。在投研场景里，可以用于信息检索、研究推理、估值建模和报告写作。面向金融从业者与开发者，Ling-3.0-flash-Fin 将在 OpenRouter 开启为期一个月的限时免费 API 调用，方便用户在金融研究、数据分析与应用开发等场景中快速体验和验证模型能力。 OpenRouter 体验地址：本文仅为模型体验记录，不构成投资建议。

SpaceX 财报数字挺好，股价怎么还跌了？最近开始买美股后，我第一次认真打开 SpaceX 的财报。营收涨了，利润也涨了，财报发布后股价却跌了。单看每个数字我都认识，放到一起就不知道这份财报到底算好还是不好。股价跌，是公司真的出了问题，还是大家原本期待得太高，我也分不清。我把 SpaceX最新一季的业绩公告、电话会文字稿和财报发布后的市场资料一起丢给 Ling-3.0-flash-Fin，让它帮我理一遍：SPCX 这季经营得怎么样，主要数字都在增长，股价为什么还会跌。公司自己公布的内容和市场对股价的解释，要分开写清楚。买卖还是我自己决定。我需要 AI 做的，是把这些看不明白的材料读完，把关键数字、公司的解释和市场的反应整理到一起。哪个地方还想细看，我再顺着它给出的材料继续问。 Ling-3.0-flash-Fin 是蚂蚁百灵首个金融增强模型。它沿用 Ling-3.0-flash 的架构和长上下文能力，保持 124B 总参数、5.1B 激活参数，在此基础上继续做了金融语料预训练和领域后训练。它主要处理年报、财务工作簿和多份研究材料。在投研场景里，可以用于信息检索、研究推理、估值建模和报告写作。面向金融从业者与开发者，Ling-3.0-flash-Fin 将在 OpenRouter 开启为期一个月的限时免费 API 调用，方便用户在金融研究、数据分析与应用开发等场景中快速体验和验证模型能力。 OpenRouter 体验地址：本文仅为模型体验记录，不构成投资建议。

冰零

14,414 views • 2 days ago

公司要上市的饼画了三年，我今天用AI把它底裤扒了！! 扒完我都想把报告丢老板桌上！！之前面试的时候，HR给我说公司马上就要上市了，一晃眼，2年多了，结果还停在新三板！！每年公布的财报确实看不太明白，到底能不能上市，我用AI一次性扒干净！！这次无意间看到蚂蚁发布的金融增强模型 Ling-3.0-flash-Fin，一个搞金融的，做的金融模型，应该是有点东西的！！这个垂直模型，是用Ling-3.0针对性训练的，针对年报、财务工作簿、研究材料和工具调用做过金融增强，拥有124B总参数，每次只激活5.1B参数，262K长上下文。分析几份报表，绰绰有余！！所以我直接找来企业年报（公开版），然后在OpenCode里调用这个模型，让它分析财报，并告诉我存在的上市风险，和未来两年上市的可能性！它读完大几百页材料，在里面找数据，然后统一口径、完成计算，重点检查：收入和利润是不是真的增长；经营现金流能不能匹配净利润；应收账款、存货是否增长过快；利润有没有依赖政府补助和非经常性收益；是否存在大额关联交易；审计意见和关键审计事项有没有埋雷；偿债能力、持续经营和内控是否存在风险。看起来就很专业！完全就是数据导向！！所有的风险，都不是轻飘飘一句话，而是直接列出了：异常数据＋报告页码＋计算过程＋潜在影响＋待补材料＋可能面对的监管问询。比如发现收入增长明显快于现金流，它就继续追查应收账款、客户集中度和期后回款；发现利润大幅增长，它会拆解到底来自主营业务，还是补助、投资收益和资产处置；发现关联交易占比较高，它还会进一步追问交易必要性、定价公允性以及公司是否具备独立经营能力。至于“未来两年能否上市”，它还很严谨的给了一套条件判断：哪些财务指标具备基础；哪些问题必须整改；哪些风险可能影响进度；如果目标是两年内上市，未来应该完成什么。我虽然不是业务口的，但确实很多问题都直戳痛处，看完最后的报告，我都想把它打印出来丢到老板桌上！！所以，Claude和GPT这种旗舰模型真不能通吃，一些细分专业领域还是考不上，通用模型有通用模型的好，垂直模型有垂直模型的妙。我觉得这种金融模型主要适合几类人： 1、专业方向：需要大量读年报的投研人员，以及经常核对报表更新模型的财务/审计人员。 2、学习方向：对金融、投融资有兴趣的，可辅助学习。 3、企业团队：正在准备融资、尽调和上市的企业团队。 4、开发方向：想要开发金融场景工具的开发者。 5、像我这样：想知道公司到底怎么样，有没有画饼！

公司要上市的饼画了三年，我今天用AI把它底裤扒了！! 扒完我都想把报告丢老板桌上！！之前面试的时候，HR给我说公司马上就要上市了，一晃眼，2年多了，结果还停在新三板！！每年公布的财报确实看不太明白，到底能不能上市，我用AI一次性扒干净！！这次无意间看到蚂蚁发布的金融增强模型 Ling-3.0-flash-Fin，一个搞金融的，做的金融模型，应该是有点东西的！！这个垂直模型，是用Ling-3.0针对性训练的，针对年报、财务工作簿、研究材料和工具调用做过金融增强，拥有124B总参数，每次只激活5.1B参数，262K长上下文。分析几份报表，绰绰有余！！所以我直接找来企业年报（公开版），然后在OpenCode里调用这个模型，让它分析财报，并告诉我存在的上市风险，和未来两年上市的可能性！它读完大几百页材料，在里面找数据，然后统一口径、完成计算，重点检查：收入和利润是不是真的增长；经营现金流能不能匹配净利润；应收账款、存货是否增长过快；利润有没有依赖政府补助和非经常性收益；是否存在大额关联交易；审计意见和关键审计事项有没有埋雷；偿债能力、持续经营和内控是否存在风险。看起来就很专业！完全就是数据导向！！所有的风险，都不是轻飘飘一句话，而是直接列出了：异常数据＋报告页码＋计算过程＋潜在影响＋待补材料＋可能面对的监管问询。比如发现收入增长明显快于现金流，它就继续追查应收账款、客户集中度和期后回款；发现利润大幅增长，它会拆解到底来自主营业务，还是补助、投资收益和资产处置；发现关联交易占比较高，它还会进一步追问交易必要性、定价公允性以及公司是否具备独立经营能力。至于“未来两年能否上市”，它还很严谨的给了一套条件判断：哪些财务指标具备基础；哪些问题必须整改；哪些风险可能影响进度；如果目标是两年内上市，未来应该完成什么。我虽然不是业务口的，但确实很多问题都直戳痛处，看完最后的报告，我都想把它打印出来丢到老板桌上！！所以，Claude和GPT这种旗舰模型真不能通吃，一些细分专业领域还是考不上，通用模型有通用模型的好，垂直模型有垂直模型的妙。我觉得这种金融模型主要适合几类人： 1、专业方向：需要大量读年报的投研人员，以及经常核对报表更新模型的财务/审计人员。 2、学习方向：对金融、投融资有兴趣的，可辅助学习。 3、企业团队：正在准备融资、尽调和上市的企业团队。 4、开发方向：想要开发金融场景工具的开发者。 5、像我这样：想知道公司到底怎么样，有没有画饼！

沐阳

18,456 views • 14 days ago

蚂蚁百灵首个金融增强模型 Ling-3.0-flash-Fin 真的是打在我的心巴上啊！😍 我现在 Notion 里面记录着几十只基金，十几只 ETF 跟股票，Fin 是硬生生把我的家庭资产季度复盘工作流缩短了十倍！同一份输入实测 Ling-3.0-flash-Fin 要比 Ling-3.0-flash 的 Reasoning 展开明显更多，而且在复杂金融材料里 Fin 能把过程讲的更清楚，仓位怎么归类、历史判断和后续信息怎么分开、哪些地方必须留给人复核。它不等于更准，更不等于能替你做投资决策；但金融任务里，过程能展开，后面才有机会复查。 OpenRouter 体验地址：模型信息：

蚂蚁百灵首个金融增强模型 Ling-3.0-flash-Fin 真的是打在我的心巴上啊！😍 我现在 Notion 里面记录着几十只基金，十几只 ETF 跟股票，Fin 是硬生生把我的家庭资产季度复盘工作流缩短了十倍！同一份输入实测 Ling-3.0-flash-Fin 要比 Ling-3.0-flash 的 Reasoning 展开明显更多，而且在复杂金融材料里 Fin 能把过程讲的更清楚，仓位怎么归类、历史判断和后续信息怎么分开、哪些地方必须留给人复核。它不等于更准，更不等于能替你做投资决策；但金融任务里，过程能展开，后面才有机会复查。 OpenRouter 体验地址：模型信息：

MapleShaw

16,052 views • 12 days ago

这次用一个“订单对账”小测试试了下 Claude Opus 4.8，最大的感受是：它更愿意把活做完整。这次测试不靠联网、不靠写代码，就是用最贴合业务场景的，给了它三组数据：订单、付款、退款，然后要求按规则逐条核对。里面埋了几个容易漏的坑：重复付款 id 只能算第一次、字符串金额要忽略、EUR 不能混进 USD、0.1+0.2 要按两位小数处理，还有一个客户只有付款没有订单，也必须出现在结果里。 Opus 4.8 的表现挺稳。它算出了正确余额，把每条被忽略的记录单独列出来，还在最后做了自检。尤其是第二条重复的 p3=999.00 没被误算进去，c6 这种“只有付款”的客户也没漏，说明它对边界条件扫得比较认真。我的感觉：这个模型在细节任务里的耐心和完整性更好了。至少在这个纯文本核对任务里，它体现出了比较强的边界意识，也没出现“扫一半就开始总结”的情况。当然，这不等于它永远不会偷懒。代码 Agent 场景还得看它会不会真的写文件、跑测试、失败后继续修。但单看这个测试，Opus 4.8 的“少偷懒”是能感受到的。现在在 ZenMux 可以体验 Opus 4.8，还有 PK 功能，建议可以去试一下和 Opus 4.6 的对比🤣，链接我放在评论区～

这次用一个“订单对账”小测试试了下 Claude Opus 4.8，最大的感受是：它更愿意把活做完整。这次测试不靠联网、不靠写代码，就是用最贴合业务场景的，给了它三组数据：订单、付款、退款，然后要求按规则逐条核对。里面埋了几个容易漏的坑：重复付款 id 只能算第一次、字符串金额要忽略、EUR 不能混进 USD、0.1+0.2 要按两位小数处理，还有一个客户只有付款没有订单，也必须出现在结果里。 Opus 4.8 的表现挺稳。它算出了正确余额，把每条被忽略的记录单独列出来，还在最后做了自检。尤其是第二条重复的 p3=999.00 没被误算进去，c6 这种“只有付款”的客户也没漏，说明它对边界条件扫得比较认真。我的感觉：这个模型在细节任务里的耐心和完整性更好了。至少在这个纯文本核对任务里，它体现出了比较强的边界意识，也没出现“扫一半就开始总结”的情况。当然，这不等于它永远不会偷懒。代码 Agent 场景还得看它会不会真的写文件、跑测试、失败后继续修。但单看这个测试，Opus 4.8 的“少偷懒”是能感受到的。现在在 ZenMux 可以体验 Opus 4.8，还有 PK 功能，建议可以去试一下和 Opus 4.6 的对比🤣，链接我放在评论区～

阿川 | AI thinking

14,198 views • 3 months ago

很多人还在问：比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。如果未来是 AI 和 AI 在高频协作、交易、验证、结算，它们需要的，可能不是传统金融系统，而是原生存在于数字世界里的资本、货币和认证网络。他的判断很直接：比特币不只是储值资产。它还可能成为未来数字经济的资本层、结算层、信任层。这个视角，我觉得非常值得看。因为你看的已经不是下一次涨跌，而是下一个时代的底层结构。

很多人还在问：比特币到底是不是“钱”。 Michael Saylor 已经在想下一层了。如果未来是 AI 和 AI 在高频协作、交易、验证、结算，它们需要的，可能不是传统金融系统，而是原生存在于数字世界里的资本、货币和认证网络。他的判断很直接：比特币不只是储值资产。它还可能成为未来数字经济的资本层、结算层、信任层。这个视角，我觉得非常值得看。因为你看的已经不是下一次涨跌，而是下一个时代的底层结构。

大方BigFang

19,931 views • 6 months ago

净利暴增 298%，谷歌是真赚钱，还是账面好看？为了搞清这件事，我让两个 AI 查了同一份账。一个是蚂蚁百灵刚发布的 Ling-3.0-flash-Fin，1240 亿总参数、每次只激活 51 亿的金融增强模型；另一个是它的 Ling-3.0-flash，没做金融增强的原版题目是 Alphabet 2026 年第二季度财报数据让它自己联网去找它提交给 SEC 的 8-K 原件 Fin 版先干了一件事：报出处。Exhibit 99.1，2026 年 7 月 22 日发布，用了合并利润表、分部结果、现金流量表三张，附 SEC 原文链接两版都算出自由现金流 −58.55 亿美元。我去比财报原文的调节表，官方写的就是 $ (5,855)M，一分不差净利暴增 298% 这件事，两版也都拆开了：增量 839.97 亿里，771 亿来自股权证券收益，占 91.8%；剔掉之后实际净利润 350.93 亿，同比只增 24.5%，EPS 从 9.11 掉回 2.85 到这里两版打了个平手差别出在第二道题——英伟达。我让它解释：营收环比涨 17.9%，净利润却只涨 2.3%，为什么基模的账算到一半断了。毛利增 109.85 亿，减费用增 7.87 亿，营业利润增 101.98 亿，再减其他收益减少的 85.94 亿，得到 16.04 亿——然后直接跳到"净利润仅微增 13.67 亿"。中间差的 2.37 亿 Fin 版把这条链闭合了，还自己推出了我没给的两个数：上季度税前利润 699.03 亿、上季度所得税 115.82 亿。101.98 − 85.94 − 2.37 = 13.67，正好对上同一道题里，基模还说"其他收益很可能是大规模出售国债的收益" 财报里没有国债这回事我去查现金流量表调节项：其他收益 77.73 亿里，77.71 亿是股权证券收益，是股票浮盈。Fin 版只写"非经营性收益回落"，没往下猜但 Fin 版也翻过车。我另外拿一道自己构造的毛利率题测过（不是真实财报）：20.79 ÷ 56.20 = 36.9929%，该保留 36.99%，它给了 37.00%；同一道题重跑一次，又给了 36.99%。这次反倒是基模算对了两轮测下来，我改了用法：别拿它当计算器，简单算术自己按；拿它当勾稽员，多步推导和口径核对交给它，再验一遍关键节点完整实测过程见下方视频。测试条件：OpenRouter 通道，temperature 0.6（官方推荐值 1.0），每题只跑一次，样本很小。文中数字均可用财报原文复核： · Alphabet 2026Q2： · NVIDIA FY2027Q2： Ling-3.0-flash-Fin 已在OpenRouter 开启为期一个月的限时免费 API 调用入口： inclusionAI/Ling-3.0-flash-Fin · Hugging Face Ling-3.0-flash-Fin 已经正式开源凭借开放权重团队可以私密部署它，将其连接到搜索引擎、Python、数据库和电子表格 Hugging Face： inclusionAI/Ling-3.0-flash-Fin · Hugging Face ModelScope： Ling-3.0-flash-Fin · 模型库

净利暴增 298%，谷歌是真赚钱，还是账面好看？为了搞清这件事，我让两个 AI 查了同一份账。一个是蚂蚁百灵刚发布的 Ling-3.0-flash-Fin，1240 亿总参数、每次只激活 51 亿的金融增强模型；另一个是它的 Ling-3.0-flash，没做金融增强的原版题目是 Alphabet 2026 年第二季度财报数据让它自己联网去找它提交给 SEC 的 8-K 原件 Fin 版先干了一件事：报出处。Exhibit 99.1，2026 年 7 月 22 日发布，用了合并利润表、分部结果、现金流量表三张，附 SEC 原文链接两版都算出自由现金流 −58.55 亿美元。我去比财报原文的调节表，官方写的就是 $ (5,855)M，一分不差净利暴增 298% 这件事，两版也都拆开了：增量 839.97 亿里，771 亿来自股权证券收益，占 91.8%；剔掉之后实际净利润 350.93 亿，同比只增 24.5%，EPS 从 9.11 掉回 2.85 到这里两版打了个平手差别出在第二道题——英伟达。我让它解释：营收环比涨 17.9%，净利润却只涨 2.3%，为什么基模的账算到一半断了。毛利增 109.85 亿，减费用增 7.87 亿，营业利润增 101.98 亿，再减其他收益减少的 85.94 亿，得到 16.04 亿——然后直接跳到"净利润仅微增 13.67 亿"。中间差的 2.37 亿 Fin 版把这条链闭合了，还自己推出了我没给的两个数：上季度税前利润 699.03 亿、上季度所得税 115.82 亿。101.98 − 85.94 − 2.37 = 13.67，正好对上同一道题里，基模还说"其他收益很可能是大规模出售国债的收益" 财报里没有国债这回事我去查现金流量表调节项：其他收益 77.73 亿里，77.71 亿是股权证券收益，是股票浮盈。Fin 版只写"非经营性收益回落"，没往下猜但 Fin 版也翻过车。我另外拿一道自己构造的毛利率题测过（不是真实财报）：20.79 ÷ 56.20 = 36.9929%，该保留 36.99%，它给了 37.00%；同一道题重跑一次，又给了 36.99%。这次反倒是基模算对了两轮测下来，我改了用法：别拿它当计算器，简单算术自己按；拿它当勾稽员，多步推导和口径核对交给它，再验一遍关键节点完整实测过程见下方视频。测试条件：OpenRouter 通道，temperature 0.6（官方推荐值 1.0），每题只跑一次，样本很小。文中数字均可用财报原文复核： · Alphabet 2026Q2： · NVIDIA FY2027Q2： Ling-3.0-flash-Fin 已在OpenRouter 开启为期一个月的限时免费 API 调用入口： inclusionAI/Ling-3.0-flash-Fin · Hugging Face Ling-3.0-flash-Fin 已经正式开源凭借开放权重团队可以私密部署它，将其连接到搜索引擎、Python、数据库和电子表格 Hugging Face： inclusionAI/Ling-3.0-flash-Fin · Hugging Face ModelScope： Ling-3.0-flash-Fin · 模型库

平凡的蛙里奥

25,421 views • 2 days ago

我又要发表爆论了。😁🧠🚀🫶🏻 AI产业不是普惠赛道，而是发达国家的专属红利。 AI不是替代人，而是强化人。它强化的不是每一个人，而是那些本来就掌握教育、资本、数据、算力，以及高价值市场定价权的人。同一套AI，在旧金山可以变成律师、金融、软件服务的高价生产力；在很多发展中国家，连成本都未必收得回来。未来不是全球一起起飞。而是少数AI核心圈，吸走更多增长、利润和权力。 AI不是均富机器。它可能是人类历史上最陡的一次K型分化。

我又要发表爆论了。😁🧠🚀🫶🏻 AI产业不是普惠赛道，而是发达国家的专属红利。 AI不是替代人，而是强化人。它强化的不是每一个人，而是那些本来就掌握教育、资本、数据、算力，以及高价值市场定价权的人。同一套AI，在旧金山可以变成律师、金融、软件服务的高价生产力；在很多发展中国家，连成本都未必收得回来。未来不是全球一起起飞。而是少数AI核心圈，吸走更多增长、利润和权力。 AI不是均富机器。它可能是人类历史上最陡的一次K型分化。

David Chang

20,818 views • 2 months ago

随着技术的发展，现在模型上架已经不是很难的事了，难的是怎么把流量分得让人信服。现在模型多到用不过来。开发者找模型、比价格、接 API，已经够折腾了；接上以后还得面对另一个问题：这条推理服务到底稳不稳？我看 DGrid 这次的 Model Marketplace，比较有意思的是它把后面两层也接了进来。模型提供方可以自己上架和定价，开发者从统一入口发现、比较和调用；AI Arena 不亮模型名字，让用户直接在两个回答里盲选，把真实偏好变成发现和路由的信号；PoQ 再用独立随机测试检查准确性、一致性和格式合规，不会触碰到用户请求数据。这样一来，一个小模型或者垂直模型想拿到调用，至少多了一条靠真实表现被发现的路子。推理节点想拿更多流量，也得把质量和效率做出来。这套闭环最后能不能跑好，我比较看重这两件事：上架模型有没有真实调用，Arena 和 PoQ 的信号有没有真的改善路由。 DGrid 官方披露，2026 年上半年收入超过 2300 万美元。业务基础已经有了，这次补的是模型市场这一层。DGrid AI

随着技术的发展，现在模型上架已经不是很难的事了，难的是怎么把流量分得让人信服。现在模型多到用不过来。开发者找模型、比价格、接 API，已经够折腾了；接上以后还得面对另一个问题：这条推理服务到底稳不稳？我看 DGrid 这次的 Model Marketplace，比较有意思的是它把后面两层也接了进来。模型提供方可以自己上架和定价，开发者从统一入口发现、比较和调用；AI Arena 不亮模型名字，让用户直接在两个回答里盲选，把真实偏好变成发现和路由的信号；PoQ 再用独立随机测试检查准确性、一致性和格式合规，不会触碰到用户请求数据。这样一来，一个小模型或者垂直模型想拿到调用，至少多了一条靠真实表现被发现的路子。推理节点想拿更多流量，也得把质量和效率做出来。这套闭环最后能不能跑好，我比较看重这两件事：上架模型有没有真实调用，Arena 和 PoQ 的信号有没有真的改善路由。 DGrid 官方披露，2026 年上半年收入超过 2300 万美元。业务基础已经有了，这次补的是模型市场这一层。DGrid AI

bbshare

11,009 views • 22 days ago

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

蚂蚁百灵刚刚发布了 Ling-3.0-flash：一个AI 执行层的关键拼图刚刚看到 Ling-3.0-flash 正式发布，我觉得这款模型值得认真关注。原因很简单：在 AI 工程越来越深入到实际业务的今天，大家早就不满足于模型“会不会想”了，更关键的是它“能不能持续做”。尤其是在 Agent 工作流中，需要高频调用工具、迭代代码、处理长程任务时，一个响应快、执行稳的执行引擎成了刚需。Ling-3.0-flash 的出现，正好瞄准了这个缺口。 1. Agent 的执行层从我的角度看，它最聪明的一点是没有去硬拼超大模型的深度推理能力，而是把自己定位成一个高速执行引擎——负责把已经规划好的任务快速落地。这在实际应用中特别实用，比如当大模型把方案设计好之后，剩下的代码生成、工具调用、批量处理就需要一个既快又稳的模型来接手。 2. 为什么它能兼顾速度和成本技术细节上，它采用 124B 参数的 MoE 架构，但实际激活参数约 5.1B，在推理速度和运行成本之间找平衡。它还支持混合推理模式：简单任务可以关闭 Reasoning，降低延迟，适合大批量处理；复杂任务则可以开启思考模式，保持逻辑连贯。原生支持 256K 上下文，对需要持续读取历史指令和项目状态的 Agent 工作流也很重要。 3.如何使用我觉得 Ling-3.0-flash 最适合做 Agent 工作流里的执行节点。反复调用 API 或 MCP 工具时，它能根据结构化错误信息自我诊断和修复，不容易在循环调试中卡死，因此适合放进 Loop 或 Graph 架构。 4.结对编程和批量任务结对编程是一个典型场景：人负责架构规划、边界定义和测试，Ling-3.0-flash 负责快速生成代码、调用工具、读取报错，并根据反馈持续修改。批量处理长文档、日志、简历和结构化数据时，它看重的也是速度、格式稳定性和成本控制。直播数字人或高频办公协作，则需要它的低延迟响应来减少体验断层。 5.边界当然，它不是万能模型。复杂系统不能只靠一句指令搞定；缺乏架构和测试环境时，结果可能跑偏；需要深度冷门知识的研究任务，还是更适合交给更大规模的推理模型。更合理的用法是：大模型负责搜索、规划和架构设计，把方案写成规范文档；Ling-3.0-flash 负责高频工具调用、代码执行和批量处理。总结：Ling-3.0-flash 不是来替代所有模型的，而是把 Agent 工作流里“执行层”这件事做得更快、更稳。大模型负责想清楚，它负责做出来。

奶牛叔

66,157 views • 1 month ago

这两年我一直有个默认假设：模型参数越大，能力越强，什么任务都该交给最大的那个模型去做。但最近我在搭一个需要长流程、反复调用工具的 Agent 任务时，专门试了试把"规划"和"执行"拆开、交给不同模型来做的思路，用的执行端模型是Ant Ling刚发布的 Ling-3.0-flash。这次体验让我对"大模型不是越大越好"这句话有了更具体的理解。我遇到的问题起因是我想搭一个 Blender MCP 的工作流：让 AI 帮我自动完成一个简单场景的粗模搭建和运镜——比如摆几把椅子、设置一个摄像机轨迹，作为后续正式渲染前的预演草稿。一开始我图省事，直接让一个参数量很大的全能模型来处理整个流程：既要它想清楚场景该怎么布局、镜头该怎么运动，又要它高频地调用 Blender 的 MCP 接口去逐步执行动作。结果是，虽然效果还行，但每一步操作等待的时间都不短，跑完一整套流程花的时间和成本都超出了我的预期——毕竟这类任务里，真正需要"深度思考"的部分只占很小一块，绝大多数时间都花在了"调用接口、摆放物体"这类重复动作上。换成"规划-执行分离"之后我把流程拆成了两段：先用一个知识面更广的大模型，把场景的整体构图、镜头运动路径想清楚，写成一份结构化的操作说明；然后把这份说明交给 Ling-3.0-flash，让它作为执行引擎，逐条读取说明并调用 Blender MCP 接口去落地。这一次的差别很明显。Ling-3.0-flash 的总参数量是 124B，但实际推理时只激活 5.1B 参数，加上首字延迟能做到 500 毫秒以内，我能感觉到每一步操作的响应几乎是"秒回"的——不再是那种等大模型"想"完再动手的节奏，而是我一条指令下去，场景里的物体几乎立刻就摆好了。整套流程跑下来，成本也比全用大模型的方案低了不少。我的体会这次尝试让我确认了一件事：如果任务里"想清楚该怎么做"和"把已经想清楚的事情执行出来"这两部分能拆开，那把执行这一段交给 Ling-3.0-flash 这类专门优化过工具调用稳定性和响应速度的模型，确实比一个模型包办到底更划算。但我也发现，这套分工不是无脑套用的——如果场景本身很复杂，需要边搭建边做美学判断（比如构图是否好看、光影是否协调），单靠 Ling-3.0-flash 自己去决定，效果就会打折扣，这部分还是得靠前期规划阶段先想清楚。人负责把边界和验收标准定好，大模型负责规划，Ling-3.0-flash 负责又快又稳地把方案落地——这套组合让我第一次比较直观地感受到"规划-执行分离"这套架构的实际好处。目前Ling-3.0-flash 现已在 OpenRouter 上线——并可免费使用至 2026 年 8 月 3 日。链接：也可以直接网页对话体验：大家不妨去体验体验一下，感受下魅力

这两年我一直有个默认假设：模型参数越大，能力越强，什么任务都该交给最大的那个模型去做。但最近我在搭一个需要长流程、反复调用工具的 Agent 任务时，专门试了试把"规划"和"执行"拆开、交给不同模型来做的思路，用的执行端模型是Ant Ling刚发布的 Ling-3.0-flash。这次体验让我对"大模型不是越大越好"这句话有了更具体的理解。我遇到的问题起因是我想搭一个 Blender MCP 的工作流：让 AI 帮我自动完成一个简单场景的粗模搭建和运镜——比如摆几把椅子、设置一个摄像机轨迹，作为后续正式渲染前的预演草稿。一开始我图省事，直接让一个参数量很大的全能模型来处理整个流程：既要它想清楚场景该怎么布局、镜头该怎么运动，又要它高频地调用 Blender 的 MCP 接口去逐步执行动作。结果是，虽然效果还行，但每一步操作等待的时间都不短，跑完一整套流程花的时间和成本都超出了我的预期——毕竟这类任务里，真正需要"深度思考"的部分只占很小一块，绝大多数时间都花在了"调用接口、摆放物体"这类重复动作上。换成"规划-执行分离"之后我把流程拆成了两段：先用一个知识面更广的大模型，把场景的整体构图、镜头运动路径想清楚，写成一份结构化的操作说明；然后把这份说明交给 Ling-3.0-flash，让它作为执行引擎，逐条读取说明并调用 Blender MCP 接口去落地。这一次的差别很明显。Ling-3.0-flash 的总参数量是 124B，但实际推理时只激活 5.1B 参数，加上首字延迟能做到 500 毫秒以内，我能感觉到每一步操作的响应几乎是"秒回"的——不再是那种等大模型"想"完再动手的节奏，而是我一条指令下去，场景里的物体几乎立刻就摆好了。整套流程跑下来，成本也比全用大模型的方案低了不少。我的体会这次尝试让我确认了一件事：如果任务里"想清楚该怎么做"和"把已经想清楚的事情执行出来"这两部分能拆开，那把执行这一段交给 Ling-3.0-flash 这类专门优化过工具调用稳定性和响应速度的模型，确实比一个模型包办到底更划算。但我也发现，这套分工不是无脑套用的——如果场景本身很复杂，需要边搭建边做美学判断（比如构图是否好看、光影是否协调），单靠 Ling-3.0-flash 自己去决定，效果就会打折扣，这部分还是得靠前期规划阶段先想清楚。人负责把边界和验收标准定好，大模型负责规划，Ling-3.0-flash 负责又快又稳地把方案落地——这套组合让我第一次比较直观地感受到"规划-执行分离"这套架构的实际好处。目前Ling-3.0-flash 现已在 OpenRouter 上线——并可免费使用至 2026 年 8 月 3 日。链接：也可以直接网页对话体验：大家不妨去体验体验一下，感受下魅力

韭菜饼子

83,352 views • 1 month ago

我让 Apodex 预测了一件很多人都关心的事：未来 90 天，比特币还能不能创新高？过去很多 AI 做预测，喜欢直接给一个答案： “BTC 会涨到多少。” “某个事件发生概率是多少。” 但真正有价值的问题其实不是结果。而是：它为什么这么判断？依据是什么？如果信息变化，它会不会调整？ -- 最近我用 Apodex 做了一次真实测试。问题是：未来 90 天内，比特币是否会再次突破历史高点？这个问题很适合测试 AI 的推理能力。因为市场没有标准答案。 -- 市场里存在大量冲突信息：有人认为：机构资金正在进入市场，比特币长期趋势仍然向上。也有人认为：距离历史高点还有巨大空间，短时间突破需要极强的资金和宏观环境。 -- 我想看看 Apodex 会如何处理这些信息。它没有直接告诉我： “会上涨。” 或者： “不会上涨。” 而是先拆解影响结果的关键变量。 -- 第一步：分析当前市场位置。 Apodex 发现：未来 90 天如果 BTC 再创新高，需要一次非常快速的上涨。历史上这种情况发生过。但通常需要：流动性明显改善；机构资金持续进入；市场情绪进入极端乐观阶段。目前市场更接近修复阶段，而不是疯狂上涨阶段。 -- 第二步：寻找最关键变量。 Apodex 给出的答案：比特币现货 ETF 资金流向。原因很简单：现在 BTC 市值已经达到万亿美元级别。推动价格进入下一阶段，需要持续的大规模资金。而 ETF 正成为机构配置比特币的重要入口。 -- 所以真正需要关注的问题不是： “BTC 明天涨还是跌？” 而是： ETF 资金是在持续流入？还是重新开始流出？ -- 第三步： Apodex 进行了情景推演。如果： ETF 连续出现大规模净流入；美联储释放更强降息信号；市场风险偏好提升；那么 BTC 再次挑战历史高点的概率会上升。 -- 如果：资金流入无法持续；宏观环境保持谨慎；市场情绪没有明显改善；那么更可能出现：震荡修复，而不是短时间翻倍上涨。 -- 最终 Apodex 给出的判断：未来 90 天内，比特币再次突破历史高点，是低概率事件。更现实的路径：震荡修复，等待新的资金周期。 -- 但真正让我关注的，不是这个结论。而是它给出了：为什么这样判断；哪些变量决定结果；什么情况会推翻当前判断。 -- 这也是 Apodex 和普通 AI 最大的区别。它不是告诉你一个“预测答案”。而是展示：一个复杂问题，如何寻找信息；如何处理冲突；如何建立证据链；如何在不确定环境中做判断。 -- 这也是为什么 Apodex 在 FutureX 实时预测 benchmark 上取得领先表现。它关注的不是“知道未来”。而是在答案还不存在的时候，帮助人类建立更可靠的判断。 -- 如果你也想体验一次这种基于证据链的 AI 推理： Apodex： #Apodex

我让 Apodex 预测了一件很多人都关心的事：未来 90 天，比特币还能不能创新高？过去很多 AI 做预测，喜欢直接给一个答案： “BTC 会涨到多少。” “某个事件发生概率是多少。” 但真正有价值的问题其实不是结果。而是：它为什么这么判断？依据是什么？如果信息变化，它会不会调整？ -- 最近我用 Apodex 做了一次真实测试。问题是：未来 90 天内，比特币是否会再次突破历史高点？这个问题很适合测试 AI 的推理能力。因为市场没有标准答案。 -- 市场里存在大量冲突信息：有人认为：机构资金正在进入市场，比特币长期趋势仍然向上。也有人认为：距离历史高点还有巨大空间，短时间突破需要极强的资金和宏观环境。 -- 我想看看 Apodex 会如何处理这些信息。它没有直接告诉我： “会上涨。” 或者： “不会上涨。” 而是先拆解影响结果的关键变量。 -- 第一步：分析当前市场位置。 Apodex 发现：未来 90 天如果 BTC 再创新高，需要一次非常快速的上涨。历史上这种情况发生过。但通常需要：流动性明显改善；机构资金持续进入；市场情绪进入极端乐观阶段。目前市场更接近修复阶段，而不是疯狂上涨阶段。 -- 第二步：寻找最关键变量。 Apodex 给出的答案：比特币现货 ETF 资金流向。原因很简单：现在 BTC 市值已经达到万亿美元级别。推动价格进入下一阶段，需要持续的大规模资金。而 ETF 正成为机构配置比特币的重要入口。 -- 所以真正需要关注的问题不是： “BTC 明天涨还是跌？” 而是： ETF 资金是在持续流入？还是重新开始流出？ -- 第三步： Apodex 进行了情景推演。如果： ETF 连续出现大规模净流入；美联储释放更强降息信号；市场风险偏好提升；那么 BTC 再次挑战历史高点的概率会上升。 -- 如果：资金流入无法持续；宏观环境保持谨慎；市场情绪没有明显改善；那么更可能出现：震荡修复，而不是短时间翻倍上涨。 -- 最终 Apodex 给出的判断：未来 90 天内，比特币再次突破历史高点，是低概率事件。更现实的路径：震荡修复，等待新的资金周期。 -- 但真正让我关注的，不是这个结论。而是它给出了：为什么这样判断；哪些变量决定结果；什么情况会推翻当前判断。 -- 这也是 Apodex 和普通 AI 最大的区别。它不是告诉你一个“预测答案”。而是展示：一个复杂问题，如何寻找信息；如何处理冲突；如何建立证据链；如何在不确定环境中做判断。 -- 这也是为什么 Apodex 在 FutureX 实时预测 benchmark 上取得领先表现。它关注的不是“知道未来”。而是在答案还不存在的时候，帮助人类建立更可靠的判断。 -- 如果你也想体验一次这种基于证据链的 AI 推理： Apodex： #Apodex

七言

50,574 views • 2 months ago

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

给广大女性朋友们提个醒，现在的新能源很多都带哨兵模式，大家一定要注意自己的行为，避免成为资源（下面就是示例）。感觉前两年大家还讨论 AI模型厉不厉害，准确率多少、测试分数多少。但现在大部分都已经超越了，如果 AI 以后真的要参与市场，那只看这些测试数据其实不够。看到 Inference Labs 的数据，他们做的 TruthTensor 已经跑出了 110 多万个 AI agents。这些 AI 不只是做测试，而是在一个有奖励、有反馈的环境里运行。信息一直在变化，AI 的行为会受到奖励影响，做出决定之后马上就会有结果反馈。这样做的目的其实很直接，就是看看 AI 在真实经济环境里会怎么表现。因为如果以后 AI 真的参与交易、市场分析或者做一些决策，那就不能只看模型测试成绩，还要看它在真实环境里的表现。所以像 TruthTensor 这种系统，本质上就是把 AI 放到真实环境里跑一跑，看它在压力下会怎么做。这样才能更真实地评估 AI 的能力。 #InferenceLabs Inference Labs

Michael 宝塔镇河妖🧙🏿‍♀️

12,963 views • 6 months ago

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。我听完冒出一个想法。少儿 AI 编程也许可以试试。我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。想拿自己的真实任务试一遍，可以直接使用想看它背后的开源 Agent Harness，可以去点个 Star。 Apodex 1.1 mini 的模型权重放在

最近和同事吃饭，她提到小孩学校发了一个小学生编程比赛的通知。她觉得编程太难，直接放弃了。全班也没有一个人参加。她说，这类通知发下去，基本没什么声音。我听完冒出一个想法。少儿 AI 编程也许可以试试。我把这个问题交给 Apodex，让它研究家长需求、竞品、成本和教育效果。任务跑起来后，我又补了几次条件。我是一个从零开始的 Vibe Coder，预算只有 3000 元，每周最多投入 20 小时，也没有教师和家长资源。我还补充了家长可能的担心孩子用了 AI 以后，只会复制答案，不再自己思考。 Apodex 这次让我感到与传统 Deep Research明显的差别，是它把调研拆成任务板上的具体分工。几个 sub-agent 分头查需求、竞品、成本和研究证据，条件变化以后，任务板继续更新，交付前还有一个 final_verifier 复核报告。整个过程像在跟一个小型研究团队协作，报告是最后的交付。最终报告给出的判断很直接。以我的预算和时间，直接做 App 的失败模式太多，先做一个小型 MVP 课程，再用 30 天验证家长是否愿意付费，更现实。更值得一提的是，它还给出了家长访谈、最小测试方案和停止条件。招不到付费家庭、孩子留存太差，或者合规走不通，就停下来。这份调研它帮我把一个模糊想法变成了一次可以开始，也可以及时停掉的小测试。以前有个新想法，我很容易直接打开AI coding，先把页面做出来。页面能跑，需求有没有人买单却还不知道。这次我换了一下顺序。先搞清楚值不值得做，再开始 Vibe Coding。这也是我对 Apodex 所说的“把任务做完”最直观的一次理解。想拿自己的真实任务试一遍，可以直接使用想看它背后的开源 Agent Harness，可以去点个 Star。 Apodex 1.1 mini 的模型权重放在

苏打白.Dev

27,541 views • 21 days ago

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

🚨 终于有人把“金融数据 + AI Agent”这件事打通了 OpenBB 目前 GitHub 上已有近 7 万 star，是一个开源的金融数据与研究平台，被很多人称为「开源版 Bloomberg Terminal」以前做金融研究，最烦的不是不会分析，而是数据太散：一个终端看行情，一个表格存模型，一个网站翻 SEC 文件，一个工具跑图表，最后还要复制给 AI 总结。现在它把过去只有机构才能轻松获取的专业数据，整合成了人人可用的工具，核心亮点： > 覆盖股票、期权、加密货币、外汇、宏观经济、固定收益等多个市场 > 包含财务数据、高管信息、股东结构、地区分布等细粒度信息 > 支持 AI 集成，一条指令就能让 AI 调取数据并生成深度研报 > 数据可自部署，保护隐私和数据安全只输入一条指令，AI 就能调取数据、生成深度研报，全球金融数据接口真的被打通了做股票研究、量化分析、基金投研、AI 金融 Agent 的，强烈建议保存看看

爱吃折耳根的Ace

18,508 views • 2 months ago

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。不是它们不厉害，恰恰相反——都太厉害了。模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。不是“哇好强”，而是突然冒出一个不太技术的问题：如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？不是那种我问你、你马上答的关系，而是你会不会哪天顺手再点开它。有些 AI 真的很聪明，但你心里清楚，它就是工具。用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。它更像是在琢磨一件事：人为什么会愿意和一个存在长期相处？这时候我才开始注意到他们说的那套 Mind / Body / Soul。不是因为名字，而是方向。 Mind 这一层，其实挺像人。不是一直保持同一种状态。有时候你需要逻辑，有时候只是想被理解，有时候甚至不需要答案，只要有人把话接住。再加上它会记得你。不是那种冷冰冰的“你在某年某月问过什么”，而是你们之间发生过的那些事。一旦记忆变成关系的一部分，整个体验就不一样了。 Body 这点我以前真没太当回事。但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。有形象、有存在的位置，在你已经习惯的设备和场景里出现。不是为了炫，而是为了让你不抗拒。在你信任之前，你首先得觉得它“正常”、不吓人。至于 Soul，其实是我最看重的。现在的 AI 都很会，但很少有那种让人想一直留着的。 Kindred 没那么急。不催你、不拉你、不用力制造黏性。你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西，给我的感觉更像是一起走一段，而不是被系统牵着跑。所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI，但底层其实是在讲人。我们怎么建立信任，怎么产生依附，怎么愿意长期和一个存在共处。 AI 只是载体。被认真对待的，其实是人的感受。如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。不是因为它最强，而是它没有急着证明自己。

泪奔了！好感人，不争气的眼泪，它从口里流出来了 ⸻ 最近刷 AI 项目的时候，说实话有点疲了。不是它们不厉害，恰恰相反——都太厉害了。模型、参数、速度，一个比一个漂亮，但看多了情绪上真的没什么起伏。 Kindred Labs 是少数让我停下来想了一下的。不是“哇好强”，而是突然冒出一个不太技术的问题：如果 AI 真的要长期出现在生活里，它该怎么待着，才不让人别扭？不是那种我问你、你马上答的关系，而是你会不会哪天顺手再点开它。有些 AI 真的很聪明，但你心里清楚，它就是工具。用完、关掉，不会再想。 Kindred 给我的感觉不太像在争“最会答题”。它更像是在琢磨一件事：人为什么会愿意和一个存在长期相处？这时候我才开始注意到他们说的那套 Mind / Body / Soul。不是因为名字，而是方向。 Mind 这一层，其实挺像人。不是一直保持同一种状态。有时候你需要逻辑，有时候只是想被理解，有时候甚至不需要答案，只要有人把话接住。再加上它会记得你。不是那种冷冰冰的“你在某年某月问过什么”，而是你们之间发生过的那些事。一旦记忆变成关系的一部分，整个体验就不一样了。 Body 这点我以前真没太当回事。但后来发现，人很难和一个完全无形的东西建立稳定关系。 Kindred 至少正视了这一点。有形象、有存在的位置，在你已经习惯的设备和场景里出现。不是为了炫，而是为了让你不抗拒。在你信任之前，你首先得觉得它“正常”、不吓人。至于 Soul，其实是我最看重的。现在的 AI 都很会，但很少有那种让人想一直留着的。 Kindred 没那么急。不催你、不拉你、不用力制造黏性。你来，它在；你走，也不打扰。 Dark Matter、任务、社区这些东西，给我的感觉更像是一起走一段，而不是被系统牵着跑。所以后来我发现，这套 Mind / Body / Soul 看起来是在讲 AI，但底层其实是在讲人。我们怎么建立信任，怎么产生依附，怎么愿意长期和一个存在共处。 AI 只是载体。被认真对待的，其实是人的感受。如果说 2026 年还有哪个 AI 会一直留在我视野里， Kindred 大概会算一个。不是因为它最强，而是它没有急着证明自己。

董小姐｜预测世界杯就在Gate

43,660 views • 8 months ago

以前一直觉得 AI Coding 拼的是模型聪不聪明，现在反而越来越觉得，真正影响开发体验的是一个成本可控、速度快、指令遵循稳定的执行节点。所以体验 Ling-3.0-flash 时，我特意按照官方推荐的 AI Pair Programming（AI 结对编程）来试了一次。我选的是一个相对经典的案例网页端 Pixel Art（像素画）编辑器。整个过程，我没有让它直接生成完整项目，而是先自己把边界定义好： ·TypeScript + Vite ·单页应用 ·支持镜像绘制 ·Undo / Redo ·PNG 导入导出 ·Tile Preview（平铺预览）剩下的交给 Ling-3.0-flash。第一步：先搭框架，而不是直接写功能它没有像很多模型一样把所有代码塞进一个文件，而是很自然地拆成了 Canvas、History、Mirror、Toolbar 等模块。这一点让我挺意外，因为后面不断增加功能时，每次修改几乎都能定位到对应模块，而不是整份代码重写。这也是 Pair Programming 和 One-shot 最大的区别，人负责决定怎么做，AI负责把它实现出来。第二步：一边开发，一边改需求框架出来之后，我开始不断改需求。第一次，我让它增加镜像绘制，没多久功能就完成了。随后我又继续提出新的要求镜像模式支持四向对称、左右堆成、上下对称，它没有推翻之前的逻辑，而是在已有代码基础上继续扩展。接着我又增加了 Undo / Redo、随机画图，然后再加入 PNG 导入、导出，最后补上 Tile Preview。整个过程中，我几乎一直是在想到什么，就让它继续做什么，最明显的感受就是，不需要重新解释整个项目，模型一直能够记住当前开发到哪一步，并继续往下推进。第三步：真正进入 AI Pair Programming 真正让我觉得舒服的是修改 Bug，开发过程中，我故意保留了一些 TypeScript 报错，没有直接告诉它帮我修一下。而是按照官方建议，把编译器的 Error Log 连同当前情况、预期情况一起发给它。例如： Current： History 初始化失败。 Expected： Undo Stack 应该创建默认状态。它几乎不会盲猜原因，而是直接定位到对应模块修改，修完以后重新编译，继续报错，继续修改。整个过程就是：写代码 → 编译 → 报错 → 修复 → 再编译，而不是重新生成整个项目。这种反馈闭环，比不停复制 Prompt 效率高得多。第四步：最后完成整个编辑器最后跑起来以后，整个编辑器已经具备了： ✅ 镜像绘制 ✅ Undo / Redo ✅ PNG 导入导出 ✅ Tile Preview 以及比较完整的画布交互。真正让我印象深刻的不是它一次生成了多少代码，而是整个开发过程几乎没有停顿。我负责规划功能、决定边界、提出修改意见。Ling-3.0-flash 负责快速实现、根据 TypeScript 的强类型报错持续修正。我觉得这也是 Ling-3.0-flash 最适合的位置。它不是拿来替代架构师的大模型，而是 Agent 工作流里的执行节点。复杂规划交给更大的模型，人负责把控方向；Ling-3.0-flash 则持续编码、调试、修复、迭代。

以前一直觉得 AI Coding 拼的是模型聪不聪明，现在反而越来越觉得，真正影响开发体验的是一个成本可控、速度快、指令遵循稳定的执行节点。所以体验 Ling-3.0-flash 时，我特意按照官方推荐的 AI Pair Programming（AI 结对编程）来试了一次。我选的是一个相对经典的案例网页端 Pixel Art（像素画）编辑器。整个过程，我没有让它直接生成完整项目，而是先自己把边界定义好： ·TypeScript + Vite ·单页应用 ·支持镜像绘制 ·Undo / Redo ·PNG 导入导出 ·Tile Preview（平铺预览）剩下的交给 Ling-3.0-flash。第一步：先搭框架，而不是直接写功能它没有像很多模型一样把所有代码塞进一个文件，而是很自然地拆成了 Canvas、History、Mirror、Toolbar 等模块。这一点让我挺意外，因为后面不断增加功能时，每次修改几乎都能定位到对应模块，而不是整份代码重写。这也是 Pair Programming 和 One-shot 最大的区别，人负责决定怎么做，AI负责把它实现出来。第二步：一边开发，一边改需求框架出来之后，我开始不断改需求。第一次，我让它增加镜像绘制，没多久功能就完成了。随后我又继续提出新的要求镜像模式支持四向对称、左右堆成、上下对称，它没有推翻之前的逻辑，而是在已有代码基础上继续扩展。接着我又增加了 Undo / Redo、随机画图，然后再加入 PNG 导入、导出，最后补上 Tile Preview。整个过程中，我几乎一直是在想到什么，就让它继续做什么，最明显的感受就是，不需要重新解释整个项目，模型一直能够记住当前开发到哪一步，并继续往下推进。第三步：真正进入 AI Pair Programming 真正让我觉得舒服的是修改 Bug，开发过程中，我故意保留了一些 TypeScript 报错，没有直接告诉它帮我修一下。而是按照官方建议，把编译器的 Error Log 连同当前情况、预期情况一起发给它。例如： Current： History 初始化失败。 Expected： Undo Stack 应该创建默认状态。它几乎不会盲猜原因，而是直接定位到对应模块修改，修完以后重新编译，继续报错，继续修改。整个过程就是：写代码 → 编译 → 报错 → 修复 → 再编译，而不是重新生成整个项目。这种反馈闭环，比不停复制 Prompt 效率高得多。第四步：最后完成整个编辑器最后跑起来以后，整个编辑器已经具备了： ✅ 镜像绘制 ✅ Undo / Redo ✅ PNG 导入导出 ✅ Tile Preview 以及比较完整的画布交互。真正让我印象深刻的不是它一次生成了多少代码，而是整个开发过程几乎没有停顿。我负责规划功能、决定边界、提出修改意见。Ling-3.0-flash 负责快速实现、根据 TypeScript 的强类型报错持续修正。我觉得这也是 Ling-3.0-flash 最适合的位置。它不是拿来替代架构师的大模型，而是 Agent 工作流里的执行节点。复杂规划交给更大的模型，人负责把控方向；Ling-3.0-flash 则持续编码、调试、修复、迭代。

JIM'S FRIENDS🔶 买美股上币安

137,302 views • 1 month ago

最近 Miden 公布奖励后明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。它更像是在给 AI 世界搭一套司法系统。现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。这不是一个技术问题，这是一个制度问题。现实世界里，任何能影响结果的系统，都一定有一套否认机制。金融有仲裁，法律有上诉，市场有清算。但 AI 世界没有。今天的 AI 输出，一旦被系统采用，就会一路向下执行。自动清算、自动交易、自动风控、自动推荐。问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。你可以把它理解成 AI 世界里的证据链，而不是算力层。这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。它的核心用户，其实不是开发者。开发者只是接入工具的人。真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。如果一次判断失误，损失是真实发生的。但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。这就是 Inference Labs 的用武之地。它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。就像现实世界里的法院。没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。他们可能根本不知道自己在用这个协议。他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。这也是为什么我认为 Inference Labs 很容易被低估。它不制造爽点，只负责兜底。而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。中间一定需要一层，负责裁定、回溯、否认和问责。从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。而制度型基础设施，往往前期安静，后期不可替代。这类项目，从来不是用来追热度的。它们是用来活得最久的。 #KAITO #Inference

最近 Miden 公布奖励后明显大家怠慢了 Inference Labs ,没有前几天那么卷了，那我就开始冲啦。很多人把 Inference Labs 当成一个 AI 基础设施，但我越看越觉得，它真正做的不是算力、不是模型、甚至不是验证本身。它更像是在给 AI 世界搭一套司法系统。现在大部分 AI 项目，都在解决一件事，怎么让模型更强、更快、更便宜。但几乎没人认真回答另一个问题，如果 AI 的判断是错的，甚至是被操纵的，谁来否认它。这不是一个技术问题，这是一个制度问题。现实世界里，任何能影响结果的系统，都一定有一套否认机制。金融有仲裁，法律有上诉，市场有清算。但 AI 世界没有。今天的 AI 输出，一旦被系统采用，就会一路向下执行。自动清算、自动交易、自动风控、自动推荐。问题不在于 AI 会不会犯错，而在于犯错之后，系统本身有没有能力说不。 Inference Labs 的位置，就在这里。它不是在帮 AI 生成结果，而是在为结果提供一种可被挑战、可被回溯、可被否认的路径。你可以把它理解成 AI 世界里的证据链，而不是算力层。这一点很关键，因为它决定了 Inference Labs 真正的用户是谁。它的核心用户，其实不是开发者。开发者只是接入工具的人。真正依赖它的，是那些已经被 AI 深度接管，却无法承担失误成本的系统。比如 DeFi 协议。 AI 在里面做策略、做风控、做参数调节。如果一次判断失误，损失是真实发生的。但现在的系统里，几乎没有办法证明，这个结果到底是不是“按规则运行”得出来的。 DAO 也是一样。越来越多的治理建议、预算分配、风险评估，开始交给 AI 辅助甚至直接决策。但一旦结果被质疑，DAO 没有证据链可以审计，只能靠信任模型本身。这就是 Inference Labs 的用武之地。它并不是让 AI 更聪明，而是让系统在出现争议时，有一套可以站得住脚的说法。这和 zk、算力、模型大小都没那么直接关系，而更接近制度建设。如果你从这个角度看，就会发现 Inference Labs 的节奏和大多数 AI 项目完全不同。它不追求用户爆发，不追求调用量暴涨，也不太在意短期热度。因为这种系统，只有在规模足够大、风险足够真实的时候，才会被真正需要。就像现实世界里的法院。没人会天天夸法院多高效，但一旦没有它，秩序会立刻崩。 Inference Labs 服务的，其实是一群被动用户。他们可能根本不知道自己在用这个协议。他们只知道，自己的系统需要一个能够在关键时刻说清楚发生了什么的底层。这也是为什么我认为 Inference Labs 很容易被低估。它不制造爽点，只负责兜底。而兜底型协议，在牛市里永远不性感，但在出事的时候，永远第一个被翻出来。如果未来 AI 真正开始成为经济系统的一部分，那一定不是只有生成层和执行层。中间一定需要一层，负责裁定、回溯、否认和问责。从这个角度看，Inference Labs 更像是 AI 世界的制度组件，而不是工具组件。而制度型基础设施，往往前期安静，后期不可替代。这类项目，从来不是用来追热度的。它们是用来活得最久的。 #KAITO #Inference

紫川 | ∞KIN |

12,423 views • 8 months ago

英伟达交出的这份 962 亿美元季度收入的财报，数字大到很容易让人失去感觉！我看完把这台 AI 基建印钞机拆开看，哪部分已经是落在报表里的真金白银，哪部分是市场已经提前押注的未来于是我把 NVIDIA FY2027 Q2 的两份官方文件交给 Ling-3.0-flash-Fin，设了个简单但特别狠的规则： - 只根据 PDF 说话； - 每个判断都标出依据； - 推不出来的地方，直接写“推不出来” 它给我的答案很清楚，具体过程看我下面这个视频！先看已经落地的部分： - 季度收入 962.21 亿美元，同比 +106% - 数据中心收入 890.23 亿美元，同比 +117% - GAAP 净利润 596.88 亿美元 - 前六个月经营现金流 744.21 亿美元这是一台正在全速运转的机器：收入、利润、现金流，三项都摆在台面上！更有意思的是另一份清单！ - AI 云合作里有 360 亿美元承诺； - SB Energy 的担保上限达到 1050 亿美元； - 还有一个计划撬动超过 5000 亿美元第三方资本的平台安排这些数字足够让任何人热血沸腾！但放回财报原文，它们有各自的位置：未来承诺、担保、拟议安排。它们描绘了 AI 基建会往哪里冲，也不该被直接塞进这一季的收入里我很喜欢 Ling 这次给出的处理方式，它把“已确认”、“正在推进”、“现有材料无法判断”摆在同一页看财报最容易发生的事，就是看到一个巨大的数字，立刻替它配上一个巨大的故事但真正有用的工具，应该帮你先把数字放回原文，再决定故事该讲到哪里完整实测视频放在下面。两份 PDF、关闭联网、所有提问和输出都在视频里 Ling-3.0-flash-Fin已经在OpenRouter限时免费快去体验看看👇 *本次测试仅基于两份 NVIDIA 官方文件，不构成投资建议

英伟达交出的这份 962 亿美元季度收入的财报，数字大到很容易让人失去感觉！我看完把这台 AI 基建印钞机拆开看，哪部分已经是落在报表里的真金白银，哪部分是市场已经提前押注的未来于是我把 NVIDIA FY2027 Q2 的两份官方文件交给 Ling-3.0-flash-Fin，设了个简单但特别狠的规则： - 只根据 PDF 说话； - 每个判断都标出依据； - 推不出来的地方，直接写“推不出来” 它给我的答案很清楚，具体过程看我下面这个视频！先看已经落地的部分： - 季度收入 962.21 亿美元，同比 +106% - 数据中心收入 890.23 亿美元，同比 +117% - GAAP 净利润 596.88 亿美元 - 前六个月经营现金流 744.21 亿美元这是一台正在全速运转的机器：收入、利润、现金流，三项都摆在台面上！更有意思的是另一份清单！ - AI 云合作里有 360 亿美元承诺； - SB Energy 的担保上限达到 1050 亿美元； - 还有一个计划撬动超过 5000 亿美元第三方资本的平台安排这些数字足够让任何人热血沸腾！但放回财报原文，它们有各自的位置：未来承诺、担保、拟议安排。它们描绘了 AI 基建会往哪里冲，也不该被直接塞进这一季的收入里我很喜欢 Ling 这次给出的处理方式，它把“已确认”、“正在推进”、“现有材料无法判断”摆在同一页看财报最容易发生的事，就是看到一个巨大的数字，立刻替它配上一个巨大的故事但真正有用的工具，应该帮你先把数字放回原文，再决定故事该讲到哪里完整实测视频放在下面。两份 PDF、关闭联网、所有提问和输出都在视频里 Ling-3.0-flash-Fin已经在OpenRouter限时免费快去体验看看👇 *本次测试仅基于两份 NVIDIA 官方文件，不构成投资建议

麻酱AI实验室

50,965 views • 2 days ago