Gravity(G) 暴跌

近年来，GPU租赁价格持续大幅上涨，H100一年期合约价格在半年内涨幅近40%，市场供给极度紧张，部分产能已预订至2026年下半年。价格上涨的核心原因已从硬件成本转向由token消耗、模型能力与生产效率共同驱动。 需求爆发主要源于多智能体系统、AI编程工具（如Claude Code）及原生内容生成应用的广泛使用，推动token消耗呈指数级增长。企业验证了AI工具投入产出比高达5–10倍，因此算力需求短期内难以被价格抑制。 供给端受存储芯片（如HBM、DRAM）涨价、服务器成本上升及产能部署延迟影响，进一步加剧短缺。市场结构以中长期合约为主导，大型AI实验室通过4–5年包销协议锁定算力，中小型客户则面临高价和稀缺困境。 尽管公开市场仍担忧算力过剩，但实际供需紧张推动Neocloud服务商定价权提升，资本回报率改善。未来价格走势取决于GB300产能扩张速度、芯片供应链稳定性及AI商业化进度，但短期内上行概率仍高于回落。

AI中转站因价格低廉、模型多样且能统一接入Claude Code等开发工具而吸引用户，但其背后隐藏着数据安全风险，用户可能暴露提示词、代码乃至业务机密。文章探讨了中转站流行的市场需求（价格优势、降低访问门槛、开发工具推动），并指出并非所有用户都需要它：轻度用户可用免费官方额度，重度开发者可采用分层使用模型的策略以平衡成本与安全。 若确需使用中转站，应遵循一套风险控制流程：先验证模型真实性、测试稳定性并查看文档质量；技术配置上隔离API密钥并设置用量上限；使用中建立数据分级习惯，对敏感信息进行脱敏；特别注意AI编程工具可能泄露项目上下文，需单独处理；最后持续监控使用情况并准备备选方案，确保可随时迁移。总之，中转站是工具而非默认选择，用户需通过主动管理来掌控风险。

索拉纳（SOL）价格在加密货币市场普遍承压下跌的背景下，跌破65美元，创下自2023年末以来的新低。分析师阿里·马丁内斯根据UTXO已实现价格分布指标指出，SOL已失去约77美元的关键支撑位，下一个重要支撑位在53美元附近。若该位置失守，后续可能下探至35美元和24美元。当前SOL价格约为63.23美元，过去24小时内跌幅近8%。市场情绪偏向看跌，现货市场需求恢复是价格开启反弹的必要条件。

**2026年第二季度加密市场回顾** 比特币在第二季度表现疲软，回吐了4月份的全部涨幅，最终季度下跌约11%，交易价格徘徊在60,000美元附近，较2025年末的历史高点下跌超50%。市场走弱主要由三大因素驱动：美联储鹰派利率预期转变、资本从加密货币轮动至AI股票板块，以及关键地缘政治事件（如油价波动）的影响。与此同时，美股主要指数（如标普500和纳斯克达克100）同期则录得显著上涨。 **流动性收紧：三大需求渠道同时减弱** 1. **现货比特币ETF**：季度净流出达40.8亿美元，其中6月单月净流出38.4亿美元，资金流入趋势发生逆转。 2. **加密资产财库（如Strategy公司）**：增持速度显著放缓，市场情绪受其出售少量BTC及调整资本框架影响。 3. **稳定币**：总市值收缩约42亿美元（主要受USDC和USDe减少拖累），链上可用流动性减少。 **市场活动与杠杆变化** * 交易所现货总交易量环比下降28%，而衍生品交易占比上升。 * 市场经历了显著的去杠杆化，BTC和ETH的多头平仓总额达83.5亿美元，未平仓合约自高点大幅回落。 * 市场流动性恶化，订单簿深度减半，吸收抛售压力的能力减弱。 **未来值得关注的新趋势** 尽管市场疲软，一些结构性发展预示了新方向： * **资产类别扩展**：代币化股票（如Coinbase推出）、链上RWA（股票、指数、大宗商品）永续合约兴起。 * **链上价格发现**：例如SpaceX的巨额IPO在公开上市前已在加密市场进行定价。 * **机构基础设施成熟**：链上金库正成为机构资本的核心配置层，传统资管公司开始进入该领域。 **总结**：Q2加密市场在流动性全面收紧和资本外流的背景下表现低迷，市场进入去杠杆化后的更稳定但谨慎的状态。资金是否回流加密货币，还是继续追逐AI等传统市场热点，是Q3的关键观察点。同时，链上在资产种类和金融基础设施方面的创新仍在持续推进。

一篇关于提示词工程（Prompt Engineering）的论文被机器学习顶会ICML 2026接收，引发广泛争议。该论文提出了一种名为“Verbalized Sampling”（VS）的方法，核心在于仅通过修改提示词，要求大模型在生成答案的同时输出其自身的概率分布，从而显著提升了模型输出的多样性，缓解了LLM中常见的“模式坍缩”（Mode Collapse）问题。 论文作者认为，模式坍缩的根本原因并非在于优化算法，而在于人类偏好数据中存在的“典型性偏差”——标注者更倾向于给常见、流畅的答案高分。通过在推理阶段使用VS提示词，可以唤醒模型在预训练阶段学到的多元分布。实验表明，该方法在创意写作等任务中能将输出多样性提升1.6至2.1倍，且不影响事实准确性与安全性。 这一成果在Reddit上引发了激烈讨论。反对者认为，仅靠调整提示词缺乏算法或理论创新，创新性单薄，且其普适性和稳定性存疑，不符合传统机器学习顶会对“硬核创新”的期待。支持者则指出，研究价值在于其深入的问题归因和严谨的实证过程，类似于当年“思维链”（CoT）提示的兴起，提示词工程正成为研究模型行为的重要方法，未来可能改变大模型的能力边界。 该研究由美国东北大学、斯坦福大学等机构的研究人员合作完成。尽管方法看似简单，但作者强调其包含了完整的问题溯源、理论归因和大量实验验证。