汪汪简报

全部新闻

1. 

   机构与应用 · The Block

   Coinbase向美国客户开放IPO配售，从Oura开始

   Coinbase把IPO配售开给美国散户，绕开传统券商但额度有限

   Coinbase 把 Oura 的 IPO 配售入口开给美国客户后，想打新的散户要把决定从上市后买，改成是否先接受平台的资格筛选；而筛谁、给多少由 Coinbase 定，额度越紧，排队的人越先承担信息不全的代价。

   展开全文收起

   依据

   The Block 的标题说，Coinbase 把 IPO（首次公开发行）配售开给美国客户，第一家是 Oura；摘要说这一步接在它上线上市前公司衍生品之后，把业务从二级市场推到一级市场。机制上，IPO 配售就是上市前新股分给谁：过去多由承销商给机构和资金量大的客户，散户通常只能等上市后去二级市场买。Coinbase 现在把美国客户直接放进配售环节，等于把“能否拿到新股”变成平台权限，它自己决定资格和分配，Oura 与承销商决定总量和定价。取舍在这里：Coinbase 用配售权换客户黏性和一级市场份额，但代价是它要承担筛选争议和合规解释；散户得到入口，却要在不知道中签率、额度和时间表时先排队。材料没有披露任何额度或监管口径，所以能确认的只是动作方向，不是散户一定能拿到份额。

   没写清 材料没写资格门槛、单人额度、监管口径和时间表，所以无法替它补上散户实际中签概率与 Coinbase 配售成本。

   下一步 看 Coinbase 是否公布 Oura 这一单的合格客户条件与配额上限。

   原文 →

   剪报
2. 

   机构与应用 · The Block

   Tom Lee表示‘加密货币牛市正在进行中’，Bitmine以27,562枚ETH的购买接近5%以太坊供应目标

   Bitmine逼近5%供应目标，持仓集中度风险比牛市口号更值得琢磨。

   这改变的是 Bitmine 管理层的下一步：继续买到 5% 会把更多以太坊流通盘锁进单一资产负债表，波动时退出流动性风险由它和后续买卖盘承担；停在 4.9% 以上则要解释为何不达自设目标。

   展开全文收起

   依据

   Tom Lee 说“加密牛市正在进行中”，同一句材料写 Bitmine 用 27,562 枚以太坊的买入逼近 5% 供应目标；摘要补了两个数：累计投入 17.1 billion 美元（billion 即十亿），持有超过 4.9% 的以太坊流通供应。机制是 Bitmine 把以太坊买成公司持仓，这笔买入让占比更靠近它自己设的 5% 目标；这不是以太坊协议出了新规则，也不是网络层多了权利。代价在 Bitmine 管理层：继续买，更多流通盘被锁进单一资产负债表，市场深度不足时退出压力先落到它自己和后续买卖盘；若停在 4.9% 以上，它又要向持有人解释为何不达自设目标。材料没给买入均价、资金来源、成本，也没说达标后会怎样，所以 Tom Lee 的牛市判断目前是一方说法，不能当成可验证模型。

   • 本次买入27,562 枚
   • 累计投入17.1 billion 美元
   • 持有流通供应超过 4.9%
   • 公司供应目标5%

   没写清 材料没给买入均价、资金来源、成本，也没说 5% 目标达到后 Bitmine 会继续持有、减持还是披露新规则；旧占比也未给。

   下一步 等 Bitmine 下一份持仓或买入披露，核对以太坊占比是否升破 5%，以及是否说明资金来源。

   原文 →

   剪报

3. 精选深读 · Simon Willison

   Jev 推出一种新的 LLM 形态 - System One，又名 Decision Models

   只提决策模型形态却无评测数据，选型得先验证落地场景

   做风控、垃圾过滤或检索重排的团队，可以先把 Jev 放进影子评测，但别让它单独拍板；它省掉输出计费，代价是把可解释性也省掉了，出错时没有理由可查。

   展开全文收起

   依据

   Simon Willison 引述 TypeSafe AI 的 Jev：它把文本输入映射成带置信度的浮点决策输出，而不是文本。TypeSafe 称其为“frontier-intelligence function call”（前沿智能函数调用），即“非结构化状态进，带类型的概率决策出”。机制上，Jev 只按输入 token（文本计量单位）收费、输出免费，首模型输入价 $0.042/百万 tokens，低于 OpenAI GPT-5 Nano 的 $0.05/百万；同一文档可并行多问。但其 1.13 jaggedness 文档承认对数字、日期和对抗内容不强。Willison 还指出它更黑箱：只回浮点数，若判垃圾邮件也无法知道哪个信号触发，用于招聘排序会掩盖偏差。取舍是：高吞吐、低单次错误代价的分类可先做影子评测；需要申诉、审计或解释的决策不应让它单独拍板。

   • Jev 输入价$0.042/百万 tokens
   • GPT-5 Nano$0.05/百万 tokens

   没写清 材料只给了价格、样例用法和黑箱警告，没给 Jev 在垃圾过滤、检索重排等任务上的准确率、校准或偏差审计结果。

   下一步 下一步可核对 JevBench 是否公布 Jev 与 Kev 0.8B/4B/9B 的按任务准确率和校准数据。

   原文 →

   剪报

4. 精选深读 · AWS Machine Learning Blog

   xAI 的 Grok 4.6 现已在 Amazon Bedrock 中可用

   做长时代理才划算，Grok 4.6 有500K窗口和四档推理

   在 AWS 上构建代理的团队，现在要把 Grok 4.6 纳入 Amazon Bedrock 的模型选型，而不是默认走 xAI 独立接入；跟现用模型比，是否切换取决于它在既有代理评测里的表现，失败点会落在任务成功率或延迟不达标上。

   展开全文收起

   依据

   AWS Machine Learning Blog 说，xAI 的 Grok 4.6 已在 Amazon Bedrock 上可用。Amazon Bedrock 在原文里是构建生成式 AI 应用与代理的端到端平台；机制上，AWS 用户可在同一托管平台内选用 xAI 模型，不必为调用 Grok 单独维护 xAI 接入。原文材料只确认模型上架，没有给出窗口大小、推理档位、定价、区域或限流等可对照数字，因此不能替它补上这些规格比较。

   没写清 原文材料没有说 Grok 4.6 在 Bedrock 上的区域覆盖、定价、限流，以及与 xAI 直连的延迟差异。

   下一步 下一步可核对 Amazon Bedrock 模型目录里 Grok 4.6 是否列出具体 region 和定价页。

   原文 →

   剪报

5. 精选深读 · Hugging Face

   像物理学家一样裁剪 LLM：将块移除视为 Ising 优化问题

   把LLM块移除转成Ising优化，是剪枝新视角，但落地成本待验证

   如果团队要在 Llama-3.3-70B-Instruct 上做 50% 深度剪枝，应把选块决策从逐块打分改成先一次性算 Hessian 耦合、再交给约束二元优化求解器；多付标定与求解器工程成本，换 MMLU 相对最佳竞品块移除方法近 23 个百分点。

   展开全文收起

   依据

   Multiverse Computing 的 Antonio Tiene、Ali Hashemi、David Jansen、Roman Rausch 在 Hugging Face 论文页提出，把删除哪些 transformer 块从排序问题改成约束二元优化（CBO, constrained binary optimization）。他们给每块一个 0/1 变量，0 保留、1 删除；对损失做二阶泰勒展开得到近似 Hessian（海森矩阵），对角项是单块重要性，非对角项是块间耦合。最小化 xᵀH⁰x 且恰好删 M 个块，等价于在伊辛玻璃（Ising glass，全连接耦合、自旋数守恒的自旋系统）里找低能态。低能态被当作下游质量的代理，因此可跳过逐候选跑基准。Hessian 只用小标定集的前向/反向传播算一次，之后每个候选只需一次能量计算；作者报告 Llama-3.3-70B-Instruct 在 50% 压缩下，MMLU（多任务语言理解基准）比最佳竞品块移除方法高近 23 个百分点。取舍在于：精确求解可行时用精确，不可行时依赖量子或量子启发式求解器，前期工程与求解时间不是零。

   • Llama-3.3-70B-Instruct 压缩率50%
   • MMLU 相对最佳竞品块移除近 23 个百分点

   没写清 材料没给标定集规模、求解器实际耗时，也没给除 MMLU 外的任务、推理延迟和内存实测，所以不能替它补上部署总成本。

   下一步 核对论文的标定集规模与求解器运行时间，并在同一 Llama-3.3-70B-Instruct 配置下复现 50% 压缩的 MMLU 增益。

   原文 →

   剪报