DePIN Explorer - DePIN Scan

Рынок криптовалюты переживает значительные изменения, особенно с протоколом DePIN сети Akash, который недавно преодолел миллиардный рыночный капитал. Этот рост привел к заметному увеличению цены Akash, что отражает растущую уверенность инвесторов. Тем временем Solana на грани достижения нового рекорда (ATH), с притоком рыночного капитала, позволяющим ей обойти BNB. Волнение вокруг предстоящего ATH Solana — это не только победа для платформы, но и для более широкой экосистемы криптовалют, демонстрируя ее потенциал для массового принятия и активной разработки. В области децентрализованных финансов (DeFi) Сеть Lunex стала многообещающим новым игроком. Эта гибридная биржа предлагает уникальное решение, позволяя проводить кросс-цепочную торговлю с более чем 50 000 торговыми парами и нулевой комиссией. Сеть Lunex стремится упростить DeFi как для новичков, так и для опытных трейдеров, делая его более доступным для розничных инвесторов. С впечатляющей ликвидностью в 2,95 миллиона долларов, уже обеспеченной, Lunex позиционирует себя как ключевой посредник в пространстве DeFi, потенциально демократизируя доступ к этому прибыльному рынку. Рост сети Akash, Solana и сети Lunex подчеркивает более широкую тенденцию к децентрализованным инновациям за пределами традиционных финансов. Недавний рост Akash на 10% за последние 24 часа и замечательное увеличение на 36% за последнюю неделю подчеркивают его потенциал разрушить традиционные облачные услуги. По мере роста спроса на децентрализованные, доверительные платформы, эти токены представляют собой захватывающие инвестиционные возможности. С Solana, приближающейся к своему ATH, и моментумом Akash, инвесторы внимательно следят за этими событиями, в то время как сеть Lunex продолжает привлекать внимание своими предложениями DeFi.

22 ноября 2024 года Фонд Sui объявил о стратегическом партнерстве с Franklin Templeton Digital Assets, направленном на стимулирование инноваций в экосистеме блокчейна Sui. Это сотрудничество должно улучшить развитие Sui, платформы уровня 1 и смарт-контрактов, создавая возможности для создания ценности для разработчиков решений на основе блокчейна. Джамиль Халфан, глава по развитию экосистемы в Sui, подчеркнул, что партнерство является подтверждением технологии Sui, которая была вдохновлена проблемами в децентрализованных финансах, с которыми работает Franklin Templeton. Franklin Templeton Digital Assets активно занимается технологиями блокчейна на протяжении нескольких лет, сосредотачиваясь на создании решений, запуске валидаторов узлов и разработке инвестиционных стратегий. Их специализированная команда по исследованию цифровых активов использует токеномический анализ и данные науки для руководства разработкой продуктов и инвестиционными решениями. Тони Пекор, старший вице-президент и директор по управлению цифровыми активами в Franklin Templeton, выразил восторг по поводу достижений команды Sui, отметив, что технологии блокчейна часто сталкиваются с техническими ограничениями, несмотря на растущий интерес к ним. Экосистема Sui уже включает в себя инновационные проекты, такие как DeepBook, решение в области децентрализованных финансов, аналогичное центральной лимитной книге заказов, и Karrier One, который поддерживает децентрализованную мобильную сеть. Кроме того, Sui недавно запустил нативный USDC, предоставляя пользователям прямой доступ к широко используемому стейблкоину, одновременно снижая риски, связанные с активами, перенесенными через мосты. Будучи безопасной и масштабируемой платформой, Sui позиционирует себя как первоклассное место для разработчиков приложений в различных секторах, включая игры, DeFi и токенизированные ценные бумаги.

Год назад проект Tor принял важное решение удалить все реле ATOR из своей сети, что стало толчком для видения нового децентрализованного будущего. Вместо того чтобы сдаться, команда стремилась создать самонастраивающуюся, бездоверительную сеть, предназначенную для повышения приватности пользователей по всему миру. Их цель — нарушить рынок VPN, сочетая скорость, надежность и удобство для пользователей с помощью индивидуального оборудования, в конечном итоге сделав приватный просмотр доступным для миллиардов. Это видение теперь реализовано с запуском сети Anyone, которая может похвастаться впечатляющими 5000 активными реле, зарекомендовав себя как одна из крупнейших и самых быстрых микросетей в мире. Оглядываясь на прошедший год, команда выражает благодарность своему сообществу за их непоколебимую поддержку в трудные времена. Несмотря на трудности, проект продемонстрировал стойкость и силу, показывая мощь децентрализации и согласованности сообщества. Руководство и инженерные команды остались целыми на протяжении всего перехода, позволяя бывшим членам сообщества занять более значимые роли в экосистеме. Проект эволюционировал в инициативу с открытым исходным кодом, расширяясь от единого протокола регистрации Smartweave до более чем 30 активных репозиториев, способствующих технологиям блокчейна, приватности, оборудованию и приложениям. Смотря в будущее, команда признает, что путь еще не завершен, с планами дальнейшей децентрализации сети после перехода на их протокол распределения AO. Они подчеркивают, что управление сообществом сыграет ключевую роль в поддержании безопасности и производительности сети. Дух ATOR теперь символизирует преодоление трудностей в пространстве Web3, и команда привержена прозрачности через регулярные обновления. Стремясь справиться с более крупной задачей глобального принятия приватности, они остаются преданными созданию экосистемы Web3, которая имеет потенциал изменить жизни.

Генерация с поддержкой извлечения (RAG) стала ключевым методом интеграции больших языковых моделей (LLM) в специализированные бизнес-приложения, позволяя внедрять собственные данные в ответы модели. Несмотря на свою эффективность на этапе доказательства концепции (POC), разработчики часто сталкиваются с значительными падениями точности при переходе RAG в продукцию. Эта проблема особенно выражена на этапе извлечения, где цель состоит в том, чтобы точно извлечь наиболее релевантный контекст для данного запроса, метрика, известная как воспоминание контекста. Эта статья рассматривает стратегии улучшения воспоминания контекста путем настройки и дообучения моделей встраивания, что в конечном итоге улучшает производительность RAG в реальных приложениях. RAG работает в два основных этапа: извлечение и генерация. На этапе извлечения модель преобразует текст в векторы, индексирует, извлекает и повторно ранжирует эти векторы, чтобы определить лучшие совпадения. Однако сбои на этом этапе могут привести к пропуску релевантных контекстов, что приводит к снижению воспоминания контекста и менее точным результатам генерации. Одним из эффективных решений является адаптация модели встраивания, которая предназначена для понимания взаимосвязей между текстовыми данными, для получения встраиваний, специфичных для используемого набора данных. Эта донастройка позволяет модели генерировать похожие векторы для схожих предложений, улучшая ее способность извлекать контекст, который имеет высокую релевантность к запросу. Чтобы улучшить воспоминание контекста, необходимо подготовить специализированный набор данных, который отражает типы запросов, с которыми модель столкнется. Это включает в себя извлечение разнообразного диапазона вопросов из базы знаний, перефразирование их для вариативности и организацию по релевантности. Кроме того, создание оценочного набора данных помогает оценить производительность модели в реалистичных условиях. Используя оценщик информационного извлечения, разработчики могут измерять такие метрики, как Recall@k и Precision@k, чтобы оценить точность извлечения. В конечном итоге, донастройка модели встраивания может привести к значительным улучшениям в воспоминании контекста, обеспечивая, чтобы RAG оставался точным и надежным в производственных условиях.