El Explorador DePIN - DePIN Scan

Hace un año, el Proyecto Tor tomó una decisión significativa de eliminar todos los Relés ATOR de su red, lo que generó una visión para un nuevo futuro descentralizado. En lugar de rendirse, el equipo se propuso crear una red autoescalable y sin confianza diseñada para mejorar la privacidad de los usuarios en todo el mundo. Su objetivo es interrumpir el mercado de VPN combinando velocidad, fiabilidad y facilidad de uso a través de hardware personalizado, haciendo que la navegación privada sea accesible para miles de millones. Esta visión se ha materializado ahora con el lanzamiento de la Red Anyone, que cuenta con impresionantes 5000 relés activos, estableciéndose como una de las redes de mezcla más grandes y rápidas del mundo. Reflexionando sobre el año pasado, el equipo expresa su gratitud a su comunidad por su apoyo inquebrantable durante tiempos difíciles. A pesar de las dificultades, el proyecto demostró resiliencia y fortaleza, mostrando el poder de la descentralización y la alineación comunitaria. Los equipos de liderazgo e ingeniería se mantuvieron intactos durante la transición, empoderando a los antiguos miembros de la comunidad para asumir roles más significativos dentro del ecosistema. El proyecto ha evolucionado hacia una iniciativa de código abierto, expandiéndose de un único protocolo de registro Smartweave a más de 30 repositorios activos que contribuyen a la tecnología blockchain, la privacidad, el hardware y las aplicaciones. Mirando hacia adelante, el equipo reconoce que el viaje está lejos de haber terminado, con planes para descentralizar aún más la red tras la transición a su protocolo de distribución AO. Enfatizan que la gobernanza comunitaria jugará un papel crucial en el mantenimiento de la seguridad y el rendimiento de la red. El espíritu de ATOR es ahora emblemático de superar contratiempos en el espacio Web3, y el equipo está comprometido con la transparencia a través de actualizaciones regulares. Mientras enfrentan el mayor desafío de la adopción global de la privacidad, siguen dedicados a construir un ecosistema Web3 que tiene el potencial de transformar vidas.

El 22 de noviembre de 2024, la Fundación Sui anunció una asociación estratégica con Franklin Templeton Digital Assets, con el objetivo de impulsar la innovación dentro del ecosistema blockchain de Sui. Esta colaboración está destinada a mejorar el desarrollo de Sui, una plataforma de capa 1 y contratos inteligentes, creando oportunidades de valor para los desarrolladores de soluciones basadas en blockchain. Jameel Khalfan, jefe de desarrollo del ecosistema en Sui, destacó que la asociación valida la tecnología de Sui, que fue inspirada por los desafíos en finanzas descentralizadas que Franklin Templeton está abordando. Franklin Templeton Digital Assets ha estado involucrado activamente en la tecnología blockchain durante varios años, centrándose en construir soluciones, operar validadores de nodos y desarrollar estrategias de inversión. Su equipo de investigación dedicado a activos digitales emplea análisis tokenómicos y conocimientos de ciencia de datos para guiar el desarrollo de productos y las decisiones de inversión. Tony Pecore, SVP y director de gestión de activos digitales en Franklin Templeton, expresó su entusiasmo por los avances que está logrando el equipo de Sui, señalando que la tecnología blockchain a menudo ha enfrentado limitaciones técnicas a pesar de su creciente interés. El ecosistema Sui ya alberga proyectos innovadores como DeepBook, una solución de finanzas descentralizadas similar a un libro de órdenes de límite central, y Karrier One, que apoya una red móvil descentralizada. Además, Sui ha lanzado recientemente USDC nativo, proporcionando a los usuarios acceso directo a una stablecoin ampliamente utilizada mientras mitiga los riesgos asociados con activos puentes. Como una plataforma segura y escalable, Sui se está posicionando como un destino de primer nivel para los desarrolladores de aplicaciones en varios sectores, incluidos juegos, DeFi y valores tokenizados.

El mercado de criptomonedas está presenciando desarrollos significativos, particularmente con el protocolo DePIN de Akash Network, que recientemente ha superado una capitalización de mercado de mil millones de dólares. Este aumento ha llevado a un notable incremento en el precio de Akash, reflejando la creciente confianza de los inversores. Mientras tanto, Solana está a punto de alcanzar un nuevo máximo histórico (ATH), con su entrada de capitalización de mercado que le permite superar a BNB. La emoción en torno al inminente ATH de Solana no es solo una victoria para la plataforma, sino también para el ecosistema de criptomonedas en general, mostrando su potencial para la adopción masiva y una actividad de desarrollo robusta. En el ámbito de las finanzas descentralizadas (DeFi), Lunex Network ha surgido como un nuevo jugador prometedor. Este intercambio híbrido ofrece una solución única al facilitar el comercio entre cadenas con más de 50,000 pares de comercio y una estructura de cero comisiones. Lunex Network tiene como objetivo simplificar DeFi tanto para comerciantes novatos como experimentados, haciéndolo más accesible para los inversores minoristas. Con una impresionante liquidez de 2.95 millones de dólares ya asegurada, Lunex se está posicionando como un facilitador clave en el espacio DeFi, potencialmente democratizando el acceso a este lucrativo mercado. El ascenso de Akash Network, Solana y Lunex Network destaca una tendencia más amplia hacia la innovación descentralizada más allá de las finanzas tradicionales. El reciente aumento del 10% de Akash en las últimas 24 horas y un notable incremento del 36% en la última semana enfatizan su potencial para interrumpir los servicios de nube convencionales. A medida que la demanda de plataformas descentralizadas y sin confianza crece, estos tokens presentan emocionantes oportunidades de inversión. Con Solana acercándose a su ATH y el impulso de Akash, los inversores están observando atentamente estos desarrollos, mientras Lunex Network continúa atrayendo atención con sus ofertas DeFi.

La generación aumentada por recuperación (RAG) ha surgido como un método fundamental para integrar grandes modelos de lenguaje (LLMs) en aplicaciones comerciales especializadas, permitiendo la infusión de datos propietarios en las respuestas del modelo. A pesar de su efectividad durante la fase de prueba de concepto (POC), los desarrolladores a menudo enfrentan caídas significativas en la precisión al trasladar RAG a producción. Este problema es particularmente pronunciado durante la fase de recuperación, donde el objetivo es recuperar con precisión el contexto más relevante para una consulta dada, una métrica conocida como recall de contexto. Este artículo profundiza en estrategias para mejorar el recall de contexto mediante la personalización y ajuste fino de modelos de incrustación, mejorando en última instancia el rendimiento de RAG en aplicaciones del mundo real. RAG opera en dos pasos principales: recuperación y generación. En la fase de recuperación, el modelo convierte texto en vectores, indexa, recupera y vuelve a clasificar estos vectores para identificar las mejores coincidencias. Sin embargo, los fallos en esta fase pueden llevar a contextos relevantes perdidos, resultando en un menor recall de contexto y salidas de generación menos precisas. Una solución efectiva es adaptar el modelo de incrustación, que está diseñado para entender las relaciones entre los datos textuales, para producir incrustaciones que sean específicas para el conjunto de datos que se está utilizando. Este ajuste fino permite al modelo generar vectores similares para oraciones similares, mejorando su capacidad para recuperar contextos que son altamente relevantes para la consulta. Para mejorar el recall de contexto, es esencial preparar un conjunto de datos adaptado que refleje los tipos de consultas que el modelo encontrará. Esto implica extraer una variedad de preguntas de la base de conocimientos, parafrasearlas para variabilidad y organizarlas por relevancia. Además, construir un conjunto de datos de evaluación ayuda a evaluar el rendimiento del modelo en un entorno realista. Al emplear un Evaluador de Recuperación de Información, los desarrolladores pueden medir métricas como Recall@k y Precision@k para evaluar la precisión de recuperación. En última instancia, el ajuste fino del modelo de incrustación puede llevar a mejoras sustanciales en el recall de contexto, asegurando que RAG se mantenga preciso y confiable en entornos de producción.