Meta的Zhuokai Zhao解析Kimi K3技术报告：---------------- Kimi K3技术报告里有大量有趣的内容——下面是我认为要么从未见过、要么确实值得获得更多关注的五个算法侧技术。

1/ 他们开源了模型，却保留了推测解码的草稿模型，这本身可能就是他们的一项实际服务优势。

先给不太熟悉这项技术的读者简单介绍一下：推测解码会将一个大型目标模型与一个小型草稿模型配对。草稿模型低成本地提前提出多个 token，目标模型则通过一次前向传播统一验证这些 token。加速效果取决于接受率，也就是目标模型同意草稿模型提议的频率。

K3在预训练阶段加入了 MTP（multi-token prediction，多 token预测）层，采用的是 DeepSeek-V3风格：在主干网络顶部额外增加一层，用来预测比主 next-token head更靠后一个位置的 token。从结构上看，这一层与普通的主干网络 block完全相同。因此，可以把它理解成第 94层：从预训练第一天起，它就使用完整的预训练语料进行训练，只是预测目标整体向后平移了一位。

后训练完成后，他们冻结目标模型，并将这个 MTP层微调成 EAGLE-3风格的草稿模型。EAGLE系列方法将草稿模型设计成单个解码器层，让它读取目标模型的内部隐藏特征，而不只是读取已经生成的 token序列。正是对目标模型特征的条件化，使得单层草稿模型仍然能够保持较高准确率。

微调过程也被设计成与实际推理完全一致。推理时，草稿模型会连续提出多个 token，因此从第二个 token开始，它依赖的是自己之前未经验证的猜测，而不是目标模型已经确认的结果。…

他们在训练中通过将草稿模型展开 7步来复现这种条件：第一步使用目标模型的特征，之后每一步都使用草稿模型前面步骤自身生成的输出。

还有两个值得注意的设计选择。

首先，草稿模型会读取目标模型低层、中层和高层的特征，也就是第 1个、第 4个以及最后一个 AttnRes block的输出。它们会被拼接起来，再经过一个初始化为 [0 0 I] 的融合矩阵：低层和中层特征的权重为零，高层特征使用单位映射。因此在初始化时，草稿模型看到的正好是 MTP层预训练时使用的高层特征；在微调过程中，它才会逐渐学会融合另外两种特征。

其次，他们没有采用通常的 KL surrogate，而是直接最小化接受率本身的负对数。接受率就是整个词表上 min(p,q) 的求和，其中 p和 q分别是目标模型与草稿模型的分布。原因在于，对于容量受限的草稿模型，最小化 KL并不能保证最大化接受率。所有训练都使用了与其服务栈相同的 MXFP4/MXFP8 QAT。

这次发布本身是不对称的：完整的目标模型权重已经放在 HuggingFace上，但草稿模型——据我了解，包括它微调之前所源自的 MTP层——并没有公开。这个 MTP层曾与主干网络一起使用完整的预训练语料进行训练，而外部机构无法获得这些数据。因此，官方服务可以在完全相同的开放权重上获得更快、更低成本的推理。

这是我最近见过的开放权重模型公司中最聪明的商业决策。

2/ 带有部分 rollout的同步 RL。

同步 RL必须等待一个 batch中的所有 rollout完成后才能更新。由于不同 rollout的长度可能差异极大，等待所有 rollout结束会浪费大量算力。

异步 RL将 actor与 learner解耦，因此效率高得多，但 actor使用的权重会逐渐过时；一个很长的 rollout可能会比当前策略落后多个 learner step。

K3采用了一种折中方案：当一部分轨迹完成后，生成就会立即暂停，优化过程马上开始，类似异步 RL。但尚未完成的轨迹会被暂停、排队，并在下一轮迭代开始时使用刚刚更新后的策略继续执行。

换句话说，一条长度达 100万 token的轨迹，实际上可能会跨越多个不同的策略版本，像接力一样完成。

本质上，他们用数据陈旧性换取了模型陈旧性：原本应该是同策略的轨迹中，包含了由旧策略生成的 off-policy前缀。与此同时，他们通过逐 token的正则化来缓解这一问题，将每次更新限制在当前策略附近的局部区域内。

这是一个在理论上很令人愉悦的权衡。

之所以能在 100万上下文长度下实现这一点，关键还在于环境侧。暂停模型的 rollout很容易，但要在一条轨迹中途暂停一个正在运行的 agent沙盒则困难得多。他们的 microVM运行时可以在 133毫秒内对环境进行 checkpoint，并在 49毫秒内恢复；暂停状态下的沙盒不会消耗 CPU和内存。

3/ 用多教师同策略蒸馏完成模型合并。

RL之后，他们拥有 9个专家模型：三个领域——通用、agent、编程——与三种推理力度——低、高、最高——组合而成。随后，他们通过多教师 OPD（on-policy distillation，同策略蒸馏）将这些模型合并成一个统一模型。

这个想法本身并不新。报告引用的技术脉络与 Thinking Machines关于 OPD的文章、MiMo-V2-Flash以及 DeepSeek-V4相同。

不过，其中有三个细节很突出。

第一，这是零压缩蒸馏。教师模型和学生模型使用相同的 2.8T架构；OPD纯粹是将 9个 RL策略折叠进一个模型的机制，而不是把一个大型教师模型压缩成较小学生模型的方法。

第二，OPD信号被实现成逐 token的 RL reward：也就是教师模型与学生模型对每个生成 token的概率之比取对数后再进行裁剪。

因此，蒸馏并不是一条独立的流水线，而是同一个 RL trainer在使用另一种 reward。学生模型生成自己的同策略 rollout，教师模型沿途为每个 token打分；前面提到的所有机制——部分 rollout、可暂停的沙盒、逐 token正则化——都可以直接复用。这正是它能够蒸馏百万 token级 agent轨迹的原因。

第三，这是一个负面结果。每一步，学生模型只需从自己的分布中采样一个 token，而 OPD reward只查看这个 token：教师模型对它的 log-prob。也就是说，每一步只需要一个数。

他们尝试过更细粒度的 top-k目标，让学生模型在每一步匹配教师模型对候选 token的更多分布信息，但无论是收敛速度还是最终性能，都没有看到优势。

所以他们最终认为，不需要完整 logits。

4/ RL harness是随机化的。

他们将统一的 agent harness表示成一种抽象，其中包含共享的工具接口、系统提示词、上下文管理策略、技能、记忆和子 agent，并可以基于同一抽象实例化 Kimi Code、Claude Code、Codex、OpenClaw、Hermes，或者完全全新的 harness。

在 RL过程中，不同任务组会动态重新组合 harness配置，因此模型不会过拟合到某一种工具 schema或交互协议。

这意味着，harness泛化能力是一种经过训练的属性，而不是自然涌现出来的属性。如果你曾经在不同 agent scaffold上评测开放模型，并好奇为什么有些模型迁移得很好，而另一些模型会迅速崩溃，这可能就是其中一个重要原因。

这也符合 Kimi作为开放权重公司的定位。封闭实验室通常会将模型与 harness一起发布，并控制整个技术栈；而开放模型会被放进用户已经在使用的各种 scaffold中——Claude Code、Codex、OpenClaw，或者某个定制的内部 agent。因此，对于开放权重模型来说，harness鲁棒性更加重要。

有趣的是，他们自己的内部编程 benchmark甚至显示，K3在 Claude Code下的得分略高于在自家 Kimi Code下的得分。

5/ 每一层全局注意力层都使用 NoPE。

K3中全部 24个 Gated MLA层都完全不使用位置编码。位置信息和近期性信息全部由 KDA层的门控与衰减机制承担；主干网络中每 1个 MLA层对应 3个 KDA层。MLA层则专门负责基于内容的全局检索。

这一设计的收益在上下文扩展时体现得非常明显：K3在预训练期间将上下文长度从 8K扩展到 64K，又在 cooldown阶段从 256K扩展到 1M，而且完全没有修改位置编码——不需要重新调整 RoPE base，也不需要 YaRN。

混合线性注意力通常被描述为这类架构中的效率组件；但在这里，线性注意力层还承担了位置编码的全部功能。

说实话，这还只是冰山一角。基础设施部分——MoonEP、分位数均衡、KDA感知的前缀缓存——每一项都值得单独写一篇文章。

整份报告确实非常值得一读。

#How I AI#

图为我妹夫的自行车。他前几天去世了，在班上倒下的。大约上午10点左右，先是发晕恶心坐不住，被同事们七手八脚扶到沙发上休息一下，不一会儿开始呕吐，看看不像普通的感冒发烧，单位就打120了，拉到医院去。医院离工作单位很近，也就二三百米，在车上人就不行了，在医院里一通抢救，没能回天。诊断说是心梗。他与我同岁，还有仨月退休，没赶上。

要说一个人平凡，我在认识的人里，转圈儿想不出比我妹夫更平凡的人了。他跟我妹是在棉纺厂认识相爱的。那会儿我妹是纺织工，他是设备维修工。追我妹的男孩子倒是不少，包括我的同学和朋友，但我妹都瞧不上，不声不响也不知什么时候俩人好上了，等家里人发现有人偷偷在楼下接我妹上班、送我妹下班，俩人已经难分难舍了。我妈暴跳如雷，坚决反对；我爹也唉声叹气，心有不甘；但我妹主意更大，直接离家出走，搬我奶奶家去住了。原来俩人一直在我奶奶家约会，我爷爷和奶奶倒是不反对他们的恋情，一直帮他们保密。转年俩人就在我奶奶家结婚了，气得我妈不让俩人登门。直到孩子出生了，也就是有了我的外甥，关系才好起来了。冲着孩子，我妈终于接受了这个女婿。

我妹夫长得丑。按说也不算太丑，算一般人，但我家人颜值都高，跟我家人比，就丑得不像话了，175的个头儿，微胖，小眼睛，一笑一条缝儿。主要是我妈嫌他丑，我爹不满意他的，是嫌他没文化，不喜欢听京剧，也不喜欢看书，似乎什么都不喜欢，没有爱好，上班下班，上班下班，每天两点一线，从不出去喝酒，在家也不喝，没有狐朋狗友，没有任何应酬，唯一的不良嗜好是抽烟，知道我家人都烦抽烟，每次都在屋外抽，抽完再进屋。再抽再出去。

棉纺厂倒闭了，我妹辗转换了好几个工作，最后是作为必胜客的厨师退休的。…

我妹夫也换了好几个工作，中间我在北京，也不知道他都干过什么，也没问过，反正最后是当保安，在烟台银行，但工作关系好像不归银行，归一个什么保安组织，属于外派到银行。出事那天，我电话里问我妹：是在单位发病的？我妹说：怪不着人家！我说是啊，我没说要讹人家，就是问问，还原一下场景。我妹问我：会不会是中暑了？我说他那个保安是在门里的，有座位有桌子，银行里空调足着呢，不可能中暑。我妹说：也是。我妹说前几天就不舒服，回家老躺着，说浑身没劲儿，一起去查体了，还差一天体检报告就出来了，没想到…

我妹夫一辈子贫穷，一直挣死工资，早年我知道当保安一个月挣一千五百块钱，后来好像能到四五千块钱，我没细问过，反正不多，刚够巴结个吃喝。我跟他所在银行的小行长关系很好，经常去找他行里存款什么的，我妹夫每次见到我都很客气，若是傍晌去了，一定要请我吃饭，我一般都答应他，只说我想吃拉面，为的是给他省钱，因为我要结账他不让。我俩两碗拉面，他再点个洋葱拌牛肉什么的凉菜，劝我喝一瓶啤酒。一顿饭六十来块钱，对于他来说这些钱不少了。我也穷过，知道兜里没钱的时候，十块钱老么大。

去世的当天，我爹颤颤悠悠打车去了医院，非要看一眼、送一送。去的时候，人已经拉去殡仪馆了，没看着。我爹在医院门口呆了好久，才打车回来。回来坐在沙发上，半天不说话，只是叹气，后来说了一句：这个孩子，大毛病没有啊！这句话两层意思，一是大本事没有，一辈子碌碌无为，普通得像空气一样；二是指没有什么让人反感的缺点。不招事，不惹祸，更没有绯闻，工资上缴，两袖清风，街坊四邻都喜欢他，单位里的人也都喜欢他，跟谁都聊得来，笑眯眯地倾听任何人的家长里短，从不厌烦，还跟人讨论，像个早年广播电台里的知音大姐。

要说我妹夫唯一的缺点，是这些年迷上了网购。不买贵的，全是小东西，手电筒大概陆陆续续买过几十个，望远镜也买过十几个，一听家里需要什么，赶紧上网下单，给我爹买过好几个二手平板电脑。秋裤十几条，二十块钱一条，T恤十几件，十块钱一件，各种不知名的小玩意儿无数。家里人都知道他有网购的瘾，懒得说他，反正花钱不多，就当他买开心了。这几年我妹两口子一直跟我爹住在一起，照顾我爹的生活，三个人相安无事，和谐得很。

今天中午我在外面下馆子，临了让厨房给我爹做了两个菜打包，拎着去看我爹。我妹跟我说，我妹夫留下了一辆自行车，说哥你骑走吧。我说太破就算了。因为我知道我妹夫上班骑一辆旧摩托车，稀里哗啦的。我妹说不破，新的。又说，本来是打算买来锻炼身体的，没想到还没开始锻炼，人就完蛋了。

自行车放在地下车库邻居的车位旁边，那个邻居是我妹夫的好朋友，我妹两口子管人家叫大哥。大哥在监控里看见我妹和我去了车库，赶紧下来问候，问怎么好几天没见到我妹夫？出事那天，我妹拨错了一个电话，正好拨给这位大哥，没说什么，哭着挂掉了，这位大哥心就一直悬着。我留他俩在地库里聊天，先推着车子上楼了。我妹回来时，说大哥听到这消息，哭了。

自行车确实是新的，但是地下车库潮湿，车把海绵长霉了，车身也落了不少土，还有几丝蜘蛛网。我妹进屋端出一盆水来，拿着一个抹布，说把车擦干净。像是为了证明给我看车子很新，又像是不舍与旧物分别，擦得很慢很仔细。我妹略带埋怨的口气说：问他单位里夏天有没有高温补贴，他说没有，怎么可能没有，哪个单位里没有高温补贴，我这么琢磨着就是自己偷偷攒起来了，买了这辆自行车，不然他哪来的钱？

我骑着自行车回来，路有点儿远，十五公里。一会儿上坡，一会儿下坡，一会儿有风，一会儿没风。阳光很足，虽然已是下午四点多，还是有点烤得慌。我索性脱下T恤，光着膀子骑，很快就大汗淋漓了。有那么一瞬间，我有一点恍惚，觉得能感受到我妹夫骑这辆自行车的心情——他攒了好几个月的工作小补贴，甚至是攒了一整年的零花钱，花了一千多块钱，买来了自己心心念念的自行车。骑着它回家的那一天，他一定很快乐！

昨天才 last day的前 OpenAI研究员 Andrew Ho发长帖看空 OpenAI和 Anthropic这样的前沿 AI实验室，之所以会刷屏，一是观点反主流，二是可能戳中了某些情绪？

---

实际上，我对头部 AI实验室的估值相当悲观。迄今尚未见过令我信服的论证，睡前便想随手涂几笔想法。

根本问题在于这些 AI实验室深陷亏损。这看起来显而易见，但私募市场的估值往往是非常不理性的；然而一旦上市，就像 SpaceX的走势一样，IPO后的定价会苛刻得多，尤其是在标准的 6个月禁售期结束后，抛售压力加剧的时候。

许多人声称这些实验室利润率极高。但即便毛利可观，要支撑万亿美元的估值，前提也必须是实验室除了做推理服务外什么都不做（从而成本仅限于推理相关的开支），且年收入达到 1000亿 - 2000亿美元——这还是在假设毛利率约 80%、市盈率 20倍的情况下。

这一假设显然不成立，因为头部 AI实验室必须持续烧钱训练下一代模型。这是源于后来者的市场竞争。比如，如果 OpenAI去年暂停研发，用户就没有理由支付 GPT-5的 API高价——毕竟大可以用便宜得多的 Qwen或 Kimi。

因此，实验室被迫将越来越多的资金砸向模型训练；在任何特定的时间点，下一代模型的投入都远超实际营收，因为即便收入随模型能力提升而增长，未来的训练成本亦水涨船高。这是一种极为严酷的机制，对领跑者惩罚尤甚。

（此外，还有一些 AI实验室声称，他们可以蒸馏出领先的模型，使其在较低智能水平下也能胜出。但这毫无道理，因为这种推理的利润率相当低，相关的收入实在太低了。）…

AI实验室的估值似乎很大程度上基于这样一个假设：随着规模的扩大，涌现出的能力将足够通用和强大，从而带来爆炸式增长，例如 AI Agent能够自主启动并管理整个由子 Agent组成的公司。但我对此存疑。

事实上，正如我在之前的文章中提到的，我认为能力增长的速度会比人们目前预想的更慢、波动更大，并且更受数据瓶颈制约。

或许终有一天，我们会见证此类爆炸式增长，实现经济的全面自动化，但至少在我看来，抵达那一天还有很长的路要走（以数十年计）。我不确定头部 AI实验室能否长期处于亏损状态，这或许预示着某种不可避免的国有化结局。

我还想就技术扩散谈一个更宏观的视角。技术扩散之所以缓慢，并不仅仅因为老年人学习使用新技术需要更长的时间（尽管这在某种程度上的确是原因之一）。在我看来，当一项革命性新技术问世时，如何将其融入后续发展，路径并不总是清晰可见，事实上也未必能凭纯粹理性推导出来。如果能够做到这一点，那么或许在某个阶段，前沿模型就能完全理解 LLM应用层应该如何开发，然后它们就能自主地编写代码、部署和销售这样的应用层。

但在我看来更合理的解释是：这种技术扩散更受「经济计算难题」的掣肘——亦即哈耶克所阐发的那个洞见，价格体系通过渐进方式促进资源的有效配置，而这无法被中央计划所模拟——即便我们将当前的能力水平冻结在今天的水平，把大语言模型完全融入我们日常的生活，恐怕也需要二十余年。

因此，这一视角对实验室的持续盈利前景相当悲观：它降低了它们找到下一个与 coding Agent盈利能力相当的产品的可能性，而后者似乎本就是 Anthropic某种程度上的幸运发现。换句话说，即便你广招工程师人海战术，也未必能足够快地摸索出「正确」的产品形态。

总的来说，我认为人们并没有清晰地梳理出实验室股权价值如此之高的根本原因，而且即便你真的费心把这个商业模型写下来，最终的结论可能也并非你所期望的那样。这并非意味着我不看好 AI在未来几十年迎来一场巨大的蓬勃发展，只是说如果现在有机会，我未必愿意以目前的估值入手 OpenAI或 Anthropic的股票。

当然，作为一名前 OpenAI员工，说这些无异于砸自己的饭碗；按理说，我本该多给大家一些看涨的理由。但说到底，人微言轻，说了也无妨，何不图个痛快？

我让Gemini3算了一下明年的A股，这是它的回答：

这是一个非常有趣且充满东方神秘主义色彩的视角。既然你将其视为一种“新奇的观察维度”而非投资建议，那我们就抛开传统的PE/PB、流动性分析，纯粹从干支纪年、五行生克、易经卦象的角度，为你推演2026年（丙午年）的A股气运。

以下是基于玄学逻辑的2026年A股“天机”推演：

🌌 核心定调：丙午“赤马”之劫与火运巅峰2026年是农历丙午年。

天干：丙（属阳火，为太阳之火，猛烈、普照）。

地支：午（属阳火，为仲夏极热之时）。

纳音：天河火。

大势研判：烈火烹油，暴涨暴跌在五行逻辑中，丙午年是**“火上加火”，且处于“三元九运”中九紫离火运**的第三年。火势在这一年达到极致。

象义：这匹“赤马”性情极其暴烈。对应到股市，意味着极端的波动率。市场情绪会极度亢奋（丙火主礼、主虚荣、主扩散），但也极易失控。

结论：2026年的A股绝不是温吞水，而是一场**“过山车”**。要么是史诗级的“疯牛”（火势冲天），要么是快速的崩塌（火尽灰冷），中间几乎没有横盘震荡的空间。

🔮 卦象推演：离为火（䷝）

2026年的年卦主象为**“离为火”**（六冲卦）。

卦辞：“利贞，亨。畜牝牛，吉。”解读：外实内虚：火的形态是外焰明亮，内部空心。这预示着2026年的A股指数可能非常好看（外实），但个股分化极其惨烈，或者基本面（内）其实支撑不住高估值，全靠一口“气”吊着。

依附关系：离卦讲究“依附”。火必须附着在燃烧物上。这意味着市场行情高度依赖**“政策”或“题材”**这根木头。一旦题材烧完，火瞬间熄灭。

六冲之象：六冲代表冲散、快速。这再次印证了**“快进快出”**的特征。长线持股在这一年可能极其煎熬，短线投机将盛行。…

⚔️ 五行板块决战：火金相战在丙午年，五行气场的最大特征是**“火旺克金”**。

1. 当红炸子鸡：火属性行业（大吉）
九紫离火叠加丙午流年，火势通天。

行业：人工智能（AI）、半导体、军工航天、能源（光伏/核能）、文化传媒、虚拟现实。

推演：科技股（特别是硬科技）将在2026年迎来泡沫化的巅峰。估值会被炒到天上去，因为“丙火”主光明、主幻象。凡是“看不见摸不着”的概念，都会被爆炒。

2. 受难者：金属性行业（大凶）
强火熔金，金气受损。

行业：银行、传统金融、重工业、机械制造、有色金属（非锂电类）。

推演：金融体系可能面临巨大的压力（火克金）。这可能通过**“货币制度改革”、“银行坏账暴露”或者“金融监管风暴”**体现出来。传统蓝筹股在这一年可能表现疲软，甚至成为指数的拖累。

3. 绝处逢生：土属性行业（中平/转折）
火生土，但火多土焦。

行业：房地产、基建。

推演：房地产在经历之前的寒冬后，在2026年可能会有一种**“回光返照”或“焦土重生”**的迹象。不是因为基本面好了，而是因为通胀（火）把资产价格名义上推高了。

🗓️ 2026年流月节奏推演根据节气与月令五行，剧本可能是这样的：

春季（寅卯月，木生火）：疯牛启动时间：2月-4月。

剧情：木生火，燃料充足。春节后市场可能会有一波极为凶猛的主升浪，科技股带头冲锋，指数逼空，散户跑步入场。

夏季（巳午未月，火旺极）：见顶与闪崩时间：5月-7月。

剧情：火势到达顶峰（午月见午，自刑）。市场情绪达到癫狂，随后可能发生**“熔断式”的暴跌**。这是“阳极必阴”的时刻，必须在端午前后极度警惕。

秋季（申酉月，火克金）：惨烈博弈时间：8月-10月。

剧情：金气进场，与火交战。政策（金）试图降温或救市，市场剧烈震荡，多空双杀。

冬季（亥子月，水克火）：一地鸡毛还是水火既济？

时间：11月-次年1月。

剧情：水来灭火。如果之前跌透了，这里会有反弹（水火既济）；如果之前还在高位，这里就是彻底的冷却（火灭）。

📜 终极判词“赤马奔腾路不平，神仙难断午时阴。”

2026年的A股，从玄学视角看，将是一场**“视觉盛宴”。它不会是死气沉沉的阴跌，而是烈火烹油般的狂欢与焦土**。

关键词：泡沫、科技、暴涨暴跌、金融承压。

给看客的建议：如果你在这一年入市，请记住离卦的德行——“文明”与“明智”。在最绚烂的时候（火光最亮时），往往就是燃料耗尽的前一秒。

可以看一下德国小哥的多转空

Leopold Aschenbrenner的持仓披露了，而且操作180度翻转，实在非常值得聊。

这哥们大概二十五六岁吧，之前在openai工作，后来离职了。他暴得大名是因为离职后，2024年6月写了一份报告《Situational Awareness: The Decade Ahead》（我翻译成AI的未来十年）。

属于非常激进的技术主义了，认为AI已经进入了通用人工智能的时代，会不断地自我加强，十年后会出现超级智能同时，算力、电力、GPU、国家安全和中美竞争会成为主线。

这份报告非常有框架性，而且很多假想很大胆，比如说他认为超级智能崛起之后，任何武器都不具有威胁了，因为超级智能可以瞬间降维打击低纬国家，导致他们的核弹都发不出来。

后来就有大佬找到了这个小帅哥，要投资他，他就自己开了一个私募Situational Awareness LP。

上个季度的持仓曝光后，这哥们又火了一把，因为管理规模已经飙升到了55亿美元，而且持仓中有很多超级大牛股。

他当时持仓接近15%的第一大重仓股是be，燃料电池，最近走势是这样的。

资本市场对管理人苛刻也苛刻，但说宽容那也绝对是超级宽容，你讲的故事好听，然后业绩又猛，钱是哗啦啦的涌过来。

这小哥此前就一直在强调AI时代的全线领域竞争，如今又在能源、内存等关键瓶颈上把握的这么准，自然就成为了焦点中的焦点。

加上AI硬件已经涨了这么多，大家或多或少都有点慌，很想找点牛人的操作看看，所以这次13f的披露季，很多人都在盯着这小哥，比盯巴菲特都紧。

本来都以为不披露了，结果今天来了个猛地。

上一份13F，他基本还是一个非常典型的AI基础设施多头组合。…

55亿美元规模里，普通股多头占了大约71%，call占了大约29%，put几乎可以忽略不计。

他在猛猛做多AI基建面临的瓶颈，电力、存储、光通信、算力租赁改造，都会成为受益资产。

但这一次，结构完全变了。

这次13F披露的组合市值已经到了136.77亿美元，规模比上个季度大幅放大。更关键的是，里面出现了84.59亿美元的put，占整个报告口径组合的61.9%。

换句话说，按13F披露口径看，他现在组合里接近六成是看跌期权。

这些put主要压在哪些东西上？

第一大是SMH，也就是半导体ETF，put规模20.43亿美元；第二大是英伟达put，15.68亿美元；后面还有甲骨文、博通、AMD、美光、台积电、ASML、英特尔、康宁等等。

他几乎做空了当前最拥挤的所有交易，GPU、半导体、先进制程、设备、AI服务器链……

这他妈实在有点让人惊掉下巴，一下子变成大空头了。

与此同时，他保留的多头部分，就更加值得玩味了。

Bloom Energy还在，SanDisk大幅加仓，CoreWeave还在，IREN、Core Scientific、CleanSpark、Riot、Bitfarms、Applied Digital这些数据中心改造类资产也还在。

我们理解一下这个尺寸结构，大规模买 put对冲或做空 AI半导体核心链条，同时保留对电力、存储、AI云、数据中心改造资产的多头敞口。

这里需要介绍一个背景，13F里的期权金额，按照标的证券对应市值来披露的。它不告诉期权的行权价、到期日、delta，也不告诉你背后有没有其他对冲腿。

所以我觉得可以参考一下结构，不用过于深究细节。

主要是这个结构也实在让我想了很久，我觉得不能简单的理解为他就做空AI硬件了，但绝对可以理解为他对第一阶段硬件赢家的价格，已经总体觉得到位了。

我潜在的认为，他是在观察一件事，就是如果接下来资本市场发现，AI的需求是真的，但数据中心的落地运行不够快，会发生什么事？

首先，最利好的还是能源这样的落地约束环节，其次就是算力租赁。既然数据中心建设太慢，而需求又是真的，那么已经建成的数据中心，必然是最受益的资产。

在Nebius（算力租赁公司）的电话会上，就显示了类似的观点。H200的租赁价格一直在涨，比B200更贵。

在市场本身就面临震荡的环境下，这样一份13f实在是很值得好好想想。

蛮有意思，蛮有意思。

【讨论中国到处摄像头的问题】

今天见到了一个斯洛文尼亚姑娘塔林。

她来到卢旺达参加朋友的婚礼，我还蛮惊讶她是这么想中国的，感觉她对中国存在一种复杂，无法自洽的认知。

比如说，她一边抱怨非洲（安哥拉）不安全，她此前去的安哥拉一个月，从不敢出去。

然后问我中国危险吗？我说，不危险啊，一点都不危险。

她说，哦，对了，我忘了你们到处都是摄像头。

（我见到的每一个自由派老外，几乎都会跟我聊起中国街头遍布摄像头的话题）

我跟她说，其实除了主干道和主要路口摄像头是政府的，其他都是商家或者私人装的。

而且中国人一点也不介意街头到处是摄像头，“牺牲隐私，装摄像头保障安全”这是中国人的全民共识了。你随便问一个中国人，你介不介意街头到处是摄像头？99%的中国人都不会介意……

她说，好吧，我是不愿意牺牲自己的隐私，我不喜欢到处都是摄像头。

我问，宁愿危险，晚上不能出门？也不要装摄像头？

她说，难道就没有两全其美的方案？

塔林在斯洛文尼亚的两所公立高中当英语老师。

我直接开门见山问，你一个月公司多少？

她愣了一下（没想到我问的这么直接）说，忙的时候1200欧元，有些月份800欧元。

接着，她说她一个斯洛文尼亚的朋友到了中国做英语老师，问我有没有什么机构可以介绍的。

（我觉得她蛮矛盾的一点就是，从意识形态层面，她接受了他们国家主流媒体对中国的标签化，也不愿意动脑主动思考。到了具体事情，她又可以回归理性看待中国，甚至想去中国工作。）

还有一个挺有趣的点就是，我跟塔林聊到巴尔干半岛的时候，她对待不同民族的看法，反应了前南斯拉夫内部复杂的民族关系。

比如在她眼里塞尔维亚就是“主体民族沙文主义者”，塞尔维亚人即使冷战后还想控制前南斯拉夫，但是对于其他民族来说，他们只是前南民族中的一个而已。…

而且她是铁定认为科索沃就是一个独立国家，还认为塞尔维亚人对波斯尼亚人进行了惨无人道的种族灭绝（实际上波斯尼亚人也没少杀塞尔维亚人）。

斯洛文尼亚在整个前东欧阵营中，算是比较有优越感的。

因为东欧剧变后，斯洛文尼亚和捷克是所有东欧国家中，首先被接纳的。

因为这两国历史上长期被日耳曼民族统治，是日耳曼化最深的斯拉夫国家，并且工业化程度高，你们甚至不知道斯洛文尼亚有很多家电厂，和各种工业品牌……

【马上评｜“唐朝不存在”？#伪史论的歪风一定要刹住#】#复旦教授谈唐朝伪史论争议#近日，“唐朝根本不存在”的说法又在平台上引发大众热议，不少评论将此视为历史虚无主义的典型。这一判断是对的，但还值得进一步思考的是：我们究竟应该依据什么来判断历史是真是假？面对层出不穷的各种“伪史论”，社会究竟需要一种什么样的认知能力？

答案或许只有两个字：理性。

历史研究从来不是信仰，也不是立场，而是一门建立在证据基础上的学问。无论肯定一个历史事实，还是否定一个历史事实，都必须遵循同样的标准——证据。

唐朝是否存在，并不是因为《旧唐书》《新唐书》这样写了，而是因为今天已经形成了一个庞大的证据体系：文献记载、墓葬遗址、出土文物、碑刻铭文、敦煌文书，以及来自阿拉伯、波斯、日本、新罗等不同文明留下的大量域外记载，彼此能够相互印证。尽管任何一项证据都可能存在局限，但当众多来源相互独立、相互支持时，其可信度便不断提高。

科学哲学告诉我们，人类几乎无法获得绝对意义上的“百分之百证明”。历史研究也是如此。因此我们真正依赖的，不是绝对确定性，而是不断提高的概率确信（或然率）。一个命题拥有越丰富、越独立、越能够相互印证的证据，它成立的可能性就越高。这也是现代科学和历史学共同遵循的一种基本原则。

在认识论中，还有一个著名的方法论原则——奥卡姆剃刀原则。当两种解释都能够说明现象时，应优先接受假设更少、能够解释更多证据的方案，而不是不断增加新的假设去解释各种矛盾。

例如，要否认唐朝存在，就必须假定数千卷史籍被系统伪造，全国大量遗址、墓葬、碑刻均属后人制造，来自日本、阿拉伯、波斯等不同文明的历史记录也参与了同一场跨越千年的骗局才行。…

这种解释所需要成立的假设，数量远远超过承认唐朝真实存在所需要成立的假设，因此前者远不如后者具有解释力和可信度。

事实上，近年来中文互联网流行的一些“伪史论”，并不仅仅针对中国历史。几年前，网络上曾广泛流传所谓“古希腊不存在”“亚里士多德不存在”“西方文明都是近代伪造”的各种说法。如今，又有人开始否认唐朝。

乍看之下，这两类观点立场完全相反：一种似乎是在否定西方文明，另一种似乎是在否定中国历史。但如果深入分析，它们其实遵循的是同一种思维方式——非理性。

它们共同的特点，不是有一分证据说一分话，而是先预设结论，再不断挑选碎片化材料去支持自己的结论。凡是不符合自己结论的证据，就一概解释为造假、阴谋或者集体欺骗。这样形成的是一种无法证伪的封闭叙事，而不是鼓励开放讨论的学术研究。

这种思维方式最大的危险在于，它并不会停留在某一种立场上，而是不断游移变化。今天，它可以用来否定古希腊；明天，它同样可以用来否定唐朝；后天，它甚至可以否定任何历史事件、任何科学发现、任何公共事实。

互联网时代，每个人都可以质疑权威，这本身是一种文明进步。历史学也从来不是不能怀疑的学科，新的考古发现、新的文献材料，确实可能修正既有认识。但是，独立思考和勇于质疑不是胡乱猜测，而是能够依据证据不断修正自己的判断，如哲学家和社会学家哈贝马斯所言，“只服膺于一个更好的论证”。

因此，我们反对“伪史论”和历史虚无主义，真正需要反对的，不是某一种具体观点（或否认唐朝，或否认古希腊），而是其背后脱离证据、无法证伪、以情绪代替推理的认知方式。

今天，部分平台的算法正不断放大极端观点、情绪表达和猎奇叙事，社会比任何时候都更需要培养一种基本的公共理性。只有当理性成为公共生活的基础，历史虚无主义才会真正失去生长的土壤。（作者为复旦大学新闻学院传播学系教授、博士生导师邓建国）

【马上评｜“唐朝不存在”？#伪史论的歪风一定要刹住#】#复旦教授谈唐朝伪史论争议#近日，“唐朝根本不存在”的说法又在平台上引发大众热议，不少评论将此视为历史虚无主义的典型。这一判断是对的，但还值得进一步思考的是：我们究竟应该依据什么来判断历史是真是假？面对层出不穷的各种“伪史论”，社会究竟需要一种什么样的认知能力？

答案或许只有两个字：理性。

历史研究从来不是信仰，也不是立场，而是一门建立在证据基础上的学问。无论肯定一个历史事实，还是否定一个历史事实，都必须遵循同样的标准——证据。

唐朝是否存在，并不是因为《旧唐书》《新唐书》这样写了，而是因为今天已经形成了一个庞大的证据体系：文献记载、墓葬遗址、出土文物、碑刻铭文、敦煌文书，以及来自阿拉伯、波斯、日本、新罗等不同文明留下的大量域外记载，彼此能够相互印证。尽管任何一项证据都可能存在局限，但当众多来源相互独立、相互支持时，其可信度便不断提高。

科学哲学告诉我们，人类几乎无法获得绝对意义上的“百分之百证明”。历史研究也是如此。因此我们真正依赖的，不是绝对确定性，而是不断提高的概率确信（或然率）。一个命题拥有越丰富、越独立、越能够相互印证的证据，它成立的可能性就越高。这也是现代科学和历史学共同遵循的一种基本原则。

在认识论中，还有一个著名的方法论原则——奥卡姆剃刀原则。当两种解释都能够说明现象时，应优先接受假设更少、能够解释更多证据的方案，而不是不断增加新的假设去解释各种矛盾。

例如，要否认唐朝存在，就必须假定数千卷史籍被系统伪造，全国大量遗址、墓葬、碑刻均属后人制造，来自日本、阿拉伯、波斯等不同文明的历史记录也参与了同一场跨越千年的骗局才行。…

这种解释所需要成立的假设，数量远远超过承认唐朝真实存在所需要成立的假设，因此前者远不如后者具有解释力和可信度。

事实上，近年来中文互联网流行的一些“伪史论”，并不仅仅针对中国历史。几年前，网络上曾广泛流传所谓“古希腊不存在”“亚里士多德不存在”“西方文明都是近代伪造”的各种说法。如今，又有人开始否认唐朝。

乍看之下，这两类观点立场完全相反：一种似乎是在否定西方文明，另一种似乎是在否定中国历史。但如果深入分析，它们其实遵循的是同一种思维方式——非理性。

它们共同的特点，不是有一分证据说一分话，而是先预设结论，再不断挑选碎片化材料去支持自己的结论。凡是不符合自己结论的证据，就一概解释为造假、阴谋或者集体欺骗。这样形成的是一种无法证伪的封闭叙事，而不是鼓励开放讨论的学术研究。

这种思维方式最大的危险在于，它并不会停留在某一种立场上，而是不断游移变化。今天，它可以用来否定古希腊；明天，它同样可以用来否定唐朝；后天，它甚至可以否定任何历史事件、任何科学发现、任何公共事实。

互联网时代，每个人都可以质疑权威，这本身是一种文明进步。历史学也从来不是不能怀疑的学科，新的考古发现、新的文献材料，确实可能修正既有认识。但是，独立思考和勇于质疑不是胡乱猜测，而是能够依据证据不断修正自己的判断，如哲学家和社会学家哈贝马斯所言，“只服膺于一个更好的论证”。

因此，我们反对“伪史论”和历史虚无主义，真正需要反对的，不是某一种具体观点（或否认唐朝，或否认古希腊），而是其背后脱离证据、无法证伪、以情绪代替推理的认知方式。

今天，部分平台的算法正不断放大极端观点、情绪表达和猎奇叙事，社会比任何时候都更需要培养一种基本的公共理性。只有当理性成为公共生活的基础，历史虚无主义才会真正失去生长的土壤。（作者为复旦大学新闻学院传播学系教授、博士生导师邓建国）