量化交易一直是最火的自动赚钱的途径：

• 经过调研，个人量化从技术上是可行的。
• 加上现在agent coding能力起来了。
• 原本是自己在写AQTP仓，但是发现了 zvt 这个偏个人的研究策略仓，和更关注实盘高频模拟的 vnpy
• 现在把精力转移到开源仓的使用
  • zvt 仓的使用和二次开发上；（思路、可视化、数据库、策略拓展性都感觉OK）
  • QUANTAXIS 通过 Rust 加速；
  • AI 向 Qbot 和 microsoft/qlib 方法尝试。Qbot还支持接入飞书。

26年开年，Agent爆火，我也尝试了OpenClaw、CC等前沿工具和API接口。当前问题还是记忆力不够（即使1M也远远不够），这导致你还是不能将其看作是一个“数字员工”。从技术发展、幻觉和使用成本角度考虑，AI仍然将作为单点技术咨询/单问题解决（ 定制prompt ）的角色参与到个人的工作中，来增强个人能力，促成“生产力”超高的超级个体的产生。

大部分员工只是按部就班的做事，但是AI时代下，什么有价值，应该做什么（应该要AI帮你做什么）反而是最重要的。

本文将

• 从SE角度：热点跟踪、技术调研、客户交流/筛选规划、按期执行、测试看护、总结汇报。 这些方面来介绍我是怎么利用AI辅助加速的。
• Research发论文角度：AutoResearchInSleep： (调研文献)->(找idea)->(查新验证)->(写代码)->(部署跑实验)->(自动改到能投)-> (大纲)-> (作图)-> (LaTeX+PDF)->(审稿×2 + 格式检查)->(搞定!)

Agent 概念与 OpenClaw 的爆火，本质上反映了人们对个人数字员工（Digital Worker）能力的期待：它不只是一个对话式 AI，而是一个可以在真实工作流中长期运行、承担任务、放大个人生产力的“虚拟员工”。

我真正关心的问题是：如何为自己的具体工作场景配置合适的数字员工，使其在时间与认知两个维度上对个人效率形成倍增效应。

DanceGRPO是25年5月发表的论文，把GRPO的方法引入到了生成领域。（类似的有flowGRPO）。字节客户基于此魔改，故学习。

DiffusionNFT 直接在前向加噪过程（forward process）上进行优化，在彻底摆脱似然估计与特定采样器依赖的同时，显著提升了训练效率与生成质量。在GenEval任务上，DiffusionNFT仅用约1.7k步就达到0.94分，而对比方法FlowGRPO需要超过5k步且依赖CFG才达到0.95分。这表明DiffusionNFT的训练效率比FlowGRPO快约25倍。

Step-3-VL 10B

如果想要写AI论文，就需要总结论文核心观点的来源。

大语言模型、多模态模型是如何设计来实现高效Mem机制。

视觉领域的GPT moment要来了吗？[^4]

• World Model: (e.g., Emu3.5)
• Unified Foundation Models, UFMs，强调视觉能力的闭环。证明模型能像“看懂”图片一样“画出”图片。(e.g.,Bagel, Lumina, Emu3.5)
• Omni 强调交互能力的闭环。证明模型能像真人一样，具备实时、全感官的反应。图片生成暂时不是必须的(e.g.,Qwen-3-Omni、longcat-omni), 但是也能支持(e.g., Ming-Omni)

当前多模态设计中AR和DiT的组合关系，单独学习一下

VeRL 作为RL领域趋势最火的开源仓，值得学习。