L'Explorateur DePIN - DePIN Scan

Il y a un an, le projet Tor a pris une décision significative de retirer tous les relais ATOR de leur réseau, ce qui a suscité une vision pour un nouveau futur décentralisé. Au lieu de se rendre, l'équipe a visé à créer un réseau auto-scaling et sans confiance conçu pour améliorer la vie privée des utilisateurs dans le monde entier. Leur objectif est de perturber le marché des VPN en combinant vitesse, fiabilité et convivialité grâce à du matériel sur mesure, rendant finalement la navigation privée accessible à des milliards de personnes. Cette vision s'est maintenant matérialisée avec le lancement du Anyone Network, qui affiche un impressionnant 5000 relais actifs, s'établissant comme l'un des plus grands et des plus rapides mixnets au monde. En réfléchissant à l'année passée, l'équipe exprime sa gratitude envers sa communauté pour son soutien indéfectible durant les moments difficiles. Malgré les difficultés, le projet a démontré résilience et force, mettant en avant le pouvoir de la décentralisation et de l'alignement communautaire. Les équipes de direction et d'ingénierie sont restées intactes tout au long de la transition, permettant aux anciens membres de la communauté de prendre des rôles plus importants au sein de l'écosystème. Le projet a évolué en une initiative open-source, s'étendant d'un seul protocole d'enregistrement Smartweave à plus de 30 dépôts actifs contribuant à la technologie blockchain, à la vie privée, au matériel et aux applications. En regardant vers l'avenir, l'équipe reconnaît que le voyage est loin d'être terminé, avec des plans pour décentraliser davantage le réseau après la transition vers leur protocole de distribution AO. Ils soulignent que la gouvernance communautaire jouera un rôle crucial dans le maintien de la sécurité et de la performance du réseau. L'esprit d'ATOR est désormais emblématique de la surmontée des revers dans l'espace Web3, et l'équipe s'engage à la transparence à travers des mises à jour régulières. Alors qu'ils s'attaquent au plus grand défi de l'adoption mondiale de la vie privée, ils restent dévoués à construire un écosystème Web3 qui a le potentiel de transformer des vies.

Le 22 novembre 2024, la Fondation Sui a annoncé un partenariat stratégique avec Franklin Templeton Digital Assets, visant à stimuler l'innovation au sein de l'écosystème blockchain Sui. Cette collaboration vise à améliorer le développement de Sui, une plateforme de Layer 1 et de contrats intelligents, en créant des opportunités de valeur pour les développeurs de solutions basées sur la blockchain. Jameel Khalfan, responsable du développement de l'écosystème chez Sui, a souligné que ce partenariat valide la technologie de Sui, qui a été inspirée par les défis de la finance décentralisée auxquels Franklin Templeton s'attaque. Franklin Templeton Digital Assets est impliqué dans la technologie blockchain depuis plusieurs années, se concentrant sur la construction de solutions, l'exécution de validateurs de nœuds et le développement de stratégies d'investissement. Leur équipe de recherche dédiée aux actifs numériques utilise une analyse tokenomique et des insights en science des données pour guider le développement de produits et les décisions d'investissement. Tony Pecore, SVP et directeur de la gestion des actifs numériques chez Franklin Templeton, a exprimé son enthousiasme pour les avancées réalisées par l'équipe de Sui, notant que la technologie blockchain a souvent rencontré des limitations techniques malgré un intérêt croissant. L'écosystème Sui abrite déjà des projets innovants tels que DeepBook, une solution de finance décentralisée semblable à un carnet d'ordres central, et Karrier One, qui soutient un réseau mobile décentralisé. De plus, Sui a récemment lancé le USDC natif, offrant aux utilisateurs un accès direct à un stablecoin largement utilisé tout en atténuant les risques associés aux actifs bridgés. En tant que plateforme sécurisée et évolutive, Sui se positionne comme une destination de choix pour les développeurs d'applications dans divers secteurs, y compris le jeu, la DeFi et les titres tokenisés.

Le marché des cryptomonnaies connaît des développements significatifs, en particulier avec le protocole DePIN d'Akash Network, qui a récemment franchi une capitalisation boursière d'un milliard de dollars. Cette hausse a entraîné une augmentation notable du prix d'Akash, reflétant la confiance croissante des investisseurs. Pendant ce temps, Solana est sur le point d'atteindre un nouveau sommet historique (ATH), avec un afflux de capital lui permettant de dépasser BNB. L'excitation entourant l'ATH imminent de Solana n'est pas seulement une victoire pour la plateforme, mais aussi pour l'écosystème plus large des cryptomonnaies, montrant son potentiel pour une adoption généralisée et une activité de développement robuste. Dans le domaine de la finance décentralisée (DeFi), Lunex Network a émergé comme un nouvel acteur prometteur. Cet échange hybride offre une solution unique en facilitant le trading cross-chain avec plus de 50 000 paires de trading et une structure sans frais. Lunex Network vise à simplifier la DeFi pour les traders novices et expérimentés, la rendant plus accessible aux investisseurs de détail. Avec une liquidité impressionnante de 2,95 millions de dollars déjà sécurisée, Lunex se positionne comme un facilitateur clé dans l'espace DeFi, démocratisant potentiellement l'accès à ce marché lucratif. L'essor d'Akash Network, Solana et Lunex Network met en lumière une tendance plus large vers l'innovation décentralisée au-delà de la finance traditionnelle. La récente hausse de 10 % d'Akash au cours des dernières 24 heures et une augmentation remarquable de 36 % au cours de la semaine écoulée soulignent son potentiel à perturber les services cloud conventionnels. À mesure que la demande pour des plateformes décentralisées et sans confiance augmente, ces tokens présentent des opportunités d'investissement passionnantes. Avec Solana approchant de son ATH et l'élan d'Akash, les investisseurs suivent de près ces développements, tandis que Lunex Network continue d'attirer l'attention avec ses offres DeFi.

La génération augmentée par récupération (RAG) est devenue une méthode essentielle pour intégrer de grands modèles de langage (LLM) dans des applications commerciales spécialisées, permettant l'infusion de données propriétaires dans les réponses du modèle. Malgré son efficacité lors de la phase de preuve de concept (POC), les développeurs rencontrent souvent des baisses significatives de précision lors de la transition de RAG vers la production. Ce problème est particulièrement prononcé durant la phase de récupération, où l'objectif est de récupérer avec précision le contexte le plus pertinent pour une requête donnée, une métrique connue sous le nom de rappel de contexte. Cet article explore des stratégies pour améliorer le rappel de contexte en personnalisant et en ajustant les modèles d'embedding, améliorant ainsi les performances de RAG dans des applications réelles. RAG fonctionne en deux étapes principales : récupération et génération. Dans la phase de récupération, le modèle convertit le texte en vecteurs, indexe, récupère et re-classe ces vecteurs pour identifier les meilleures correspondances. Cependant, des échecs dans cette phase peuvent entraîner des contextes pertinents manqués, ce qui entraîne un rappel de contexte plus faible et des sorties de génération moins précises. Une solution efficace consiste à adapter le modèle d'embedding, qui est conçu pour comprendre les relations entre les données textuelles, afin de produire des embeddings spécifiques au jeu de données utilisé. Cet ajustement permet au modèle de générer des vecteurs similaires pour des phrases similaires, améliorant ainsi sa capacité à récupérer un contexte hautement pertinent pour la requête. Pour améliorer le rappel de contexte, il est essentiel de préparer un jeu de données sur mesure qui reflète les types de requêtes que le modèle rencontrera. Cela implique d'extraire une gamme diversifiée de questions de la base de connaissances, de les reformuler pour la variabilité et de les organiser par pertinence. De plus, la construction d'un jeu de données d'évaluation aide à évaluer les performances du modèle dans un cadre réaliste. En utilisant un évaluateur de récupération d'information, les développeurs peuvent mesurer des métriques telles que Recall@k et Precision@k pour évaluer la précision de la récupération. En fin de compte, l'ajustement du modèle d'embedding peut entraîner des améliorations substantielles du rappel de contexte, garantissant que RAG reste précis et fiable dans les environnements de production.