O Explorador DePIN - DePIN Scan

Em 22 de novembro de 2024, a Fundação Sui anunciou uma parceria estratégica com a Franklin Templeton Digital Assets, com o objetivo de impulsionar a inovação dentro do ecossistema blockchain Sui. Esta colaboração visa aprimorar o desenvolvimento do Sui, uma plataforma de Layer 1 e contratos inteligentes, criando oportunidades de valor para os construtores de soluções baseadas em blockchain. Jameel Khalfan, chefe de desenvolvimento do ecossistema da Sui, destacou que a parceria valida a tecnologia da Sui, que foi inspirada nos desafios em finanças descentralizadas que a Franklin Templeton está abordando. A Franklin Templeton Digital Assets tem estado ativamente envolvida na tecnologia blockchain por vários anos, focando na construção de soluções, operação de validadores de nós e desenvolvimento de estratégias de investimento. Sua equipe de pesquisa dedicada em ativos digitais utiliza análise tokenômica e insights de ciência de dados para orientar o desenvolvimento de produtos e decisões de investimento. Tony Pecore, vice-presidente sênior e diretor de gestão de ativos digitais da Franklin Templeton, expressou entusiasmo pelos avanços que a equipe da Sui está fazendo, observando que a tecnologia blockchain frequentemente enfrenta limitações técnicas, apesar do crescente interesse. O ecossistema Sui já abriga projetos inovadores, como o DeepBook, uma solução de finanças descentralizadas semelhante a um livro de ordens de limite central, e o Karrier One, que apoia uma rede móvel descentralizada. Além disso, a Sui lançou recentemente o USDC nativo, proporcionando aos usuários acesso direto a uma stablecoin amplamente utilizada, enquanto mitiga os riscos associados a ativos bridged. Como uma plataforma segura e escalável, a Sui está se posicionando como um destino de destaque para construtores de aplicações em vários setores, incluindo jogos, DeFi e valores mobiliários tokenizados.

O mercado de criptomoedas está testemunhando desenvolvimentos significativos, particularmente com o protocolo DePIN da Akash Network, que recentemente ultrapassou um valor de mercado de um bilhão de dólares. Esse aumento levou a um notável crescimento no preço da Akash, refletindo a crescente confiança dos investidores. Enquanto isso, a Solana está prestes a alcançar um novo recorde histórico (ATH), com a entrada de capital de mercado permitindo que supere a BNB. A empolgação em torno do iminente ATH da Solana não é apenas uma vitória para a plataforma, mas também para o ecossistema mais amplo de criptomoedas, mostrando seu potencial para adoção em massa e atividade de desenvolvimento robusta. No campo das finanças descentralizadas (DeFi), a Lunex Network emergiu como um novo jogador promissor. Esta exchange híbrida oferece uma solução única ao facilitar a negociação entre cadeias com mais de 50.000 pares de negociação e uma estrutura sem taxas. A Lunex Network visa simplificar o DeFi tanto para traders novatos quanto experientes, tornando-o mais acessível para investidores de varejo. Com uma liquidez impressionante de 2,95 milhões de dólares já garantida, a Lunex está se posicionando como um facilitador chave no espaço DeFi, potencialmente democratizando o acesso a este mercado lucrativo. A ascensão da Akash Network, Solana e Lunex Network destaca uma tendência mais ampla em direção à inovação descentralizada além das finanças tradicionais. O recente aumento de 10% da Akash nas últimas 24 horas e um notável aumento de 36% na última semana enfatizam seu potencial para desestabilizar os serviços de nuvem convencionais. À medida que a demanda por plataformas descentralizadas e sem confiança cresce, esses tokens apresentam oportunidades de investimento empolgantes. Com a Solana se aproximando de seu ATH e o momento da Akash, os investidores estão observando atentamente esses desenvolvimentos, enquanto a Lunex Network continua a atrair atenção com suas ofertas DeFi.

Há um ano, o Projeto Tor tomou uma decisão significativa de remover todos os Relés ATOR de sua rede, o que gerou uma visão para um novo futuro descentralizado. Em vez de se render, a equipe buscou criar uma rede autoescalável e sem confiança, projetada para melhorar a privacidade dos usuários em todo o mundo. O objetivo deles é perturbar o mercado de VPNs, combinando velocidade, confiabilidade e facilidade de uso por meio de hardware sob medida, tornando a navegação privada acessível a bilhões. Essa visão agora se materializou com o lançamento da Anyone Network, que possui impressionantes 5000 relés ativos, estabelecendo-se como uma das maiores e mais rápidas mixnets globalmente. Refletindo sobre o ano passado, a equipe expressa gratidão à sua comunidade pelo apoio inabalável durante tempos desafiadores. Apesar das dificuldades, o projeto demonstrou resiliência e força, mostrando o poder da descentralização e do alinhamento da comunidade. As equipes de liderança e engenharia permaneceram intactas durante a transição, capacitando ex-membros da comunidade a assumirem papéis mais significativos dentro do ecossistema. O projeto evoluiu para uma iniciativa de código aberto, expandindo-se de um único protocolo de registro Smartweave para mais de 30 repositórios ativos que contribuem para a tecnologia blockchain, privacidade, hardware e aplicações. Olhando para o futuro, a equipe reconhece que a jornada está longe de terminar, com planos de descentralizar ainda mais a rede após a transição para seu protocolo de distribuição AO. Eles enfatizam que a governança da comunidade desempenhará um papel crucial na manutenção da segurança e desempenho da rede. O espírito do ATOR agora é emblemático de superar contratempos no espaço Web3, e a equipe está comprometida com a transparência por meio de atualizações regulares. Enquanto enfrentam o desafio maior da adoção global da privacidade, permanecem dedicados a construir um ecossistema Web3 que tem o potencial de transformar vidas.

A geração aumentada por recuperação (RAG) emergiu como um método fundamental para integrar grandes modelos de linguagem (LLMs) em aplicações comerciais especializadas, permitindo a infusão de dados proprietários nas respostas do modelo. Apesar de sua eficácia durante a fase de prova de conceito (POC), os desenvolvedores frequentemente enfrentam quedas significativas de precisão ao transitar o RAG para a produção. Esse problema é particularmente pronunciado durante a fase de recuperação, onde o objetivo é buscar com precisão o contexto mais relevante para uma determinada consulta, uma métrica conhecida como recordação de contexto. Este artigo explora estratégias para aprimorar a recordação de contexto por meio da personalização e ajuste fino de modelos de incorporação, melhorando, em última análise, o desempenho do RAG em aplicações do mundo real. O RAG opera em duas etapas principais: recuperação e geração. Na fase de recuperação, o modelo converte texto em vetores, indexa, recupera e reclassifica esses vetores para identificar as melhores correspondências. No entanto, falhas nessa fase podem levar a contextos relevantes perdidos, resultando em uma menor recordação de contexto e saídas de geração menos precisas. Uma solução eficaz é adaptar o modelo de incorporação, que é projetado para entender as relações entre dados textuais, para produzir incorporações específicas para o conjunto de dados em uso. Esse ajuste fino permite que o modelo gere vetores semelhantes para frases semelhantes, aprimorando sua capacidade de recuperar contextos altamente relevantes para a consulta. Para melhorar a recordação de contexto, é essencial preparar um conjunto de dados personalizado que reflita os tipos de consultas que o modelo encontrará. Isso envolve extrair uma variedade de perguntas da base de conhecimento, parafraseá-las para variabilidade e organizá-las por relevância. Além disso, a construção de um conjunto de dados de avaliação ajuda a avaliar o desempenho do modelo em um cenário realista. Ao empregar um Avaliador de Recuperação de Informação, os desenvolvedores podem medir métricas como Recall@k e Precision@k para avaliar a precisão da recuperação. Em última análise, o ajuste fino do modelo de incorporação pode levar a melhorias substanciais na recordação de contexto, garantindo que o RAG permaneça preciso e confiável em ambientes de produção.