★ FEATURED ARTICLE 【免费下载链接】stonkflyA full retained fly-connectome simulation with experimental memory and guarded Coinbase AgentKit trading actions.项目地址https://gitcode.com/gh_mirrors/st/stonkfly点击查看免费下载Stonkfly 是一个基于完整果蝇连接组fly-connectome仿真的实验项目它用 166,700 个神经元、2,558 万条有向连接构成的 MaleCNS v1.0 全保留大脑图谱接收 Coinbase 公开价格的 RGB K 线图并通过一套反Hebbian记忆规则anti-Hebbian rule改写其中7,835 条 KC→MBON 突触的效能——用工程化的多巴胺脉冲模拟赚钱与亏钱的反馈信号。⚠️ 先说清楚这是一个机制实验不是已验证的盈利策略。仓库文档明确声明未证明能盈利学习profitable learning has not been demonstrated。这套记忆规则作用在哪些突触上Stonkfly 的记忆规则并不是对整张 2,558 万边的图做可塑性而是精准锁定果蝇蘑菇体记忆回路中的既有连接结构数量角色KC 神经输入前突触所有投射到目标突触的 KC候选突触的上游MBON07α1 房室输出4 个奖赏房室的读出MBON11γ1pedc 房室输出2 个厌恶房室的读出PAM11α1多巴胺细胞15 个盈利多巴胺驱动源PPL101γ1pedc多巴胺细胞2 个亏损多巴胺驱动源可塑性边缘KC→MBON07/117,835 条唯一会被规则改写的突触选择在源码 stonkfly/neural/circuit.py 中完成筛出所有前突触为 KC、后突触落在 MBON07/MBON11 上的既有连接报告为plastic_edges: 7835且不做图裁剪、不新增边。测试 tests/test_neural.py 也用断言锁死了这个数字。一个巧妙的细节每个多巴胺细胞对每条突触的调制增益gain来自解剖学上的 DAN→MBON 突触接触数占比见 circuit.py 的 gain 构建。也就是说哪个多巴胺细胞影响哪条突触、影响多少直接来自真实连接组数据而非人工指定。反Hebbian规则谁先谁后决定强化还是抑制规则改编自 Huang, Luo et al. 2024 的基线中心化反Hebbian速率规则见 stonkfly/neural/rule.py 顶部注释核心直觉非常简单KC 先活动 → 随后出现多巴胺突触被抑制depressw 变负多巴胺先出现 → 随后 KC 活动突触被增强potentiatew 变正两侧都没有活动的突触完全不变与经典 Hebbian 规则一起活动就一起增强相反反Hebbian 把最近活动 奖励解释为该突触贡献过大需要下调。Stonkfly 中 KC/DAN 的发放率直接来自真实网络的 spike 计数以不超过 10 ms 的 bin 统计maximum_rate_bin_ms: 10.0没有用简化速率模型替换整个连接组。驱动项的实现见 rule.py 的 advance 函数drive eta × (kc_rate × 多巴胺调制 − 多巴胺 × kc_trace)8 个核心参数一览所有规则参数集中在 rule.py 的 PARAMETERS 字典参数默认值含义trace_kc_seconds1.0 sKC 资格痕迹eligibility trace时间常数trace_dan_seconds1.0 s多巴胺资格痕迹时间常数memory_decay_seconds1800 s记忆变量 u 的被动衰减时间30 分钟weight_filter_seconds0.05 s实际写入权重的 50 ms 平滑滤波器minimum_fraction0.1效能下限基线的 0.1 倍maximum_fraction2.0效能上限基线的 2.0 倍maximum_rate_bin_ms10 ms速率统计 bin 上限保证时序分辨率etagain0.001学习率定义在 brain.py理解这些参数只需抓住三个变量rule.py 第 27-65 行u记忆累积 drive按 1800 s 指数衰减——代表最近这段经历的长期印象w权重偏差u 经 50 ms 滤波后的慢快两层输出真正写回突触的是weight baseline × (1 w)见 brain.py 第 344-347 行边界裁剪u、w 被夹在 [−0.9, 1.0]保证效能始终落在基线 0.1×–2× 之间且不改变重建数据的兴奋性符号。源码注释特别强调饱和saturation会被如实报告而不是隐藏或重置。这些取值在文档 docs/model.md 中被明确标注为声明的模型选择declared model choices等长痕迹常数、效能边界、增益和 50 ms 滤波器都还需要校准——这正是作者留给研究者的开放空间。从盈亏到多巴胺反馈信号如何进入网络记忆规则的输入不是价格或盈亏数字本身而是一串工程化脉冲stonkfly/reinforcement.py每次观察时权益现金 按买价标记的持仓含已入账手续费相对上次变化≥ 0.01 USDC→ 向 15 个 PAM11 细胞注入200 ms、20 mV 等效的人工电流变化≤ −0.01 USDC→ 同样脉冲发给 2 个 PPL101 细胞死区内的小波动不累积直接忽略。源码注释诚实地提醒这是组合价值的反馈不是最新动作导致了该变化的证据也不建模痛觉或愉悦。验证规则真的改写了 7,835 条突触吗仓库自带三层证据详见 docs/validation.md① 时序特异性单元测试test_memory_rule_temporal_specificitycue → reinforce使 w 0抑制reinforce → cue使 w 0增强未激活的突触严格不变冻结记忆时严格零变化——四条断言全部通过。② 全连接组集成测试设置STONKFLY_FULL_TEST1后运行 test_full_graph_sensory_reinforcement_checkpoint验证 166,700 神经元、25,582,938 条边、7,835 条可塑性边白色刺激激活 KC奖赏/厌恶脉冲引起 DAN 放电且changed_edges 0并支持 checkpoint 恢复、无奖励对照和冻结对照。③ 真实公开数据 6 步回测1 次神经 BUY 成交纸面模式随后 5 次 BUY 被冷却期否决一次 200 ms 厌恶脉冲使 2 个 PPL101 细胞共产生 55 个 spike5 条候选边缘偏离基线。文档同时提醒这 5 条边的变化在外部亏损脉冲之前就已开始——内源多巴胺活动也能驱动规则不能把所有权重变化都归因于盈亏。快速上手三步运行与复现环境要求Python 3.11、C17 编译器、macOS/Linux建议 16 GB 内存python3.11 -m venv .venv source .venv/bin/activate pip install -e .[test]python -m stonkfly prepare # 下载并校验 MaleCNS v1.0 数据 python -m stonkfly run # 默认纸面交易$100 模拟余额无需 API key python -m pytest -q # 42 个测试全部通过想跑完整连接组测试OPENBLAS_NUM_THREADS1 STONKFLY_FULL_TEST1 python -m pytest -q默认配置neural_ms: 500、neural_bin_ms: 10等定义在 stonkfly/config.py 的 Settingslearning: True开启记忆规则Ctrl-C 可安全停止并从runs/paper/断点恢复。延伸阅读建模范围与证据边界docs/model.md完整验证记录与复现步骤docs/validation.md规则本体stonkfly/neural/rule.py7,835 条边选择逻辑stonkfly/neural/circuit.py权重写回与 checkpointstonkfly/neural/brain.pyC 事件驱动内核0.1 ms 积分stonkfly/neural/kernel.cpp一句话总结Stonkfly 的价值不在于让果蝇脑炒股而在于提供一条完全可复现、可审计的机制链路——RGB 像素 → 16.7 万神经元 spike → 7,835 条突触的可测量改写每一步都有 SHA-256 校验与对照实验。至于这套反Hebbian规则能否学到有效的交易关联文档给出的答案是诚实的还没证明。赞分享【免费下载链接】stonkflyA full retained fly-connectome simulation with experimental memory and guarded Coinbase AgentKit trading actions.项目地址https://gitcode.com/gh_mirrors/st/stonkfly点击查看免费下载相关推荐1300万参数改写AI记忆规则字节跳动AHN技术如何实现效率革命1300万参数改写AI记忆规则字节跳动AHN技术如何实现效率革命 导语 字节跳动推出的人工海马体网络AHN技术仅需增加0.43%参数就实现计算量降低大模型LLM/VLM含推理1300万参数改写AI记忆规则字节跳动AHN技术如何实现效率革命1300万参数改写AI记忆规则字节跳动AHN技术如何实现效率革命 导语 字节跳动推出的人工海马体网络AHN技术仅需增加0.43%参数就实现计算量降低大模型LLM/VLM含推理Gauntlet命令行指南如何用CLI高效控制你的跨平台应用启动器Gauntlet命令行指南如何用CLI高效控制你的跨平台应用启动器 Gauntlet是一款受Raycast启发的开源跨平台应用启动器它提供了强大的命令行接口上一篇WorkBuddy自动化任务教程解放双手让AI帮你处理重复工作下一篇G-Helper终极指南完全掌握华硕ROG笔记本性能调优与显示优化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
