@OpenGradient $OPG #OPG
Vuelven una y otra vez varios fragmentos de conversación del equipo sobre cómo OpenGradient ya no obliga a los usuarios a elegir entre rendimiento y flexibilidad. Hemos estado probando el pipeline de ONNX en Model Hub, y esa fricción tradicional casi ha desaparecido.
Históricamente, si querías capturar el 14,5% de rendimiento en el alojamiento de modelos, tenías que inmovilizar los pesos en periodos rígidos de 30 días. Obtenías el retorno, pero cero flexibilidad de ejecución si el mercado cambiaba.
#OPG
Ahora, como los modelos se almacenan como Blob IDs con direccionamiento por contenido en Walrus, todo se mantiene en forma líquida y listo para inferencia. Ejecutamos nuestro modelo de pronóstico de volatilidad a través del modo de liquidación en lote con hashing, manteniendo un rendimiento base del 12,2% y conservando la libertad de enviar la versión 1.01 al repositorio sin penalización de liquidez.
La frustración es la latencia. Durante lotes pesados, vimos un exceso de 42 milisegundos durante la ejecución de ZKML, lo que perjudica los montajes de alta frecuencia. Pero para contratos inteligentes estándar, el intercambio no tiene sentido. Obtienes rendimientos mientras mantienes el código componible.
$BTW $RE
Aun así, si las comisiones de red suben durante modos individuales de liquidación completa, ese rendimiento del 12,2% se lo comen rápido, y aún no hemos descubierto cómo optimizar el paymaster.
Vuelven una y otra vez varios fragmentos de conversación del equipo sobre cómo OpenGradient ya no obliga a los usuarios a elegir entre rendimiento y flexibilidad. Hemos estado probando el pipeline de ONNX en Model Hub, y esa fricción tradicional casi ha desaparecido.
Históricamente, si querías capturar el 14,5% de rendimiento en el alojamiento de modelos, tenías que inmovilizar los pesos en periodos rígidos de 30 días. Obtenías el retorno, pero cero flexibilidad de ejecución si el mercado cambiaba.
#OPG
Ahora, como los modelos se almacenan como Blob IDs con direccionamiento por contenido en Walrus, todo se mantiene en forma líquida y listo para inferencia. Ejecutamos nuestro modelo de pronóstico de volatilidad a través del modo de liquidación en lote con hashing, manteniendo un rendimiento base del 12,2% y conservando la libertad de enviar la versión 1.01 al repositorio sin penalización de liquidez.
La frustración es la latencia. Durante lotes pesados, vimos un exceso de 42 milisegundos durante la ejecución de ZKML, lo que perjudica los montajes de alta frecuencia. Pero para contratos inteligentes estándar, el intercambio no tiene sentido. Obtienes rendimientos mientras mantienes el código componible.
$BTW $RE
Aun así, si las comisiones de red suben durante modos individuales de liquidación completa, ese rendimiento del 12,2% se lo comen rápido, y aún no hemos descubierto cómo optimizar el paymaster.