BofA Issues "Sell" Warning: Everyone Is Fully Invested, Everyone Is Optimistic

marsbitXuất bản vào 2026-06-02Cập nhật gần nhất vào 2026-06-02

Tóm tắt

Bank of America issues a "sell" warning, highlighting a market where "everyone is all-in, everyone is optimistic." The bank's analysis compares current conditions to past market bubbles, noting alarming parallels with the peak of the 2000 dot-com bubble: while the S&P 500 hits new highs, only 4% of its stocks are simultaneously at record levels. The core strategy is to "long humiliation, short hubris." Historical analysis shows that after a bubble bursts, bonds typically rally, and the worst-performing sectors during the boom often outperform post-bubble. Currently, these "humiliated" sectors are Consumer Staples, Financials, and Healthcare. The report suggests a shift in AI investment leadership from big tech "builders" (e.g., semiconductor companies) to small-cap growth "users" of AI. Fund flow data supports caution, with global equities seeing their first outflow in nine weeks, while bonds attract continuous inflows. The bank's Bull & Bear Indicator has triggered a sell signal. June presents a cluster of event risks (CPI, central bank meetings, G7 summit) that could spark a sell-off in an overextended market. Year-to-date, Bitcoin is the worst-performing major asset, implying it may not be a safe haven if the "post-bubble" scenario unfolds.

Author: Tide Research

The latest issue of BofA's Flow Show has a title that stings with every word: Post-bubble.

Analyst Hartnett didn't use questions or buffer words like "might" or "perhaps." In his view, the current U.S. stock market is not a "suspected bubble," but has already entered the historical script that follows a bubble's burst. He traced back from 1929 to 2015, digging out the patterns of asset performance after every major bubble peaked, then drew a roadmap for today's market.

He compressed the core trading strategy of this roadmap into one sentence: Long humiliation, short hubris.

A Set of Unsettling Data

First, look at the current "abnormalities."

The S&P 500 index is at an all-time high. This fact itself is not a problem; the problem lies in the number of stocks participating in this party: Only 21 stocks (4%) among all S&P 500 constituents are simultaneously making new highs. 222 stocks are down more than 20% from their respective highs, and 109 are down more than 40%.

Hartnett highlighted a historical comparison for this 4% figure: In March 2000, at the peak of the dot-com bubble, only 20 stocks in the S&P 500 were making new highs. In other words, today's market concentration has returned to the level seen at the peak of the dot-com bubble.

Emerging markets are even more extreme. Among 1,224 EM stocks, only 21 (less than 2%) are at their historical highs.

The index is celebrating, while the vast majority of stocks are silent.

The Historical Script After a Bubble

Hartnett systematically reviewed the market performance after every major bubble peak since 1929, concluding with two main themes.

First: After a bubble bursts, bonds almost always rise. He calculated the change in 10-year Treasury yields within six months after eight major stock market peaks, with a median decline of 45 basis points. The logic is straightforward: A bubble burst reduces risk appetite, capital floods into safe-haven assets, Treasury prices rise, and yields fall. Yields fell in six out of the eight instances, with only 1973 and 1989 being exceptions (influenced by stagflation and Japan's special environment, respectively).

Second: The sectors that suffered most during the bubble perform best after it bursts. Every bubble has its "darlings" and "orphans." After the bubble ends, the roles reverse.

Looking at a few cycles: In the Roaring Twenties of 1929, the bubble's protagonists were utilities, telecommunications, industrials, and banks. After the bubble burst, these sectors underperformed significantly, while the previously neglected energy stocks became winners. During the 2000 dot-com bubble, the Nasdaq doubled in the six months before the peak, while the S&P 500 Equal Weight Index actually fell in the final 12 months of the bubble; after the bubble burst, the Nasdaq fell 60% within a year, while the humiliated defensive sectors rebounded strongly (utilities up 25%, consumer staples up 24%), and the equal-weight S&P 500 actually rose in 2000. In the 2006-2007 China bull market, materials and industrials tripled in 12 months, only to fall 65% to 85% in the year after the bubble burst, while the previously underperforming consumer staples, utilities, and technology sectors gained strength against the trend.

Who are the "humiliated" sectors today? Hartnett gives a clear direction: Since the Nasdaq surged 80% from its low in April 2026, the worst-performing sectors have been consumer staples, financials, and healthcare. According to the historical script, they are the sectors most likely to outperform after the bubble ends.

The Next Phase of AI Investment: From "Builders" to "Users"

This is the section most enlightening for crypto and tech investors in the entire report.

Hartnett notes that technology companies' penetration in the credit market has reached a staggering level: The tech sector accounts for 10% of the U.S. investment-grade bond market and 8% of the high-yield bond market. This means tech companies are not only highly concentrated in the stock market but are also leveraging massively in the bond market.

His judgment: The leadership in AI investment is shifting. From the "spenders" (capex of large tech companies) and the "builders" (semiconductors) to the "users of AI" (the application layer). The best way to participate is through small-cap growth stocks, not by continuing to bet on large-cap tech.

The historical anchor for this analogy is the period after the "Nifty Fifty" bubble in the 1970s: From December 1974 to May 1981, small-cap growth stocks outperformed the S&P 500 by over 1,000%. Hartnett suggests a similar structural rotation may be brewing.

Fund Flows: Smart Money Quietly Turns Around

This week's fund flow data contains several notable signals.

Global equities saw a net outflow of $7 billion, the first in 9 weeks. Japanese stocks saw an outflow of $8.2 billion, the largest weekly outflow since May 2025. China funds saw an outflow of $14 billion, with cumulative outflows since January 2026 reaching $218 billion. Europe saw net outflows for seven consecutive weeks.

Meanwhile, bonds saw net inflows for the 57th consecutive week (this week: $23.6 billion). Investment-grade bonds saw inflows for eight consecutive weeks, and emerging market bonds for seven consecutive weeks. Notably, BofA's private clients made a record withdrawal from cash and a record purchase of long-term Treasury ETFs (TLT, JAAA, VGIT).

Translating this data: Institutional money is migrating from stocks to bonds, especially by extending duration. Private clients' cash allocation is at a historical low (9.6%), while their stock allocation is at a historical high (66%). Everyone is fully invested, everyone is optimistic.

This is precisely the reason for Hartnett's alarm.

Bull & Bear Indicator Triggers "Sell" Signal

BofA's Bull & Bear indicator rose from 8.0 to 8.5, moving further into the contrarian "sell" zone. This indicator triggers a sell signal when it exceeds 8.0.

Among the six components of this indicator, fund manager positioning is at the 98th percentile (extremely bullish), bond fund flows are at the 85th percentile (extremely bullish), hedge fund positioning is at the 72nd percentile (bullish), and credit market technicals are at the 77th percentile (bullish). None of the six components show pessimism.

Since 2002, this indicator has triggered 17 sell signals. Subsequently, global equities fell an average of 2% to 3% over the next two to three months, with a hit rate of about 60% and maximum drawdowns reaching 15% to 20%.

June: Event Risks Converge

Hartnett used a word: chockablock.

June 10th US CPI (expected around 4%), 11th ECB rate hike, 15th G7 summit, 16th Bank of Japan rate hike, 17th Warsh's first FOMC press conference, 18th UK by-election, plus a large window for equity issuance.

Against a backdrop where everyone is fully invested and all indicators are extremely optimistic, any "surprise" from these events could become the trigger for profit-taking. Hartnett's advice is direct: Take profits, act inversely when yields are falling and stocks are rising.

The political backdrop he provides is also noteworthy: Trump's economic approval rating has fallen to 35%, and inflation approval to 28%, both hitting new lows. The political cost of the Iran conflict is backfiring on the White House.

2026's Winners and Losers

Performance ranking year-to-date as of May 27th:

The biggest winners are Oil (+54.4%) and South Korean stocks (+111.6%). The worst performers are Bitcoin (-16.3%) and Indian stocks (-10.4%). Chinese stocks fell 7.9%, with China funds seeing cumulative outflows of $218 billion. Gold rose only 2.5%, trading flat after the war premium faded.

A counterintuitive fact: Among all major asset classes, Bitcoin is the worst-performing asset of 2026, and by a significant margin. The second-worst performer, Indian stocks, fell only about two-thirds as much as Bitcoin.

For crypto investors, this report carries an uncomfortable implication: Bitcoin is at the bottom year-to-date among all assets, still seeing weekly net outflows (this week: $1.2 billion), and within BofA's framework, the high correlation of crypto with risk assets suggests that if the "post-bubble" script truly plays out, Bitcoin may not be spared.

Disclaimer: This article is Tide Research's collation and interpretation of a third-party brokerage research report. The ratings, target prices, earnings forecasts, and related judgments cited in the article are the views of that brokerage's analyst, representing only the stance of their affiliated institution. They do not represent the views of Tide Research, nor do they constitute any investment advice.

The market carries risks, and decisions should be made independently. This article should not be used as a basis for buying or selling any securities.

Tiền kỹ thuật số thịnh hành

Câu hỏi Liên quan

QAccording to the Bank of America report, what is the core trading strategy for navigating the post-bubble market?

AThe core trading strategy is 'long humiliation, short hubris,' meaning to buy assets that have been underperforming ('humiliated') and short or avoid the leading, overvalued ('arrogant') assets that were the bubble's darlings.

QWhat historical parallel does the report draw regarding the concentration of the S&P 500 index?

AThe report notes that only 4% of S&P 500 stocks are making new highs alongside the index, a level of market concentration last seen at the peak of the dot-com bubble in March 2000.

QWhich sectors are identified as the current 'humiliated' ones, likely to outperform after a bubble, according to the analyst Hartnett?

AThe 'humiliated' sectors, which have performed the worst since the Nasdaq's April 2026 low, are Consumer Staples, Financials, and Healthcare. History suggests these could be the outperformers post-bubble.

QWhat key shift in AI investment leadership does the report predict, and what is the suggested way to participate?

AThe report predicts a shift in AI investment leadership from the 'builders' (big tech capex and semiconductors) to the 'users' (application layer). The suggested best way to participate is through small-cap growth stocks, not by continuing to bet solely on large-cap tech.

QWhat signal did Bank of America's Bull & Bear Indicator trigger, and what is its historical performance after such a signal?

AThe Bull & Bear Indicator triggered a 'sell' signal after rising to 8.5. Historically, since 2002, such signals have been followed by an average 2-3% decline in global stocks over the next 2-3 months, with a hit rate of about 60% and maximum drawdowns reaching 15-20%.

Nội dung Liên quan

Claude ra mắt tính năng mới: Ghi màn hình + Giọng nói, chưng cất Kỹ năng (Skill) với một cú nhấp chuột để tự động hóa công việc

Claude vừa ra mắt tính năng "Ghi lại Kỹ năng", cho phép người dùng tạo kỹ năng tự động hóa bằng cách ghi màn hình và giải thích bằng giọng nói. Tính năng này hiện có sẵn cho người dùng Pro, Max và Team trên ứng dụng desktop Claude Cowork. Người dùng chỉ cần thực hiện quy trình công việc trên máy tính, vừa làm vừa mô tả bằng lời nói, sau đó Claude sẽ tự động phân tích và tạo ra một "Skill" có thể tái sử dụng, được gọi bằng lệnh gạch chéo (/). Điểm đột phá của tính năng này là bỏ qua bước "viết" hướng dẫn phức tạp thủ công, giúp chuyển đổi tri thức ngầm và kinh nghiệm thực tế thành quy trình tự động một cách dễ dàng. Nó không chỉ là công cụ nâng cao hiệu suất, mà còn làm giảm đáng kể rào cản trong việc số hóa và lưu giữ quy trình nghiệp vụ chuyên môn, điều mà các hệ thống quản lý tri thức truyền thống thường gặp khó khăn. Bài viết cũng đề cập đến mặt khác của tự động hóa: một trường hợp cho thấy mối quan hệ hợp tác lâu năm có thể bị thay thế bởi một bộ kỹ năng được tạo sẵn. Nghiên cứu từ Harvard Business School chỉ ra rằng khi AI phát triển, giá trị công việc sẽ dịch chuyển từ "biết cách làm" sang "biết cách làm những việc người khác không thể làm". Tính năng mới của Claude đẩy nhanh xu hướng này, biến quy trình cá nhân thành tài sản tự động có thể chia sẻ và vận hành ngay lập tức.

marsbit2 phút trước

Claude ra mắt tính năng mới: Ghi màn hình + Giọng nói, chưng cất Kỹ năng (Skill) với một cú nhấp chuột để tự động hóa công việc

marsbit2 phút trước

Cho AI "ăn" nhiễu cũng tăng điểm, nghiên cứu này giúp nhiễu thực hiện chuyển dịch tích cực

Bài báo giới thiệu một phương pháp học chuyển tiếp mới có tên **Semi-Supervised Noise Adaptation (SSNA)** (Điều chỉnh Nhiễu Bán Giám sát), đã được xuất bản tại ICML 2026. Phương pháp này cho thấy ngay cả **dữ liệu nhiễu ngẫu nhiên**, không chứa thông tin ngữ nghĩa nào (ví dụ: được lấy mẫu từ phân phối Gaussian), cũng có thể giúp cải thiện hiệu suất của mô hình học máy trong các tình huống có ít dữ liệu được gắn nhãn. Nhóm nghiên cứu đề xuất một khuôn khổ gọi là **Noise Adaptation Framework (NAF)**. NAF tạo ra các nhiễu ngẫu nhiên và tổ chức chúng thành các cấu trúc phân biệt rõ ràng giữa các lớp (cụm) trong không gian biểu diễn chung. Cấu trúc phân loại này sau đó được chuyển giao (căn chỉnh) sang dữ liệu mục tiêu thực tế, từ đó cung cấp ranh giới phân loại rõ ràng hơn và nâng cao khả năng học. Trong thử nghiệm, với chỉ 4 mẫu được gắn nhãn cho mỗi lớp, NAF đã cải thiện đáng kể độ chính xác so với phương pháp học có giám sát cơ bản (ERM) trên nhiều bộ dữ liệu như CIFAR-10 (+12.35%), CIFAR-100 (+7.61%), và các bộ dữ liệu khác. Phương pháp này cũng hiệu quả với các tác vụ phân loại văn bản. Nghiên cứu nhấn mạnh rằng yếu tố then chốt không phải là bản thân dữ liệu nhiễu ngẫu nhiên, mà là **cấu trúc phân biệt được tạo ra** giữa các lớp nhiễu đó trong không gian biểu diễn. Ngay cả khi không có ngữ nghĩa thực, việc chuyển giao cấu trúc này vẫn có thể hỗ trợ học tập. Điều này mở ra hướng tiếp cận mới cho việc học chuyển tiếp trong các tình huống khó tiếp cận dữ liệu nguồn thực tế do vấn đề riêng tư, bản quyền hoặc hạn chế về chi phí.

marsbit3 phút trước

Cho AI "ăn" nhiễu cũng tăng điểm, nghiên cứu này giúp nhiễu thực hiện chuyển dịch tích cực

marsbit3 phút trước

Nhân viên "đắc dụng" của Nhà Trắng kiếm hơn 100.000 USD nhờ dự đoán dựa trên thông tin nội bộ

Mới đây, một nhân viên Nhà Trắng đã bị phát hiện sử dụng thông tin nội bộ để giao dịch kiếm lời trên thị trường dự đoán. Nhân vật chính là Gabriel Perez, người phụ trách vận hành máy nhắc lời cho các bài phát biểu của cựu Tổng thống Trump từ năm 2016. Với quyền tiếp cận bản thảo bài nói trước, Perez đã đặt cược vào các từ khóa cụ thể mà Trump sẽ "đề cập" trong hơn chục bài phát biểu, thu lợi hơn 100.000 USD chỉ trong khoảng ba tháng. Sàn giao dịch dự đoán Kalshi, nơi Perez thực hiện giao dịch, đã phát hiện hoạt động bất thường, đóng băng tài khoản của anh ta và báo cáo lên Ủy ban Giao dịch Hàng hóa Tương lai Mỹ (CFTC). Perez hiện đã bị đình chỉ công tác không lương. Tuy nhiên, khác với hai vụ buộc tội hình sự trước đó liên quan đến một binh sĩ đặc nhiệm và một kỹ sư Google, Perez chỉ phải đối mặt với hành động dân sự của CFTC, chủ yếu là hoàn trả lợi nhuận và cam kết không tái phạm. Vụ việc làm nổi bật tính dễ bị thao túng của các thị trường dự đoán thể loại "đề cập", nơi người có thông tin nội bộ hoặc chính người phát biểu có thể dễ dàng kiểm soát kết quả. Đây là trường hợp nội gián thứ ba bị công bố trong lĩnh vực này. Để ứng phó, các nền tảng như Kalshi đang siết chặt quy định, yêu cầu người dùng tiết lộ thông tin công việc nhằm hạn chế giao dịch nội gián. Sự kiện này đặt ra câu hỏi về tính toàn vẹn của thị trường dự đoán, vốn được kỳ vọng phản ánh trí tuệ đám đông, nhưng thực tế có thể trở thành công cụ kiếm lời cho số ít người nắm thông tin đặc quyền.

marsbit1 giờ trước

Nhân viên "đắc dụng" của Nhà Trắng kiếm hơn 100.000 USD nhờ dự đoán dựa trên thông tin nội bộ

marsbit1 giờ trước

Nhân viên sử dụng teleprompter cho Nhà Trắng kiếm hơn 100,000 USD nhờ dự đoán bằng nội bất.

Bài viết tiết lộ vụ bê bối giao dịch nội gián liên quan đến một nhân viên Nhà Trắng. Gabriel Perez, người phụ trách điều khiển máy nhắc lời cho các bài phát biểu của cựu Tổng thống Trump, đã lợi dụng thông tin nội bộ về nội dung bài diễn văn để đặt cược trên thị trường dự đoán Kalshi, kiếm lời hơn 100.000 USD trong ba tháng. Anh ta có thể biết trước các từ khóa cụ thể sẽ được nhắc đến. Tuy nhiên, không phải lần nào cũng thành công vì Trump thường nói ngoài kịch bản. Hành vi của Perez bị phát hiện nhờ hệ thống giám sát của Kalshi, dẫn đến việc tài khoản bị đóng băng và anh ta bị đình chỉ công việc. Mặc dù phải hoàn trả lợi nhuận, Perez không phải đối mặt với truy tố hình sự vì cơ quan chức năng cho rằng hành động này không gây hại cho an ninh quốc gia mà chỉ là vấn đề đạo đức. Bài viết cũng chỉ ra rằng thị trường dự đoán loại "đề cập" rất dễ bị thao túng, với chi phí gian lận thấp và lợi nhuận tiềm năng cao, và dẫn thêm các ví dụ khác như CEO Coinbase Brian Armstrong. Để tăng cường tuân thủ, Kalshi đã yêu cầu người dùng tiết lộ nơi làm việc. Vụ việc của Perez cho thấy nỗ lực thanh lọc giao dịch nội gián trong lĩnh vực thị trường dự đoán, nhưng đồng thời cũng làm dấy lên câu hỏi về tính chính xác và bản chất của các nền tảng này.

Odaily星球日报1 giờ trước

Nhân viên sử dụng teleprompter cho Nhà Trắng kiếm hơn 100,000 USD nhờ dự đoán bằng nội bất.

Odaily星球日报1 giờ trước

Các trang trại khai thác Bitcoin đang biến thành nhà máy AI

Bài báo phân tích xu hướng chuyển đổi từ lĩnh vực tiền điện tử (Crypto) sang trí tuệ nhân tạo (AI), tập trung vào ba loại tài sản chính được kế thừa từ chu kỳ Crypto trước. **1. Cơ sở hạ tầng từ các trang trại khai thác Bitcoin:** Các công ty khai thác như Crusoe, CoreWeave, TeraWulf và nhiều công ty khác đang chuyển đổi trung tâm dữ liệu của họ để phục vụ AI. Giá trị cốt lõi không nằm ở phần cứng cũ (máy đào ASIC khó tái sử dụng cho AI), mà ở các tài sản như nguồn điện ổn định, đất đai, giấy phép kết nối lưới điện và kinh nghiệm vận hành. Khi lợi nhuận từ khai thác Bitcoin giảm và nhu cầu điện cho AI tăng, những cơ sở hạ tầng này trở thành tài sản chiến lược, với nhiều hợp đồng cho thuê dài hạn trị giá hàng tỷ USD được ký kết với các tập đoàn AI lớn. **2. Con người và kỹ năng từ hệ sinh thái Crypto:** Các kỹ sư và doanh nhân từng làm việc trong lĩnh vực Crypto đang áp dụng kinh nghiệm của họ vào AI. Ví dụ điển hình là Alex Atallah (đồng sáng lập OpenSea) với OpenRouter - một nền tảng tổng hợp API cho hàng trăm mô hình AI, tương tự cách OpenSea kết nối người mua và bán NFT. Một ví dụ khác là Fal.ai (người sáng lập từng làm tại Coinbase), chuyên tối ưu hóa việc triển khai các mô hình sinh ra hình ảnh/video. **3. Vốn từ chu kỳ Crypto trước:** Các khoản lợi nhuận khổng lồ từ Crypto đang được tái đầu tư vào AI. Jed McCaleb (người sáng lập Mt.Gox, Ripple) đã dùng 5 tỷ USD để mua GPU và thành lập Voltage Park. Các quỹ đầu tư mạo hiểm (VC) Crypto như Paradigm cũng đang rót vốn vào các công ty AI như Nous Research. Một trường hợp đặc biệt là khoản đầu tư từ FTX (sàn giao dịch đã phá sản) vào Anthropic và Cursor, sau này tăng giá trị lên rất nhiều lần. Bài báo kết luận rằng bản thân Crypto không "biến thành" AI, mà các nguồn lực (cơ sở hạ tầng, con người, vốn) tích lũy được từ thời kỳ bùng nổ trước đang được chuyển dịch một cách tự nhiên sang lĩnh vực mới đang cần chúng nhất - trí tuệ nhân tạo.

链捕手1 giờ trước

Các trang trại khai thác Bitcoin đang biến thành nhà máy AI

链捕手1 giờ trước

Giao dịch

Giao ngay

Bài viết Nổi bật

AGENT S là gì

Agent S: Tương Lai của Tương Tác Tự Động trong Web3 Giới thiệu Trong bối cảnh không ngừng phát triển của Web3 và tiền điện tử, các đổi mới đang liên tục định nghĩa lại cách mà cá nhân tương tác với các nền tảng kỹ thuật số. Một dự án tiên phong như vậy, Agent S, hứa hẹn sẽ cách mạng hóa tương tác giữa con người và máy tính thông qua khung tác nhân mở của nó. Bằng cách mở đường cho các tương tác tự động, Agent S nhằm đơn giản hóa các nhiệm vụ phức tạp, cung cấp các ứng dụng chuyển đổi trong trí tuệ nhân tạo (AI). Cuộc khám phá chi tiết này sẽ đi sâu vào những phức tạp của dự án, các tính năng độc đáo của nó và những tác động đối với lĩnh vực tiền điện tử. Agent S là gì? Agent S đứng vững như một khung tác nhân mở đột phá, được thiết kế đặc biệt để giải quyết ba thách thức cơ bản trong việc tự động hóa các nhiệm vụ máy tính: Thu thập Kiến thức Cụ thể theo Miền: Khung này học một cách thông minh từ nhiều nguồn kiến thức bên ngoài và kinh nghiệm nội bộ. Cách tiếp cận kép này giúp nó xây dựng một kho lưu trữ phong phú về kiến thức cụ thể theo miền, nâng cao hiệu suất của nó trong việc thực hiện nhiệm vụ. Lập Kế Hoạch Qua Các Tầm Nhìn Nhiệm Vụ Dài Hạn: Agent S sử dụng lập kế hoạch phân cấp tăng cường kinh nghiệm, một cách tiếp cận chiến lược giúp phân chia và thực hiện các nhiệm vụ phức tạp một cách hiệu quả. Tính năng này nâng cao đáng kể khả năng quản lý nhiều nhiệm vụ con một cách hiệu quả và hiệu suất. Xử Lý Các Giao Diện Động, Không Đều: Dự án giới thiệu Giao Diện Tác Nhân-Máy Tính (ACI), một giải pháp đổi mới giúp nâng cao tương tác giữa các tác nhân và người dùng. Sử dụng các Mô Hình Ngôn Ngữ Lớn Đa Phương Thức (MLLMs), Agent S có thể điều hướng và thao tác các giao diện người dùng đồ họa đa dạng một cách liền mạch. Thông qua những tính năng tiên phong này, Agent S cung cấp một khung vững chắc giải quyết các phức tạp liên quan đến việc tự động hóa tương tác giữa con người với máy móc, mở ra nhiều ứng dụng trong AI và hơn thế nữa. Ai là Người Tạo ra Agent S? Mặc dù khái niệm về Agent S là hoàn toàn đổi mới, thông tin cụ thể về người sáng lập vẫn còn mơ hồ. Người sáng lập hiện vẫn chưa được biết đến, điều này làm nổi bật giai đoạn sơ khai của dự án hoặc sự lựa chọn chiến lược để giữ kín các thành viên sáng lập. Bất chấp sự ẩn danh, sự chú ý vẫn tập trung vào khả năng và tiềm năng của khung này. Ai là Các Nhà Đầu Tư của Agent S? Vì Agent S còn tương đối mới trong hệ sinh thái mã hóa, thông tin chi tiết về các nhà đầu tư và những người tài trợ tài chính của nó không được ghi chép rõ ràng. Sự thiếu vắng thông tin công khai về các nền tảng đầu tư hoặc tổ chức hỗ trợ dự án dấy lên câu hỏi về cấu trúc tài trợ và lộ trình phát triển của nó. Hiểu biết về sự hỗ trợ là rất quan trọng để đánh giá tính bền vững và tác động tiềm năng của dự án. Agent S Hoạt Động Như Thế Nào? Tại cốt lõi của Agent S là công nghệ tiên tiến cho phép nó hoạt động hiệu quả trong nhiều bối cảnh khác nhau. Mô hình hoạt động của nó được xây dựng xung quanh một số tính năng chính: Tương Tác Giống Như Con Người: Khung này cung cấp lập kế hoạch AI tiên tiến, cố gắng làm cho các tương tác với máy tính trở nên trực quan hơn. Bằng cách bắt chước hành vi của con người trong việc thực hiện nhiệm vụ, nó hứa hẹn nâng cao trải nghiệm người dùng. Ký Ức Tường Thuật: Được sử dụng để tận dụng các trải nghiệm cấp cao, Agent S sử dụng ký ức tường thuật để theo dõi lịch sử nhiệm vụ, từ đó nâng cao quy trình ra quyết định của nó. Ký Ức Tình Huống: Tính năng này cung cấp cho người dùng hướng dẫn từng bước, cho phép khung này cung cấp hỗ trợ theo ngữ cảnh khi các nhiệm vụ diễn ra. Hỗ Trợ OpenACI: Với khả năng chạy cục bộ, Agent S cho phép người dùng duy trì quyền kiểm soát đối với các tương tác và quy trình làm việc của họ, phù hợp với tinh thần phi tập trung của Web3. Tích Hợp Dễ Dàng với Các API Bên Ngoài: Tính linh hoạt và khả năng tương thích với nhiều nền tảng AI khác nhau đảm bảo rằng Agent S có thể hòa nhập liền mạch vào các hệ sinh thái công nghệ hiện có, làm cho nó trở thành lựa chọn hấp dẫn cho các nhà phát triển và tổ chức. Những chức năng này cùng nhau góp phần vào vị trí độc đáo của Agent S trong không gian tiền điện tử, khi nó tự động hóa các nhiệm vụ phức tạp, nhiều bước với sự can thiệp tối thiểu của con người. Khi dự án phát triển, các ứng dụng tiềm năng của nó trong Web3 có thể định nghĩa lại cách mà các tương tác kỹ thuật số diễn ra. Thời Gian Phát Triển của Agent S Sự phát triển và các cột mốc của Agent S có thể được tóm tắt trong một dòng thời gian nêu bật các sự kiện quan trọng của nó: 27 tháng 9, 2024: Khái niệm về Agent S được ra mắt trong một bài nghiên cứu toàn diện mang tên “Một Khung Tác Nhân Mở Sử Dụng Máy Tính Như Một Con Người,” trình bày nền tảng cho dự án. 10 tháng 10, 2024: Bài nghiên cứu được công bố công khai trên arXiv, cung cấp một cái nhìn sâu sắc về khung và đánh giá hiệu suất của nó dựa trên tiêu chuẩn OSWorld. 12 tháng 10, 2024: Một video trình bày được phát hành, cung cấp cái nhìn trực quan về khả năng và tính năng của Agent S, thu hút thêm sự quan tâm từ người dùng và nhà đầu tư tiềm năng. Những dấu mốc trong dòng thời gian không chỉ minh họa sự tiến bộ của Agent S mà còn chỉ ra cam kết của nó đối với sự minh bạch và sự tham gia của cộng đồng. Những Điểm Chính Về Agent S Khi khung Agent S tiếp tục phát triển, một số thuộc tính chính nổi bật, nhấn mạnh tính đổi mới và tiềm năng của nó: Khung Đổi Mới: Được thiết kế để cung cấp cách sử dụng máy tính trực quan giống như tương tác của con người, Agent S mang đến một cách tiếp cận mới cho việc tự động hóa nhiệm vụ. Tương Tác Tự Động: Khả năng tương tác tự động với máy tính thông qua GUI đánh dấu một bước tiến tới các giải pháp tính toán thông minh và hiệu quả hơn. Tự Động Hóa Nhiệm Vụ Phức Tạp: Với phương pháp mạnh mẽ của nó, nó có thể tự động hóa các nhiệm vụ phức tạp, nhiều bước, làm cho các quy trình nhanh hơn và ít sai sót hơn. Cải Tiến Liên Tục: Các cơ chế học tập cho phép Agent S cải thiện từ các trải nghiệm trước đó, liên tục nâng cao hiệu suất và hiệu quả của nó. Tính Linh Hoạt: Khả năng thích ứng của nó trên các môi trường hoạt động khác nhau như OSWorld và WindowsAgentArena đảm bảo rằng nó có thể phục vụ một loạt các ứng dụng rộng rãi. Khi Agent S định vị mình trong bối cảnh Web3 và tiền điện tử, tiềm năng của nó để nâng cao khả năng tương tác và tự động hóa quy trình đánh dấu một bước tiến quan trọng trong công nghệ AI. Thông qua khung đổi mới của mình, Agent S minh họa cho tương lai của các tương tác kỹ thuật số, hứa hẹn một trải nghiệm liền mạch và hiệu quả hơn cho người dùng trên nhiều ngành công nghiệp khác nhau. Kết luận Agent S đại diện cho một bước nhảy vọt táo bạo trong sự kết hợp giữa AI và Web3, với khả năng định nghĩa lại cách chúng ta tương tác với công nghệ. Mặc dù vẫn còn ở giai đoạn đầu, những khả năng cho ứng dụng của nó là rộng lớn và hấp dẫn. Thông qua khung toàn diện của mình giải quyết các thách thức quan trọng, Agent S nhằm đưa các tương tác tự động lên hàng đầu trong trải nghiệm kỹ thuật số. Khi chúng ta tiến sâu hơn vào các lĩnh vực tiền điện tử và phi tập trung, các dự án như Agent S chắc chắn sẽ đóng một vai trò quan trọng trong việc định hình tương lai của công nghệ và sự hợp tác giữa con người với máy tính.

Tổng lượt xem 961Xuất bản vào 2025.01.14Cập nhật vào 2025.01.14

AGENT S là gì

Làm thế nào để Mua S

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Sonic (S) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Sonic (S) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Sonic (S) của BạnSau khi mua Sonic (S), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Sonic (S)Giao dịch Sonic (S) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 1.9kXuất bản vào 2025.01.15Cập nhật vào 2026.06.02

Làm thế nào để Mua S

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến ​​của người dùng về giá của S (S) được trình bày dưới đây.

活动图片