DEEPEXI TECH 01384.HK (DEEPTECH) 今日股價——實時走勢圖及報價 | Gate.com

$0

+$0(0.00%)

無數據

*頁面數據最近更新時間：2026-04-14 11:42 (UTC+8)

至 2026-04-14 11:42，DEEPEXI TECH 01384.HK (DEEPTECH) 股票報價為 $0，總市值為 --，本益比為 0.00，股息率為 0.00%。當日股票價格在 $0 至 $0 之間波動，當前價格較日內低點高 0.00%，較日內高點低 0.00%，成交量為 --。過去 52 週，DEEPTECH 股票價格區間為 $0 至 $0，當前價格距 52 週高點 0.00%。

DEEPTECH 關鍵數據

本益比0.00

股息收益率 (TTM)0.00%

流通股數0.00

熱門股票

$13,806.25+1.14%

INTC

$2,085.92+0.03%

ORCL

$4,934.04+12.69%

TSM

$11,717.48-0.27%

NVDA

$6,038.98+0.76%

PLTR

$4,246.34+0.61%

DEEPEXI TECH 01384.HK (DEEPTECH) FAQ

DEEPEXI TECH 01384.HK (DEEPTECH) 今天的股價是多少？

x

DEEPEXI TECH 01384.HK (DEEPTECH) 當前報價 $0，24 小時變動 0.00%。52 週交易區間為 $0–$0。

DEEPEXI TECH 01384.HK (DEEPTECH) 的 52 週最高價和最低價是多少？

x

DEEPEXI TECH 01384.HK (DEEPTECH) 的本益比 (P/E) 是多少？說明了什麽？

x

DEEPEXI TECH 01384.HK (DEEPTECH) 的市值是多少？

x

DEEPEXI TECH 01384.HK (DEEPTECH) 最近一季的每股收益 (EPS) 是多少？

x

DEEPEXI TECH 01384.HK (DEEPTECH) 現在該買入還是賣出？

x

哪些因素會影響 DEEPEXI TECH 01384.HK (DEEPTECH) 的股價？

x

如何購買 DEEPEXI TECH 01384.HK (DEEPTECH) 股票？

x

風險提示

股票市場具有高風險和價格波動性。您的投資價值可能會增加或減少，且您可能無法收回全部投資金額。過往表現並非未來業績的可靠指標。在做出任何投資決策之前，您應仔細評估自身的投資經驗、財務狀況、投資目標和風險承受能力，並自行進行研究。如有需要，請諮詢獨立的財務顧問。

免責聲明

本頁面內容僅供參考，不構成投資建議、財務建議或交易推薦。Gate 不對因此類財務決策而造成的任何損失或損害承擔責任。此外，請注意 Gate 可能無法在某些市場和司法管轄區提供全部服務，包括但不限於美國、加拿大、伊朗和古巴。有關受限地區的更多資訊，請參閱《用戶協議》的相關條款。

其他交易市場

DEEPEXI TECH 01384.HK (DEEPTECH) 熱門動態

Armando Pantoja

2025-11-02 18:31

超級獵戶座計劃標志着太空探索的下一個偉大飛躍。核動力將幫助我們再次突破天際，& 以外。⚛️🚀 $SMR $CJK $OKLO #DeepTech#

0

0

0

0

matic填坑工

04-05 22:45

> 　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！（來源：DeepTech深科技）寫一個函數，AI 幾乎無敵；但維護一個系統，為何 AI 開始崩潰？目前，人工智慧已經進入到「下半場」。隨著 AI 編程能力不斷提升，OpenClaw 等產品逐漸興起，「CLI everything」正在成為現實，即 AI 不需要操作電腦，而是將所有的接口改為命令列介面（CLI），一項項技能正轉變成一項項軟體功能。現在，Agent 不僅僅是執行單次任務的對話工具，而是正在向長期營運、與真實世界互動、執行複雜任務的系統發展。然而，一個新的問題出現了：在持續演進的過程中，AI 能不斷適應新環境並保持開發能力穩定嗎？騰訊「CEO/總裁辦公室」首席 AI 科學家姚順雨曾在一篇題為「The Second Half」的部落格中提到，真實編程任務是連續依賴的，不是獨立並行的，但當下學界沒有這樣的基準來評估 AI 在該場景下所需要的能力，甚至缺乏勇氣打破任務間相互獨立的假設——長久以來被廣泛接受，用於簡化問題。近期，美國南加州大學、加利福尼亞大學河濱分校、史丹佛大學、普林斯頓大學、OpenHands 等聯合團隊發布了一項全新評估基準 EvoClaw，針對上述問題提出了新方案。研究團隊從開源專案中提取高品質程式碼演進歷史，讓 Agent 在同一程式碼庫上連續完成數十個相互依賴的功能迭代。結果顯示，頂尖 AI 能在獨立評估任務中表現優異（得分 80%+），一旦進入長週期的真實場景，即便是綜合得分最高的 Claude Opus 4.6 也只獲得了 38.03% 的得分。這意味著，AI 對於執行自由度更高的任務容易偏離軌跡，其距離真正能夠處理長週期、連續的軟體演進工作仍存在顯著差距。（來源：arXiv）這項研究揭示，AI 在長期演進中極易陷入滾雪球式的技術債。儘管能持續新增新功能，卻無法控制回歸錯誤的累積，最終導致系統失控。這也意味著，AI 編程正從寫程式碼向系統治理轉折。相關論文以《EvoClaw：面向持續軟體演進的 AI 智能體評估基準》（EvoClaw: Evaluating AI Agents on Continuous Software Evolution）為題，近期發表在預印本網站 arXiv[1]。圖丨相關論文（來源：arXiv）現有 AI 編程評測與真實體驗錯位，問題出在哪裡？為何獨立測評獲得高分的頂尖模型，在 EvoClaw 測評中集體失利？問題的根源在於評測範式改變了。在過往研究中，主流編程測評基準（benchmark）多數聚焦於獨立任務：給定一個議題（issue）或拉取請求（PR，Pull Request），模型在靜態的程式碼快照上完成修復，驗證通過即完成測評。但過往基準測評成績與現實開發能力之間，存在著一道不容忽視的鴻溝：靜態環境是一種相對理想的狀態，而真實環境則是更為複雜和動態的。隨著時間的演進，即便是數月前的微小 bug，經過版本迭代後也可能像滾雪球那樣越來越大，進而導致系統崩潰。（來源：arXiv）該論文第一作者、南加州大學博士生鄧港大對 DeepTech 表示：「現有的 commit 以及 release 粒度，要嘛過於瑣碎要嘛過於粗糙。因此，這些開發歷史並不能體現軟體演進的過程。」圖丨鄧港大（來源：受訪者）研究團隊首次將時間維度引入 AI 編程能力的評估體系，採用了一種全新的層級——里程碑（Milestone），對軟體演進的歷史進行重構，能夠兼具語義完整性和演進依賴關係保留能力的功能單元。其要求 AI 在同一程式碼庫上按序完成多個功能單元，這樣不僅保留了每一步的產出，還成為下一步的起點。（來源：arXiv）為了支援從大量開源程式碼庫中提取出高品質軟體演進歷史，研究人員基於頂尖 AI 強大的能力，提出了一套 Agent 驅動的自動化流水線 DeepCommit，首次實現將嘈雜的 Git 開發記錄重構為可驗證、功能內聚的里程碑任務依賴圖（Milestone DAG），並為每一個里程碑構造出評估環境。主要包括三個階段：Git 歷史預處理、Agent 驅動的 DAG 構建以及里程碑環境配置與驗證。事實上，使用 Milestone 對 Agent 歷史演進進行重構並非易事，因為它不只是要構造一個靜態的、可純粹被觀測的 DAG，而是要一連串可以被執行的評估環境，還要在演進依賴變更的同時確保正確性。這意味著，當打亂 commit 的整體順序並把它重新聚類連接時，可能會面臨 commit 無法應用、介面對不齊以及編譯大片報錯的情況。針對該問題，研究人員設計了一套迭代式修復循環：Agent 主動分析報錯日誌、動態修改 Dockerfile 確保可執行。更關鍵的是，它會基於原有 DAG 補充被遺漏的隱式依賴，透過調整 Milestone 的先後約束關係讓介面衝突問題得以妥善解決。經過反覆迭代，最終實現正確收集 87.1% 的原有測試用例。「相較於單一編程任務情境，穩定、可靠、有效的長週期自主編程是更前沿的研究熱點，例如 Anthropic、OpenAI 就明確表示他們已經將重心轉移到訓練模型的長週期編程能力。」鄧港大表示。圖丨 DeepCommit 流水線架構圖（來源：arXiv）研究人員將 DeepCommit 自動生成的演進圖與人類專家手動標註進行對比，讓他們感到意外的是，兩者採用不同的組織邏輯且互為補充。具體而言，人類專家的 Milestone 通常在局部時間窗口內，先定下議題再歸攏提交，是一種由上而下的語義切分；DeepCommit 為保證絕對正確性，從提交之間的依賴關係出發，由下而上地重建軟體演進脈絡，更強調拓撲結構與執行約束。對評測而言，這恰恰說明 DeepCommit 的關鍵在於從程式碼開發歷史中提煉出一套可執行、可驗證的里程碑結構。從結果來看，DeepCommit 能篩選出高品質、適合評估的 Milestone 任務，並且在真實環境中可執行、可驗證，為評測可靠性提供了保障。一進入真實開發，模型成績為何集體「腰斬」？ EvoClaw 涵蓋五種主流語言，包括 Python、Java、Go、Rust 和 TypeScript，選取的專案橫跨最長真實開發週期達 750 天。在評測指標方面，研究團隊未採取簡單的通過率，而是引入兩個更核心的維度——召回率（Recall）與精確率（Precision）的 F1 加權作為每個 Milestone 的評分。其中，召回率用於衡量功能實現的完整性，而精確率則捕捉模型在新增功能時破壞既有程式碼的程度。研究團隊對 Claude Code、OpenHands 等多種框架和模型組合進行測試。結果顯示，在獨立評測中得分普遍在 80%-90% 的頂尖模型，在進行 EvoClaw 基準測試後集體斷崖式下降，其中最高得分的 Claude Opus 4.6 僅獲得 38.03% 得分。圖丨 EvoClaw 主要實驗結果（來源：arXiv） GPT 5.3 Codex 以 28.88% 的綜合得分僅次於 Opus4.6，位居第二。分倉庫來看，GPT 5.3 Codex 在兩個 Rust 專案（Nushell、ripgrep）上表現較弱，在其餘倉庫上則能接近甚至超過 Opus4.6。在完整解決率方面，得分最高的 Gemini 3 Pro 也只有 13.37%，並且絕大部分能正確實現的都是沒有前置依賴的任務。據了解，研究人員將整體開銷控制在合理範圍內，以 Claude Opus 4.5 為例，完整測評一次的成本約為 500 美元，Kimi K2.5 以及 Gemini 3 Flash 則在 50 美元以內，小模型的開銷會更低。（來源：arXiv）那麼，如果給模型更長的開發窗口，它最終能 100% 把專案搞定嗎？研究給出了否定答案：不論開發窗口多長，所有模型的表現最終都會撞上「天花板」。任務執行順序越靠後、所處 DAG 層級越深，分數和解決率就越低。飽和函數外推結果證明，即便是最優的 Opus 4.6，累計分數也會被卡死在 45% 左右的漸近線上。「儘管 Opus 4.6 在 Anthropic 官網中提到比 4.5 在長週期的任務中表現更好，但是並沒有給出詳細的評估指標，EvoClaw 算是從另一個角度驗證了他們的說法。」鄧港大表示。此外，從實驗中還看到了不同模型家族之間存在顯著差異。具體而言，Claude 與 GPT 在持續演化情境中的表現，會隨著版本更新穩步提升。其中，Opus 4.6 在長週期的編程上證明了其對系統的維護性能最佳；GPT 5.3 由於在 Rust 資料集上表現不佳而拉低了分數，排名在第二位。（來源：arXiv）比較出乎意料的是，Gemini 家族呈現出完全不同的趨勢：從 3 Flash 到 3 Pro 再到 3.1 Pro，每一代都在早期啟動更快、前期表現更好，但其長程表現幾乎沒有顯著提升。鄧港大解釋道：「Gemini 長週期運行表現的明顯衰退，意味著其不僅指令遵循變差，越來越忽視軟體規格說明（SRS）的需求，同時對所構造的軟件系統缺乏維護。」當研究人員把整體分數進一步分解為召回率與精確率時，一個更有意思的現象出現了：召回率幾乎呈不斷上升趨勢，接近線性成長。這意味著，哪怕程式碼庫變得越來越混亂、越來越脆弱，Agent 依然擅長實現當前給定的新目標功能。真正的瓶頸在於精確率：Agent 難以維護既有系統，回歸錯誤累積的速度超過了它們修復這些問題的能力，而這正是長期開發最終停滯的根本原因。圖丨左：錯誤鏈示意圖；右：錯誤鏈分布（來源：arXiv）為深入理解模型在迭代中失控的根本原因，研究團隊提出了錯誤鏈（Error Chains）的分析框架。他們從首次出錯開始追蹤每個測試，並觀察錯誤在後續 Milestone 中被繼承、擴散、跳過還是修復。結果發現，新問題的產生速度並不會加快，模型甚至會實質性地被動修復部分歷史錯誤，但前置錯誤的累積速度遠超修復速度，最終陷入「技術債破產」。為 AI Harness 調試提供通用評估近期，有個非常熱門的概念「Harness Engineering」，希望把軟體開發的全部流程配置成適合 Agent 參與的環境。EvoClaw 基準測試提供了這樣一個通用且評估長週期程式碼演進的 playground，適合調試 AI Harness 框架。例如，本次研究中所提到的失敗案例，如果 Agent 突然表現出非常積極的迭代，或不斷編輯、持續驗證，很可能是 Agent 遇到了困難。在這種情況下，可以透過在對應位置構造護欄，來儘早發現問題、及時人工介入，從而提高效率。既然模型的架構讓 Agent 具備「實現新功能遠強於維護長期舊功能」的通用性質，那麼，未來是否會催生出新的軟體形態以及開發模式？例如，軟體會更強調靈活性、相容性，更可靠的大規模改動重組；或者是更加的一次性，具體業務邏輯都是即時生成、不需要維護，重點在於強化可重用的元件、基礎設施。研究團隊認為，在開發模式上，適當放寬對軟體品質的約束，可減少人類的介入次數，來換取更大的吞吐量，最終加速軟體的迭代。鄧港大指出：「該研究證明我們正走在一條在正確的道路上，AI 的長期編程能力還沒有遇到瓶頸，能夠隨時間穩定提升。有潛力在突然某一天，由榜單分數的量變，變成改變世界的質變。」隨著技術的發展，未來 AI 有可能會從逐漸減少人類參與軟體開發，到 AI 自主提出新的需求來演進程式碼庫，再到 AI 徹底超越人類、拋棄人類，最終實現不斷自我進化。參考資料： 1. 相關論文： 2. 專案主頁： 3. 排版：劉雅坤海量資訊、精準解讀，盡在新浪財經APP

1

0

0

0

WhaleWatcher1

03-03 00:13

2024年2月初，加密貨幣市場情緒出現劇烈轉變，焦點集中在知名加密貨幣資深人士華亦華及其基金的大規模以太坊清算事件。根據騰訊財經「DeepTech」專欄與BlockBeats新聞的報導，市場在華亦華——曾被視為中國加密貨幣領域的重要人物——在短短一周內遭遇超過7億美元的重大損失時，經歷了劇烈動盪。這一事件的特別之處不僅在於其財務影響，更在於隨後一連串的決策與市場反應，並在香港金融中心展開。 ## 快速逆轉：由看漲情緒轉向加速出清以太坊在清算加速之前的幾天，華亦華曾公開持看漲立場。2月4日，他發表樂觀評論稱：「我看多這輪牛市，現在是買入現貨的最佳時機」，並通過其投資平台Trend Research持有約46萬枚以太坊。這一持倉在72小時內發生了劇烈變化。從2月4日至5日，華亦華開始有條不紊地出售約19萬枚以太坊，並於2月5日暫時中止操作。然而，這一看似策略性暫停的行為，最終在2月6日演變成全面投降。在那個關鍵日，華亦華決定一次性清算剩餘的44萬枚以太坊持倉。此次清算規模空前——僅在晚上9點至午夜間，就賣出了約6萬枚以太坊，顯示出出清速度的加快，標誌著市場信心的根本轉變。 ## 現場觀察與大規模資金佈局同步進行在這段關鍵時期，有報導指出，華亦華於2月6日被目擊在香港繁華的銅鑼灣地區，並一直逗留至當晚約10點。目擊者稱，儘管其團隊同步進行大規模清算操作，但該人士並未展現出任何明顯的焦慮或異常行為。這種表面上的平靜，與幕後市場活動的巨大規模形成鮮明對比。與此同時，市場情報顯示，一家駐香港的基金在同一天——2月6日，展開了積極的底部撿貨行動。儘管該基金的資金部署細節未公開，但其在此時點的積累行為，暗示部分市場參與者將此次下跌視為買入良機，而非退卻的理由。 ## 觀點轉變：社群情緒與市場周期評估整體來看，加密貨幣社群的反應較以往市場低迷時更為淡然。多數參與者已基本放棄近期暴跌是短暫調整的想法，轉而接受所謂的「加密市場冬天」已經來臨的說法。然而，也有較為樂觀的聲音認為，這次周期可能比以往熊市更短，預計最嚴重的下行或許能更快度過，遠較歷史經驗所示的持久寒冬來得短暫。這些不同的觀點反映出當前市場狀況的根本不確定性——不論此次清算浪潮是否代表一場清除過度槓桿的投降事件，或僅是長期收縮的早期階段。像香港基金這樣的資深投資者在低價時積極布局，展現出對最終復甦的信心，但整體社群對於短期反彈的懷疑與接受長期寒冬的態度，則顯示出深層的疑慮。

1

0

0

0