增强指数型基金市场发展 - 增强指数型基金获公募机构青睐 今年以来新发行数量破百达106只 超过2024年42只和2023年59只的全年新发数量 [1][2] - 合并发行份额达610.97亿份 超过2024年214.27亿份和2023年265.90亿份的全年规模 [2] - 14只新产品规模超10亿元 广发创业板指数增强以23.93亿份居首 鹏扬中证A500指数增强19.40亿份和博道中证全指指数增强19.11亿份紧随其后 [2] 产品布局动因 - 兼具指数化投资透明低成本优势与量化技术获取超额收益潜力 [3] - 新指数如中证A500行业覆盖全面均衡 与量化增强策略天然契合 [3] 业绩表现 - 近一年512只可统计产品中511只实现正收益 12只收益率超100% 创金合信北证50成份指数增强A达147.23% [4] - 超六成产品近一年取得超额收益 华泰柏瑞中证2000指数增强A跑赢基准31个百分点 收益率102.74% [4] - 近五年177只可统计产品中150只获超额收益 华夏中证500指数增强A等四只产品跑赢基准均超40个百分点 [4] 市场展望 - 政策面巩固资本市场回稳向好 美联储降息确定性与全球流动性宽松支撑A股中期上行逻辑 [5] - 建议适度增配银行股等稳健资产 关注AI算力与应用、创新药、互联网等科技品种回调布局机会 [5] - 市场情绪较热波动率或放大 需跟踪成交量指标警惕高位板块风险 科技板块中互联网估值合理 出海方向有色领域弹性较大 [5] - 量化多因子策略将持续应用 通过风险控制减少风格转换带来的超额收益回撤 [6]

文 | 新质动能，作者｜沐风，编辑｜时楠 AI创业圈里，又冲出一个估值288亿的独角兽。 这家公司背后的掌舵人——乔琳，本硕均毕业于复旦大学计算机系，资历硬到能在硅谷掀起风浪。 她的投资人阵容堪称豪华：有红杉、Benchmark这样的顶级老牌风投，也有一票手握核心算力的产业巨 头。 而最炸裂的，是那两位名字——英伟达和AMD。 没错，黄仁勋和苏姿丰，这对在芯片战场互不相让的对手，竟罕见地坐到同一张牌桌上，为同一个创业 者押下重注。 这就让人忍不住想问：乔琳，这位复旦才女，以及她创立的名字有点拗口的Fireworks AI，究竟有何底 气，让芯片圈的"教父"和"女王"同时放下刀剑，掏出支票？ 复旦才女硅谷进阶 要看懂Fireworks AI，必须先看懂它的创始人，乔琳。 这位姐的履历，堪称一部学霸和技术大牛的进化史。复旦本硕连读，加州大学圣巴巴拉分校博士，先后 在IBM、LinkedIn当技术高管。创业前，她最重要的一站，是在Meta（当年的Facebook）。 在 Meta 任职期间，她领导了超过 300 人的工程团队，把 PyTorch 从一个科研圈的小众工具，打造成支 撑全球开发者生态的行业标杆。她主导的 ...

核心观点 - 清华AIR与字节联合SIA Lab发布的DAPO系统实现了大规模LLM强化学习的开源SOTA，使Qwen2.5-32B模型在AIME 2024基准上获得50分 [1] - 刘力源、姚峰团队发现DAPO-32B中rollout生成占70%训练时间，通过8bit量化和TIS技术显著加速训练 [3] - FlashRL是首个开源且可用的强化学习方案，在推理阶段应用INT8/FP8量化且性能与BF16持平 [4][15] - TIS技术解决了量化rollout与训练不匹配问题，使性能达到甚至超过BF16 rollout水平 [16] - FlashRL在32B模型上实现1.75倍加速，在内存受限场景下加速比可达3-5倍 [29][34] 技术突破 - 量化技术应用：在rollout阶段采用8bit量化技术，通过TIS保持下游性能 [3][4] - 性能表现：INT8量化使32B模型吞吐量提升1.75倍，FP8量化性能与BF16相当 [23][29] - 内存优化：在TP2-A6000配置下生成速度提升超3倍，TP1-A100配置下超5倍 [34] - 兼容性：支持INT8/FP8量化，兼容H100和A100 GPU [42] 实验结果 - 模型表现：Qwen2.5-32B在AIME基准上获得50分 [1] - 加速效果：7B模型加速比不足1.2倍，32B模型达1.75倍 [29] - 性能对比：INT8 rollout与BF16 rollout在AIME基准准确率相当 [36] - 训练效率：INT8 rollout单位小时内完成的更新步数显著高于BF16 [39] 应用部署 - 安装使用：通过pip install flash-llm-rl即可安装，无需修改代码 [41] - 技术细节：完整技术方案发布于团队博客 [8][17] - 开源资源：论文和代码已在GitHub开源 [7][8]

美股市场动态 - 近期美股走势强劲，标普500指数7月初已接近历史高位 [1] - 高盛策略师自5月以来第二次上调股指目标位至6900点 [1] - 经济数据和关税政策变动未实质影响美股上涨趋势 [1] 量化技术应用 - 彭博量化平台BQuant Desktop可进行技术分析、基本分析和期权分析 [1] - 技术指标在投资实践中具有重要作用 [1] - 期权策略可帮助灵活调整投资组合，管理风险并增强收益 [1] 网络研讨会内容 - 深度解读近期美股与期权市场动态 [1][4] - 介绍如何通过量化技术系统性发掘投资机遇 [1] - 涵盖宏观展望和个股潜力分析 [1] 主讲嘉宾 - 赵磊：彭博中国区商品和股权衍生品市场专家 [2] - 汪洋：彭博中国区买方市场专家 [2] - 赵力（CMT、CAIA）：彭博亚太区技术分析应用专家 [2] 活动安排 - 网络研讨会时间为2025年8月13日16:00-17:00 [1] - 包含深度分析、量化技术演示和问答环节 [4]

大型语言模型自注意力机制研究 核心发现 - 自注意力模块中查询(Q)和键(K)表示存在高度集中的极大值，而值(V)表示无此现象，该现象在使用旋转位置编码(RoPE)的模型中普遍存在[1][3] - 极大值分布具有跨层和跨头的规律性，与传统认知中注意力头独立性假设形成鲜明对比[3] - 该现象仅见于采用RoPE的主流模型(LLaMA/Qwen/Gemma)，未使用RoPE的模型(GPT-2/OPT)不存在此模式[4] 机制影响 - 破坏QK中的极大值导致上下文理解任务性能崩溃： - 数学推理(GSM8K)准确率从81.3%骤降至15.1%(Gemma2-9B)[5] - 密钥检索任务(Passkey Retrieval)准确率从100%降至0%[5][11] - IMDB情感分析从94%+跌至个位数[11] - 参数知识任务受影响较小：城市类任务保持76-88%准确率，名人类任务维持70%+[10][13] 技术启示 - 量化技术需针对性处理极大值：AWQ和SmoothQuant方法能有效保持上下文理解能力，普通量化导致GMS8K性能显著下降[7] - RoPE机制是极大值现象的根源，其仅作用于QK而不影响V的特性解释了现象特异性[8] - 模型设计应重点考虑位置编码机制对上下文理解的影响，优化方向可针对极大值分布进行调整[14][16] 未来方向 - 探索通过调控极大值分布提升模型上下文理解能力的可行性[16] - 开发专用于保护极大值的量化技术，平衡模型压缩与性能保留[16] - 研究不同模型架构中该现象的普适性，拓展至多模态等新领域[16]