蛙里奥

Las tarifas de transacción son bastante dolorosas si se trata de operaciones frecuentes o competiciones de operaciones. He calculado que las pérdidas por deslizamiento y tarifas consumen más ganancias de lo que muchas personas piensan.

Usa mi código de invitación WALIAO para obtener un descuento del 20% en las tarifas, y la comisión se acreditará en menos de una hora. Cuanto mayor sea el volumen de transacciones, más ahorrarás.

Si lo necesitas, también puedes compartirlo con amigos que estén operando.

Siempre he pensado que la mayoría de los Agentes de IA en cadena son un mito.

No es que la tecnología no exista, sino que la base de ejecución no está. ¿De dónde provienen las decisiones de un Agente? ¿Qué datos se usaron para entrenar el modelo?

¿Quién proporciona esos datos y su calidad ha sido validada? Nadie lo sabe. Entregar tus activos a un desconocido es prácticamente lo mismo que darle tu dinero a alguien sin antecedentes.

Este es el aspecto que más claro veo en el whitepaper @OpenLedger .

No se trata de construir un Agente más inteligente, sino de crear la infraestructura que haga al Agente confiable.

¿Cómo se hace esto? Datanets se encarga de recopilar datos específicos del campo, cada dato presentado queda registrado en la cadena, con direcciones de contribuyentes, características de los datos y marcas de tiempo, todo verificable.

ModelFactory permite a expertos del campo ajustar modelos con estos datos sin necesidad de un fondo en ingeniería, mediante una interfaz gráfica. Los modelos entrenados se despliegan a través de OpenLoRA, y una sola GPU puede ejecutar miles de modelos.

Luego está la parte más crucial: Proof of Attribution.

Cada vez que se llama a un modelo, el sistema calcula qué puntos de datos contribuyeron y cuánto, distribuyendo las tarifas de inferencia proporcionalmente a los contribuyentes de datos según su impacto. La distribución se hace dinámicamente según la influencia real. Aquellos que envían datos de alta calidad reciben dinero cada vez que se llama a un modelo, incluso si ya no están activos.

Una vez que se complete este sistema, el juicio del Agente tendrá una base rastreable.

En el escenario médico, un Agente que ofrece recomendaciones de diagnóstico puede ser rastreado hasta qué conjunto específico de datos médicos entrenó esa decisión.

En el escenario financiero, los Agentes que realizan evaluaciones de riesgo permiten que los auditores verifiquen los datos de entrenamiento y las versiones de los modelos. En DeFi, los Agentes ejecutan estrategias con registros completos en la cadena, manteniendo una cadena de responsabilidad constante.

Lo que ha faltado a los Agentes de IA en criptomonedas no es la capacidad de ejecución, sino la credibilidad de su ejecución.

La infraestructura construida por $OPEN es el paso intermedio que transforma a los Agentes de "utilizables" a "dignos de confianza". Sin este paso, todas las narrativas de los Agentes se construyen sobre arena. #OpenLedger

YZi Labs se metió en el juego, CZ le puso su nombre como asesor, y el 22 de mayo, Binance lanzó el spot con un aumento del 49% en 7 días. Con todo esto junto, la primera reacción de muchos es fijarse en el precio.
Pero yo creo que lo que realmente vale la pena pensar es: ¿por qué este grupo está apostando en esta dirección?

$GENIUS integra el trading en múltiples cadenas en un solo terminal. Spot, contratos perpetuos, mercado de pre-emisión, con más de 10 cadenas y una interfaz sin firma, donde los costos de Gas se manejan automáticamente en una sola ventana para resolver todo.

@GeniusOfficial resuelve esencialmente un problema que los usuarios de DeFi enfrentan a diario: tener que cambiar entre cinco pestañas de navegador y tres wallets en diferentes cadenas, y si se queda sin Gas, hay que buscar tokens para recargar.
Esta fricción no es por falta de habilidad técnica del usuario, sino porque la infraestructura existente está fragmentada, cada cadena opera por su cuenta sin que nadie construya una capa de operación unificada.

Genius Terminal es esa capa de operación.

Comparado con competidores como Photon, BullX, Trojan, la diferencia de Genius radica en que integra de manera nativa los contratos perpetuos de Hyperliquid, permitiendo operar tanto en spot como en derivados desde la misma interfaz sin necesidad de saltar entre diferentes plataformas.
CZ lo dijo claro: Genius no es un competidor, es un conector, construyendo sobre la infraestructura DeFi existente para que todo funcione más fluido.

La apuesta de YZi Labs en esta dirección se basa en la premisa de que la infraestructura de trading en cadena aún está en una etapa muy temprana, con una experiencia de usuario tan mala que la mayoría de la gente ni siquiera puede usarla; quien logre bajar la barrera de entrada primero, será quien capture a estos usuarios.

Este razonamiento es el mismo que cuando se invirtió en exchanges: no se apuesta por una cadena específica, sino por herramientas que faciliten el uso de las cadenas.

Después de un aumento del 49% en 7 días, la liquidez que Binance pondrá en marcha redefinirá el precio de este activo.
La volatilidad a corto plazo es real, pero me importa más si los datos de volumen de trading pueden sostener esta valoración antes de que termine la Season 2 el 10 de agosto. #genius

Al principio, abrí una tienda con dos amigos. Cada mes, cuando llegaba la hora de liquidar, teníamos que dividir en tres partes: el amigo de la recepción se llevaba una parte, el del cocina otra parte, y yo me quedaba con la mía. La proporción se discutió bastante y al final se estableció según el rol y riesgo que cada uno asumía, basado en la estructura de contribución.

Los costos de inferencia de $OPEN se dividieron usando el mismo esquema.

En el whitepaper de @OpenLedger r, se desglosan los costos de inferencia del modelo en tres niveles. Primero se deduce la tarifa de la plataforma Fplatform, y el resto de las ganancias netas Fnet se distribuyen en tres direcciones:
El desarrollador del modelo recibe un β porcentaje, el staker se lleva un γ porcentaje, y el contribuyente de datos recibe un δ porcentaje.
Los parámetros iniciales están marcados como ajustables en el whitepaper, y aún no se han hecho públicos. A continuación, presento mi comprensión derivada de esta lógica de distribución, no es el ejemplo original del whitepaper.

Estos tres roles corresponden a tres tipos de contribuciones en la cadena de producción del modelo de IA.

El desarrollador del modelo es responsable de proponer el diseño de la arquitectura n y el proceso de ajuste fino, llevándose la mayor parte de manera razonable. Sin ellos, el modelo no existiría. Los stakers proporcionan una garantía de seguridad económica; su stake es la base del mecanismo de puntuación de la confiabilidad de los datos. Sin staking, no hay filtrado de datos, por lo que recibir un porcentaje estable, aunque menor, es lo que corresponde.

Los contribuyentes de datos son el grupo más disperso. Cada uno recibe una cifra absoluta pequeña, pero cuanto más se llama al modelo, mayor es su participación acumulada, obteniendo ingresos a largo plazo, similar a regalías.

Lo más interesante de esta estructura de distribución es la parte de los contribuyentes de datos.

Basado en la lógica de atribución PoA, cada contribuyente de datos recibe su porcentaje según su impacto: cuanto mayor sea tu influencia en esta salida, mayor será tu porcentaje.

No es una distribución equitativa entre todos los contribuyentes, sino que se distribuye dinámicamente según la influencia real. Aquellos que presentaron datos de alta calidad reciben compensación cada vez que se llama al modelo, incluso si ya no están activos. Esta es mi interpretación personal del mecanismo; la descripción técnica de la lógica de atribución se basa en el whitepaper de PoA.

Al principio, las tres partes de las ganancias de la tienda se distribuyeron así: el amigo de la cocina fue el que más esfuerzo puso y, al final, recibió más, lo cual todos consideraron justo.

Si la proporción no se establece de manera justa y la persona que más contribuye es la que menos recibe, este sistema no podrá retener a los participantes verdaderamente valiosos. Abrir una tienda es la misma lógica. #OpenLedger

Tengo un amigo que antes se metió en líos legales y decidió representarse a sí mismo para ahorrar, pero acabó perdiendo siempre. Recientemente, escuchó mi consejo y contrató a un abogado profesional, y ganó. No fue que el caso cambiara, sino la persona que hablaba.

El mecanismo de credibilidad de datos de $OPEN es aplicable para resolver el mismo problema en el campo del entrenamiento de IA.

En el libro blanco de @OpenLedger se describe un sistema de cálculo de credibilidad de datos que puedo traducir a mi manera: el peso de la influencia de los datos en el conjunto de entrenamiento se determina por dos cosas en conjunto: cuánto has apostado de $OPEN

y tu puntuación de función de calidad de datos. Esta es mi interpretación personal del mecanismo PoA: cuanto más apuestes, mayor será el peso de los datos; si apuestas poco o nada, aunque envíes los datos, su influencia será mínima.

Este diseño aborda un problema fundamental del mercado de datos de IA existente: cualquiera puede enviar datos, pero no hay un mecanismo que distinga qué datos son dignos de confianza.

El problema de las plataformas tradicionales de etiquetado de datos es que los contribuyentes son anónimos, no tienen responsabilidad ni costo. Si envías un lote de datos etiquetados de baja calidad, la plataforma puede no detectarlo, y aunque lo haga, no sufres ninguna pérdida.

Puedes simplemente cambiar de cuenta y seguir enviando. Esta estructura naturalmente atrae a datos basura, y los contribuyentes de alta calidad y baja calidad reciben el mismo trato en el sistema, donde la mala calidad expulsa a la buena.

El mecanismo de staking de #OpenLedger invierte esta relación. Antes de enviar datos, necesitas apostar $OPEN ; el staking es tu compromiso económico con la calidad de los datos.

Creo que estos datos son de alta calidad y estoy respaldando con mis propios tokens. Si la calidad de los datos es baja y el modelo no rinde bien, los beneficios del staking se ven afectados;

si la calidad de los datos es alta, el rendimiento del modelo mejora y tu peso de staking genera un ingreso continuo.

Lo que me parece más preciso en este mecanismo es su valoración de la profesionalidad.

Una persona que realmente entiende un campo específico estará dispuesta a apostar más para respaldar sus datos, porque tiene confianza en que la calidad de sus datos es alta.
Una persona que envía contenido de baja calidad al azar no estará dispuesta a arriesgar su dinero real en que esos datos pasen la prueba de calidad. El umbral de staking filtra naturalmente a los verdaderos contribuyentes con capacidad profesional.

El caso de mi amigo, un abogado profesional es caro, pero ganó. El mecanismo de staking de OpenLedger permite que la voz de los contribuyentes de datos profesionales tenga más peso en el conjunto de entrenamiento, a cambio de que primero demuestren su profesionalidad con tokens.

No muy ético, pero abrí una operación a escondidas.

Dicen que el que mucho abarca poco aprieta, así que voy a planear el 50/50, ¿no está mal, verdad?

Hoy, al llegar a casa, vi esa caminadora en la esquina, que compré con grandes aspiraciones, y ahora está llena de ropa. La máquina en sí no tiene problemas, funciona bien, pero nunca realmente se integró en mi rutina diaria. Por más buena que sea la herramienta, si no se conecta a un flujo de uso real, solo es un adorno.

La integración de API de $OPEN y el marco de Agente están abordando el mismo problema que el modelo de IA.

@OpenLedger en el whitepaper hay una etapa que describe muy bien: después de que el modelo se entrena, pasar de la evaluación a la implementación no es el final, es el comienzo.

El último paso es integrar este modelo en escenarios de aplicación reales a través de la API y el marco de Agente de IA para que realmente comience a trabajar.

El modelo necesita convertirse en un motor de decisiones, no en una exhibición para demostrar.

¿Por qué es importante este paso? Porque el valor económico del modelo proviene del volumen de llamadas, no de su mera existencia.

El modelo económico completo de #OpenLedger —Proof of Attribution, reparto de ingresos, ganancias para los contribuyentes de datos, recompensas para los stakers—depende de una cosa: que el modelo sea llamado de verdad para generar costos de inferencia, activando el mecanismo de reparto. Por más que se entrene el modelo, si no se integra en un flujo de trabajo real y no hay usuarios llamándolo,

todo el mecanismo de reparto en la cadena es un ciclo vacío. La caminadora, por más que funcione, si no se usa, el dinero que gasté en ella fue en vano.

La integración de API conecta la última milla entre el modelo y la demanda real. OpenLedger proporciona interfaces de API estandarizadas que permiten a los desarrolladores integrar directamente modelos profesionales entrenados en la cadena en sus aplicaciones

sin necesidad de redeploy, entendiendo la cadena subyacente. Al mismo tiempo, soporta la integración de marcos de Agente principales para que el modelo pueda actuar como el núcleo de inferencia de un Agente de IA autónomo, llamando y tomando decisiones automáticamente en tareas complejas.

Creo que la clave de este diseño no es la tecnología en sí, sino si los modelos en OpenLedger pueden encontrar usuarios reales. Un modelo profesional en el ámbito médico, integrado en el flujo de trabajo de aplicaciones médicas, generando diariamente grandes cantidades de datos de llamadas reales, los contribuyentes continúan recibiendo sus ingresos.

Este volante es el que realmente comienza a girar. Si no se puede conectar, incluso el mecanismo de atribución más preciso no tiene sentido.

La caminadora aún está aquí y no la he vendido, simplemente no se integra en mis hábitos diarios. Veremos si los modelos de OpenLedger pueden integrarse en escenarios de aplicación reales, para observar cuáles son las primeras aplicaciones que realmente han integrado modelos en la cadena.

Me encanta hacer trading en vivo.

El oro ha estado subiendo como loco en esta ronda, y en el grupo hay gente mostrando capturas de pantalla de sus compras de oro todos los días. Yo siempre he creído que cuando el oro está caliente, los que realmente ganan son los que venden las herramientas.
Las minas todavía no se han excavado, pero quienes venden las herramientas de minería ya han cobrado su dinero.

$BTC en esta ronda es igual, las instituciones están haciendo un "short" por las monedas, pero Coinbase, CME y esa gente que hace custodia están cobrando sus tarifas, independientemente de si el BTC sube o baja.

Con esta ola de IA, ¿dónde están las herramientas?

Revisé $OPEN y @OpenLedger , y lo que están haciendo es muy similar a vender herramientas.

No están creando una aplicación de IA específica, sino que están construyendo la infraestructura para el entrenamiento de modelos de IA y la atribución de datos. En el libro blanco hay una cifra que merece ser destacada.

Se estima que la escala de conjuntos de datos de alto valor a nivel global está en el rango de 500 mil millones de dólares, pero estos datos ahora están prácticamente en estado de islas, sin un mecanismo de atribución estandarizado, sin canales de circulación que los monetizen, los proveedores de datos aportan valor pero no reciben el retorno correspondiente.

La Proof of Attribution de #OpenLedger está resolviendo precisamente esto. Cada vez que se llama a un modelo de IA, el sistema calcula en tiempo real la influencia de cada punto de datos en esa salida: la fórmula es I(di,y) = α·F(di,y). Los contribuyentes con influencia superior a cero reciben su parte proporcional de los costos de inferencia. Se distribuye cada vez que se llama al modelo, si se llama mil veces, se distribuye mil veces. Los proveedores de datos por primera vez tienen un flujo de ingresos sostenible, no es solo una venta única.

Es necesario observar seriamente la estructura de los tokens. El 71% de los tokens aún no ha entrado en circulación, la distribución en la comunidad del 51.71% es la mayor parte, y el ritmo de desbloqueo de estos tokens es la variable más opaca en este momento.

La lógica de vender herramientas en el auge del oro se sostiene, pero hay un requisito: debe haber suficientes personas realmente excavando minas de oro.

La lógica de las herramientas de OpenLedger también se sostiene, pero igualmente necesita un requisito: debe haber suficientes modelos de IA realmente entrenándose y siendo llamados en su cadena, y los costos de inferencia deben ocurrir de verdad para que el mecanismo de distribución funcione.

Ahora mismo, ese requisito aún está en proceso de establecerse, y la cantidad real de Datanet y el volumen de invocaciones de modelos después del lanzamiento de la mainnet son los datos clave para juzgar si esta herramienta vale la pena.

La ola de IA apenas está comenzando, la ventana de negocio de las herramientas aún está abierta. Pero las herramientas también tienen sus pros y contras, hay que tener claridad antes de entrar al juego.

#在币安广场聊传统金融

Esta operación me hizo crecer de nuevo, la posición en la cima me hizo salir.

Ayer estaba tranquilo y ayudé a un amigo en su puesto, no esperaba que al final la mayor parte de las ganancias fueran para mí. Me sorprendió un poco, y mi amigo dijo que había estado corriendo de un lado a otro todo el día, así que era lo justo.

En ese momento pensé que esta distribución se parecía a $OPEN .

En el @OpenLedger , en la tabla de distribución de tokens del whitepaper, hay un número que me hizo detenerme: la distribución para la comunidad ocupa el 51.71%, que es la mayor parte entre todas las categorías. Los inversores tienen el 18.29%, el equipo el 15%, el ecosistema el 10% y la liquidez el 5%.
Más de la mitad de los tokens se distribuyen a quienes realmente trabajan en esta red: los contribuyentes de datos, desarrolladores y stakers, así como quienes proporcionan retroalimentación manual.

Este porcentaje transmite un mensaje: el valor de OpenLedger es creado por la comunidad, y la distribución de tokens debería reflejar este hecho.

La mayoría de los proyectos tienen una distribución de tokens al revés, donde los inversores y el equipo se llevan la mayor parte y la comunidad se queda con lo que sobra, que se utiliza para la liquidez y la incentivación de usuarios. En esta estructura, la comunidad es el objeto servido, no el productor incentivado.

#OpenLedger invierte esta proporción, donde más de la mitad para la comunidad significa control a largo plazo de la red y beneficios económicos, lo que desde el diseño favorece a quienes realmente usan y construyen esta red.

Junto con el mecanismo de Proof of Attribution, esta proporción de distribución cobra un significado más concreto. Cada contribuyente de datos en la comunidad, con cada envío de datos, afecta la salida del modelo y puede recibir su parte de los fees de inferencia proporcionalmente.

El 51.71% de la distribución comunitaria no es un airdrop único, sino un flujo de ingresos continuo vinculado a las contribuciones reales. Cuanto más se hace, más se obtiene.

Por supuesto, un número bonito no significa que se ejecute correctamente. Cómo se distribuye el 51.71%, cuándo se distribuye y bajo qué criterios, esos detalles determinan si esta proporción es un verdadero incentivo para la comunidad o simplemente una línea de números en el whitepaper. La cronología de desbloqueo de tokens, las diferencias en la distribución para los contribuyentes y el impacto de los mecanismos de gobernanza en las reglas de distribución, son cosas que actualmente no están completamente reveladas en el whitepaper.

El día que ayudé a mi amigo en su puesto, él no me había prometido de antemano cuánto me daría. El 51.71% de OpenLedger está comprometido en el whitepaper, y si se puede cumplir dependerá de los registros de distribución reales en la cadena.