Kalshi 的社交媒体争执，为何让其 ETH 永续合约成交量受到审视

一组异常的成交量，不能直接等同于刷量

这期 Uneasy Money 的开场来自 Kalshi 在社交媒体上的一场争执。节目称，Kalshi 的加密圈雇员 Benny 与分析者 Icy Beast 发生冲突后，后者调取公开数据，质疑 Kalshi 的永续合约和预测市场存在虚假成交。Kain Warwick 先说明自己是 Polymarket 的种子投资人，因此对竞争对手的判断带有明确的利益关联；他仍认为，眼前的数据值得追问，但不足以证明是 Kalshi 自己在刷量。

未平仓量衡量尚未平掉的头寸，成交量则把每一次成交都累计进去。少量资金在同一日反复换手，成交量可以远大于未平仓量。节目据此提出另一种解释：交易所可能用返佣或其他激励支付做市商，促使他们以极少资本进行大量撮合。Kain 把这种安排称为一种可能性，并没有说自己看到了 Kalshi 的具体规则或付款记录。

这一区分取决于订单如何成交。若两家做市商预先约定只彼此对敲、始终保持接近零的方向性风险，又让外部交易者难以参与，成交数字就没有提供真实的交易服务。Kain 认为，这类模式若存在，监管者可以通过订单和成交记录识别。相反，若做市商持续挂在订单簿上，愿意与普通交易者成交，再到其他市场对冲风险，那么即使它们之间也频繁交易，外部用户仍能得到可成交的报价。节目引用的是公开汇总数据，因此两种情形都未能判定。

Taylor Monahan 没有接受用流动性一笔带过的解释。她说，Kalshi 对争议的公开回应并未充分说明若干相对其他交易场所显得异常的模式。她还提到回应中拿 Binance、Bybit 和 Crypto.com 等平台作比较；Kain 认为其中有些参照对象本身并不适合作为健康市场结构的基准。两人的共同点是，单看 5 亿美元这个数字，既不能把它当作市场质量的证明，也不能直接给出刷量的结论。

流动性会不会把预测市场钉在原地

Austin Griffith 把讨论从用户成交转向预测市场的功能。他担心，如果流动性主要围绕既有中间价来回成交，掌握新信息的人即使入场，价格也可能反应得更慢，市场传出的信息量反而变少。他问的是深度本身怎样影响价格发现。

Kain 的回答是，深度不应只看成阻力。市场越浅，几笔小额订单就可能显著改变价格，旁观者无法判断这反映的是可靠信息，还是某人的臆测。为了说明这一点，他用 Google 股票作类比：在一个由大量资金和参与者持续定价的市场中，单个交易者相信某只股票应高一点，并不足以改变价格；要推动价格，需要投入足以让其他人重新评估的资金。依照这个观点，深度提高了价格变动的可信门槛。

这个类比也留下了 Austin 所问的边界。信息很强时，深度市场最终仍会调整；信息很弱、资金很少时，深度会过滤它。Taylor 补充，做市商并非只提供被动库存：他们也会观察订单和其他信号，调整报价。因此，市场并不是由单个知情者独自移动。三人把最佳深度视为成交便利与信号敏感度之间的取舍，并未给出适用于所有预测市场的单一答案。

话题随后回到链上透明度。参与者认为，Polymarket 和 Kalshi 都有可公开查询的数据接口，而链上记录让用户能看到更完整的交易痕迹。可审计并不自动排除刷量或受激励成交；它的价值在于，研究者能够检查谁在何时、以什么价格与谁交易，而不必完全依赖平台展示的汇总数字。

代理失控时，开发者和运营者不是同一种角色

在人工智能部分，三位参与者从美国财政部长 Scott Bessent 对 AI 实验室的责任提醒谈起。他们把问题收束到部署关系：若实验室把代理放在自己的机器上测试，代理对外部系统造成损害，谁应承担责任？在他们看来，此时实验室既制造或选择了模型，又掌握运行环境和任务权限，运营者的责任很难回避。

Taylor 用加密世界长期面对的问题提出反例：编写自治代码的人，可能并不运行它，也不参与后来利用它洗钱或攻击的人。她认为，执法机关有时会把责任延伸到开发者，这会与实际操作、实际获益和实际违法的人之间形成张力。她的类比指向一个需要逐案回答的问题：代码作者、模型提供者、部署者和具体使用者在每个事件里未必是同一个人。

Kain 对实验室的担忧来自能力变化。他把早期模型放在沙箱中的表现比作还不会移动的婴儿：此前没有越界，不表示能力提高后仍不会越界。对一个以提升代理行动能力为目标的团队而言，测试环境、权限和监控也需要随能力改变而更新。另一位参与者承认，离奇的代理事件很容易在社交媒体上传播；Kain 的回应是，传播效应不能抹去实验室是否具备控制能力的问题。

购物代理碰到平台的广告生意

Meta 的 Muse 把这场责任讨论带进了较日常的产品场景。节目转述，Muse 作为个人助手开始替用户在 Amazon 下单，Amazon 随后以违反服务条款为由禁止这种使用方式。参与者把这件事看作平台激励的冲突：代理若能直接替用户筛选、比价和下单，可能绕开商品搜索页中的赞助位和卖家对排序的操作空间。

一位参与者讲述自己为新房寻找床垫的经历。他原本期待 AI 搜索能按预算、材质和使用场景缩小范围，结果中仍混入赞助商品，最后回到常规搜索逐项筛选。这个经历把购物代理的要求落在具体选择上：它得减少筛选成本，不能只把原有搜索结果换成对话界面。

Jev：快速决策的分类器式代理

节目把 Jev 描述为一种不同于聊天式大语言模型的代理：它接收较多输入后输出带权重的决策，不把推理过程写成长篇文字。Austin 按自己的描述说，这种分类器式模型可以在约 200 毫秒内完成一次选择，因此适合网页操作、持续集成和其他需要频繁判断的任务。

三人用浏览器中的路径选择说明差别。传统代理要截屏、分析界面、生成解释，再决定点击哪里；Jev 的设想是直接给出若干路径的置信权重，让上层系统迅速执行。它仍不是规则脚本：页面和任务变化时，模型可以基于输入重新判断。节目中的比喻是，用保留不确定性判断能力的模型，替换掉每一步都必须写出大量解释的交互方式。

Austin 还分享了自己的邮件处理流程：原先的代理会识别垃圾邮件、查看同一发件人的其他邮件，再经过数次点击完成屏蔽，过程较慢；他改用 Jev 后，模型可并行检查多封邮件，整套操作在约一秒内完成。他把一个本地替代方案放进同一流程测试，12 封邮件中只处理对了两封，因而认为还需要训练和更好的上下文管理。

节目也提到快速模型的密集发布，包括尚未被发言者亲自测试的 Mimo。讨论没有把速度当作单独的胜负指标：如果模型输出的是必须由人再消化的长篇说明，更快生成文字未必缩短完成任务的时间；若它能在可靠性足够的前提下并行完成许多小决策，速度才会改变工作流。

市场尾声：Zcash、NEAR 与隐私推理

节目最后转向当周的加密市场。参与者提到 Zcash 价格约在 1,500 美元，并把它的上涨放在隐私叙事重新受关注的背景下讨论。

对于 NEAR，Kain 的解释集中在 NEAR Intents：用户面对多条链时，不必逐一处理不同链上的步骤，而可以把需求交给一个交互入口完成。他说这项业务正在产生收入。Austin 更看重私密推理的可能性。他把它放在这样一个对比里：自己在本地运行模型的体验并不好，而大模型呈现集中的趋势；可验证隐私的推理服务或许提供一条中间路径。