DePIN 探索者 - DePIN Scan

一年前，Tor項目做出了一個重要決定，從其網絡中移除所有ATOR中繼，這激發了對新去中心化未來的願景。團隊並沒有屈服，而是旨在創建一個自我擴展、無需信任的網絡，旨在增強全球用戶的隱私。他們的目標是通過定制硬件結合速度、可靠性和用戶友好性，顛覆VPN市場，最終使私密瀏覽對數十億人可及。這一願景現在已經實現，隨著Anyone Network的推出，該網絡擁有5000個活躍的中繼，成為全球最大和最快的混合網絡之一。 回顧過去的一年，團隊對社區在艱難時期的堅定支持表示感謝。儘管面臨困難，該項目展示了韌性和力量，彰顯了去中心化和社區一致性的力量。領導和工程團隊在整個過渡期間保持不變，賦予前社區成員在生態系統中擔任更重要角色的權力。該項目已發展成為一個開源倡議，從單一的Smartweave註冊協議擴展到超過30個活躍的存儲庫，為區塊鏈技術、隱私、硬件和應用做出貢獻。 展望未來，團隊承認旅程遠未結束，計劃在轉向其AO分發協議後進一步去中心化網絡。他們強調，社區治理將在維護網絡安全性和性能方面發揮關鍵作用。ATOR的精神現在象徵著在Web3空間中克服挫折，團隊致力於通過定期更新保持透明。在他們面對全球隱私採用的更大挑戰時，他們仍然致力於建立一個有潛力改變生活的Web3生態系統。

2024 年 11 月 22 日，Sui 基金會宣布與富蘭克林坦普頓數位資產建立戰略夥伴關係，旨在推動 Sui 區塊鏈生態系統內的創新。這一合作將促進 Sui 的發展，這是一個 Layer 1 和智能合約平台，通過為區塊鏈解決方案的建設者創造價值機會。Sui 生態系統發展負責人 Jameel Khalfan 強調，這一夥伴關係是對 Sui 技術的驗證，該技術受到富蘭克林坦普頓正在解決的去中心化金融挑戰的啟發。 富蘭克林坦普頓數位資產在區塊鏈技術方面積極參與多年，專注於構建解決方案、運行節點驗證者和開發投資策略。他們專門的數位資產研究團隊利用代幣經濟分析和數據科學見解來指導產品開發和投資決策。富蘭克林坦普頓數位資產管理高級副總裁兼數位資產管理總監 Tony Pecore 表示，對 Sui 團隊所取得的進展感到興奮，並指出儘管對區塊鏈技術的興趣日益增長，但它經常面臨技術限制。 Sui 生態系統已經擁有創新的項目，如 DeepBook，一種類似於中央限價訂單簿的去中心化金融解決方案，以及 Karrier One，支持去中心化的移動網絡。此外，Sui 最近推出了原生 USDC，為用戶提供直接訪問廣泛使用的穩定幣的機會，同時減少與橋接資產相關的風險。作為一個安全且可擴展的平台，Sui 正在將自己定位為各行各業應用建設者的首選目的地，包括遊戲、DeFi 和代幣化證券。

加密貨幣市場正在見證重大發展，特別是 Akash 網絡的 DePIN 協議，最近已經突破十億美元的市值。這一激增導致 Akash 價格顯著上漲，反映出投資者信心的增強。與此同時，Solana 正在邊緣達成新的歷史高點 (ATH)，其市值流入使其超越 BNB。圍繞 Solana 即將達成的 ATH 的興奮不僅是該平台的勝利，也是整個加密貨幣生態系統的勝利，展示了其主流採用和強勁發展活動的潛力。 在去中心化金融 (DeFi) 領域，Lunex 網絡已經成為一個有前途的新參與者。這個混合交易所通過提供超過 50,000 個交易對和零手續費結構來促進跨鏈交易，提供了一個獨特的解決方案。Lunex 網絡旨在簡化 DeFi，讓新手和經驗豐富的交易者都能更輕鬆地進入，讓零售投資者更容易接觸。Lunex 已經確保了 295 萬美元的驚人流動性，正將自己定位為 DeFi 領域的關鍵促進者，可能會使這個利潤豐厚的市場變得更加民主化。 Akash 網絡、Solana 和 Lunex 網絡的崛起突顯了超越傳統金融的去中心化創新的更廣泛趨勢。Akash 最近在過去 24 小時內上漲 10% 和在過去一周內顯著上漲 36% 強調了其顛覆傳統雲服務的潛力。隨著對去中心化、無需信任的平台需求的增長，這些代幣提供了令人興奮的投資機會。隨著 Solana 接近其 ATH 和 Akash 的動力，投資者正密切關注這些發展，而 Lunex 網絡則繼續以其 DeFi 產品吸引關注。

檢索增強生成（RAG）已成為將大型語言模型（LLMs）整合到專業商業應用中的關鍵方法，使專有數據能夠融入模型的回應中。儘管在概念驗證（POC）階段效果顯著，但開發人員在將RAG轉移到生產環境時，經常面臨顯著的準確性下降。這一問題在檢索階段尤為明顯，該階段的目標是準確獲取與給定查詢最相關的上下文，這一指標被稱為上下文回憶。本文深入探討了通過自定義和微調嵌入模型來增強上下文回憶的策略，最終改善RAG在現實應用中的表現。 RAG主要分為兩個步驟：檢索和生成。在檢索階段，模型將文本轉換為向量，索引、檢索並重新排序這些向量以識別最佳匹配。然而，這一階段的失敗可能導致錯過相關上下文，從而導致上下文回憶降低和生成輸出不準確。一個有效的解決方案是調整嵌入模型，該模型旨在理解文本數據之間的關係，以生成特定於所使用數據集的嵌入。這種微調使模型能夠為相似的句子生成相似的向量，增強其檢索與查詢高度相關的上下文的能力。 為了改善上下文回憶，準備一個量身定制的數據集至關重要，該數據集反映模型將遇到的查詢類型。這涉及從知識庫中提取多樣化的問題，對其進行改寫以增加變化，並根據相關性進行組織。此外，構建評估數據集有助於評估模型在現實環境中的表現。通過使用信息檢索評估器，開發人員可以測量像Recall@k和Precision@k這樣的指標來評估檢索的準確性。最終，微調嵌入模型可以顯著改善上下文回憶，確保RAG在生產環境中保持準確和可靠。