小木偶ddd

La situación en Medio Oriente se intensifica y provoca un gran aumento en el precio del petróleo internacional

Recientemente, la situación geopolítica en Medio Oriente ha escalado rápidamente, agitando el mercado energético global. Según la agencia de noticias Tasnim de Irán, Irán ha suspendido oficialmente todas las negociaciones indirectas con Estados Unidos, poniendo fin al diálogo y al intercambio de textos a través de intermediarios. La razón principal de esta suspensión de negociaciones es la insatisfacción con las acciones militares continuas de Israel en Líbano y la Franja de Gaza.

Mientras tanto, Irán ha tomado medidas firmes, anunciando su plan de unir fuerzas con su ejército y aliados regionales para bloquear completamente el estrecho de Ormuz. Como una de las principales rutas de transporte energético global, este estrecho maneja una gran cantidad de comercio de petróleo crudo, y si se cierra completamente, cortará directamente el canal clave de exportación de petróleo crudo del Medio Oriente.

Debido al riesgo geopolítico repentino, el mercado internacional del petróleo ha reaccionado con un gran aumento, con los precios del crudo WTI y Brent subiendo más del 4% el lunes, poniendo fin a la ligera caída de precios anterior. El mercado está cada vez más preocupado de que el bloqueo del estrecho cause una escasez global de suministro de petróleo, intensificando el desequilibrio entre la oferta y la demanda de energía. Actualmente, el sentimiento en el comercio energético global es tenso, y el desarrollo de la disputa entre EE.UU. e Irán, así como el estado de la navegación en el estrecho, seguirán dominando la volatilidad de los precios del petróleo internacional a corto plazo.

Cuando vi la línea de Bedrock y Cap, mi primera reacción fue bastante simple: ¿no es esto sólo otra historia de 'rendimientos de nivel institucional'?

Pero al mirarlo con más detalle, descubrí que su interés no está en el eslogan, sino en la estructura.

Antes, muchos rendimientos de DeFi, en pocas palabras, eran subsidios de tokens por parte de los protocolos, todos venían a minar un poco, la temperatura subía y el TVL se veía genial. Pero en cuanto se detenían los subsidios, los fondos salían más rápido que nadie. Este modelo todos lo conocen y ya han sido educados sobre él muchas veces.

Bedrock 2.0 ahora quiere ir hacia otro lado: conectar uniBTC con una estructura de crédito cubierta más clara. Quien proporciona los activos, quien asume la garantía, quien ejecuta la estrategia, de dónde vienen los rendimientos, en qué capa está el riesgo, intentar desglosarlo todo.

Creo que esto es muy importante para BTCFi.

Porque los fondos en BTC no son precisamente ese tipo de dinero que ama el riesgo. Muchos holders de BTC no es que no quieran ganar rendimientos, sino que no quieren asumir un montón de riesgos que no entienden por un APY alto durante unos días.

Si Bedrock puede hacer que las estrategias Delta-Neutral, Credit y RWA sean más claras en una vault, para que los usuarios comunes sepan exactamente qué dinero están ganando y qué riesgo están asumiendo, entonces BTCFi no solo será 'rendimientos empaquetados', sino que realmente empezará a convertirse en una herramienta de asignación de activos.

No importa que este camino sea más lento, lo clave es que sea estable.

$BR #Bedrock @Bedrock

El valor de AI Studio no está en apilar funcionalidades, sino en proporcionar a la gente común un lugar de trabajo de IA.

Yo solía hacer contenido e investigación, y lo que más me frustraba eran las herramientas demasiado dispersas.

Los datos en un lado, los modelos en otro, la escritura en un lugar y las pruebas en otro. Si quieres hacer un análisis de proyecto en serio, solo cambiar de página puede ser agotador. Ni hablemos de tener que entrenar modelos, subir datos, probar salidas y luego desplegarlo para que otros lo usen; este camino es demasiado largo para la mayoría.

Por eso, al ver AI Studio de @OpenLedger, mi primera impresión no fue "otro acceso a productos", sino que tiene la oportunidad de reunir estos pasos en un único lugar de trabajo.

En OpenLedger hay Datanets, ModelFactory, OpenLoRA, OpenChat y OctoClaw. Si los miras por separado, cada uno es una funcionalidad; pero donde realmente se siente bien es en cómo pueden enlazarse.

Por ejemplo, si quieres crear un "modelo de investigación de proyecto". Primero, en Datanets, organizas la información del proyecto, datos en cadena y casos de riesgo; segundo, usas ModelFactory para elegir un modelo base y hacer fine-tuning con Datanet; tercero, pruebas la salida a través de la interfaz de chat y verificas si suena humano; cuarto, despliegas de manera más ligera con OpenLoRA; quinto, conectas a herramientas de contenido a través de Agent o API.

Si este proceso estuviera disperso en cinco plataformas, es muy probable que un usuario común se rinda. Pero si AI Studio puede convertirlo en un lugar de trabajo continuo, se reducirían muchas barreras.

Esto es muy importante para OpenLedger. Porque no solo sirve a ingenieros de IA profesionales, también quiere que personas que entienden el contexto se involucren. Investigadores de DeFi, analistas de seguridad, creadores de contenido y gestores de comunidades, pueden que no sean expertos en línea de comandos, pero saben dónde están las necesidades reales.

El mejor estado de AI Studio no es convertir a todos en programadores, sino permitir que quienes comprenden el contexto transformen su experiencia en modelos y herramientas.

Por supuesto, también hay límites. El lugar de trabajo no puede ser demasiado complejo, o la gente común se asustará. La experiencia ideal es: los novatos pueden seguir plantillas, los usuarios avanzados pueden ajustar parámetros y los desarrolladores pueden conectar APIs.

Una buena herramienta de IA no es aquella con muchos botones, sino la que oculta bien los procesos complejos.

@OpenLedger $OPEN #OpenLedger

A decir verdad, mucha gente dice que le gusta DeFi, pero en realidad, se termina volviendo a CEX.

La razón no es complicada. CEX es fácil de usar: abres y ves tu saldo, el libro de órdenes, haces una orden, y todo fluye. DeFi también tiene sus ventajas, como el acceso temprano a activos, más opciones y un mayor control. Pero el problema es que usarlo realmente puede ser agotador. Cambiar de red, gestionar el Gas, revisar autorizaciones, buscar puentes, buscar pools, solo esos pasos pueden desanimar a mucha gente.

Por eso, creo que lo interesante de Genius es que no solo dice ser una herramienta DeFi, sino que busca ser un estado intermedio: intenta mantener el control de los activos en la cadena, mientras acerca la experiencia de trading a la suavidad de CEX.

En esta dirección, me parece bastante realista. Porque muchos usuarios no ven el mundo en blanco y negro, no solo pueden elegir CEX o solo DeFi. Lo que la gente quiere es: tener el control de sus activos, pero no pasar por un examen cada vez que opera. No puedes decir que el on-chain es el futuro, y al mismo tiempo hacer que los usuarios abran diez páginas cada vez que hacen una transacción, y que además tengan que juzgar cada paso del camino.

Lo que hace Genius es mover esas acciones complejas un poco hacia el fondo. Los usuarios ven una entrada de mercado más unificada, un proceso de trading más coherente y menos cambios de herramientas. No necesariamente hace que DeFi sea tan simple que no tenga barreras, pero al menos está disminuyendo esas fricciones más molestas.

Por supuesto, aquí también hay que ser realista. Que la experiencia sea similar a CEX, no significa que el riesgo sea igual a CEX, ni que los usuarios puedan operar con los ojos cerrados. En el trading on-chain, aún hay que estar atento a las tarifas, rutas, autorizaciones y volatilidad de los activos. Simplemente, la herramienta ha hecho que el proceso sea más fluido, no que haya eliminado el riesgo.

Estoy bastante de acuerdo con esta posición. Si en el futuro el trading on-chain quiere realmente ampliar su base de usuarios, no puede depender solo de "tienes que aprender a manejar procesos complejos". Un buen producto debería hacer que la complejidad se exponga un poco menos, pero las decisiones clave aún deben ser visibles para el usuario. Si Genius puede lograr este equilibrio, su valor no solo será el de una herramienta de trading, sino que será una parte de la mejora de la experiencia on-chain.

$GENIUS #genius @GeniusOfficial

La ruta SLM de OpenLedger: no es que un modelo más grande sea mejor, sino que es más valioso entender el escenario

Antes solía usar IA general para analizar proyectos y a menudo tenía una sensación muy sutil.

Puede hablar de un poco de todo: la pista, el equipo, el token, los riesgos, las oportunidades, y la estructura es completa. Pero al terminar de leer, te das cuenta de que muchas de sus afirmaciones son muy "seguras": correctas, pero sin filo; completas, pero no profundas. Es como si una persona hubiera leído muchos titulares de noticias, pero no se hubiera sumergido realmente en un campo específico.

Así que ahora estoy cada vez más de acuerdo con un juicio: la IA no siempre es más útil cuanto más grande es, muchas veces, cuanto más especializada, más valiosa es.

Esta es también la razón que me interesa del enfoque SLM de @OpenLedger.

SLM puede entenderse como modelos pequeños y especializados. No busca entenderlo todo, sino profundizar en un área concreta. Por ejemplo, un modelo de control de riesgos on-chain se centra en direcciones, contratos y rutas de fondos; un modelo de tesorería DeFi se enfoca en fuentes de ingresos, reglas de redención y estructura de permisos; un modelo de investigación de proyectos se especializa en la mecánica del token, progreso del ecosistema y comportamiento on-chain.

Este tipo de modelo no necesariamente tiene los parámetros más grandes, pero resuelve problemas reales con mayor facilidad.

Los Datanets, ModelFactory y OpenLoRA de OpenLedger, en realidad, se desarrollan en torno a esta lógica. Datanets proporciona datos especializados, ModelFactory ayuda a los usuarios a entrenar y publicar modelos, y OpenLoRA permite que estos modelos especializados funcionen de manera más liviana. En términos de experiencia, esto permite que más capacidades de IA pequeñas y precisas se desarrollen, en lugar de esperar a que un gran modelo responda todas las preguntas.

Esto también es más amigable para los usuarios comunes.

Si quieres ver el riesgo de la tesorería, no dejes que una IA genérica te diga "alta rentabilidad, pero con precaución"; deberías llamar a un modelo que realmente entienda la estructura de la tesorería y te diga de dónde proviene el rendimiento, si hay trampas en la redención, y si los permisos del contrato están centralizados. Este tipo de respuesta es útil.

Por supuesto, SLM tampoco es la panacea. Su límite depende de la calidad de los datos y la capacidad de mantenimiento. Si los datos no están limpios, el modelo, por más especializado que sea, también tendrá sesgos; si nadie usa el escenario, un modelo detallado solo será un adorno.

Pero la dirección es la correcta.

El futuro de la IA no necesariamente es un supercerebro que resuelva todos los problemas, sino que habrá muchos cerebros especializados haciendo su propio trabajo.

@OpenLedger $OPEN #OpenLedger

Cuando solía operar con activos en múltiples cadenas, a menudo me sentía frustrado: tenía los activos en mis manos, pero parecía que estaban esparcidos en un montón de cajones.

Un poco en Solana, un poco en BNB Chain, un poco en Base, y en el lado de los perpetuos había otro saldo. Para saber cómo estaba mi posición general, tenía que estar cambiando de billetera, de red y de plataforma. Con cada movimiento del mercado, uno se siente un poco perdido: ¿dónde tengo saldo? ¿dónde hay riesgo? ¿dónde puedo operar?

Por eso creo que la vista de combinación unificada de Genius es bastante adecuada para que los traders comunes lo entiendan.

No solo se trata de hacer una lista de activos, sino que busca poner en un mismo panorama los activos spot, los perpetuos, los activos pre-emisión y las posiciones relacionadas con los rendimientos. Así, los usuarios no tienen que estar revisando todo como si estuvieran llevando un libro de cuentas, sino que pueden ver más rápido en qué estado general se encuentran.

Esta experiencia es muy importante. Mucha gente pierde dinero no porque haya hecho un único juicio erróneo, sino porque no tiene clara su posición general. Compraron bastante en spot, pero tienen contratos abiertos; en alguna cadena hay fondos sin mover, y por otro lado olvidaron el riesgo que tienen. Cuando los activos están dispersos, la mente también tiende a dispersarse.

Si Genius puede organizar esta información en una interfaz más clara, en realidad está ayudando a los usuarios a hacer algo muy básico pero crucial: primero ver claramente su situación, y luego mirar el mercado.

Por supuesto, la vista unificada no es mágica. Solo puede ayudarte a mostrar los activos, no puede decidir cómo debes configurarlos, y mucho menos controlar el riesgo. Especialmente cuando se ven juntos los activos cross-chain, las posiciones perpetuas y las posiciones de rendimiento, los usuarios deben distinguir claramente los diferentes tipos de riesgo.

Pero desde el punto de vista de la experiencia, creo que esta dirección es bastante sólida. Las herramientas de trading no solo se usan para "descubrir a otros", sino que también deben ayudar a los usuarios a verse a sí mismos. Un terminal que te permita abrir menos cajones y no pasar por alto los riesgos es más significativo que un producto que solo acumula funciones.

$GENIUS #genius @GeniusOfficial

El mercado de valores de EE. UU. sigue fortaleciéndose y alcanza nuevos máximos históricos, con el sector tecnológico liderando la tendencia.

Recientemente, el mercado de valores de EE. UU. ha continuado con una fuerte tendencia alcista, con los tres índices principales subiendo simultáneamente y marcando nuevos máximos históricos. La emoción general del mercado para ir en largo sigue en aumento. Hasta el cierre más reciente, el índice Dow Jones Industrial Average se destacó con un aumento del 0.72%; el índice compuesto Nasdaq subió ligeramente un 0.2%, y el S&P 500 también cerró con una subida del 0.22%, con todos los índices escalando de manera constante y mostrando una tendencia continua de nuevos máximos.

Este fortalecimiento del mercado de EE. UU. no es solo una especulación a corto plazo, sino que se basa en múltiples apoyos positivos. Por un lado, la industria de la inteligencia artificial sigue ganando impulso, con las empresas del sector de hardware y servicios de software de IA superando las expectativas. Gigantes tecnológicos como Dell han elevado sus pronósticos de ganancias, lo que ha impulsado significativamente sus precios de acciones, convirtiéndose en el motor principal del aumento del sector tecnológico. Por otro lado, la resiliencia general de las ganancias de las empresas en EE. UU. se ha destacado, sumado a la relajación de las tensiones geopolíticas, lo que ha mejorado efectivamente la aversión al riesgo del mercado.

Además, el índice S&P 500 ha logrado nueve semanas consecutivas de ganancias, y en mayo, el mercado de valores de EE. UU. obtuvo un rendimiento notable. Los fondos globales siguen fluyendo hacia el mercado de acciones de EE. UU. Actualmente, el capital del mercado se centra en la actualización de la industria de IA y la recuperación de ganancias de empresas de calidad. Las instituciones creen en general que la certeza de las ganancias en el sector tecnológico seguirá apoyando la tendencia futura del mercado de valores de EE. UU.

Una de las experiencias en cadena que más me molestaba era que, cuando solo quería cambiar un activo, el proceso se sentía como mudarse.

Primero, ver en qué cadena está el activo, luego buscar el puente, después encontrar el pool, y ver cuál es la ruta más barata, y al final, confirmar un montón de firmas. Cuando el mercado está lento, no está tan mal, solo es un poco molesto. Pero cuando el mercado se acelera, estos procesos se vuelven críticos. Crees que estás haciendo trading, pero en realidad, la mayor parte del tiempo la pasas "preparando el trade".

Así que al ver el Genius Bridge Protocol, mi primera reacción no fue pensar en lo avanzado que es, sino en que: si se hace bien, efectivamente puede resolver un dolor real.

El mayor problema del trading entre cadenas no es que los usuarios no sepan lo que quieren. Los usuarios saben claramente: solo quiero cambiar activos de la cadena A a activos utilizables en la cadena B. Pero el proceso tradicional descompone esta simple necesidad en muchos pasos: un puente, un cambio, esperar a que llegue, y luego hacer el trade. Cada paso puede tener costos, demoras o fallos.

El valor de Genius radica en que quiere minimizar estos pasos intermedios y llevarlos al backend, permitiendo que los usuarios se concentren más en el resultado, en lugar de desglosar manualmente el proceso cada vez. En términos simples, el usuario expresa su intención de trading, y el sistema se encarga de manejar la ruta, la liquidez y los detalles de ejecución.

Este beneficio es muy práctico. En la era de múltiples cadenas, las oportunidades están cada vez más dispersas, y los fondos no pueden quedarse eternamente en la cadena que justo tiene la oportunidad. Quien logre hacer que la asignación de fondos sea más fluida, podrá reducir muchos fricciones innecesarias.

Por supuesto, no diré que el tema de las cadenas cruzadas sea fácil. Siempre hay que considerar la seguridad, la estabilidad de las transferencias, la gestión de fallos y la transparencia de costos; cualquier paso que no se ejecute bien puede afectar la experiencia del usuario. Especialmente cuando el mercado está volátil, es crucial observar la capacidad del sistema para soportar la presión.

Así que mi juicio sobre Genius es que lo que realmente tiene que demostrar no es "si puede hacer cross-chain", sino si puede hacer que el trading entre cadenas sea menos complicado, más comprensible y más controlable. Esta dirección no es llamativa, pero es clave.

$GENIUS #genius @GeniusOfficial

Atribución RAG: OpenLedger me tiene más atento, ¿puede la IA explicar claramente las fuentes?

Una vez usé IA para investigar un proyecto, y respondió de manera tan fluida, incluso describió la hoja de ruta y el mecanismo como si supiera de lo que hablaba.

Resulta que al verificar, encontré que parte de la información era antigua y otra parte no coincidía en absoluto. En ese momento, me quedé sin palabras: no es que la IA no pueda escribir, sino que lo hace tan bien que parece real, lo que facilita el engaño.

Por eso creo que la Atribución RAG de @OpenLedger merece una mención aparte.

El usuario promedio puede no preocuparse por este término, pero es fácil de entender en la práctica: la IA, al responder, no debería solo decir "he resumido", sino ser capaz de detallar qué fuentes consultó, qué contenido utilizó y cuál es la relación entre esos contenidos y la respuesta dada.

Esto es crucial para el contenido del mundo cripto.

Los proyectos evolucionan rápidamente, y mucha información que era válida ayer puede estar obsoleta hoy. Si le pides a la IA que haga un análisis de un proyecto y utiliza información antigua para armar un artículo atractivo, a simple vista puede no parecer un problema, pero el riesgo es enorme. El significado de la Atribución RAG es hacer que el contenido que la IA consulta sea rastreable, evitando que las respuestas queden flotando en el aire.

¿Cómo usarlo? Por ejemplo, si le pides a OpenLedger que te ayude a organizar un proyecto, no solo pidas el texto final, primero pídele que enumere "en qué fuentes se basa esta respuesta". ¿Cuáles son actualizaciones oficiales, cuáles son datos on-chain, cuáles son información de la comunidad, y cuáles necesitan ser revisadas? Luego decides qué incluir en el artículo.

Esto es más seguro que generar contenido directamente.

Para los creadores, esto puede reducir el riesgo de "la IA inventa pero tú pagas las consecuencias". Para los contribuyentes de datos, si tu información es consultada por el modelo y afecta la salida, también tienes más posibilidades de ser reconocido. Para $OPEN , cuanto más razonamientos rastreables haya, más se asemejarán los pagos por razonamiento y las recompensas por contribución a un servicio real.

No es difícil que la IA escriba como un humano, lo complicado es que explique claramente de dónde aprendió.

@OpenLedger $OPEN #OpenLedger

Hablando en serio, muchas de las operaciones en cadena más molestas no son los grandes movimientos, sino esas pequeñas conversiones que parecen insignificantes.

Por ejemplo, tienes un montón de activos, pero cuando realmente los necesitas, te das cuenta de que el formato no es el correcto, los activos no son los que necesitas, o el escenario no es adecuado. El saldo spot es una cosa, el perpetual necesita otra, y entre stablecoins también hay que hacer intercambios; a menudo hay que ajustar entre activos nativos y stablecoins. Cada paso por separado no es difícil, pero sumados se vuelven un verdadero dolor de cabeza. Especialmente cuando el mercado está volátil, sientes que no estás operando, sino organizando tu cartera.

Por eso, cuando veo la función Convert y la conversión de activos básicos en Genius, prefiero verla como una "mesa de organización de fondos".

Su función no es hacerte sentir que es algo espectacular, sino poner en un mismo flujo algunas de las acciones comunes de conversión de fondos. Por ejemplo, convertir tu saldo spot en USDC que puedas usar en el mercado perpetuo, o completar conversiones de manera más clara en escenarios relacionados con stablecoins y activos nativos. Así, el usuario no tiene que estar buscando herramientas o rutas cada vez, ni consultando costos; al menos puede organizar su estado de fondos en un entorno más fluido.

Este aspecto es bastante importante para los traders. Muchas veces ya tienes el juicio, pero el estado de tus fondos no está listo, y eso interrumpe el ritmo. Quieres hacer una operación, pero primero tienes que lidiar con tres pasos de conversión; quieres observar el mercado, pero tu atención se ve desviada por el formato del saldo. Con el tiempo, esta fricción hace que la gente pierda el interés en operar.

Por supuesto, la conveniencia de las conversiones no significa que puedas ignorar las reglas. Diferentes activos, diferentes redes, diferentes escenarios del mercado; los costos y la experiencia de recepción debes confirmarlos tú mismo. Las herramientas hacen que el proceso sea más claro, pero no pueden reemplazar la necesidad de considerar los costos.

Creo que el beneficio de Genius aquí es hacer que esas acciones de organización de fondos en las operaciones en cadena que son "muy molestas pero necesarias" sean menos disruptivas para el pensamiento. Esto no siempre es llamativo, pero en la práctica, es donde realmente impacta la experiencia.

$GENIUS #genius @GeniusOfficial

OpenLedger: Lo que quiero no es más información, sino un asistente de investigación que pueda seguir indagando

Anoche estuve investigando un proyecto, y solo quería dedicarle diez minutos.

Pero al buscar, terminé invirtiendo una hora. Revisé el sitio web, exploré Twitter, verifiqué las direcciones en la cadena, y hasta abrí dos hojas para registrar la información del token. Lo más frustrante es que cuanta más información encuentro, más me confundo. Después de revisar todo, me quedé sin saber exactamente qué puntos clave había captado.

Este es el verdadero dolor de cabeza al investigar proyectos: hay demasiada información, pero los problemas no están organizados.

Antes, cuando usaba IA, siempre esperaba que me diera conclusiones directas. Luego me di cuenta de que eso no funcionaba. Las conclusiones que daba eran demasiado rápidas y, en consecuencia, superficiales. La investigación realmente valiosa no es aquella que te dice "este proyecto es bueno" o "hay que vigilarlo", sino la que puede seguir el hilo de tus preguntas y profundizar en ellas.

Por eso creo que @OpenLedger es perfecto para el "proceso de investigación indagatorio".

Por ejemplo, primero le pides a OctoClaw que recopile los datos básicos del proyecto, el uso del token, la actividad en la cadena y los cambios de capital. Después de revisar eso, sigues preguntando: ¿hay presión en la liberación de este token? ¿Esta dirección es una billetera clave? ¿La actividad reciente en la cadena es un comportamiento de usuario o un aumento artificial? La IA no solo responde una vez, sino que avanza continuamente alrededor del mismo objeto de investigación.

La experiencia será muy natural.

No es un informe grande generado de una sola vez, sino más bien como un compañero de investigación. Tú piensas en algo, y ella te sigue; si encuentras dudas, sigue ayudándote a investigar; si no estás seguro, separa lo confirmado de lo por confirmar.

Para los creadores de contenido, esto es especialmente útil. Porque un buen artículo no es solo acumular información, sino clarificar un problema a medida que lo preguntas. Si OpenLedger puede hacer funcionar este proceso de investigación continua, los artículos no serán solo reescrituras de anuncios, sino más bien salidas de un pensamiento genuino.

Mi expectativa con OpenLedger no es que tome decisiones por mí, sino que me ayude a aclarar el camino antes de tomar decisiones.

La verdadera investigación no es obtener respuestas más rápido, sino ser menos engañado por respuestas incorrectas.

@OpenLedger $OPEN #OpenLedger

En ModelFactory, lo que realmente vale la pena no son solo los buenos ejemplos, también debería haber un “repositorio de contramuestras”

Cuando escribía contenido, lo que más temía era una situación: una opinión que parecía sólida, pero luego descubrías que estaba equivocada también de manera contundente.

Por ejemplo, un vault con un APY alto, a simple vista parece una oportunidad de ganancias, pero más tarde te das cuenta de que en realidad es un subsidio a corto plazo; una dirección con grandes transferencias, a primera vista parece una salida de fondos, pero luego te das cuenta de que solo es una reestructuración interna; un proyecto cuya comunidad de repente se calienta, y resulta que solo es ruido temporal por una actividad.

Estos “casos de malentendido” son realmente valiosos.

Así que miro a @OpenLedger y su ModelFactory, no solo me interesa cómo entrenan buenos modelos, también me preocupa si pueden incluir las contramuestras. Mucha gente que hace modelos de IA solo quiere alimentar ejemplos correctos, pero en el mundo blockchain, lo que realmente hace que un modelo sea más inteligente son esos casos que “parecen oportunidades, pero al final no lo son”.

Por ejemplo, al crear un modelo de riesgo para un vault, no deberías solo incluir vaults normales y de riesgo, sino también un conjunto de casos fáciles de malinterpretar: APY temporalmente elevado pero no sostenible, reglas de redención muy ocultas, TVL que parece alto pero con mala liquidez. Así, el modelo no solo verá los números superficiales cuando enfrente estructuras similares en el futuro.

Igualmente, en un modelo de direcciones en la cadena, también se deben estudiar esos ejemplos que “parecen riesgos, pero en realidad no lo son”. Si no, el modelo será demasiado sensible, sonará la alarma todos los días, y al final los usuarios se volverán indiferentes.

La ventaja de ModelFactory es que permite a personas que entienden el escenario organizar estas experiencias en materiales de modelo específicos. No solo los datos bonitos son útiles, las trampas que se han caído, las rutas malinterpretadas, y los casos en que el mercado te da un golpe también deberían convertirse en activos de entrenamiento.

Este punto es muy importante para OpenLedger. Porque lo que quieren hacer no es un montón de IA que solo sepa hablar bonito, sino un modelo específico más cercano al mercado real. El mercado real no es un libro de texto; tiene muchas señales falsas, reversos, ruido y malentendidos.

Si un modelo solo aprende de casos de éxito, será muy ingenuo; si también aprende de casos de fracaso, se parecerá más a alguien que realmente ha investigado.

@OpenLedger $OPEN #OpenLedger

Creo que lo interesante de GeniusFi no es que haya más opciones de liquidez, sino que plantea una pregunta muy práctica: ¿se puede hacer que el dinero en la cadena BNB fluya de manera más eficiente?

Antes, mucha gente miraba la liquidez en la cadena y le encantaba fijarse en el TVL. Si hay mucho dinero en el pool, parece que la profundidad es buena. Pero quienes han hecho trading de verdad saben que no siempre es así. Si el dinero está muy disperso y no hay suficiente profundidad cerca del precio, igualmente habrá deslizamientos feos. Especialmente con activos de primera línea y activos de cola corta, donde la frecuencia de trading es alta y el precio cambia rápido, los pools pasivos a veces no pueden seguir el ritmo.

GeniusFi quiere hacer PropAMM, que entiendo que significa que la liquidez no solo se quedará “esperando en el pool a que alguien venga a intercambiar”, sino que se moverá de manera más activa alrededor de los precios de mercado reales. Esta idea ya ha sido validada en Solana, donde los AMM que hacen market making activo han demostrado que pueden ofrecer spreads más ajustados y una mejor experiencia de trading en algunos escenarios de alta frecuencia.

Mirando hacia la cadena BNB, este enfoque es clave. El ecosistema de BNB ya tiene un buen capital y usuarios; si se puede mejorar la eficiencia de la liquidez en los pares de trading principales, los usuarios sentirán directamente que las transacciones son más cómodas, los precios están más cerca y los deslizamientos son un poco menores. No subestimes esto, los traders son muy realistas; donde las transacciones son suaves y los costos son bajos, el capital naturalmente fluirá hacia allí.

Por supuesto, PropAMM no es algo que se pueda lograr de la noche a la mañana. La frescura de las cotizaciones, la garantía de orden, la estabilidad de enrutamiento y el manejo de anomalías son aspectos muy duros. Especialmente con mecanismos relacionados con la pre-confirmación como el BEP-668, si la ejecución no es estable, los market makers tampoco se atreverán a dar cotizaciones muy ajustadas.

Así que mi opinión sobre GeniusFi es: no es solo un truco para corto plazo, sino un intento digno de observar en la actualización de la liquidez de la cadena BNB. Si realmente funciona, podría cambiar no solo un par de trading, sino la calidad subyacente de las transacciones en la cadena.

@Genius Terminal $GENIUS @GeniusOfficial #genius

ModelFactory no debería lanzarse como un AI todoterreno, los modelos pequeños son más fáciles de implementar

Antes, en mi experiencia con contenido, aprendí que una cuenta no debería escribir sobre todo desde el principio.

Hoy escribo sobre macro, mañana sobre Meme, y pasado sobre DeFi; parece que cubro un amplio espectro, pero en realidad, los lectores no te recuerdan. En cambio, es mejor enfocarse en un pequeño nicho primero, para luego ir ganando reconocimiento.

Los modelos de AI funcionan de manera similar.

Muchos al hablar de AI quieren crear un asistente todoterreno. Que pueda investigar, comerciar, gestionar riesgos, escribir artículos, ejecutar automáticamente; suena impresionante, pero también puede volverse superficial. Cuanto más integral, más difícil es profundizar; cuanto más generalizado, más fácil es generar un montón de información "correcta pero inútil".

Por eso, al ver @OpenLedger's ModelFactory, prefiero entenderlo como un lugar para "probar pequeños modelos".

No se trata de que todos desafíen a los grandes modelos, sino de que aquellos que conocen un nicho específico puedan convertir su experiencia en un modelo especializado. Por ejemplo, si has investigado DeFi y sus tesoros durante mucho tiempo, no deberías comenzar creando un modelo DeFi todoterreno, sino uno muy específico: solo analiza reglas de redención, fuentes de ingresos, permisos de contratos y anomalías históricas. Este modelo puede ser pequeño, pero si sus juicios son acertados, tendrá valor.

La ventaja de ModelFactory radica aquí: intenta automatizar los complejos procesos de conexión de datos, ajuste fino, pruebas y despliegue, para que quienes entienden el contexto no tengan que construir una cocina de AI desde cero. Si tienes datos, casos y un marco de juicio, puedes crear un prototipo de modelo y probar su efectividad.

Esto es más tangible que hablar de grandes narrativas desde el principio.

Un equipo de seguridad en cadena podría hacer un modelo de identificación de direcciones de riesgo; un investigador de ingresos podría desarrollar un modelo de explicación de riesgos de tesorería; un equipo de contenido podría crear un modelo para organizar información de proyectos. Estos modelos no necesariamente tienen que ser grandes, pero si hay personas que los utilizan constantemente, pueden generar un valor real.

Para $OPEN , la ruta de los modelos pequeños también es más saludable. Cuanto más específico sea el modelo, más claras serán las necesidades del usuario, y será más fácil establecer pagos por inferencia, recompensas por contribución e ingresos de modelo. Si todos crean asistentes AI genéricos, al final, probablemente se conviertan en una colección de piezas de exhibición que nadie usa.

La AI no tiene que ser grande desde el principio, lo importante es que sea precisa. La verdadera oportunidad de OpenLedger puede ser permitir que muchos pequeños modelos útiles se desarrollen primero.

@OpenLedger $OPEN #OpenLedger