铃阅时讯
❌

普通视图

开源之后,MiniMax H3 拥有了 300 个分身

2026年8月12日 22:45

原创 MiniMax 2026-08-12 22:45 上海

H3 开源一周了。这一周,我们几乎每天都能看到社区的新玩法,大家的热情和创意远超我们想象。

H3 在 Hugging Face 里的热度持续排名前列,并已衍生出接近 300 个模型,ComfyUI 版本下载量近 700 万。

有团队把 120GB 的模型压进了消费级显卡;也有开发者为 H3 重写了面向 Mac 的原生推理引擎;有开发者打开了长视频续写和 Agent 制片的新路径;也有开发者干脆调低分辨率、缩短帧数,把一个视频模型用成了图像工具和音频工具。

H3 会跑在哪些硬件上、接进哪些工具、发展出哪些新能力?社区中的玩法还在不断更新,这些最有创造力的开发者们,开始和我们一起回答这些问题。

01

H3 在更多设备上跑了起来

H3 模型开放部分约有 60B 参数,BF16 权重约需要 120 GB 内存,远超大多数消费级 GPU 的显存。开源之后,社区在推理效率和硬件适配上做了很多工作,在质量、速度和资源之间寻找新的平衡,让 H3 有机会跑在更多开发者手上的设备里。

ComfyUI 团队最早着手降低本地运行门槛。他们裁去约占总参数量四成的调制权重,改用功能等价的预计算表;又加入 INT8 ConvRot 量化;再为 H3 写了一套专门降低推理峰值显存的定制 kernel。最小模型组合的总内存占用,从全精度版本的 123.6GB 降到了 42.5GB。再配合动态显存卸载,H3 就能在消费级显卡上完成本地推理。

与此同时,社区里也涌现出 GGUF、NVFP4、INT4 ConvRot、混合 INT4/INT8、OrbitQuant、NF4 等多种量化版本,让开发者可以按自己的显存、硬件和推理框架自行选择。

另一边,有人为 Mac 重写了整套推理链路。闻名全球的开源内存数据库 Redis 的创建者 antirez,为 H3 编写了一套面向 Apple Silicon 的原生推理引擎 h3.c。

他用 C 和 Metal 从零重写了 H3 的本地推理链路——直接读取 safetensors 权重,把 Qwen 文本与视觉编码器、DiT、视觉与音频 VAE 以及最终的音视频输出,全部装进一个原生 Mac 程序里。H3 在 Mac 上不再依赖 Python 和 PyTorch,就是一个可以直接跑起来的 app。目前,h3.c 端到端支持文生音视频、首尾帧参考,以及 Ref2VA 的图像、视频和音频参考等功能。

继让模型装得下、跑得起来之后,还有开发者在积极优化 H3 的推理效率,让 H3 跑得更快。

H3 开源首日,NVIDIA 的研究团队使用 Sol Engine 在 4.5 小时内完成了首轮推理优化。在 8 张 NVIDIA GB200、1344×768、24 fps、124 帧和 50 步的测试配置下,Sol Engine 相较 Diffusers 实现了 3.95 倍端到端加速,相较 SGLang 加速 2.80 倍。NVIDIA 的实践方案无需修改 H3 的权重,并将同一套优化思路扩展到了单机设备,开发者可以依此围绕不同硬件来优化 H3 的推理效率。

在 AMD 硬件上,开发者 charlie12345 针对 Radeon AI PRO R9700 和 ROCm 环境为 H3 编写了 ComfyUI 补丁,优化 partial RoPE、长序列注意力和模型加载方式。在 R9700 32GB、864×480、124 帧和 20 步的测试条件下,生成时间较 ComfyUI 环境进一步缩短。

体积压下来了,平台跑通了,速度也上去了。这些工作叠加起来,进一步改变了开发者用 H3 的方式。

H3 开始真正进入更普通的个人设备,比如能够在 RTX 3060 8GB 上生成低分辨率视频,虽然这样的画质不适合直接出片,但足够用来调整提示词、检查分镜。视频玩家于是摸索出一种分段工作方式:本地打样、云端成片。

动漫创作者“ジュニ@Multi AI Creator”就是这么做的。他在 RTX 3060 上生成 480p 视频用来试错,用本地设备完成预览、筛选和试错,确定满意的方案后,再到 RunPod 以 1344×768 生成正式版本并完成超分,实现了创作成本的大幅降低,减少了预览和试错阶段对云端算力的依赖。

02

H3 还有这些“冷门玩法”

模型跑起来之后,开发者很快在社区开启了新一轮探索:“H3 除了生成视频,还能做什么?”

大家尝试调整模型接收的输入、调整模型生成帧数、时间长度和分辨率,在一次次“魔改”和测试中,涌现了很多并非常规使用中的能力,比如长视频续写、图片编辑和独立音频生成等等。

长视频续写:

开发者 NikoDemon80 在 「ComfyUI-H3-Motion-Context」中提供了一种递归生成方法:直接读取上一段视频的画面与音频 latent,截取末尾 22 帧作为下一段的开头条件,并将音频重新对齐到同一条时间线上。新片段生成后,工作流再裁去开头重复的部分,与上一段拼接。相比先解码、再编码,这种方法减少了逐段转换带来的信息损失,也让动作和声音更容易接续下去。

开发者 ethanfel 又把这个方法扩展成一套可审核的长视频工作流,加入了分镜规划、逐段预览、重新生成、检查点保存和自动拼接。每一段视频都可以单独检查,满意后再生成下一段。

Reddit 用户 crinklypaper 用这套工作流做了一段超过 1 分钟的视频。他先在 0.5 至 1MP 下调整提示词和镜头,再以 1.5MP 生成最终片段;同时用两张角色设定图维持人物和风格的一致。最终成片是在 RTX 5090、96GB 系统内存上,用 LightX 6 步采样和 SageAttention 完成的。

图像编辑:

把生成的时间维度缩短到一帧,社区也开始尝试用 H3 做图像编辑。「SingleFrame」项目把输入图像固定在第 0 帧,让 H3 直接生成一个单帧 video latent,再解码为图像。借助提示词,开发者可以在尽量保持原有构图和姿态的情况下,调整人物表情、服装、背景或光线。另一种模式则固定首尾两张图,让 H3 推断两者之间的变化,再从中提取一张中间帧。整套工作流没有为图像编辑做专门训练,直接调用的就是 H3 原有的能力。

「SingleFrame」项目演示:输入图像与输出图像

音频生成:

如果说「SingleFrame」压缩的是时间维度,让 H3 输出一张图,那么开发者 comfiestncoziest 则选择压缩空间维度,把联合生成的重点转向音频。他在 ComfyUI 默认 I2V 工作流中断开输入图像,将画面分辨率降至 32×32,再通过 Get Video Components 节点单独提取对白、环境声和音效,无需另外搭建专用工作流。

在开发者的多次测试中,这种方式可以实现接近实时的音频生成,生成出的音频时长甚至超过了实际等待时间。视觉分辨率从 0.1MP 降至 32×32 的情况下,音质没有发生明显变化。获得满意的声音或音效后,还可以将它作为音频参考,重新传回 H3 的视频生成工作流。

03

从单视频生成,

到自动化制片系统

在本地部署后,社区也开始尝试把 H3 接入 Agent,让它成为一套生产流程中可以反复调用的一环。从一次生成一段视频,到进入一套自动化的多镜头制片流程,H3 的使用方式,也在被重新组织。

AI 艺术家小耳 @xiaoerzhan 用这种方式做了一部完整的作品,从头到尾没有打开一次传统编辑器。

他用 Mac 上的 Claude Code 调度 Windows 电脑里部署在 RTX 5070 上的本地模型。Mac 负责立项、事实核查、脚本、时间线、字幕、分镜和结构审核;Windows 负责模型推理,由 Flux2 生成关键帧、TTX 完成配音、H3 批量生成视频镜头,Chatcut 制作音乐,音效库补充素材。

整套流程被拆成 14 个环节,从 brief、旁白和关键帧,一路推进到批量渲染、剪辑装配、音频后期和台账回写。H3 的批量镜头生成持续了 5 到 6.5 小时,最后完成了作品《用艺术史训练审美》。

「Codex-Drama」项目把这套思路封装成了可安装的 Codex 插件。插件内置九项 Skills,通过 ComfyUI MCP 调用本地 H3,可以根据给定故事或商业 brief 出发,完成角色与场景设定、分镜和关键帧设计,再为不同镜头选择相应的 H3 工作流。镜头生成后,插件继续用 FFmpeg 完成剪辑、混音、字幕、导出和质量检查。

提示词、输入素材、工作流、候选镜头和选择结果,都会保存在项目记录里。任务中断后可以从原处继续,新的尝试也会单独保留版本。H3 的单次生成,就这样进化成了一套多镜头的制片流程。

另一种做法是直接改造创作界面。「ComfyUI MiniMax H3 Director」把分段计划、条件编码、采样解码和导出整合进一个“导演台”节点,上传源视频后,用户可以手动切分、按时长均分,或通过 PySceneDetect 自动识别场景。

“H3 Director 导演台”

文生视频、图生视频、首尾帧、参考生成、视频编辑等任务都能在同一个节点里组织,H3 同步生成的立体声音频也一起输出。原本散落在节点图里的参数,被重新组织成镜头、素材和时间线;用户可以单独调整并重新生成选中的片段;多段生成时,导演台还能把上一段结尾的动作和音频作为下一段的上下文,保持镜头之间的连续性。

04

共同参与模型进化

在 H3 被接进创作流程之后,社区里的开发者也开始训练自己的 H3。

开发者 larryvrh 发布了 MiniMax-H3-Turbo-LoRA,把 H3 通常约 20 步的采样缩短到 4 至 8 步。他又为 ComfyUI 写了配套的 LoRA 加载节点和 Turbo Sampler,让这套权重能适配 BF16、INT8 ConvRot 和 pruned 等不同版本的 H3。

4 至 8 步是实际用起来的主要区间。4 步最快,能提速 5 倍,但在幅度大、速度快的动作里可能出现拖影;6 至 8 步会保留更多细节和音频质量。

速度只是其中一层。另一批开发者想让 H3 更擅长某一种人物、某一种风格,或者某一种输入方式。

fal 把这件事做成了可以直接调用的 Ref2VA LoRA Trainer。开发者可以上传视频,再加上可选的文字描述、参考图片、视频或音频。训练时,参考素材会同时进入 H3 的视觉条件序列和 Qwen3-VL 提示词,让 LoRA 学习参考主体和目标音视频之间的关系。Trainer 也开放了帧数、分辨率、LoRA rank、训练步数和参考条件比例等设置,支持画面与声音联合训练。

fal 发布的 Realism People LoRA 是这套 Trainer 的一个实际用法。为了让 H3 生成的人物更接近真实拍摄的质感,团队筛选了 176 条真人视频,把素材统一为 24 fps,为每段视频标注人物、场景和动作。他们尝试了 16 组不同的训练步数、LoRA rank 和分辨率,再用相同的提示词和 seed 对比 LoRA 加载前后的结果。发布版本对人物近景的皮肤纹理、细微表情、光线质感和镜头运动上都有了明显的改善。

DiffSynth-Studio 发布的 LineartAnime LoRA 是另一个方向的尝试——把线稿视频作为 H3 Ref2VA 的参考输入,再根据提示词生成上色后的动漫画,实现从连续线稿到完整动漫视频的转换。项目同时开放了权重、推理代码和示例素材,开发者可以直接替换线稿和提示词,继续测试不同角色和场景。

除了用现成的工具,开发者也可以直接用自己的音视频数据训练 H3 LoRA,甚至做全参数微调。

IAmIronMan42 基于 H3 的官方 Diffusers 集成,创建了一套「MiniMax-H3-FineTuning」微调工具。它按照 H3 原有的音视频生成方式,分别处理画面和声音的噪声日程,并把真实立体声音频纳入训练。项目已经在 8 张 A800 上,用 2000 多条约 30 秒、448×768 的音视频素材跑通了 LoRA 训练,社区开发者可以直接在这条路径上部署和修改,训练自己的 H3。

还有很多值得记录的项目没有被写进这篇文章,新的社区玩法也还在不断出现。更多工作流、开源工具和实战经验,已经收录在 H3 社区精选页,并将持续更新。

社区开源项目精选页(上下滑动查看)

精选页链接:hailuoai.com/h3-open#featured

我们看到,H3 开源之后,越来越多的创作者和开发者加入了 H3 的生态。

感谢每一位提交代码、分享工作流、参与测试,以及记录问题的开发者和创作者。这些探索和经验,为我们继续完善模型提供了重要参考。

我们也将持续迭代,保持开放,和大家一起共建更丰富的开源生态。

Intelligence with Everyone.

跳转微信打开

为什么我们仍然看好AI+硬件+出海赛道?

2026年8月12日 21:16

峰瑞资本 2026-08-12 21:16 北京

在出海赛道,微观体感与宏观数据正上演着一场耐人寻味的“错位”。

创投圈的注意力几乎被具身智能赛道独占,AI+硬件开始被贴上“没人看了”的标签,全球化也似乎被热点遗忘。

然而,宏观数据呈现截然不同的图景:依据海关总署数据,2026年上半年中国货物贸易出口额高达14.73万亿元,同比增长13.4%,连续11个季度保持正增长。特别值得一提的是,AI技术正成为改变出口结构的重要变量,开始拉动增长。

这不仅是规模的增加,也是动能的跃升。作为持续布局出海领域的早期投资机构,峰瑞看到了许多出海赛道的新故事和新物种——替代传统撸铁的智能健身器械,让小白能快速体验到乐趣的智能乐器,提供个性化陪伴互动与日常陪伴的AI宠物机器人,把半导体薄膜技术跨界应用到呼吸酮监测的医疗器械,能真实记录并重建三维空间的3D高斯相机……

不久前,峰瑞资本执行董事沈颖接受亿邦智库采访,从早期投资的视角分享了出海领域的新趋势、AI带来的想象力、出海投资的底层逻辑以及下一代全球化品牌的画像。

希望能带来新的思考角度。如果你是消费硬件领域的创业者或者从业人员,欢迎与本文作者沈颖联系(shenying@freesvc.com)

亿邦智库:峰瑞资本是少数很早就布局出海的机构,出海赛道投资经历了怎样的演进?当前处于什么阶段?

沈颖:我们最早投的出海,是十多年前基于中国劳动力成本和供应链优势的那一波——服装、小商品这类卖家型项目。当时中国品牌在海外的存在感还较弱,基本都是卖家或中国供应链输出。

这个阶段大约五年,就往上提升了一层。大量中国工程师和创业者开始基于自己对行业技术的掌握去寻找机会,从技术出发切入新赛道。比如运动摄影,极限运动的精彩瞬间很难用普通相机记录,就有团队抓住这个竞争没那么激烈的场景,做品牌。

后来这类创新遍地开花:从运动、户外健身到宠物、智能音乐,再到更“重”的医疗器械。整体趋势是往更深技术壁垒、更需要消费者信任的方向演进。

近几年,我们在出海方向布局较多科技驱动的项目,比如智能硬件、消费医疗。由技术创新驱动出海的团队,是我们当前投资的一个重点方向。

我们的判断是:出海是一个不可逆转的趋势。未来它不是以十年计,而是一个非常长期的、未来几十年都会持续的过程。中国品牌的出海与全球化,会是一场很精彩的进程。

亿邦智库:出海方向您主要投什么阶段、重点看什么样的项目?

沈颖:我们集中在天使轮到A轮初创阶段。

第一优先级永远是人,创始人和核心团队的素质、积累,以及赛道特性与出海的适配度。在此基础上,再看产品、技术,以及整个市场的趋势。

我们内部常说timing,要在正确的时间投正确的事。十年前投服装、小商品是正确的,现在可能更需要投新的品类了,如果还是这些品类,但投的东西可能就完全不一样了。

团队背景上,我们希望团队一定具备技术壁垒,同时最好在营销等方面也有能力,更侧重技术+产品,因为从技术到产品还有一段距离,两者要同时具备。

亿邦智库:会聚焦到某些细分赛道吗?对赛道量级有没有一些要求?

沈颖:我们更看重在特定领域构建独特壁垒与实现价值创造的能力,而非单纯追逐市场规模的绝对量级。当然,不能太小、太niche,比如只服务某个年龄段的某种极细分小众需求,天花板可能有限。但我们不把大赛道作为投资的硬性前提,汽车、手机那种体量不是必须的。

一些中小型细分方向,甚至是从0到1的新赛道,我们都觉得是不错的投资方向。像韶音的骨传导耳机,十年前品类还极小。影石的运动相机、大疆的无人机,都是从无到有开创了新品类,这种我们最喜欢。

哪怕再细分的赛道,把全球市场加起来,基本都会超过我们心里那条线。所以我们更看增量,而不是用现在的体量去定义未来。

亿邦智库:您提到峰瑞布局了较多科技驱动的项目,具体指什么样的技术?

沈颖:举几个例子。一个是智能健身品牌SPEEDIANCE速境。力量健身是非常古老的行业,传统靠铁片产生物理重量。速境团队用电机替代铁片,迭代了力量健身的传统方式,实现数字化,现在又叠加了AI。

另一个是我们投过的智能乐器赛道,用智能化技术重构了吉他和架子鼓。传统乐器的发声靠共鸣腔,他们把底层整个迭代,由传感器加背后的技术来产生音乐,等于把吉他从里到外重新设计了一遍。一把吉他,即使完全不会弹的人,也能在几分钟内上手弹出一首歌,大大降低了学习乐器的门槛。

最近我们还投了一个偏消费医疗的项目,把半导体行业的薄膜技术应用到医疗监测。比如呼吸酮检测,酮存在于血液、尿液和呼吸中,过去要验血或验尿,门槛高且不方便。现在通过吹气,就能得到接近血液检测的金标准,随时了解自己的燃脂效率。

亿邦智库:是否有通用的技术迭代机会?

沈颖:比如整个造车行业,从电机到激光雷达、传感器,再到智驾系统,这样一个巨型行业会带动一系列社会供应链升级。它的电机、传感器、激光雷达等技术迭代,会外溢到其他领域,比如家电的智能化。

消费领域几个最大的行业,其产业迭代往往会对整个消费大赛道产生巨大的提升作用。所以我们会看这些技术能应用到哪些细分消费场景。

亿邦智库:很多机构现在看早期项目也要利润了,您会重点看营收利润指标与退出方式吗?

沈颖:对于早期来说,我们一般不要求企业在营收利润维度上证明自己,这是投后要求,不是投前指标。但早期就能产生营收和利润,是很大的加分项。

我们会看这个项目最终是一个生意型机会,还是一个创业型机会。我们肯定想投创业型机会,需要一个比较有想象力的退出空间。

如果一个赛道可以形成头部品牌,且快速增长,就是个创业型机会。如果赛道本身比较去中心化、碎片化,形成一个个小山头,就偏生意型。

亿邦智库:今年资本市场您听到的高频词和出海热点有哪些?

沈颖:主要是AI,然后是具身智能、世界模型,更前沿的还有量子,商业航天等。

出海的热点一个是创客经济,3D打印、激光雕刻,还有Tufting(簇绒)等各种创客方向都很火。另一个是健身领域,有氧、无氧运动,比如HYROX今年也非常火。整体看,出海已经是一个包罗万象的大方向,不再像以前集中在少数几个方向,而是遍地开花、蓬勃发展。

亿邦智库:在您看来,什么样的企业有潜力成为下一代全球化品牌?需要跨越哪些关键障碍?

沈颖:中国出海企业实力已经很强,GMV和销售额增长飞快,有的几年就从0做到数十亿。但坦白说,在品牌这个维度上还非常年轻。和欧美几十年、上百年的品牌比,还在很初期。

品牌本身没有捷径,还要靠时间沉淀。真正跟时间做朋友、长期陪伴消费者、持续创造价值的品牌,才能获得全球范围内的认知度。经历足够长的时间、穿越几个周期还能生存下来,才算证明了品牌能力。

亿邦智库:您怎么看AI给中国企业出海带来的改变?哪些AI+出海的交叉领域值得重点关注?

沈颖:AI现在已经成为必备的生产力工具和基础设施。不管是组织管理、市场研究,还是营销投放、客户服务,都在用AI。原来硬件+软件,现在所有软件层都要叠一层AI,采集数据后做垂直模型,再形成AI Agent服务。

AI最后肯定是标配。但从新入口、新生态角度,真正的颠覆式机会还没到。真正成为新入口需要硬件加AI技术形成很深的护城河,目前整个技术还在飞速演化阶段。随着硬件在大赛道里采集的数据不断增加,AI能力会迅速提升。消费品每个垂直方向都是数据入口,数据增加再加上AI整合,都会有非常大的价值。

亿邦智库:出海面临复杂的国际环境,包含地缘政治、法律制度、数据主权、文化差异等多重变量,决策过程中您会重点看哪些风险指标?

沈颖:现在世界局势多变,我们对做发展中国家单一市场的项目会更谨慎。较多发展中国家普遍面临政治稳定性和金融系统风险敞口挑战,我们都会重点考量。

在这种大背景下,创始人通过多区域、多国家布局来分散风险,是个合理的选择。相较于发展中国家和地区,欧美等发达市场的体制和安全性相对更好,只做欧美单一市场,通常倒是问题不大。

峰瑞资本长期深耕出海领域,持续看好中国品牌在全球市场的结构性价值投资机会,我们坚信“出海是一个非常长期的、未来几十年都会持续的过程”。

8月22日下午,峰瑞资本作为协办方,联合中欧GLOBALEMBA出海俱乐部,在深圳南山共同举办一场聚焦“中国品牌全球化叙事”的线下活动。

当天下午,峰瑞资本执行董事沈颖将带来「出海新时代的品牌投资」主题分享。诚邀关注出海赛道的朋友共聚深圳,现场交流。

跳转微信打开

Lance Meetup 2026 · 上海站|正式开启报名!

2026年8月12日 18:27

Lance&LanceDB 2026-08-12 18:27 北京

开源活动报名中

当 AI 迈向多模态、具身智能与大规模训推,数据基础设施如何平衡成本、性能与治理?

Lance & LanceDB 中文社区 · 上海站线下沙龙将于 9 月 12 日正式举办,这也是上半年继北京站之后,社区在国内举办的第二站城市沙龙。

届时,LanceDB 核心成员将携手一线云厂商、芯片厂商与互联网企业技术专家,围绕多模态数据、具身智能、向量存储与开源生态,与你面对面畅聊技术实践。

活动信息

1.时间:2026 年 9 月 12 日(周六)13:30 ~ 17:40

2.地点:上海 · 新江湾广场 T2A F1-LectureHall 01

3.主办方:Lance & LanceDB 官方中文社区、字节跳动开源、英特尔

4.参与形式:免费报名,审核结果以具体短信通知为准

内容亮点

1.硬核实战分享:深入解析 Lance 在多模态训练、推理与向量检索等场景下的落地挑战与架构方案。

2.开源产业对话:火山引擎、英特尔等头部厂商的一线实践,洞察开源技术如何驱动商业创新。

3.具身智能新场景:探索 Lance 在具身数据管理、多模态感知存储等前沿场景的数据底座新范式。

4.企业级案例首发:聚焦 Lance 在多模态数据湖、具身智能、研发提效等最新企业级落地案例。

5.深度社区连接:与 LanceDB 核心开发者零距离交流,掌握开源前沿动态。


立即报名 & 完整议程!

扫描二维码,填写报名表单

名额有限,先到先得~

也欢迎扫描下方海报二维码

加入活动群

提前获取会议信息与交流!

报名审核通过后,将统一通过短信通知,请注意查收!

 点击阅读原文,报名本次活动

阅读原文

跳转微信打开

就诊问问新版本,从医疗问答到健康管理

2026年8月12日 12:24

就诊问问 2026-08-12 12:24 浙江

以下文章来源于:无码科技

无码科技

我们在解决一些医疗健康领域的问题。万物之中,希望至美。

健康是我们最重要的个人资产。就诊问问 3.0 版本,能为你再做点什么?

健康是我们最重要的个人资产。但我们拥有的往往都是散落各处的检查报告,和零零碎碎的记忆片段:

  • 自己体检后需要复查的指标;

  • 父母正在服用的新药;

  • 孩子历年的视力检查单;

  • 还有那些只能依靠回忆拼凑的反复症状

  • ……

这些各自记录了身体的一小部分、一个时刻,却彼此断开,很少被真正连接起来。

有人把它们随手保存在手机相册和聊天记录里。也有人按年份建立文件夹,把重要指标抄进表格,认真记录用药和复查日期。但真正需要时,仍然要重新寻找、对照和解释:这次和上次有什么变化?这个药能不能和正在吃的药一起用?上次医生让什么时候复查?

  • 起床时的手指僵硬,可能藏着关节炎症的线索;

  • 熬夜后的突然耳鸣,可能在提醒你留意听力变化;

  • 夜里越来越响的鼾声与白天挥之不去的困倦,或许是长期被忽视的睡眠呼吸问题;

  • 快走时反复出现的胸闷,可能是心肌缺血的信号;

  • 孩子看远处时越来越爱眯眼,可能需要重视视力检查和眼轴变化……

这些看似轻微、互不相干的症状和指标,都是身体在不同时间留下的一张张切片。单独看,不足以说明什么;连起来,却可能勾勒出健康变化的轨迹。

当我们把自己、父母、子女、伴侣的资料分门别类悉心保存,那个真正的问题便逐渐浮出水面:

保存资料 ≠ 健康管理

影响判断的许多线索,常常发生在诊室之外:腰痛和偏头痛发病更频繁了吗?高血压换药之后血压控制有变化吗?血糖或尿酸是偶尔波动,还是正在形成趋势?这些变化,很难在有限的几次问诊中被完整看见。

真正缺少的,不是另一个存放资料的文件夹,而是一份能够持续更新、自动关联,并拥有专业背景和严谨态度的智能健康档案。

这是「就诊问问 3.0」的目标:让一次次咨询、一份份报告和不断发生的健康变化不再各自孤立,而是逐渐连成一条看得见、能理解、可以持续使用的个人健康档案。

左右滑动查看

自动整理报告

让每个健康信息都有归处

连点成线的第一步,是先知道「点」是什么。

利用近十年的医学搜索引擎产品经验,我们建立了从各类检验检查报告、处方单甚至药盒识别关键信息的能力。从你身边任何与健康相关的材料中,识别疾病、用药、检查指标和重要医疗事件,并把它们整理进健康档案,并按照时间建立关联。

原本散落的文件、图片和咨询记录,不再只是一串文件名。你可以打开档案,看到系统已经整理了哪些健康信息;每一条记录都可以查看、确认和纠正。记住了什么、依据来自哪里、哪里需要调整,都清楚地放在你面前。

新的报告、咨询和用药记录进入后,档案会继续补充、更新,而不是停留在建立的那一天。

很多健康资料的价值,并不是在拿到它的那一天就能看见。

朋友母亲在确诊卵巢恶性肿瘤后,进一步做了全身 PET-CT,结果在肺部又发现了一个很小的阴影——它是早已存在的结节,还是这次新出现的病灶,甚至与肿瘤转移有关?阴影太小,仅凭眼前这一次检查,很难得出明确结论。

医生没有急着给它下定义,而是问了家属一个问题:「她以前做过胸部 CT 吗?旧片还能不能找到?」

健康资料的价值,有时就是这样:保存它的那一天,我们并不知道未来会遇到什么问题;真正需要答案时,过去留下的一份记录,却可能成为理解今天的重要线索。

真正有价值的,不只是把资料保存下来,而是让一份资料在最需要的时候,能够重新被找到、被连接、被使用——这正是持续积累一份健康档案的意义。

如果你也在照顾家人,可以为父母、孩子或伴侣分别建立档案。每个人的疾病、用药、检查和健康变化各自保存,需要替谁查看或咨询时,就从谁的情况继续。

左右滑动查看

围绕正在关注的问题

理出一条健康主线

一份完整档案里,会同时存在海量健康信息。但真正需要关注的往往是具体的事:围绕某一项疾病或健康问题,过去发生过什么?目前处在什么阶段?最近又有哪些变化?

就诊问问 3.0 新增了「重点关注」。你可以围绕自己正在关注的疾病或健康问题,查看相关的检查、症状、用药、治疗和重要事件。

个人档案帮助你看清「我留下了哪些健康信息」;重点关注进一步回答「围绕这件事,前后发生了什么」。

有多次可比较结果的指标,可以沿着时间查看上升、下降或波动;无法简单变成数字的检查、症状、用药调整和治疗经历,也会回到相应的时间位置。

数值告诉你发生了怎样的变化,诊疗经过帮助你理解变化发生时的背景。两者连接起来,看到的才不只是一次结果,而是一段逐渐清楚的健康历程。

左右滑动查看

记得重要的健康细节

给出更贴合你的回答

健康档案不只用来回顾,也会参与之后的咨询。

几周后,当你再次感到不舒服时,可以直接问:「我最近还是会头晕,会不会和现在吃的药有关?」

就诊问问会从档案中找到与这次问题相关的疾病、用药、检查和症状记录。它不会只给你一份「头晕的常见原因大全」,而是结合你的实际情况,帮助你分清哪些信息可能相关、哪些表现需要留意,以及接下来更适合观察、复测还是及时就医。

如果现有信息还不够,它会继续询问真正影响下一步的问题,而不是让你再完整复述一次病史。

一次咨询也不只是得到一个答案。经过确认的新症状、用药变化和重要医疗事件,还可以成为档案的新进展,让下一次理解建立在今天之上。

如果近期准备复诊,你也可以在咨询中直接说:「请帮我把最近一段时间的检查、用药和症状变化,整理成和医生沟通的要点。」就诊问问会根据档案中已有的记录,帮你做一次简要回顾,减少临时翻找和遗漏。

左右滑动查看

持续追踪对比

主动发现值得关注的变化

连点成线,不只是为了回头看。

过去,拿到一份新报告,我们往往先找上面的红色箭头:没有超出参考范围,就松一口气;出现异常,就开始搜索每一个陌生名词。

但长期健康变化真正需要看的,有时不是某一次高低,而是前后发生了什么。一次结果在参考范围内,不代表长期趋势一定没有变化;一次异常,也不能脱离过去的情况直接说明问题正在加重。

新的检查结果进入档案后,就诊问问会把它与过去相关的记录放在一起。那些单独看并不起眼、连接起来却值得留意的变化,不必再完全依靠你自己发现。

如果一项变化值得关注,你会看到它依据哪一次记录、发生在什么日期、为什么需要留意,以及下一步可以做什么。有些只需继续观察,有些适合复测,有些应该在复诊时向医生确认。

如果近期准备复诊,你也可以在咨询中直接说:「请帮我把最近一段时间的检查、用药和症状变化,整理成和医生沟通的要点。」就诊问问会根据档案中已有的记录,做一次简要回顾,帮助你把需要确认的变化带进诊室,减少临时翻找和遗漏。

健康洞察不是实时监测,也不是诊断结论。主动关心,更不是把每一个数字都变成风险,而是从已经积累的资料中,替你找出那些真正值得停下来确认的地方。

左右滑动查看

让过去的信息

继续帮助现在

一个人不是一叠资料,也不是一次问诊。

当报告、用药、症状和每一次咨询被持续记录、彼此连接,它们就不再只是保存过的文件,而会逐渐成为一份属于你和家人的个人健康资产。

自从 AI Agent 技术流行以来,行业内大家都流行创建「个人知识库」,可以随着不断使用和对话让 AI 升级这个「知识库」,而我们想做的,是用 AI 基于专业的医学背景,为你和你的家人建立「个人健康信息库」。

AI 不会替医生诊断,也不会替你决定如何治疗,但它应该帮助你整理、发现、跟踪和提醒。

我们从不认为一个软件产品能够提供健康的承诺,但我们始终相信科技应该提高守护健康的效率,减少医学领域的信息不对称。

无论是为了自己,还是正在牵挂的家人,不妨从最近的一份报告、一种正在使用的药,或者今天最想弄清楚的问题开始。

就诊问问 3.0——让散落的健康信息有归处,让前后变化连成线,也让这条线在下一次需要时继续发挥作用。

就诊问问还会继续成长,而最重要的声音,来自正在使用它的你。 

如果在使用中有任何不顺手,或者有希望它未来做到的事,欢迎添加「就诊问问」官方客服告诉我们。每一次真实的反馈,都会帮助我们更好地理解你和家人的健康需求,让就诊问问一步步变得更好。

跳转微信打开

他为什么卖给你?(二)桌子对面的人

2026年8月12日 08:26

原创 王建硕 2026-08-12 08:26 美国

你最想买的那一刻,恰好是他最方便卖的那一刻。桌子对面坐着谁,成交单上不写。这一篇挨个介绍:逆向选择、聪明钱的装备,以及市场为什么必须有人交电费。

一 本 小 书 · 连 载 之 二

他为什么卖给你?

关于股票市场,你只需要想清楚一个问题

本篇为连载第 二 篇(共四篇):第四至六章

第 四 章

逆向选择:你最容易成交的那一刻

二手车的倒影是一颗柠檬

买二手车的人都懂一个朴素的道理:车主比你更清楚这辆车的底细。他知道发动机有没有泡过水,知道去年冬天那次异响是修好了还是糊弄过去了。你不知道。你能做的,只是看看外观、试驾十分钟、猜一个价。这个信息差不是小麻烦,它足以让整个市场塌掉。

这就是 Akerlof 在 1970 年那篇《The Market for Lemons》(QJE)里讲清楚的机制。美国人管故障百出的二手车叫「柠檬」。推演只需要四步:

  1. 买家分不清好车和柠檬,只肯按「平均质量」出价;

  2. 好车的车主一看这个价,觉得亏,不卖了,把车留下自己开;

  3. 好车退场,市场上剩下的车平均质量下降,买家把出价再往下调;

  4. 出价再降,又逼走一批次好的车。循环往复。

终点是:市场上挂牌的,几乎全是柠檬。注意,没有人撒谎,没有人违法,每个人都在理性地做对自己最有利的事——市场照样烂掉。这个机制叫逆向选择,Akerlof 因为它拿了 2001 年的诺贝尔经济学奖。

它的核心可以压缩成一句话:当对方比你知道得多,「他愿意跟你成交」这件事本身,就是关于商品质量的坏消息。

谁最乐意成交你的买单

把这句话平移到股票市场,威力就出来了。

你挂了一个买单,想买某只股票。问一个问题:此刻市场上千千万万持有这只股票的人,谁最乐意把货卖给你?

不是随机的某个人。最乐意、动作最快、最不还价的,恰恰是那些有理由急着出手的人:刚知道坏消息还没公开的人,算完模型确认高估的人,比你早三步看到资金流出的人。他们不是「碰巧」出现在你的对手盘上——是你的买单把他们吸引过来的。你出的价,在不知情的人看来平平无奇,在知情的人看来是白送的礼物。礼物当然被最先看懂的人抢走。

这和二手车是同一个结构:车市里,愿意按你的出价卖车的,大概率是柠檬车主;股市里,愿意按你的挂单价成交的,大概率是知道些什么的人。你成交得越轻易,越该警惕。流动性好、随买随有,听起来像超市服务周到,但超市的货架是有人担保的,股票的货架不是。在没有担保的市场里,「你能轻易买到」本身就是一条信息,而且往往不是好信息。

反过来也成立。你想买的时候总能买到,你想卖的时候——尤其是所有人都想卖的时候——常常卖不掉。逆向选择在两个方向上都收费,只是买入这一侧的费用藏得更深。

点差:写在屏幕上的保险费

有人会说:我又不跟具体的人交易,我跟做市商交易,他挂着买价和卖价,童叟无欺。

Glosten 和 Milgrom 在 1985 年把做市商的账算给你看了。做市商的处境是:下一笔单子进来,他不知道对面是个消息灵通的机构,还是一个刚看完新闻的散户。跟散户做交易他赚点差,跟知情者做交易他必亏——知情者只在价格错的时候才出手。

做市商没法逐个甄别,于是他做了保险公司都会做的事:把「被知情者收割的预期损失」算出来,摊进买卖价差里,向所有人收取。这笔钱有个正式的名字,叫逆向选择成本。

你看到的

它实际上是

买一价和卖一价之间的差距

做市商向全体交易者收的保险费

「怎么一买入就浮亏了一个点差」

你刚替知情者的存在付了保费

越是消息敏感的股票点差越宽

保险公司给高风险客户提价

这意味着一件事:逆向选择不是一个抽象的担忧,它是明码标价的。点差就是价签。你每一次成交,不管买卖,不管盈亏,都先交了这笔保费。交易越频繁,交得越多。这是第六章要细算的「电费」的一部分,这里先记下:账单从你下单那一秒就开始走字,不等你亏钱。

你最想买的那一刻,正是他最想卖的那一刻

逆向选择还有一个时间维度,它不是均匀分布在每个交易日的。

站在知情者的角度想:他手里有一大笔要出的货,最怕什么?最怕没人接。平时成交清淡,他一卖价格就砸下去,卖不出好价钱。他需要等一个时刻——买盘汹涌、成交放量、人人抢着进场的时刻。

这种时刻长什么样?利好新闻见报的那个早上,涨停板打开的那几分钟,成交量突然放大到平日数倍的那个下午。也就是说:你最冲动、最怕错过的那一刻,恰好是对他最方便的出货时刻。这不是巧合,是他等的就是你。你的热情提供了流动性,他的货需要的正是流动性。

Barber 和 Odean 在 2008 年的《All That Glitters》(RFS)里验证了这个配对的另一半:散户系统性地净买入「抢眼」的股票——上了新闻的、成交量异常的、单日暴涨暴跌的。注意「净买入」三个字:在这些时刻,散户整体在买。那么整体在卖的是谁?桌子对面从来不是空的。

菜场里也有这个规律。傍晚收摊前吆喝得最响、最急着甩卖的那筐菜,你要多看两眼。热情本身是信息。菜贩子的热情你天然会掂量,屏幕上滚动的红色数字散发出的热情,你反而照单全收——这一层为什么会失灵,是第七章的事,这里不展开。

第一章那张桌子,现在可以坐下第一个具体的人了:知情交易者。他不靠运气,不靠情绪,靠的是在信息上、工具上、时机上对你的系统性优势。你在超市心态里挑货的时候,他在桌子对面等你。他到底带了什么装备上桌,下一章逐件清点。

第二部 · 桌子对面的人

第 五 章

聪明钱的装备清单

桌子两边的装备差距

你在手机上点下「买入」的那一刻,心里预设的对手,多半是另一个和你差不多的股民:他也看 K 线,也刷新闻,也在琢磨明天是涨是跌。你们水平相当,谁赢谁输,看各自的悟性和运气。

这个预设错得很彻底。

拳击按体重分级,围棋按段位分组,连小区羽毛球赛都知道把老人和年轻人分开。证券交易所的撮合系统不做这件事。它只认两样东西:价格和时间。你的一百股和某家基金的一百万股,进的是同一个订单簿,走的是同一套规则。你挂单的下一毫秒,和你成交的,完全可能是全世界装备最好的那批人和机器。

这不是比喻,这是撮合规则的字面意思。市场是少数几个不称体重就让你上场的地方。所以在下单之前,值得花十分钟看清楚:对面那支军队,到底背着什么装备。

一张装备清单

装备

它解决什么问题

你的对应物

卖方研究与专家网络

想了解一个行业,直接付费约谈行业里的人

财经新闻、股吧、朋友转发的截图

另类数据:卫星图像、信用卡消费面板、App 下载量

财报是季度的、滞后的;这些数据把业绩提前变成可测量的曲线

等财报公布,和所有人同一秒知道

以微秒计的低延迟基础设施

比所有人先看到、先撤单、先报价

手机点击到成交之间的几百毫秒

专职风控与强制止损纪律

在亏损扩大之前,由制度切断仓位

自己的意志力

别人的长期资金

可以几个月什么都不做,等一个错价出现

自己的积蓄,和忍不住想动的手

逐条看,每一条都比你直觉里的更狠。

另类数据这条最值得多说一句。你想知道一家连锁超市这个季度生意好不好,你的办法是等三个月后的财报。对面的办法是买卫星照片,数它每家门店停车场的车流;买信用卡消费面板,看刷卡金额一周一周的变化;盯它 App 的下载量曲线。等财报公布那天,你在获取信息,他们在核对答案。同一份财报,对你是新闻,对他们是已经交易完毕的旧闻。

低延迟这条,尺度差距大到不太好想象。你从看到价格、做出决定、手指点下去,到订单真正抵达交易所,中间隔着几百毫秒。而对面的系统以微秒计——在你的手指还压在屏幕上的那段时间里,它足够观察到市场的变化、撤掉旧单、重新报价很多轮。你以为你在抢一个价格,其实那个价格在等你,而且是重新算过之后才等你的。

风控那条,表面最不起眼,实际最值钱。机构交易员的每一个头寸背后,站着一个不归他管、他也管不了的风控部门。亏损触线,仓位被砍,没有商量的余地,交易员本人想拦都拦不住。

最后一条最贵:别人的钱构成的时间。管理长期资金的机构,可以三个月什么都不做,专等市场送来一个错价。「什么都不做」是有成本的——要抵抗无聊,抵抗手痒,抵抗「钱闲着就是浪费」的错觉。散户用自己的积蓄和自己的焦虑来付这笔成本,通常付不起。

刹车装在车上,还是装在决心里

看完清单,多数人的第一反应是:差距在信息。我认为不是。信息差距其实在缩小——财报人人可读,公告同一秒推送,连另类数据也在慢慢变成可以买到的商品。

真正拉不平的那一条,是纪律的来源。

机构的止损是制度。它写在风控手册里,由另一个部门执行,触线就砍,和交易员当时的心情、信念、面子毫无关系。散户的止损是愿望。它写在心里,由自己执行——而「自己」恰恰是最想违背它的那个人。

这就像刹车装在哪的区别。机构的刹车装在车上,踩不踩不由司机的勇气决定;散户的刹车装在决心里,越是紧急关头,越指望不上。

同一条止损规则,装在制度里和装在心里,是两个完全不同的东西。前者不依赖任何人当时的意志,后者的执行率恰好在最需要它的时刻掉到最低。为什么人的意志力偏偏在关键时刻失灵,那是一台几十万年前造好的大脑的问题,第七章专门说它。这里只需要记住结论:机构最贵的装备,不是买数据的钱,而是把纪律从人身上拿走、交给制度这件事本身。他们不是意志力更强,而是干脆不依赖意志力。

军备竞赛的尽头是平均分

装备到牙齿的军队,整体战果如何?答案出乎意料地朴素:平均而言,只是市场收益。

Sharpe 在 1991 年的《The Arithmetic of Active Management》里用一条会计恒等式把这件事钉死了:全体主动投资者的持仓加在一起,就是市场本身;所以他们的平均毛收益必然等于市场收益,扣掉成本之后必然低于市场。这不是经验规律,是算术。注意恒等式框住的是主动投资者的全体——机构,加上散户。装备再好,这个全体加在一起也不可能跑赢市场,因为他们加在一起就是市场本身。

那这些装备是买来干什么的?

是用来决定「平均」内部怎么分的。整体等于平均,意味着每有一个人高于平均,就必有一个人低于平均。军备竞赛争的不是战胜市场,是确保自己站在分子那一边。他们的超额收益不来自市场的恩赐,只能来自桌子对面装备更差的交易者的口袋。

回到开头你想象的那个对手——那个「和你差不多的股民」。他确实存在,而且人数众多。只是他不坐在你对面。他和你坐在同一边,你们一起,构成了对面那支军队的收益来源。

第 六 章

市场的电费:为什么必须有人亏钱

市场的路灯与电表

经济学里有一类结论,听上去像绕口令,其实是地基。Grossman 和 Stiglitz 在 1980 年发表于 American Economic Review 的那篇论文,就属于这一类。它证明的事情一句话可以说完:信息完全有效的市场,在逻辑上不可能存在。 不是"很难达到",是"不可能存在"——像一台永动机那样不可能。

一个自己拆自己的悖论

先把这个悖论摆出来,它只需要三步。

  1. 假设价格已经完全反映了所有信息。

  2. 那么做研究就是白花钱——你熬夜读财报、跑数据、访谈上下游,得出的结论早就在价格里了,你赚不到一分钱。

  3. 于是没有人做研究。可是价格里的信息不是从天上掉下来的,它恰恰是研究者用交易把自己的判断压进价格的。没人做研究,价格就不再反映信息——第一步的假设自己崩塌了。

这就像一个小区宣布:路灯永远亮着,所以不用交电费。第一个月路灯确实亮着,因为电表里还有余额。第二个月,灯灭了。

"价格永远正确"和"没人有动力去把价格弄正确",这两件事不能同时成立。市场要想接近有效,就必须不完全有效——必须留出一块利润,付给那些做研究的人,当他们的工资。

工资从谁的口袋里出

下一个问题是:这份工资谁来付?

交易是零和的搬运。桌子这一边多收一块钱,桌子那一边就少一块钱。顺着这个悖论往下推,结论躲不开:做研究的人(这本书里叫他们知情交易者)要长期赚钱,桌子对面就必须坐着一群长期送钱的人——因为消息、感觉、无聊、手痒而交易的人。

这股力量在 Grossman 和 Stiglitz 的模型里还只是抽象的"噪音";五年后 Kyle 在 Econometrica 上把它具体化成一个角色,叫"噪音交易者";再过一年,Fischer Black 干脆用一整篇美国金融学会主席就职演说来讲它,题目就叫《Noise》,里面有一句几乎就是本章的论点:噪音使金融市场的交易成为可能。 三篇文章,一层比一层说得直白。

注意这个结构上的必然性。它不是说"市场里碰巧有人水平差",而是说:一个能正常定价的市场,在结构上需要一群持续亏钱的参与者。 抽掉这群人,知情交易者没了收入,研究停摆,价格失灵,整个体系熄火。

角色

做什么

拿什么

知情交易者

花钱做研究,把信息压进价格

从对手盘赚取的利润

噪音交易者

凭感觉交易

长期净亏损

整个市场

得到一个大致靠谱的价格

由上面两行共同供电

所以我说,噪音交易者不是市场的 bug,是市场的电费。灯要亮,电表就得转。这是本书最重要的一个比喻,后面的章节会反复用到它。

顺着这个比喻往下走一步,就到了一个多数人没想过的地方:散户亏掉的钱没有消失。 它变成了卫星数据的账单、分析师的年终奖、机房里那几微秒延迟优化的预算——变成了整个价格发现体系的工资单。你在券商 App 里看到的那个大致合理的价格,是有人付了钱才有的。付钱的人里,很可能有你。

免费午餐的账单在别人手里

现在可以把 Sharpe 1991 年那篇《The Arithmetic of Active Management》接上了。用 Sharpe 自己的说法,这个结论只依赖最简单的四则运算(严格说,还依赖一个定义:被动 = 按市值权重持有整个市场)。全体主动投资者的持仓加在一起,就是市场本身。所以——

  • 主动投资者整体的毛收益 = 市场收益;

  • 扣掉研究费、交易费、管理费之后,主动整体 必然 输给市场;

  • 被动投资者拿市场收益,只扣极低的成本,所以整体 必然 赢过主动整体。

这不是经验规律,是算术。但把它和电费的比喻放在一起,你会看到指数基金那顿"免费午餐"的真实成分:搭便车。 指数基金按市价买入整个市场,它自己一分钱研究都不做——它搭的是主动交易者烧钱烧出来的那个大致合理的价格的便车。菜场里有人起早贪黑比价、验货、砍价,把每个摊位的价格磨到大差不差;你十点钟溜达进来,按标价全场各买一点,拎着走。你占了便宜,而且是堂堂正正地占——但要清楚,便宜是别人的电费点亮的。

如果人人都不交电费

有一个流传很广的担忧:要是人人都买指数、人人都躺平,市场不就失灵了吗?这个推演值得诚实地走一遍。

假如躺平的人越来越多:做研究的钱变少,价格发现衰减,定价错误增多。可是定价错误一多,主动研究的超额回报就回升了——满地都是标错价的货,捡起来就是钱。回报回升,自然吸引人回来做研究,价格重新被磨准,超额回报再次被压薄。这是一个自平衡的系统:电费涨到足够高,总会有人愿意来发电。

所以"人人躺平会让市场失灵"这句话,作为宏观担忧或许有讨论价值,但它不构成你个人不躺平的理由。这就像"要是人人都不种地怎么办"不构成你辞职去种地的理由——真到了没人种地那天,粮价会替你做动员。在那之前,你抢先去种,只是替别人交电费。

电费总要有人交。灯亮着,说明电表在转;电表在转,说明有人在付钱。

这本书写到这里,唯一的目的已经可以说破了:不是教你怎么赢,而是让你在下一次打开交易软件之前,先看清一件事——在这张电费单上,你的名字写在收钱的那一栏,还是付钱的那一栏。至于人为什么明明在付钱、却总觉得自己在收钱,那是下一章的事。

· · ·

下篇:第七至九章——草原上的大脑、五千万个账户、什么时候货架是真的。

《他为什么卖给你?》 · 王建硕 · 本文不构成投资建议
全书在线阅读:voicedrop.cn/books/why-did-he-sell

阅读原文

跳转微信打开

❌