DePIN Explorer - DePIN Scan

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.

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.

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.

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.