#廣宇
6/03日(三)大家好！我是陳學進(大師兄) 盤中看盤重點： 今日台北股市呈現「開高震盪走高」再創新高的格局，盤中指數大漲近千點、續創46552點歷史新高，預估成交量維持在1.5兆元左右的水準，並不意外！儘管這一波台股已累積不少的漲幅，與季線乖離率持續擴大至22.9%，與年線乖離率持續擴大至57.2%，加上融資餘額不斷地竄升，截至昨日為止，上市公司融資餘額續攀升至5669.7億元歷年高檔水位，因此，伴隨著短線技術面過熱、以及市場居高思危之下，每當指數衝高之際，往往都易引來短線獲利調節賣壓的出籠而或有劇烈震盪，不過，為何市場主力大戶、壽險資金、以及內外資法人敢有恃無恐拼命作價拉抬指數與個股呢？憑藉的是什麼？憑藉著就是對於未來企業營運及獲利成長的展望，尤其是隨著輝達黃仁勳GTC Taipei及台北COMPUTEX展接續登場，黃仁勳正式宣告：AI已從生成式AI邁向「代理式AI」時代，未來十年最龐大的財富機會，將從AI工廠、AI伺服器、AI PC、機器人、實體AI全面展開；配合4日有台積電股東會預期將釋多、9日有蘋果的WWDC世界開發者大會、10日是上市櫃公司公布5月營收重頭戲、11日台積電除息6元等一連串利多題材的加持，以及主計總處大幅上修我國經濟成長預估，今年第一季經濟成長率調升至14.55％，全年經濟成長率預估由7.71％上修至9.64％，高於去年的8.76％，顯示台灣經濟動能依然強勁，因此，在AI長線趨勢不變，以及經濟面、產業面、資金面及技術面等仍是續處在於相對有利的條件下，如所言：只要守穩月線及頸線42250點關卡不破，則在多方控盤不變下，今日順勢挑戰46K關卡後，後市仍將有續戰47K、甚至48K的機會，「馬照跑、舞照跳」個股輪動輪漲的盛況仍將持續，並無須想太多！ 至於個股方面：
6/03日(三)大家早！我是陳學進(大師兄) 盤前看盤重點： 儘管這一波指數已累積不少的漲幅之後，每當衝高之際，往往易引發短線獲利調節賣壓的出籠而或有劇烈震盪，不過，受惠於黃仁勳GTC Taipei效應持續發酵，AI伺服器暨AI PC概念股鴻海、廣達、緯創、華碩、宏碁、仁寶…等重量級股票適時接棒演出，配合4日有台積電股東會預期將釋多、9日有蘋果的WWDC世界開發者大會、10日是上市櫃公司公布5月營收重頭戲、11日台積電除息6元等一連串利多題材的加持下，台股站穩45K後，後市仍將有續戰46K、甚至47K的機會，基本上，只要守穩月線及頸線42250點關卡不破，則在多方控盤不變下，「馬照跑、舞照跳」個股輪動輪漲的盛況仍將持續，並無須想太多！重點還是在個股。 至於個股方面：
6/02(二)今天開始贏在起跑、南亞⊕、正達⊕、華邦電⊕、友達⊕、台積電、鴻海 大家好,我是陳學進 商機來了行情就來 這次一定要聽大師兄的
6/02日(二)大家好！我是陳學進(大師兄) 盤中看盤重點： 今日台北股市呈現「開高震盪個股表現」的格局，盤中指數一度下挫468點、下探至44869點，不過，11點30分過後，隨著低接買盤進場、以及在護國神山台積電、AI伺服器暨AI PC鴻海、廣達、緯創、華碩、宏碁、仁寶、記憶體華邦電、南亞科、與面板轉機股友達…等持續展現強勢上攻企圖心不變的撐盤下，指數逐步回穩翻紅上來，預估成交量維持在1.6兆元左右的水準；惟OTC櫃買指數的表現則略顯疲弱，呈現「開高震盪拉回整理」的格局，預估成交量維持在3800億元左右的水準，並不意外！主要原因除了近期融資增速略顯過快，繼上週五大增213.3億元後，昨日上市公司融資續增94.2億元，融資餘額持續攀升至5657.79億元歷年相對高檔，加上外資台指期部位，昨日空單續增4023口，淨空單部位攀升至64673口，以及昨日台股續創新高的過程中，「台指06」更是大漲720點至46,035點，期現貨正價差高達697點，顯然市場有如熱鍋上的螞蟻，因此，每當指數向上衝高之際，往往都會引來劇烈波動震盪，故今日從早盤45915高點至盤中44869低點，上下震幅又高達逾千點，一點都不意外！ 就技術面的角度來看，雖然這一波台股累積不少的漲幅之後，短線上難免或有震盪，不過，在高檔震盪的過程中，指數仍是穩穩地守在於10日線及月線之上，顯見整體格局仍在多方的掌控之中並沒有改變，加上受惠黃仁勳GTC Taipei效應持續發酵、以及在主力大戶、壽險資金、主被動式ETF、八大官股行庫與內外資法人力挺偏多不變下，如所言：只要守穩月線及頸線42250點關卡不破，後市仍是震盪往上看不變，「馬照跑、舞照跳」個股輪動輪漲的盛況仍將持續，並無須想太多！
6/02日(二)大家早！我是陳學進(大師兄) 盤前看盤重點： 隨著台北COMPUTEX電腦展暖身秀登場，輝達執行長黃仁勳GTC Taipei主題演講效應持續發酵，兆元宴與背板概念股齊發威，「皮衣男」旋風席捲市場，在輝達正式宣告個人電腦進入全新時代，AI Agent將成為新一代PC的核心應用型態，激勵AI伺服器暨AI PC鴻海、廣達、緯創、英業達、宏碁、華碩、仁寶等再度成為盤面焦點；另外，黃仁勳演說中表示AI能提高軟體工程師生產力，此說法點出資安的重要性，軟體股華經、驊宏資、邁達特、精誠、零壹等等同時因低基期優勢表現剽悍；包括物理AI正推動機器人邁向下一階段，慧友、聰泰、廣宇、穎漢、健椿、能率網等相關概念股亦大放異彩，連帶動昨日指數續創45,931點歷史新高；展望今日，雖然昨日上市公司融資續增94.19億元，融資餘額攀升至5657.79億元，加上外資台指期部位，昨日空單續增4023口，淨空單部位攀升至64673口，以及技術面進入短線超買區下，因此，隨著指數向上衝高之際，短線上仍應隨時提防行情出現劇烈波動，操作上仍宜保持適度的資金彈性與風險控管，不過，在類股與個股維持良性輪動格局不變下，基本上，只要守穩月線或42250點關卡不破，則「馬照跑、舞照跳」個股輪動輪漲的盛況仍將持續，並無須想太多，重點還是在個股。 至於個股方面：
6/01(一)大家好！我是陳學進(大師兄) 一、本日盤勢重點 加權指數再創歷史新高 盤中最高來到45,931點，終場大漲604點、收45,337點。
6/01(一)六月攻5萬？台積電、鴻海、世界⊕、南亞⊕、正達⊕、雷科⊕ 大家好,我是陳學進 AI大多頭還沒結束 不必自己嚇自己！
馬斯克點贊！17 歲高中生參與研究！Kimi 讓 AI 學會“翻舊帳”
2026 年 3 月 16 日，Kimi 團隊最新公開的論文《Attention Residuals》提出了一種針對大模型底層結構的改法。同時 MoonshotAI 也在 GitHub 開源了相關技術報告與實現。該論文獲馬斯克誇讚：“Kimi 的工作令人印象深刻。”論文瞄準的不是訓練資料、參數規模或推理技巧，而是 Transformer 裡一個用了很多年的基礎設計「殘差連接」。用通俗的話說，現在的大模型內部像一條很長的流水線。每一層都會把自己的結果直接加到後面，優點是訓練穩定、網路能堆得很深，但問題是層數一多，前面真正重要的資訊容易被後面的新資訊不斷沖淡。論文把這個問題概括為 PreNorm 下的“稀釋”現象，也就是隱藏狀態會隨著深度持續變大，早期層的貢獻越來越不顯眼。上傳的論文正文對這一點有直接說明。這篇論文的核心思路，是把過去這種“所有層結果默認一股腦往後加”的方式，改成“後面的層按需去前面挑資訊”。作者把這套方法叫做 Attention Residuals，簡稱 AttnRes。簡單理解，它相當於給模型加了一個會翻舊帳的機制，後面的層不再機械接收前面所有層的累計結果，而是像注意力機制那樣，根據當前需要，從更早的層裡找出更有用的資訊再融合進來。過去注意力機制改變了 token 與 token 之間的資訊傳遞，現在 AttnRes 想進一步改變層與層之間的資訊傳遞。這件事之所以被業內關注，不只是因為想法新，還因為它動的是大模型最底層、最通用的一塊積木。Transformer 這些年有很多改進，大家經常改的是 attention、MoE、長上下文、KV cache 或訓練配方，但很少直接去碰 residual connection 這類默認配置。AttnRes 的價值就在於，它試圖回答一個更底層的問題，模型變深以後，資訊到底該怎麼在不同層之間流動，才不會越傳越亂。當然，理想很豐滿，工程通常很殘酷。因為如果每一層都去“看”所有更早的層，記憶體和通訊成本會迅速上升。為瞭解決這個問題，論文又提出了 Block AttnRes，也就是“塊注意力殘差”。它的做法不是逐層精細回看，而是先把很多層壓成若幹個塊，只在塊之間做這種選擇性檢索。可以把它理解成，不是翻整本書的每一頁，而是先把內容整理成幾個章節目錄，再按章節去查。這樣一來，記憶體和通訊開銷從 O(Ld) 降到 O(Nd)，更適合真正的大模型訓練和推理場景。論文還配套設計了跨 stage 快取和兩階段計算策略，報告稱典型推理負載下額外延遲低於 2%，啟用 pipeline parallelism 時訓練端到端額外開銷低於 4%。從實驗結果看，這不是那種“只在某個小模型上偶然有效”的工作。論文做了 scaling law 實驗，比較了 baseline、Full AttnRes 和 Block AttnRes 三種方案。結果顯示，AttnRes 在不同計算預算下都持續優於基線，而 Block AttnRes 在最大規模上已經能夠追回大部分 Full AttnRes 的收益。按論文給出的擬合結果，在 5.6 PFLOP/s-days 這一點上，Block AttnRes 達到的損失水平，相當於基線多用 1.25 倍計算量才能達到。GitHub 倉庫首頁也把這一點作為核心結果之一展示出來。論文還把這套方法接入了 Kimi Linear 架構中，使用的是一個 48B 總參數、3B 啟動參數的模型，並在 1.4 T tokens 上進行了預訓練。按照上傳論文中的結果，採用 Block AttnRes 後，模型在通用、數學、程式碼和中文評測上都沒有輸給 baseline，很多項目還有明顯提升。比如 MMLU 從 73.5 提升到 74.6，GPQA-Diamond 從 36.9 提升到 44.4，Math 從 53.5 提升到 57.1，HumanEval 從 59.1 提升到 62.2，C-Eval 從 79.6 提升到 82.5。尤其是多步推理、數學和程式碼這類更依賴組合能力的任務，提升更明顯。如果把這篇論文再說得更白一點，它不是在教大模型“多背一點知識”，而是在幫大模型“更準確地調出自己已經學到的東西”。傳統殘差更像是把所有舊資料不斷堆進一個大箱子，箱子越堆越滿，找重點越來越難；AttnRes 更像是給這個箱子加了索引系統，後面的層可以按需要去翻前面真正有用的資料。這也是為什麼這項工作雖然看起來不像新模型發佈那樣熱鬧，卻可能對下一代大模型底層結構設計產生實際影響。它最大的意義，在於證明“層與層之間的資訊傳遞”也可以像 token 之間那樣被重新設計，而且這種重寫在大模型規模上仍然能跑得動、能帶來穩定收益。至於它會不會像標準殘差連接那樣成為行業新默認配置，還要看後續更多模型、更多團隊和更長時間的復現與驗證。該論文更引人注意的是其中作者之一：陳廣宇是一位 17 歲的高中生，參與了技術研究。 (雲頭條)