亲爱的数据

香港浸会大学公司治理硕士

7B就把图画成这样？Qwen-Image-2.1来了
小模型、推理结构优化、直接嵌进生产线，三件齐活了。视觉生成部分仅7B，32层Single-Stream DiT，文生图与编辑合一。值得看的不是参数量，是它怎么省的，混合粒度注意力，文本(系统前缀与编辑指令)走Token 级因果掩码，图像生成走Chunk级掩码，再把输入图与编辑指令当作静态上下文，首步预计算后 KV Cache 复用，直接压掉显存开销。这是把LLM推理那套优化，搬进了扩散模型。于是，参考图越多，优势越明显，最多10张输入不是堆出来的卖点，是这套结构的副产品。另一条线是原生透明。Qwen-Image-Layered的能力被放进统一模型，模型自己判断该输出 RGB还是RGBA，还能从真实照片里抠出透明图层。输出单位从"图"变成了"图层"，整条抠图环节被吃掉了。

亲爱的数据

香港浸会大学公司治理硕士

不把KV Cache绑死，那咋玩？
过去KV Cache是推理引擎内部一个不起眼的工程细节。现在因为长上下文和agent负载，它正在经历跟当年"缓存"从代码里的小技巧，演变一类独立基础设施。一个需要专门架构、专门团队去设计的新层。不是几个实验室的孤立探索，而是一个正在形成共识的基础设施新范式。六篇论文刚好能串成一条完整的产业叙事：最重要的两篇是，"以KV Cache为中心"的分离式架构Mooncake，DeepSeek系统组的DualPath，对coding agent这种“上下文很长、但每轮新增很少、前缀命中率极高”的场景，做了KV加载路径的优化。 DualPath论文测了coding agent的真实对话数据，平均157轮对话，上下文能到三万多token，但每一轮真正新增的内容，只有429个token。前缀命中率高达98%。就是说，你以为agent每一步都在"想新东西"，其实每一步都在"翻旧账"，98%的内容是上一步就算过的，只有2%是真正新的。这个数字为什么反常?因为现在大部分推理系统，骨子里还是按"每轮都会有明显变化"这个假设设计的。这个假设一旦不成立，原来那套基础设施（调度、存储、加载的逻辑）就全部要重新设计。这就是为什么Mooncake和DualPath之后又冒出PEEK、CrossPool、VeriCache这些针对性极强的新方案。说架构就拉高了，说说坑在哪里？你只要开始服务coding agent这类场景，单靠GPU显存(HBM)存这些历史对话记忆，根本不够用，system prompt、技能库、工具调用产生的上下文，动辄要保留一整天，整个集群要存的历史记忆量，直接从几百GB冲到TB甚至PB级别。参考蚂蚁集团，这么处理，搭了一套"KV Cache池化"的方案，把这些历史记忆从显存里搬出来，分层放到内存、硬盘里，用一套专门的调度层去管理谁该存、谁该扔、谁该被优先取回来。效果也很给力，同样的并发压力下，加了这套池化方案，吞吐量能再上一个明显的台阶，而不加的话，并发一涨就直接撞墙。同时，"能存得下"还不够。如果把记忆存下来了，却拿不回来得够快，一样白搭，加载速度慢，首字延迟照样拖垮体验。所以真正的解法从来不是单点优化，而是"存得下"和"取得快"必须同时成立。

亲爱的数据

香港浸会大学公司治理硕士

刷榜已经过时了，现在是RL提分产业链
TB 2.1：89.4% TB 4.0：19.1% 这个分数搞笑吗？这……是题变难了吗？很遗憾，benchmark原题就算不是训练集，也差不多了。公开benchmark一旦重要起来，整个训练数据产业都会开始围着它生产“长得很像的题”。 Terminal Bench2.1任务全部公开。谷歌Meta这种公司未必会把这些benchmark原题直接塞进训练集，但他们会从做RL environment、代码数据、agent trajectory的创业公司买数据。而这些创业公司非常清楚：谷歌Meta想让模型在Terminal Bench上拿高分。于是它们会批量制造：不是TB2.1原题，但任务结构、难度分布、工具使用方式、环境、失败模式，都尽可能像TB2.1。《五年高考三年模拟》背后的方法不难，不就是出题吗？1.数据公司研究benchmark；2.制造大量相似 RL 环境和任务；3.数据被大厂买走，4.模型越来越擅长这个benchmark的任务分布；5.分数提高啦。这就是benchmaxxing提分辅导产业链。这时候会有一个“新题”现象，一个benchmark刚出来的时候最好用，因为模型厂商还没来得及针对它优化。于是，他们说Terminal Bench 4.0现在还有很强的信息量，不一定是因为它设计得完美，而是因为它才发布两周。然而，有网友批评Gemini在DeepSWE这种特定benchmark上表现如此突出，很像谷歌已经吃了大量“DeepSWE风格”的强化学习数据。但是你有证据吗？除非拿到详细的“习题”采购合同吧。上一波习题污染，是模型见过，这一波玩得更high，是整个RL数据产业围着 benchmark出题。看来刷榜已经过时了。大模型得的高分里面有多少是真正的能力？后面，Alexandr Wang📄出来反驳了，仅凭这一张“掉分表”，因果链确实不够。不过，我支持挑战大厂。

亲爱的数据

香港浸会大学公司治理硕士

谷歌研究院8月31日发布了TimesFM-3，是它时间序列基础模型系列的第三代。330M参数，预训练语料超过1万亿个时间点，涵盖真实与合成时间序列。
解决什么？此前的版本（到2025年9月的TimesFM-2.5）只能做单变量预测，但现实中的预测问题大多是多变量的：博客举的例子是预测冰淇淋销量：光看历史销量远远不够，还得参考相关品类（甜筒、糖浆）的销售、门店客流，以及天气预报、促销安排、节假日这些已知的未来事件。TimesFM-3原生支持三类输入：同时预测多条相关序列、纳入只有历史值的协变量（如过去的客流）、以及利用已知未来的协变量（如计划中的促销活动），全部零样本，不需要针对任务微调。架构上有哪些设计？把未来时段的占位token和已观测的上下文一起送进去，目标序列和历史协变量在未来段被遮住，而已知未来的协变量保持可见，模型一次性把所有被遮住的位置同时填上，不需要迭代。每个目标序列的每一步都会输出9个分位数（10%到90%），给出完整的不确定性区间。效果如何？在三个公开基准上（Gift-Eval、FEV-Bench、Time），在点预测和概率预测两类指标上所有预训练基础模型里排名第一，博客里那个促销的例子很直观：单变量模型只会把历史的周度规律往后推，对计划中的促销一无所知；而把促销排期作为已知未来协变量喂进去后，模型从历史中学到促销与销量的关系，预测出每个促销日约20%的销量提升。在哪拿？已在GitHub和Hugging Face开放，BigQuery集成在未来几周上线。

亲爱的数据

香港浸会大学公司治理硕士

读OpenAI辣椒芯片时间线：哪些是算准，哪些是意外
特别牛，早在2024年10月，行业注意力和资本几乎全在训练上：谁的集群大、谁能训出更强的模型。推理并不重要。而OpenAI在那时就判断出：推理重要，尤其是智能体那种长时间自主运行、反复调用的推理重要。在那时就拿出了架构概念（Architecture Concept），决定这颗芯片要长什么样，多少算力、用什么内存、怎么互连、为哪类负载优化。 2025年2月RTL设计：用硬件描述语言把架构写成代码，定义每个电路的行为 2025年7月RTL冻结：设计定稿，不再改功能后端物理设计（冻结到流片这4个月）：把代码变成实际的晶体管布局和连线，做时序收敛和验证 2025年11月流片（Tapeout）：设计文件给台积电，流片到首硅这6个月：晶圆在厂里走完几百道工序 2026年5月：首硅（First Silicon）从台积电流出来，上电、能跑程序。第一，我始终认为，预判趋势是这一轮AI竞争最重要的法宝，是AI企业天价薪酬和超级高管的价值点之所在。后面的事情大家都知道了，2025年11月Claude Code带来拐点之后，长上下文多轮的智能体增长，如今已在生产推理中占主导；2026年4月，OpenAI企业级智能体业务超过了ChatGPT。提前一年的判断，并据此决心造一颗专门做推理的芯片。若错判了，这19个月和几十亿美元就打了水漂。第二，英伟达芯片正在被用来造它自己的对手芯片芯片本身只会做很基础的动作，加法、乘法、搬数据。要让它跑一个AI模型，得有人把模型里的每个运算（矩阵乘法、注意力计算等）翻译成这颗芯片能执行的具体指令序列，还要精确安排数据什么时候搬进来、放哪、算完往哪放。这段代码就是核函数。它的难点在于：须为每一颗特定芯片单独写，且要写得极致。写不好，芯片的算力就发挥不出来。英伟达（CUDA生态里）的这类核函数已有人写了十几年，新芯片造出来没人为它写过核函数。于是，出了这样一件事，OpenAI要用DeepSeek模型做基准测试，而DeepSeek用了一种叫MLA的注意力机制。问题是，OpenAI内部从来没有实现过MLA的核函数，他们自己的模型不用这个结构，所以没人写过。照往常，让核函数工程师来写。花上几周研究MLA的数学结构、设计数据布局、反复调优。结果是Codex干了，专家完全没上场，且写出来的代码，既对又好（DeepSeek R1上并发1时每用户每秒700个token以上）。而写出这段核函数的模型，本身跑在英伟达的芯片上。哈哈～

亲爱的数据

香港浸会大学公司治理硕士

Qwen3.8-Flash-Next即将开源，社区推测很多，坐等官方口径

亲爱的数据

香港浸会大学公司治理硕士

百度搜索产品进化：可操作互动是亮点今天参加百度AI开放日活动。
百度App 超7 亿月活，搜索是每天发生的高频行为，产品升级最好用户无感。当然已今天的竞争的激烈程度搜索已经不可能能有一招鲜吃遍天。大产品经理压力动很大。今天活动日的C位很多，我关注百度搜索中 GUI（可操作的答案）的角色定位与产品逻辑是啥？图片中那句“让理解在眼前发生”诠释得挺好，回答了GUI 战略价值。AI 搜索的终局不是给你更好的文字，而是在操作中自己“看见”答案。我认为技术层面它是组件，嵌入在搜索结果页中的可交互 UI 单元，有滑块、3D模型、参数调节器等元素。可以说，百度是通过“生成式UI技术”端到端生成这些可交互的知识场景页面。背后一套自建Harness系统能力自不在话下。从产品角度，是百度搜索从“给链接”进化到“给答案”再进化到“给可操作的体验”的关键功能形态。GUI 不是简单的装饰性图表，而是让用户直接在答案上操作、实验、验证的形态。。对ai产品来说，用户能交互，就有机会加深理解。其实我个人认为，理解是一件非常个人体验的事情，你觉得产品好用就是好用，就会加分，就会增加产品粘性和复用。搜索面临被 ChatGPT、Perplexity 等 AI 助手颠覆的风险。百度的应对方法之一GUI ，有一定不可替代性，是一步好棋。大部分AI产品，给一段文字解释。Perplexity给带引用来源的总结。百度搜索产品提供可拖动，可调节，边动边观察的动图。不需要为每个需求写死程序，大模型可以动态生成组件，后面有大模型审核和人工审核环节，保证生成质量。百度以前是静态词条库，现在说是能动手挖的知识库。当然我认识最重要的一个点就是大模型究竟要生成哪些“动图”？这个决策需要积累十几年，二十几年的搜索数据来回答，数据了解用户，这是百度的独门绝技。最后的最后，免费教育产品，谁不喜欢呢？尤其那些给孩子讲作业的家长，一时讲一时气，一直讲一直气。这气给AI吧。

亲爱的数据

香港浸会大学公司治理硕士

谷歌工程师锐评DeepSeek Harness的5大思路DeepSeek Harness想做平台底座，这是最近我听到最多的评价。它把Agent的模型、工具、上下文、Session和执行循环全部拆成插件，同时规定“模型看过的东西必须可记录、可重放”，把Harness做成了一套可替换、可追溯的Agent基础设施。Harness不只是一个loop，而是loop+tools+context+session+runtime state一套外围系统。
1.它没有把日志当成 Agent 运行后的录像，而是反过来让日志成为 Agent 的事实源：先记录发生了什么，再从记录生成模型上下文，因此模型看到的每一条信息，事后都能够被完整还原。 2.Agent最常见的失控之一，是不断重复同一个无效工具调用。DeepSeek Harness 没有粗暴禁止重试，而是监控重复行为，在模型连续犯同一个错误时逐步加强提醒，把“你正在原地打转”这个系统级信息重新告诉模型，让模型自己决定是继续、换路还是退出。 3.Agent经常不是因为推理能力不够而犯错，而是因为它不知道自己看到的信息并不完整。DeepSeek Harness做法是，只要搜索结果被截断，就明确告诉模型还有多少内容没展示，并保留完整结果供它继续读取；只要命令因为安全策略被拒绝，也明确告诉模型这不是命令写错了，继续换方法没有意义。它解决的其实是一个很基础的问题：模型可以不知道某些信息，但必须知道自己不知道。 4.为了让Agent调工具更快，允许模型自己写一小段程序，一次调用很多工具，此后，最容易出现的风险就是这段程序绕过原来的权限系统；DeepSeek Harness的 run_code设计重点就在于，哪怕模型自己写程序批量调用工具，每一次真正的工具调用仍然必须重新经过原来的权限检查。 5.长期Agent真正需要持久化的不是聊天历史，而是工作状态；DeepSeek Harness通过“清空上下文，保留工作区”，让每一轮Agent都从干净脑子重新开始，同时靠文件和结构化交接维持任务连续性。

亲爱的数据

香港浸会大学公司治理硕士

吴恩达的程序员技能地图
最扎心的是，AI能帮你写无限多代码，所以写代码不再值钱了，值钱的是判断"该写什么、不该写什么"。第一，会向AI提问，会调API，只是入门。AI和传统软件最大的不同是，给AI同一个问题，它能给你两个不同答案。所以真本事不是"让它跑起来"，是用系统化的评估把这个不确定的东西，调到稳定、可衡量、能上生产。没有这一步，你做AI就是"靠感觉"。第二，你能用多准的词，决定了AI能给你多好的东西。精准描述的能力，来自扎实的软件基本功。没这个功底的人，会陷入"凭感觉让AI写代码"，代码是能跑，但埋了一堆你看不见的雷:维护贵、性能差、有漏洞。第三，用编码Agent是必备技能，工具一个月一换，不变的那部分:上下文怎么组织、任务怎么拆、怎么给Agent设计一个能自己验证对错的闭环。追工具的人会累死，追方法论的人才走得下去。第四，工程师的重心，正在从"实现别人的设计"变成"决定该做什么"。当Agent越来越会"按规格交付"，瓶颈就不在"怎么做"，而在"做什么"。

亲爱的数据

香港浸会大学公司治理硕士

DeepSeek让Harness进度条，进入乐高时段Harness是agent江湖顶尖高手的山头，DeepSeek此番也要来领略。专门发一个Harness框架，还开源，不意外。官方说，一切皆插件。做的就是把Harness的每个能力都做成可自由替换、重组的插件；组件化的思路，显而易见。这会估计半个中国的agent工程师都在翻他们源码吧。哈哈。
当下AI圈最主流的做法是，Harness产生轨迹，再用轨迹来做后训练RL，进而让模型变强。也就说，"用agent跑出来的数据训练模型"是被公认为通往更强AI的主路。也就是说，Harness不只是"一个框架"，而是"RL 训练数据的生产线"。或者说，Harness是后训练RL的上游。于是，任何Harness的变化，自然考虑它对下游RL的影响。确实是有影响的。插件可以自由替换、重组，环境变得高度动态。今天用这套插件组合，明天换一套，agent面对的"环境"一直在变。这样，组合空间爆炸，奖励信号极度稀疏。在一个可任意组合的巨大空间里，"哪个组合好"的信号，少得可怜，得从海量组合里挖出一点有效信号。这些都令RL越来越难。绕这一圈，把Harness的江湖地位说清楚了，但是思考Harness，不能被RL限制住。别认为后面RL有坑，前面就不香了，其实真香。因为这是Harness构建方式和理念的大变化。梁圣再次引领潮流，彰显风采卓然。Harness的核心痛点是什么?开发慢、各组件割裂，改一点要动一大片，还要可观测。我之前写的几篇Harness文章分析下来，都是工程的活又难又多，而且变化迅猛，创业者难以下手。我身边很多朋友都在抱怨。然而，DeepSeek Harness 上来直接治这个。开发者无需改源码，就能独立替换、扩展任一能力。第一，每个插件是明确定义的、可组合的；第二，对抗"不可观测"，"仅追加的会话日志 + Trajectory视图"；第三，按场景切换四种预设模式。第四，底层插件系统（Cordis），只负责插件的加载、卸载和依赖关系，其余全交给插件自己。

亲爱的数据

香港浸会大学公司治理硕士

测睡多深？AI与麻醉脑电图：理想匹配还是昙花一现？
“亲爱的数据”已获《人工智能外科》中文版官方授权。该刊一年两期，精选发布。《AI与麻醉期间的脑电图：理想匹配还是昙花一现？》要解决的医学问题是，全麻手术时，麻醉医生怎么知道病人此刻是"刚好睡着"，还是"睡太浅"或"睡太深"?传统办法颇为间接：看血压、心率、给药量、药物浓度，加主观判断。这些指标反映的是身体应激，不是大脑意识本身，睡太浅，最坏是术中知晓，造成严重心理创伤，睡太深，则苏醒慢、术后认知障碍（尤其老年人），心血管风险上升。那么，如何直接、实时、精准知道麻醉深度。EEG（脑电图）是钥匙，直接读大脑皮层的电活动，但难点在于是一堆复杂波形，不同麻醉药、不同病人模式都不同，靠人眼实时判读极难。AI解决的正是"看懂 EEG"这件事：模型在检测麻醉状态、估计BIS值、识别爆发抑制等关键特征上都有不错表现，且无需手动特征工程，不用专家预先定义"看什么"。它列出的落地瓶颈：一是缺乏标准化的EEG模式定义，连"什么波形算睡到某深度"都没统一标准，模型换个医院、换个药就不灵，二是EEG仪器与电子病历互操作性差，数据格式专有，拿不到原始信号，大规模训练无从谈起，三是隐私，四是许多研究只做内部验证、只在实验条件下测试，一到真实手术室（电刀干扰、意外、没见过的病人）就露馅。这给出三个启发：AI 医学的瓶颈几乎从不在算法，而在数据孤岛与标准缺失，实验室的好成绩不等于真实世界能用，出路是透明算法、多中心异质数据、可共享标准的"协作"，而不是"更大的模型"。

亲爱的数据

香港浸会大学公司治理硕士

日本独角兽Sakana多模型产品光速接CC
日本AI独角兽Sakana AI宣布，Fugu-Ultra v1.1新增 Claude Code接口。开发者再也不用依赖单一模型，多个顶级模型都可用了。咱们稍稍回忆一下，Fugu-Ultra v1.1 模型是两天前（7月24 日）发布的，光速加了新Coding Agent接口能力。特别强调，Fugu-Ultra v1.1 更像一个AI系统，而不是传统意义上的单一大模型。所以，官网也说，Multi-Agent System as a Model。这点挺容易糊涂的，看上去，模型一词的含义在扩大。既然我理解Fugu 更像：“多模型协作系统”，那么现在接入Claude Code后，会有何变化？它会成为Agent后面的一层（就是负责调模型分任务的那层）。我观察，这是“编排层下沉”现象。以前：你直接用它帮你调度多个模型。现在：你直接用它帮你调度多个模型。好事情，它从"跟别人抢用户"变成了"成为别人离不开的底座"。这是IT史上经常发生的，从"每个人写"变成"专用层"。

亲爱的数据

香港浸会大学公司治理硕士

著名创业孵化器YC和Together AI，
搞了个很特别的GPU集群。 Together AI是谁？是一家做AI云和推理服务的公司，投资机构整个集群倒没啥，重点是，租期从两年直接降到几周，比李佳琦直播间还能砍价，不得不说，北美就是玩得灵活，这都不算正常算力采购了。这种“特价”特有意义。对早期初创公司来说，最怕的不是算力贵，而是需求还没跑出来，就先被两年合同锁死。创业公司真正承受不起的，不是GPU的价格，而是一开始就被迫为两年后的花费下注。还在找PMF，却要先签两年，真心压力大。这样好，把租期切碎，等于把试错成本降了一个量级。切成几周，创业公司就可以先租一小段时间，模型不行就换，方向不对就停，需求起来了再扩。创业公司省的是命。我认为，这更像一次算力付费方式创新， YC 给的是算力分发渠道和筛选背书， Together AI给的是弹性，各取所需，各用其强。看到这个快讯，我有点感慨，上周，我听说某AI公司获得巨额融资后，转投一家很小初创公司，奇葩的融资条件是，要买投资人（公司）的模型，且一次性定下来买好几年。 OMG。

亲爱的数据

香港浸会大学公司治理硕士

长上下文才是AI领域的头号"奢侈品"。
大家都想要"百万 token 上下文窗口",但二次方意味着：窗口每拉长一点,代价是平方级往上翻。这就是为什么超长上下文又贵又慢，不是厂商抠门,是物理规律。有资料直接点破：对million-token 上下文和低推理成本的需求,让标准自注意力的二次方复杂度成了制约可扩展性的首要瓶颈。第二：瓶颈已经从"模型多大"转移到了"序列多长"。有论文说得很清楚:随着模型逼近硬件的尺寸上限,主导性的计算瓶颈已经从模型大小,根本性地转移到了长 token 序列上自注意力的二次方成本。再叠加长思维链推理、多智能体、高清图像、长视频这些,序列长度爆炸式增长,二次方成本就成了头号敌人。未来降本的主战场,不再是"把模型做小",而是"把这个 n² 干掉"。线性注意力(linear attention):用近似的办法,让复杂度随长度线性增长而不是平方。稀疏注意力(sparse attention):不让每个 token 和所有 token 都算,只算最相关的那一部分，这些不是纸上谈兵——这些方法很多已经被集成进高知名度的商业模型里,在真实生产环境中证明了可行性。

亲爱的数据

香港浸会大学公司治理硕士

这是日本著名理论物理学家立川裕二（Yuji Tachikawa）的一条推文，他在说 Claude Fable（Anthropic 推出的一个 AI 研究协作工具/产品）帮他解决了一个停滞半年的数学物理难题。
"I've been trying out Claude Fable recently" 最近一直在试用 Claude Fable。 "last night, on a whim, I showed it my research notes about a collaborative project that's seen no progress in the past six months or so" 昨晚心血来潮，把一份停滞了大约六个月的合作项目研究笔记丢给了它，想听听它的看法。 "To my surprise, it made a non-trivial observation and essentially solved it." 出乎意料的是，它提出了一个非平凡的观察，并且基本解决了这个问题。 "Its first response was, 'I found one calculation error, but I got stuck at the same point,'" Claude 的第一反应是："我发现了一个计算错误，但我也卡在了同一个地方。" "but then, 'I wonder if solving it that way would work...'" 但紧接着它说："我在想，如果用那种方式解决会不会行得通……

亲爱的数据

香港浸会大学公司治理硕士

7月3日，阿里达摩院联合中国人民大学、中国科学院大学等顶校，丢了行业首个专门找超导材料的AI智能体ElementsClaw，预测出6.8万个可能的超导材料，其中4种全新材料已经合成出来、确实超导，所有数据全开放供学界随便挖。
说实话，超导这玩意儿物理学家找了几十年，高温超导更是诺贝尔奖级别的难题，结果AI说别急我先帮你筛一遍，而且不是纸上谈兵，是真进实验室烧出来测出来了，AI预测→实验验证→确认有效，这个闭环跑通了。以前科研是"人想假设→做实验→碰运气"，周期以年计，ElementsClaw这种科研智能体相当于给科学家配了个24小时不休息的科研助理，筛得快、算得准、还能闭环验证，更深层的是科研范式在变，从"人驱动"转向"AI辅助驱动"，科学家从"试错员"变成"出题官+验证官"，不是替代科学家，是把人从重复劳动里解放出来去做更高阶的判断。阿里达摩院没捂着，6.8万个预测全放出来等于给全球材料学界发了张藏宝图，你研究高温超导去挖，研究拓扑超导也去挖，数据开源=生态共建，这比发一篇Nature的短期影响力可能更大。AI找材料已经从"能不能"变成"有多快"，ElementsClaw跑通了"预测-验证-开放"的全链路，超导只是开始，电池、催化剂、半导体材料……下一个被AI筛出来的可能就是改变你生活的那个东西。

亲爱的数据

香港浸会大学公司治理硕士

这是SpaceX架构中最被津津乐道的部分：星链（Starlink）——既是现金奶牛，也是估值核心。俄乌战场上，它为乌克兰提供了广泛的卫星通信支持。预计2026年营收156亿美元，将贡献公司近八成收入。但这家公司去年还亏损49亿美元。
一个营收不到160亿的公司，凭什么撑起2万亿市值？这确实超出了常人的理解框架。有专家指出，真正的考验在IPO之后——大股东持股解禁期（6个月到12个月）一旦到来，低成本筹码涌入市场，冲击可能远超预期。