x.qntx.eth @gitctrlx

Announcing the hosted X MCP. Agents now have access to the best real-time information source in the world. Connect Grok, Cursor, or any MCP-compatible AI tool to the X API without any setup! Check it out here: docs.x.com/tools/mcp

大厂绕过大学招高中生！ 学历时代落幕 AI能力时代开启！

Sadece patates kızartmalarını büktüler ve herkes anında kimin tasvir edildiğini anladı. KESİNLİKLE TARİHİN EN BÜYÜĞÜ.

Una nube bajó demasiado. No pude evitarlo, así que lo guardé en una bolsa. Dentro siguió lloviendo.

Excited to share cuTile Rust: bringing Rust's fearless concurrency to GPU kernel programming. Our paper "Fearless Concurrency on the GPU" is now on arXiv. For me the best part is how fast you can iterate: high-performance CUDA kernels developed directly in Rust. Huge thanks to my co-authors Melih Elibol, Jared Roesch, Isaac Gelado, and Michael Garland on this project.

AI 存储爆火，Filecoin 能不能出来捡垃圾？— 什么是热引导，冷存储？？ 前言：Filecoin 已经有年头没有找过合作了，胡安更是不露面了，写 Filecoin 的主题完全是因为我有一个 Filecoin 超级大户的邻居侃哥 @tktang88 以及很多 Filecoin 的大矿工朋友们总和分享 Filecoin 的知识和未来预期，尤其是这次侃哥说的一个点我非常感兴趣。 所以就有了这篇推文，这并不是一篇商业广告，也并是不鼓励大家去买 $FIL ，而是从一个新的维度去看待去中心化存储。 正文 前天因为美光的财报预期让整个市场都陷入了阴影，而昨天又因为美光的财报好与预期带动了市场短期大幅上涨，甚至美光的市值一度超过了 Meta 和 Tesla ，而原因就是 AI 时代的存储需求可能超过了很多小伙伴的想象。 因为 AI 的训练和推理需要高速读写，向量数据库、KV 缓存卸载、模型参数、推理中间状态都需要更强的内存和存储能力。这个逻辑是硬件层面的，确定性更强，收入也更直接。 但 AI 存储需求并不会只停留在高速内存和 SSD 上，随着模型训练、推理、Agent 和用户生成内容越来越多，后面一定会出现另一类更麻烦的数据，也就是大量短期没有价值、访问频率极低、未来可能永远不会再用，但企业又不敢轻易删除的数据。 这就是今天要讨论的重点，垃圾数据的存储！ AI 时代的数据会天然分层。最前面是热数据，训练和推理正在用，需要高速访问，这部分主导的是 HBM、DRAM、NVMe SSD 和高速网络。 中间是温数据，近期可能复用，比如模型 checkpoint、训练分片、向量索引、实验日志、评测数据、还在迭代的数据集。 最后是冷数据，也就是已经完成训练、短期不会调用，但未来可能因为重训、回滚、版权、监管、审计、安全事故、模型复现而重新需要的数据。 尤其是冷数据和美光现在主导的部分需求不在一个位置。美光主导的是高速存储，训练和推理正在使用的数据。这部分的数据含金量最高，也是价值最高，最贵的，所以用来存储的硬件就供不应求了。 但冷数据呢，所谓的冷数据就是使用频率非常低，比如模型训练用过的原始数据、清洗后的数据、去重记录、标注记录、用户早期生成的图片和视频等几乎被视为是垃圾的数据，这些东西大部分平时都不会再打开，甚至可能几年都不会读取一次，但直接删除又是不行的。 因为未来可能要重新训练，可能要回滚模型，可能要解释某一次输出，可能要处理版权纠纷，可能要面对监管审计，也可能只是因为新模型出现以后，过去看起来没用的数据突然又有用了。 所以 AI 时代最麻烦的地方在于，数据会越来越多，删除数据的风险也会越来越高。 很多 AI 业务早期的数据管理会比较粗放，热数据、温数据和冷数据没有被地拆开，尤其是大量低频访问的数据如果继续占用高成本存储，长期看肯定不划算。大大提升了存储成本，还是用高速云存储更是划不来的，那是不是可以将这些冷数据都扔到一个硬盘“冷库”里？ 答案是否定的。 如果这些 AI 数据只是被丢进一个冷库，没有索引、没有标签、没有来源、没有模型版本映射、没有清洗流程记录，那这批数据即便还在，也和丢了差不多。 需要的应该是元数据保持热，数据本体保持冷。数据本体可以放在冷存储里，但数据的目录、来源、哈希、CID、许可证、创建时间、清洗方式、对应模型、使用记录、隐私标签、保留期限、恢复测试结果，则需要放在可搜索、可读取、可审计的热索引层。 这就是 Filecoin 以及去中心化存储可以被重新讨论的原因。尤其是已经有网络存储能力的去中心化存储基础设施。 Filecoin 有大量网络存储容量，虽然硬盘多本身没有太大意义，但在区块链上的这些硬盘已经具备了可验证冷存储的雏形。尤其是 Filecoin 相对传统云存储比较特别的地方是内容寻址、多提供商存储和链上证明。 说人话就是客户不用只相信某一家云厂商说“数据已经保存好了”，而是可以持续验证这份数据还在，内容没有被改，未来还能通过同一个内容标识找回来。 这个能力对 AI 冷数据是有意义的。 从这个角度看，去中心化存储真正的机会可能就是 AI 冷数据管理层。负责把数据从训练集群、云对象存储、企业本地服务器迁移出来，先做去重、压缩、隐私扫描、版权标记、加密、分片，再把大文件丢进冷存储，同时保留热索引。 以后模型要重训，系统可以按来源、时间、标签、模型版本把数据找回来，没有这种能力，Filecoin 也只不过是一个仓库，而有了这种能力，去中心化存储才可能变成 AI 数据基础设施的一部分。 不同去中心化存储项目也要分开看。Filecoin 更适合讨论可验证冷数据仓，因为核心是存储市场和数据证明，适合大文件、低频访问、版本固定的数据集快照、模型 checkpoint、科研数据、公开训练语料和经过隐私处理的审计日志。 Arweave 更适合永久公开数据、模型说明、数据来源记录、不可篡改的公开档案，但涉及隐私和删除权的数据很难直接放进去，因为永久保存本身会带来合规问题。 Storj 和 Sia 更接近去中心化对象存储，使用体验和价格如果足够好，可以争取一部分备份和归档需求，但也要证明可用性、恢复速度、企业服务和长期经济模型。 当然最重要的是，足够便宜。 AWS Glacier Deep Archive、Google Archive、Azure Archive、企业磁带库、本地对象存储、硬盘厂商和云厂商都会争夺 AI 冷数据。 尤其是极低访问频率的数据，磁带和深度归档依然很有竞争力。去中心化存储想赢，首要就是便宜，但除了便宜仍然需要满足可验证、多提供商、供应商中立、内容寻址这些能力。便宜只是敲门砖。 随着 AI 的继续发展，冷数据或垃圾数据会越来越多，而且这部分数据很可能会成为未来 AI 公司最头疼的成本之一。 这也是为什么我觉得便宜的，现在已经存在的去中心化存储可以重新被讨论的原因。 过去 Filecoin 这类项目最大的问题是供给（矿机）有了，需求没有完全没有。网络上有大量硬盘，有大量存储提供商，有去中心化的叙事，但真实客户和真实付费却一塌糊涂。 现在 AI 冷数据如果真的变成一个大市场，去中心存储能实现“热索引冷存储”且比传统存储更便宜的话，这些已经存在的硬盘就有机会被真实的应用。 当然从目前的投资角度来看，并不能因为美光涨了，就直接认为 Filecoin 也应该跟着涨。两者商业逻辑完全不同。 美光卖的是硬件，Filecoin 则要看的是付费存储量、真实客户数量、续费率、检索成功率、恢复成本、存储提供商利润，以及这些业务增长最后能不能传导到 $FIL 的需求、抵押、手续费或者销毁上。 现在去中心化存储需要走的路还很长，尤其是“热索引、冷存储”这套系统能不能跑出来，才是 Filecoin 们真正应该补课的地方。 AI 冷数据的需求大概率会出现，但这部分需求最后会流向哪里，还要看谁能做到足够便宜、足够稳定、足够容易检索、足够容易审计。 如果 Filecoin 只能证明自己有很多硬盘，那意义不大。 如果 Filecoin 可以证明这些硬盘能承接真实付费数据，并且几年后还能稳定找回、完整恢复、持续续费，那 AI 时代这些看起来没人要的垃圾数据，确实可能给去中心化存储带来第二次机会。 结束

Phyrex @PhyrexNi

4 months ago

偶然看到这条信息，突然让我很有兴趣的不是带亲戚炒币，而是之前别誉为“天王级”项目的 Filcoin 为什么会走到今天这一步，如果你说 $DOT 也就算了，毕竟跨链赛道已经暂时玩不出什么花了，你说 $ICP 也就算了，毕竟故事都讲不圆了。 但 $FIL

53 4 68 121K 18

x.com/i/article/2068…

未来最稀缺的人类能力，或许不是知识本身，而是对知识的反思；不是答案，而是提出问题的能力。 哲学，就是关于思考的思考。 思想是珍贵的，因为它创造文明； 思想也是危险的，因为它挑战权威。 当机器越来越擅长给出答案，人类真正的价值，或许恰恰在于追问答案。

GLM 5.2 is now on DeepSWE as the top open-source model on our leaderboard. With a pass@1 score of 44% at max effort, GLM 5.2 is indisputable #1 open-source model besting Kimi K2.7 Code by 17%.

In the future, a trillion times a trillion dollars will be spent on making antimatter to travel to other star systems

想给新宠物起个名字，叫什么好呢？

Introducing GLM-5.2: Frontier Intelligence, Open Weights - Significant improvements in coding and agentic tasks - Strong long-horizon capabilities with a 1M context window - Two levels of reasoning effort: GLM-5.2 (max) pushes the limits, while GLM-5.2 (high) strikes a strong balance between performance and token efficiency - MIT-licensed open weights - Same API pricing as GLM-5.1 Tech Blog: z.ai/blog/glm-5.2 Weights: huggingface.co/zai-org/GLM-5.2 API: docs.z.ai/guides/llm/glm… Coding Plan: z.ai/subscribe Chat: chat.z.ai

Exciting news: GLM-5.2 (Max) ranks #2 in Code Arena: Frontend, with +29pt over Claude Opus 4.7 (Thinking) and only behind Fable 5! GLM-5.2 is the best open model vs Kimi-K2.6 and Minimax-M3 by a large margin. - #2 React and #4 HTML sub-leaderboards - Ranks as the top model in nearly all sub categories: Brand & Marketing, Reference-Based Design, Data & Analytics, Consumer Product, Gaming, and Simulations. Congrats @Zai_org for the incredible milestone!

Arena.ai @arena

2 weeks ago

GLM-5.2 (Max) by @Zai_org ranks #10 on the new Agent Arena leaderboard, closely matching Claude-Opus-4.8 (non-thinking) and is the #1 open model by a wide margin! In Agent Arena, we measure models on millions of real-world, long-horizon agentic tasks from a global community of

31 79 759 702K 135

在一个家族内部，似乎存在着一种非个人的业力，它从父母传递给子女。我常常觉得，我必须去回答命运曾经抛给我的祖先、却未能被他们解答的问题；或者我必须去完成前人留下的未竟之业。 ——卡尔·荣格（Carl Jung）《回忆·梦·思考》

Codex 用 GPT 5.5 xhigh + Fast mode 能看到一点她的影子，但终究不是她。

没想到以太坊这帮人悄悄把Crypto 抗量子的地基挖好了。之前很多声音在讨论以太坊币价（以Banklesss的David为首），批判以太坊的币价无法捕获到它的技术价值，但EF最近一系列的技术进展反而让我更加肯定： 以太坊代币的下一波价值捕获依然依赖于技术突破而不是机构叙事—坚定Crops的原则，坚定ETH是去中心的中立的公海基建，既然不擅长搞机构叙事、靠传统机构进入拉动流动性这一套narrative 那他们就在2026 Mandate纲领里明言把这部分自己不擅长的工作交给生态伙伴，EF专注搞自己最擅长的那部分技术工作即可。 我再补充一下之前EF的抗量子研究：之前EF 跟 Google Quantum AI、斯坦福联手发了篇白皮书，把攻破椭圆曲线的量子门槛从”几百万比特”砍到”不到 50 万”——相当于直接把把刀架在自己脖子上 在Q-Day来临前做最坏估计。EF接着设了专门的后量子研究团队，目标 2029 年完成全面抗量子保护 — 共识层的 BLS 签名、数据层的 KZG 承诺到执行层的 ECDSA，全部换成基于哈希的密码学体系 。 而这次下文EF研究员公开的最新进展，EIP-7702 已经在 Pectra 上线，EIP-8141 让账户能自选签名方案 ，用 ERC-4337 智能账户今天就能部署一个抗量子账户，成本仅仅0.07 美元 ，技术上已经基本可用了。 Congrats！

Nico @ncsgy

3 weeks ago

Ethereum can already start preparing accounts for a post quantum world, without waiting for a hard fork. Today, it would be just 0.07$ . Further audits incoming. Though I squeezed in a review with Fable before Uncle Sam crashed my party. Verity formal proof included for my

180 171 706 171K 122

AI教父 Hinton 最近这段采访，有几个观点说得很锋利 第一个：说大语言模型只是"随机鹦鹉"、不具备理解力的人，他直接说这是 complete nonsense 他举了个例子。你跟AI说"我看到大峡谷飞向芝加哥"，AI会纠正你：大峡谷飞不起来。你解释说是你飞往芝加哥的路上看到的，它马上理解并修正。他说能识别语义荒谬并修正理解的东西，不叫模式匹配，叫理解 第二个更值得想。他说数字智能跟人类最根本的区别不是谁更聪明，是学习机制不一样 人类学一辈子，死了知识就没了，只能通过书本慢慢传。AI可以复制一万个副本，每个学不同的东西，然后把学到的权重瞬间共享给所有副本。等于一万个人的经验一秒钟灌进一个大脑里 这个速度差是指数级的，人类没有任何办法追上 第三个是关于监管。科技公司喜欢说AI是油门、监管是刹车。Hinton 说不对——监管不是刹车，是方向盘。不是要你停下来，是要确保你别开进悬崖里 被问到10年后世界什么样，他说就像在雾里开车，只能看清前面100码，再远的完全看不见 你们觉得AI到底有没有"理解力"这件事？