自从10月那场残酷的清算潮削弱了市场信心以来加密货币一直处于动荡之中

本周随着杠杆押注的解除和更广泛的市场动荡，抛售进一步加剧。 周四，比特币下跌逾13%，为自2022年11月SamBankman-Fried的FTX崩溃以来单日最大跌幅。 此轮下跌意味着该代币从10月6日超过126，000美元的历史高点曾 自从10月那场残酷的清算潮削弱了市场信心以来，加密货币一直处于动荡之中。 本周随着杠杆押注的解除和更广泛的市场动荡，抛售进一步加剧。 周四，比特币下跌逾13%，为自2022年11月SamBankman-Fried的FTX崩溃以来单日最大跌幅。 此轮下跌意味着该代币从10月6日超过126，000美元的历史高点曾短暂蒸发超过一半的价值。 Re7 Capital创始人Evgeny Gokhberg表示，该代币从历史高点的下跌似乎“更多是由不加区分的头寸解除所驱动，而不是明确的基本面催化因素”。 他补充道：“市场资金流动显示出潜在对冲基金去杠杆的迹象，包括关于基差交易的压力，这意味着这波下跌可能是结构性的，而非基本面的。 ” 埃里森资本（Ericsenz Capital ）首席投资官达米恩・罗（Damien Loh）表示，从60，000美元回弹表明“那里有强劲支撑”。 他补充称，鉴于市场情绪依然谨慎，交易者不应“期望会有急速回升”。 过去48小时的震荡交易凸显出波动性的急剧上升。 比特币Volmex隐含波动率指数——旨在反映市场对比特币未来30天波动性的预期，并由实时加密期权价格推导而来——从周四的57%飙升至超过97%。 数字资产对冲基金Apollo Crypto研究主管Pratik Kala表示：“比特币波动率较上周翻了一番。 ” 他指出：“像我们及其他参与者已经意识到这是一个‘街头见血’的时刻，因而在买入。 ” 根据CoinGlass数据，过去24小时内所有加密货币的多头头寸约有被强制平仓。 比特币囤币者也是受影响的一类。 在周四的一份收益公告中，Michael Saylor的Strategy Inc.确认第四季度净亏损为，原因是其大量持仓的按市值计价下跌所致。 与此同时，周四投资者从跟踪比特币的美国交易所交易基金中撤出了。 BTC Markets的分析师Rachael Lucas表示，交易员们现在关注的是比特币能否守住60，000美元。 她补充说，若未能守住，“可能会看到下探至中位数的50，000美元区间”。 在Anna Irrera的协助下 已去除文档中的乱码（xxpq、xpq、xxpa等）及联系方式（@KarelDoostrlnck）。 代码指令：> codex –yolo “please train a new model”（请训练一个新模型）我花了10，000美元用Codex在OpenAI自动化我的研究。 文档中出现的数字：288、86万、102、2，905（未明确具体含义，按原文保留）。 我使用了数十亿个Codex令牌。 这里是我的设置以及我学到的东西。 很多人严重低估了Codex的能力。 因此，我想把一些东西写下来并更广泛地分享，希望能激发更多人。 在这篇文章中，我将分享我的简单设置并讨论一些杀手级用例，在这些用例中我经常分配数以亿计的令牌。 本月我在API开销上总共花了10，000美元，这使我成为我们团队中最为高产的用户之一。 完全值得。 最后，我思考了组织在不久的将来如何可能显著提高效率。 我个人的设置非常简单：git worktrees、多个shell窗口，以及每个worktree一个VSCode实例，这样我可以浏览代码更改。 在新的Codex应用中，你基本上开箱即得这种设置。 不要被过于花哨的工具所诱惑。 最大的突破是让Codex持续记录并改进它自己的工作流程。 这是我为个人设置完全拼凑出来的东西。 Codex在我用它执行的任务上持续变得更好更快，仅仅因为我有让它记笔记并改进的习惯。 在工作时，Codex会把笔记和辅助脚本提交到我们monorepo中我的个人文件夹。 与代码库的新部分交互几次后，这些辅助脚本往往会稳定下来。 我实际上从未真正阅读过这些笔记，它们对我的用处纯粹体现在对Codex性能的影响。 现在我的设置能够在多个会话中累积知识后，我开始放心地扩大它所用于的任务规模。 下面深入介绍两个我最近为之消耗了数亿个token的任务。 研究进展迅速。 实验成本高且容易配置错误，因此紧跟最新发现和注意事项至关重要。 当我想在不熟悉的代码库部分快速实现一个一次性实验时，我会让Codex做大量尽职调查。 Codex会探索相关的Slack频道，阅读相关讨论，从这些讨论中获取实验分支，并为我的实验筛选出有用的改动。 所有这些都会被总结成一套详尽的笔记，并附上回溯到每条信息来源的链接。 借助这些笔记，Codex会连接好实验并做出许多超参数决策，这些决策若没有投入更多精力我根本不可能做出。 寻求第二意见大大提高了我对所交付内容的信心。 在错误代价高昂的场景中，你需要一个极其勤勉、召回率很高的搜索代理。 Codex经常满足我这方面的需求。 编码代理在数据分析方面也很出色，使得快速从数据中获取洞见变得非常容易。 目前，真正的瓶颈是弄清楚要分析什么。 最近，我用Codex大规模扩展了我们的一些模型行为工作。 我意识到我们内部的Slack充斥着与不同类型模型行为相关的讨论、报告和数据，而这些可能是我们想更严格测试的对象。 我使用Codex定位并广泛爬取了相关频道，生成了可测试假设的描述。 除了阅读Slack，它还查看了人们分享的截图、提取了与模型行为相关的文档并浏览了电子表格。 经过数小时的工作，最终产生了700多条新假设，这些假设正在改善我们对模型行为和用户偏好的理解。 大部分工作是用GPT-5.2完成的，但我这几天一直在测试新的GPT-5.3-Codex模型。 我的每日使用令牌数在上升，我认为这大致与我的生产力相关。 我发现GPT-5.3-Codex在并行管理多个子代理方面尤其出色。 此外，对Codex堆栈的近期加速使整个子代理体验感觉更加迅捷。 我的工作流程目前正转向只与一个代理对话，该代理反过来协调一支代理大军来进行Slack研究、代码研究、代码编写和数据科学。 这大大减少了我为通过代理并行化工作所需进行的上下文切换。 然而，当我需要处理关键任务时，我仍然选择直接与那个特定的子代理对话。 这些工作流程揭示了组织运作方式的一个根本性问题。 在我两个使用场景中，我在没有人工协调的情况下实现了全面的跨组织知识传递。 没有会议、没有电子邮件、没有四处打听。 我只是将Codex指向问题，它就从数十个人那里聚合了知识，而这些人甚至不知道自己在为我的目标做出贡献。 我不禁想知道这将如何影响社会。 传统上，组织要承担某种“人头税”：增加更多人手会提高总产出，但每增加一个人的边际贡献会下降，因为协调开销增加。 这是一个巨大问题。 现代组织使用非结构化沟通渠道（Slack、Teams）、共享代码库和集中式文档等工具来缓解这一点，但仍然存在巨大的摩擦。 为任何特定决策呈现合适的上下文仍然需要大量人力投入。 凭借当今可用的技术，我们现在可以遍历组织的整个信息生态，并按需综合相关上下文。 我们可以真正削减地球上每个组织所遭受的低效。 我相信我们的现代机构可以被大幅提升效率，而事实证明，我们或许只需要提出请求。