Der DePIN Explorer - DePIN Scan

Am 22. November 2024 gab die Sui-Stiftung eine strategische Partnerschaft mit Franklin Templeton Digital Assets bekannt, die darauf abzielt, Innovationen im Sui-Blockchain-Ökosystem voranzutreiben. Diese Zusammenarbeit soll die Entwicklung von Sui, einer Layer-1- und Smart-Contract-Plattform, fördern, indem sie Wertschöpfungsmöglichkeiten für Entwickler blockchain-basierter Lösungen schafft. Jameel Khalfan, Leiter der Ökosystementwicklung bei Sui, betonte, dass die Partnerschaft eine Bestätigung der Technologie von Sui sei, die von den Herausforderungen im Bereich der dezentralen Finanzen inspiriert wurde, mit denen Franklin Templeton sich beschäftigt. Franklin Templeton Digital Assets ist seit mehreren Jahren aktiv im Bereich der Blockchain-Technologie tätig und konzentriert sich auf den Aufbau von Lösungen, den Betrieb von Node-Validierern und die Entwicklung von Anlagestrategien. Ihr engagiertes Forschungsteam für digitale Vermögenswerte nutzt tokenomische Analysen und datengestützte Erkenntnisse, um die Produktentwicklung und Investitionsentscheidungen zu leiten. Tony Pecore, SVP und Direktor für digitale Vermögensverwaltung bei Franklin Templeton, äußerte sich begeistert über die Fortschritte, die das Sui-Team macht, und bemerkte, dass die Blockchain-Technologie trotz des wachsenden Interesses oft mit technischen Einschränkungen konfrontiert ist. Das Sui-Ökosystem beherbergt bereits innovative Projekte wie DeepBook, eine dezentrale Finanzlösung, die einem zentralen Limit-Orderbuch ähnelt, und Karrier One, das ein dezentrales Mobilfunknetz unterstützt. Darüber hinaus hat Sui kürzlich native USDC eingeführt, was den Nutzern direkten Zugang zu einem weit verbreiteten Stablecoin ermöglicht und gleichzeitig die Risiken im Zusammenhang mit gebridgten Vermögenswerten mindert. Als sichere und skalierbare Plattform positioniert sich Sui als erstklassiges Ziel für Anwendungsentwickler in verschiedenen Sektoren, einschließlich Gaming, DeFi und tokenisierten Wertpapieren.

Der Kryptowährungsmarkt erlebt bedeutende Entwicklungen, insbesondere mit dem DePIN-Protokoll des Akash Networks, das kürzlich eine Marktkapitalisierung von über einer Milliarde Dollar überschritten hat. Dieser Anstieg hat zu einem bemerkenswerten Anstieg des Akash-Preises geführt, was das wachsende Vertrauen der Investoren widerspiegelt. In der Zwischenzeit steht Solana kurz davor, ein neues Allzeithoch (ATH) zu erreichen, da der Marktkapitalzufluss es ihm ermöglicht, BNB zu übertreffen. Die Aufregung um Solanas bevorstehendes ATH ist nicht nur ein Gewinn für die Plattform, sondern auch für das breitere Kryptowährungs-Ökosystem, das sein Potenzial für die Mainstream-Adoption und robuste Entwicklungsaktivitäten zeigt. Im Bereich der dezentralen Finanzen (DeFi) hat sich Lunex Network als vielversprechender neuer Akteur etabliert. Diese hybride Börse bietet eine einzigartige Lösung, indem sie den Handel über verschiedene Blockchains mit über 50.000 Handels-Paaren und einer Gebührenstruktur von null ermöglicht. Lunex Network zielt darauf ab, DeFi sowohl für Anfänger als auch für erfahrene Trader zu vereinfachen und es Einzelinvestoren zugänglicher zu machen. Mit einer beeindruckenden Liquidität von bereits 2,95 Millionen Dollar positioniert sich Lunex als wichtiger Akteur im DeFi-Bereich und könnte den Zugang zu diesem lukrativen Markt demokratisieren. Der Aufstieg von Akash Network, Solana und Lunex Network hebt einen breiteren Trend zur dezentralen Innovation über die traditionelle Finanzwelt hinaus hervor. Der jüngste Anstieg von 10 % bei Akash in den letzten 24 Stunden und ein bemerkenswerter Anstieg von 36 % in der vergangenen Woche betonen sein Potenzial, konventionelle Cloud-Dienste zu stören. Da die Nachfrage nach dezentralen, vertrauenslosen Plattformen wächst, bieten diese Token aufregende Investitionsmöglichkeiten. Während Solana seinem ATH näher kommt und Akash Momentum zeigt, beobachten Investoren diese Entwicklungen aufmerksam, während Lunex Network weiterhin Aufmerksamkeit mit seinen DeFi-Angeboten auf sich zieht.

Vor einem Jahr traf das Tor-Projekt eine bedeutende Entscheidung, alle ATOR-Relais aus ihrem Netzwerk zu entfernen, was eine Vision für eine neue dezentrale Zukunft auslöste. Anstatt aufzugeben, hatte das Team das Ziel, ein selbstskalierendes, vertrauensloses Netzwerk zu schaffen, das darauf ausgelegt ist, die Privatsphäre der Nutzer weltweit zu verbessern. Ihr Ziel ist es, den VPN-Markt zu stören, indem sie Geschwindigkeit, Zuverlässigkeit und Benutzerfreundlichkeit durch maßgeschneiderte Hardware kombinieren und letztendlich privates Surfen für Milliarden zugänglich machen. Diese Vision hat sich nun mit der Einführung des Anyone-Netzwerks verwirklicht, das mit beeindruckenden 5000 aktiven Relais aufwartet und sich als eines der größten und schnellsten Mixnets weltweit etabliert hat. Rückblickend auf das vergangene Jahr drückt das Team der Gemeinschaft seinen Dank für die unerschütterliche Unterstützung in schwierigen Zeiten aus. Trotz der Schwierigkeiten zeigte das Projekt Resilienz und Stärke und demonstrierte die Kraft der Dezentralisierung und der Gemeinschaftsorientierung. Die Führungs- und Ingenieurteams blieben während des Übergangs intakt, was ehemaligen Mitgliedern der Gemeinschaft ermöglichte, bedeutendere Rollen innerhalb des Ökosystems zu übernehmen. Das Projekt hat sich zu einer Open-Source-Initiative entwickelt und sich von einem einzigen Smartweave-Registrierungsprotokoll auf über 30 aktive Repositories ausgeweitet, die zur Blockchain-Technologie, Privatsphäre, Hardware und Anwendungen beitragen. In die Zukunft blickend erkennt das Team an, dass die Reise noch lange nicht vorbei ist, mit Plänen, das Netzwerk nach dem Übergang zu ihrem AO-Verteilungsprotokoll weiter zu dezentralisieren. Sie betonen, dass die Governance der Gemeinschaft eine entscheidende Rolle bei der Aufrechterhaltung der Sicherheit und Leistung des Netzwerks spielen wird. Der Geist von ATOR ist nun ein Symbol für das Überwinden von Rückschlägen im Web3-Bereich, und das Team verpflichtet sich zu Transparenz durch regelmäßige Updates. Während sie die größere Herausforderung der globalen Datenschutzadoption angehen, bleiben sie dem Aufbau eines Web3-Ökosystems verpflichtet, das das Potenzial hat, Leben zu verändern.

Die retrieval-unterstützte Generierung (RAG) hat sich als eine entscheidende Methode zur Integration großer Sprachmodelle (LLMs) in spezialisierte Geschäftsanwendungen etabliert, die es ermöglicht, proprietäre Daten in die Modellantworten einzufügen. Trotz ihrer Effektivität in der Konzeptnachweisphase (POC) sehen sich Entwickler oft erheblichen Genauigkeitsverlusten gegenüber, wenn sie RAG in die Produktion überführen. Dieses Problem ist insbesondere in der Abrufphase ausgeprägt, in der es darum geht, den relevantesten Kontext für eine gegebene Anfrage genau abzurufen, ein Maß, das als Kontextabruf bekannt ist. Dieser Artikel befasst sich mit Strategien zur Verbesserung des Kontextabrufs durch Anpassung und Feinabstimmung von Einbettungsmodellen, um letztendlich die Leistung von RAG in realen Anwendungen zu verbessern. RAG funktioniert in zwei Hauptschritten: Abruf und Generierung. In der Abrufphase wandelt das Modell Text in Vektoren um, indiziert, ruft diese Vektoren ab und sortiert sie neu, um die besten Übereinstimmungen zu identifizieren. Misserfolge in dieser Phase können jedoch zu verpassten relevanten Kontexten führen, was zu einem niedrigeren Kontextabruf und weniger genauen Generierungsergebnissen führt. Eine effektive Lösung besteht darin, das Einbettungsmodell anzupassen, das darauf ausgelegt ist, Beziehungen zwischen Textdaten zu verstehen, um Einbettungen zu erzeugen, die spezifisch für den verwendeten Datensatz sind. Diese Feinabstimmung ermöglicht es dem Modell, ähnliche Vektoren für ähnliche Sätze zu generieren, wodurch seine Fähigkeit verbessert wird, Kontexte abzurufen, die für die Anfrage hochrelevant sind. Um den Kontextabruf zu verbessern, ist es wichtig, einen maßgeschneiderten Datensatz vorzubereiten, der die Arten von Anfragen widerspiegelt, mit denen das Modell konfrontiert wird. Dies umfasst das Extrahieren einer Vielzahl von Fragen aus der Wissensdatenbank, deren Paraphrasierung zur Variabilität und die Organisation nach Relevanz. Darüber hinaus hilft der Aufbau eines Evaluierungsdatensatzes, die Leistung des Modells in einer realistischen Umgebung zu bewerten. Durch den Einsatz eines Informationsabrufevaluators können Entwickler Metriken wie Recall@k und Precision@k messen, um die Abrufgenauigkeit zu beurteilen. Letztendlich kann die Feinabstimmung des Einbettungsmodells zu erheblichen Verbesserungen des Kontextabrufs führen und sicherstellen, dass RAG in Produktionsumgebungen genau und zuverlässig bleibt.