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.

Retrieval-augmented generation (RAG) has emerged as a pivotal method for integrating large language models (LLMs) into specialized business applications, enabling the infusion of proprietary data into model responses. Despite its effectiveness during the proof of concept (POC) phase, developers often face significant accuracy drops when transitioning RAG into production. This issue is particularly pronounced during the retrieval phase, where the aim is to accurately fetch the most relevant context for a given query, a metric known as context recall. This article delves into strategies for enhancing context recall by customizing and fine-tuning embedding models, ultimately improving RAG's performance in real-world applications. RAG operates in two main steps: retrieval and generation. In the retrieval phase, the model converts text into vectors, indexes, retrieves, and re-ranks these vectors to identify the top matches. However, failures in this phase can lead to missed relevant contexts, resulting in lower context recall and less accurate generation outputs. One effective solution is to adapt the embedding model, which is designed to understand relationships between text data, to produce embeddings that are specific to the dataset being used. This fine-tuning allows the model to generate similar vectors for similar sentences, enhancing its ability to retrieve context that is highly relevant to the query. To improve context recall, it is essential to prepare a tailored dataset that reflects the types of queries the model will encounter. This involves extracting a diverse range of questions from the knowledge base, paraphrasing them for variability, and organizing them by relevance. Additionally, constructing an evaluation dataset helps assess the model's performance in a realistic setting. By employing an Information Retrieval Evaluator, developers can measure metrics like Recall@k and Precision@k to gauge retrieval accuracy. Ultimately, fine-tuning the embedding model can lead to substantial improvements in context recall, ensuring that RAG remains accurate and reliable in production environments.