蛙里奥
币圈生存指南：别 FOMO，学我“蛙式躺平”。
手续费永久八折邀请码:WALIAO
[点击关注，加入蛙里奥的 Alpha 走廊 🧪]
Tranzacție deschisă
Trader de înaltă frecvență
3.3 Ani
69 Urmăriți
21.8K Urmăritori
13.2K+ Apreciate
2.1K+ Distribuite
Postări
Portofoliu
Toate
Citate
Videoclipuri
Live
PINNED
Frequent trading sau competiții de trading pot avea comisioane destul de mari. Am calculat, slippage-ul și comisioanele consumă mai mult din profituri decât mulți își imaginează.
Folosind codul meu de invitație WALIAO poți obține o reducere de 20% la comisioane, iar comisionul se întoarce în termen de o oră. Cu cât volumul de tranzacționare este mai mare, cu atât economisești mai mult.
Dacă ai nevoie, poți să-l folosești și să-l transmiți prietenilor care sunt implicați în tranzacționare.
Folosind codul meu de invitație WALIAO poți obține o reducere de 20% la comisioane, iar comisionul se întoarce în termen de o oră. Cu cât volumul de tranzacționare este mai mare, cu atât economisești mai mult.
Dacă ai nevoie, poți să-l folosești și să-l transmiți prietenilor care sunt implicați în tranzacționare.
Vedeți traducerea
我弟弟有一次认真填了三条产品建议，然后什么都没发生。他后来就不填了。
这件事我想了挺久。不是因为他的建议不好，而是因为这个系统根本没有理由认真对待他。
反馈是免费的所以反馈是廉价的。打分不需要代价所以打分可以随便。这不是人的问题是机制的问题。
AI 训练里有一个一模一样的坑叫 RLHF，用人类反馈来强化模型。听起来合理，但实际跑起来有个经典毛病：模型会学会讨好评分者，而不是真的提升质量。
评分者有偏好有盲点，给顺眼的答案打高分，不管那个答案对不对。时间长了模型就往错误方向漂。
$OPEN 在解决这件事方式很直接，让打分变得有代价。
质押在背后压着
@OpenLedger 的机制是这样的，验证者要质押代币才能参与打分，打分质量直接影响质押收益。持续给低质量输出打高分？模型表现不提升，你的质押收益跟着受影响。
白皮书里的奖励函数是 R(θ) = Σwi·(V(yi, fθ(xi)) − α·L(yi, fθ(xi)))。
V 是验证者质量分，L 是模型损失，α 做正则化防过拟合。简单说，你打出去的每一分背后是锁定的代币在背书。
认真打分有收益不认真有代价。这是机制设计不是道德要求。
主网上线之后盯什么
RLHF 是模型生命周期的第五步，在数据收集和微调之后。@OpenLedger 主网上线之后我会重点观察两个数字，一是参与 RLHF 验证的活跃地址数量，增长说明机制在吸引真实参与者。二是被 slash 的验证者比例，过高说明数据质量出了问题，过低说明惩罚机制可能形同虚设。
这两个链上指标比代币价格更能说明这套系统有没有真的在跑。
当然我觉得这个机制还是有风险，毕竟人是感性的而 AI 是冰冷的，后面我会多观察。#OpenLedger 在做的这件事我觉得是对的。
这件事我想了挺久。不是因为他的建议不好，而是因为这个系统根本没有理由认真对待他。
反馈是免费的所以反馈是廉价的。打分不需要代价所以打分可以随便。这不是人的问题是机制的问题。
AI 训练里有一个一模一样的坑叫 RLHF，用人类反馈来强化模型。听起来合理，但实际跑起来有个经典毛病：模型会学会讨好评分者，而不是真的提升质量。
评分者有偏好有盲点，给顺眼的答案打高分，不管那个答案对不对。时间长了模型就往错误方向漂。
$OPEN 在解决这件事方式很直接，让打分变得有代价。
质押在背后压着
@OpenLedger 的机制是这样的，验证者要质押代币才能参与打分，打分质量直接影响质押收益。持续给低质量输出打高分？模型表现不提升，你的质押收益跟着受影响。
白皮书里的奖励函数是 R(θ) = Σwi·(V(yi, fθ(xi)) − α·L(yi, fθ(xi)))。
V 是验证者质量分，L 是模型损失，α 做正则化防过拟合。简单说，你打出去的每一分背后是锁定的代币在背书。
认真打分有收益不认真有代价。这是机制设计不是道德要求。
主网上线之后盯什么
RLHF 是模型生命周期的第五步，在数据收集和微调之后。@OpenLedger 主网上线之后我会重点观察两个数字，一是参与 RLHF 验证的活跃地址数量，增长说明机制在吸引真实参与者。二是被 slash 的验证者比例，过高说明数据质量出了问题，过低说明惩罚机制可能形同虚设。
这两个链上指标比代币价格更能说明这套系统有没有真的在跑。
当然我觉得这个机制还是有风险，毕竟人是感性的而 AI 是冰冷的，后面我会多观察。#OpenLedger 在做的这件事我觉得是对的。
Trebuie să ne întrebăm dacă trebuie să instalăm stații de încărcare în cartier. Rezultatul votului din grupul proprietarilor a fost influențat de câțiva jucători mari care au cumpărat mai multe apartamente, fiecare având zeci de voturi, ceea ce a distorsionat rezultatul.
În final, stațiile de încărcare nu s-au instalat, dar taxa de parcare a crescut.
Acesta nu este un eșec al votului democratic, ci o greșeală în designul mecanismului de vot.
Acesta permite celor cu mai multe active să aibă o voce mai mare, în loc să ofere putere de decizie celor care au un interes real.
@OpenLedger În white paper-ul nostru, mecanismul de guvernare este complet opus.
A deține $OPEN tokenuri nu înseamnă că ai drept de vot. Trebuie să stakezi OPEN pentru a le transforma în gOPEN, astfel poți participa la votul propunerilor de model.
Obiectul votului nu este actualizarea protocolului, ci propunerile specifice de model.
Care model merită să avanseze în următoarea etapă? Care set de date are calitatea suficient de bună? Care feedback de la validator este de încredere?
Actul de a staka este, de fapt, o selecție.
Dacă stakezi OPEN, înseamnă că tokenurile tale sunt blocate și ai un interes real în acest ecosistem. Nu ești un speculator trecător, ci un participant cu „skin in the game”.
În acest context, judecata ta asupra calității modelului este mai credibilă decât a cuiva care a cumpărat tokenuri fără nicio promisiune de stakare.
Dar ceea ce contează mai mult este mecanismul de penalizare după stakare.
#OpenLedger White paper-ul descrie logica validatorilor în faza RLHF: cei care oferă feedback de calitate înaltă văd creșteri ale recompenselor de staking, în timp ce cei care oferă feedback de calitate scăzută pentru a manipula rezultatele riscă să fie „slashați”.
Fiecare vot pe care îl emiți are în spate tokenuri reale care îl susțin. Dacă votezi pentru un model prost sau evaluarea ta este considerată malițioasă, vei plăti un preț real.
Aceasta este o problemă pe care „one token, one vote” nu o poate rezolva.
Problema cu „one token, one vote” este că costul deținătorului și costul votului sunt separate. Cumpărătorul de tokenuri poate vota indiferent dacă votul său este corect sau nu, tokenurile rămân la el.
Jucătorii mari pot folosi capitalul pentru a suprasolicita voturile micilor deținători. Rezultatul votului reflectă distribuția capitalului, nu o judecată reală a calității.
gOPEN staking voting leagă aceste două lucruri împreună.
Acest design nu se opune răufăcătorilor, ci celor leneși și celor care nu au interese.
Ceea ce va distruge guvernarea calității modelului nu sunt distrugătorii intenționați, ci numărul mare de voturi fără importanță.
Întorcându-ne la grupul proprietarilor, dacă regulile de vot s-ar schimba astfel: înainte de a vota, ar trebui să depui o sumă de bani, iar dacă rezultatul votului cauzează pierderi pentru interesul general al cartierului, depozitul ar fi reținut proporțional, atunci acești jucători mari nu ar mai vota la întâmplare.
În final, stațiile de încărcare nu s-au instalat, dar taxa de parcare a crescut.
Acesta nu este un eșec al votului democratic, ci o greșeală în designul mecanismului de vot.
Acesta permite celor cu mai multe active să aibă o voce mai mare, în loc să ofere putere de decizie celor care au un interes real.
@OpenLedger În white paper-ul nostru, mecanismul de guvernare este complet opus.
A deține $OPEN tokenuri nu înseamnă că ai drept de vot. Trebuie să stakezi OPEN pentru a le transforma în gOPEN, astfel poți participa la votul propunerilor de model.
Obiectul votului nu este actualizarea protocolului, ci propunerile specifice de model.
Care model merită să avanseze în următoarea etapă? Care set de date are calitatea suficient de bună? Care feedback de la validator este de încredere?
Actul de a staka este, de fapt, o selecție.
Dacă stakezi OPEN, înseamnă că tokenurile tale sunt blocate și ai un interes real în acest ecosistem. Nu ești un speculator trecător, ci un participant cu „skin in the game”.
În acest context, judecata ta asupra calității modelului este mai credibilă decât a cuiva care a cumpărat tokenuri fără nicio promisiune de stakare.
Dar ceea ce contează mai mult este mecanismul de penalizare după stakare.
#OpenLedger White paper-ul descrie logica validatorilor în faza RLHF: cei care oferă feedback de calitate înaltă văd creșteri ale recompenselor de staking, în timp ce cei care oferă feedback de calitate scăzută pentru a manipula rezultatele riscă să fie „slashați”.
Fiecare vot pe care îl emiți are în spate tokenuri reale care îl susțin. Dacă votezi pentru un model prost sau evaluarea ta este considerată malițioasă, vei plăti un preț real.
Aceasta este o problemă pe care „one token, one vote” nu o poate rezolva.
Problema cu „one token, one vote” este că costul deținătorului și costul votului sunt separate. Cumpărătorul de tokenuri poate vota indiferent dacă votul său este corect sau nu, tokenurile rămân la el.
Jucătorii mari pot folosi capitalul pentru a suprasolicita voturile micilor deținători. Rezultatul votului reflectă distribuția capitalului, nu o judecată reală a calității.
gOPEN staking voting leagă aceste două lucruri împreună.
Acest design nu se opune răufăcătorilor, ci celor leneși și celor care nu au interese.
Ceea ce va distruge guvernarea calității modelului nu sunt distrugătorii intenționați, ci numărul mare de voturi fără importanță.
Întorcându-ne la grupul proprietarilor, dacă regulile de vot s-ar schimba astfel: înainte de a vota, ar trebui să depui o sumă de bani, iar dacă rezultatul votului cauzează pierderi pentru interesul general al cartierului, depozitul ar fi reținut proporțional, atunci acești jucători mari nu ar mai vota la întâmplare.
Vedeți traducerea
家里充电器之前乱得很，每个房间备一个，手机 平板 耳机，加起来占了一排插座。后来买了一个多口充电器，省了地方又省了钱。
这件事让我想起了$GENIUS 的GeniusFi统一库存引擎
@GeniusOfficial 技术文档里描述了传统AMM的一个根本缺陷问题
每个交易对需要各自独立的资金池
ETH-USDC一个池BNB-USDC一个池 SOL-USDC一个池
每个池子单独占用资金，互相之间不能调配。做市商想覆盖十个交易就需要把资金切成十份分别注入，每一份都在独立运转，资本需求随交易对数量线性增长。
GeniusFi反过来。它维护一个共享的统一库存，同时为所有市场定价和服务，跨资产自动净额结算风险整体管理。
同样的资金在GeniusFi里能覆盖更多交易对，不需要随交易对数量成倍增加资本投入。
直接结果是价差更窄。做市商的资本效率高了，同样的库存能在市场价格附近提供更深的流动性，买卖价差自然收窄用户的执行成本随之降低。
传统分散式资金池做不到这一点，因为每个池子的流动性是孤立的，互相之间无法支援。
结合BEP-668的预确认机制，报价更新优先于swap执行，做市商不需要为过时报价被吃掉的风险扩大价差，窄价差才真正可持续。
统一库存加上优先排序保证，两个机制叠在一起，才是GeniusFi想成为BNB链默认流动性原语的底层逻辑。
当然BEP-668目前还没完全通过治理，这个前提条件没落地，整套效果就打折扣。统一库存设计再好报价新鲜度保证不了，做市商还是得扩大价差自保。
多口充电器省钱省地方，前提是插座够用。
#genius 的统一库存够高效，前提是BEP-668真的跑起来。
这件事让我想起了$GENIUS 的GeniusFi统一库存引擎
@GeniusOfficial 技术文档里描述了传统AMM的一个根本缺陷问题
每个交易对需要各自独立的资金池
ETH-USDC一个池BNB-USDC一个池 SOL-USDC一个池
每个池子单独占用资金，互相之间不能调配。做市商想覆盖十个交易就需要把资金切成十份分别注入，每一份都在独立运转，资本需求随交易对数量线性增长。
GeniusFi反过来。它维护一个共享的统一库存，同时为所有市场定价和服务，跨资产自动净额结算风险整体管理。
同样的资金在GeniusFi里能覆盖更多交易对，不需要随交易对数量成倍增加资本投入。
直接结果是价差更窄。做市商的资本效率高了，同样的库存能在市场价格附近提供更深的流动性，买卖价差自然收窄用户的执行成本随之降低。
传统分散式资金池做不到这一点，因为每个池子的流动性是孤立的，互相之间无法支援。
结合BEP-668的预确认机制，报价更新优先于swap执行，做市商不需要为过时报价被吃掉的风险扩大价差，窄价差才真正可持续。
统一库存加上优先排序保证，两个机制叠在一起，才是GeniusFi想成为BNB链默认流动性原语的底层逻辑。
当然BEP-668目前还没完全通过治理，这个前提条件没落地，整套效果就打折扣。统一库存设计再好报价新鲜度保证不了，做市商还是得扩大价差自保。
多口充电器省钱省地方，前提是插座够用。
#genius 的统一库存够高效，前提是BEP-668真的跑起来。
Vedeți traducerea
我在SEO行业待过一段时间。
那时候我们的工作是研究谷歌的算法然后把内容塞进算法喜欢的形状里。
标题要带关键词段落要有密度外链要够多。写出来的东西，说实话很多时候不是给人看的是给爬虫看的。
但那套逻辑在过去二十年里养活了一整个行业。
现在这个行业在快速死去。
不是因为内容变少了是因为流量的入口变了。越来越多的人直接问 AI不再点进十个搜索结果挨个看。
广告展示的机会在减少，SEO 优化的价值在稀释建立在「用户必须经过我的页面这个假设上的所有商业模式，地基都在松动。
#OpenLedger 白皮书里有一段话说得很直接：传统互联网的收入模式单一中心化数据变现
正在被 AI 驱动的自动化颠覆。这不是预测是正在发生的事。
但旧模式死掉之后新模式是什么？
@OpenLedger 的判断是：下一个经济基础设施是 AI 原生的。
具体是什么意思。
过去二十年，互联网经济的核心逻辑是平台聚合流量，然后把流量卖给广告主。数据产生价值但数据的所有权在平台手里，产生数据的人拿不到对应的收益。
这套结构在 AI 时代走不通了
因为 AI 需要的不是流量是高质量的专业数据，而高质量的专业数据只有真正的领域专家能提供。
OpenLedger 建的是让这批人得到回报的基础设施。
Datanets 收集领域数据，Proof of Attribution 追踪每条数据对模型输出的实际影，推理费用按影响力比例流回给贡献者。
不是平台拿走大头再分一点给创作者，是贡献直接对应收益，不经过中间人。
$OPEN 代币分配里社区拿了 51.71%，这个比例在项目里不多见。
旧的互联网经济价值流向平台。
AI 原生经济如果 OpenLedger 这套东西能跑起来，价值流向贡献者。
这是两套完全不同的分配方式，不是同一个游戏的升级版。
那时候我们的工作是研究谷歌的算法然后把内容塞进算法喜欢的形状里。
标题要带关键词段落要有密度外链要够多。写出来的东西，说实话很多时候不是给人看的是给爬虫看的。
但那套逻辑在过去二十年里养活了一整个行业。
现在这个行业在快速死去。
不是因为内容变少了是因为流量的入口变了。越来越多的人直接问 AI不再点进十个搜索结果挨个看。
广告展示的机会在减少，SEO 优化的价值在稀释建立在「用户必须经过我的页面这个假设上的所有商业模式，地基都在松动。
#OpenLedger 白皮书里有一段话说得很直接：传统互联网的收入模式单一中心化数据变现
正在被 AI 驱动的自动化颠覆。这不是预测是正在发生的事。
但旧模式死掉之后新模式是什么？
@OpenLedger 的判断是：下一个经济基础设施是 AI 原生的。
具体是什么意思。
过去二十年，互联网经济的核心逻辑是平台聚合流量，然后把流量卖给广告主。数据产生价值但数据的所有权在平台手里，产生数据的人拿不到对应的收益。
这套结构在 AI 时代走不通了
因为 AI 需要的不是流量是高质量的专业数据，而高质量的专业数据只有真正的领域专家能提供。
OpenLedger 建的是让这批人得到回报的基础设施。
Datanets 收集领域数据，Proof of Attribution 追踪每条数据对模型输出的实际影，推理费用按影响力比例流回给贡献者。
不是平台拿走大头再分一点给创作者，是贡献直接对应收益，不经过中间人。
$OPEN 代币分配里社区拿了 51.71%，这个比例在项目里不多见。
旧的互联网经济价值流向平台。
AI 原生经济如果 OpenLedger 这套东西能跑起来，价值流向贡献者。
这是两套完全不同的分配方式，不是同一个游戏的升级版。
Vedeți traducerea
做过销售的人都知道守在店里等客户上门，成交率跟主动出去找客户完全不是一个量级。同样的产品主动出击的人把价格谈得更准成交速度更快，因为他知道客户在哪里需要什么。
$GENIUS 的GeniusFi PropAMM，在BNB链上做的就是这件事。
@GeniusOfficial 的技术文档里有一个来自Solana的观察：过去18到24个月，Solana上的主动做市商驱动的Prop AMM已经在执行效率上超越了被动流动性池，短尾资产交易量里超过80%流向了Prop AMM被动池被迫退守长尾资产。
原因很简单
主动做市商可以实时更新报价，把流动性紧密集中在当前市场价格附近，而被动池的流动性必须均匀分散在整个价格区间，大量资金摆在根本不会成交的价格位置上资本效率极低。
GeniusFi把这套搬到BNB链上，但EVM链有一个Solana没有的问题：无法保证做市商的报价更新在交易者的swap之前完成。
交易者看到过时的低价直接吃掉做市商亏损。这个风险让EVM上的做市商不得不扩大价差来自保，窄价差就做不到了。
BEP-668是BNB链针对这个问题的专项解决方案，通过预确认机制给报价更新提供区块顶部的优先排序保证
做市商的报价更新先于swap执行，过时报价被吃掉的风险消失，做市商才敢真正压窄价差。
GeniusFi的设计完全基于BEP-668是BNB链上第一个专门为这套预确认机制构建的PropAMM。
还有一个细节值得单独说：GeniusFi不是传统的多资金池结构，不是ETH-USDC一个池、BNB-USDC一个池各自独立。它维护一个共享的统一库存同时为所有市场定价，跨资产净额结算风险整体管理。
同样的资本在GeniusFi里能覆盖更多交易对，资本效率远高于传统分散式资金池。
主动找客户比守店等客成交率高，这件事在流动性市场上同样成立。
GeniusFi的赌注是主动做市的时代在BNB链上也会到来，BEP-668是那个触发器。#genius
$GENIUS 的GeniusFi PropAMM，在BNB链上做的就是这件事。
@GeniusOfficial 的技术文档里有一个来自Solana的观察：过去18到24个月，Solana上的主动做市商驱动的Prop AMM已经在执行效率上超越了被动流动性池，短尾资产交易量里超过80%流向了Prop AMM被动池被迫退守长尾资产。
原因很简单
主动做市商可以实时更新报价，把流动性紧密集中在当前市场价格附近，而被动池的流动性必须均匀分散在整个价格区间，大量资金摆在根本不会成交的价格位置上资本效率极低。
GeniusFi把这套搬到BNB链上，但EVM链有一个Solana没有的问题：无法保证做市商的报价更新在交易者的swap之前完成。
交易者看到过时的低价直接吃掉做市商亏损。这个风险让EVM上的做市商不得不扩大价差来自保，窄价差就做不到了。
BEP-668是BNB链针对这个问题的专项解决方案，通过预确认机制给报价更新提供区块顶部的优先排序保证
做市商的报价更新先于swap执行，过时报价被吃掉的风险消失，做市商才敢真正压窄价差。
GeniusFi的设计完全基于BEP-668是BNB链上第一个专门为这套预确认机制构建的PropAMM。
还有一个细节值得单独说：GeniusFi不是传统的多资金池结构，不是ETH-USDC一个池、BNB-USDC一个池各自独立。它维护一个共享的统一库存同时为所有市场定价，跨资产净额结算风险整体管理。
同样的资本在GeniusFi里能覆盖更多交易对，资本效率远高于传统分散式资金池。
主动找客户比守店等客成交率高，这件事在流动性市场上同样成立。
GeniusFi的赌注是主动做市的时代在BNB链上也会到来，BEP-668是那个触发器。#genius
Vedeți traducerea
我一直觉得现在大多数链上 AI Agent 是个伪命题。
不是说技术不存在是说执行的基础不在。一个 Agent 做决策它的判断来自哪里？用的是什么数据训练出来的模型？
这批数据是谁提供的质量有没有经过验证？没有人知道。你把资产交给一个未知去管理，本质上跟把钱交给一个没有任何背景记录的陌生人没什么区别。
这是 @OpenLedger 白皮书里我觉得想得最清楚的地方。
它不是在建一个更聪明的 Agent，它是在建让 Agent 变得可信的基础设施。
具体怎么做的。Datanets 负责收集领域专属数据每一条数据提交都在链上留有记录，贡献者地址数据特征还有时间戳，全部可查。
ModelFactory 让领域专家用这批数据做模型微调，不需要工程背景GUI 操作。训练完的模型通过 OpenLoRA 部署，单块 GPU 可以跑数千个模型。
然后是最关键的一环：Proof of Attribution。
每一次模型被调用，系统计算这次输出背后哪些数据点贡献了多少，按影响力比例把推理费用分给对应的数据贡献者。按实际影响力动态分配。提交了高质量数据的人每次模型被调用都在收钱，哪怕他早就不活跃了
这套东西建完之后，Agent 的判断才有了可溯源的根基。
医疗场景里的 Agent 给出诊断建议，可以追溯到具体哪批医疗数据训练了这个判断。
金融场景里的 Agent 做出风险评估，审计方可以复核训练数据和模型版本。DeFi 里的 Agent 执行策略链上记录完整，责任链条不断。
AI Agent 在加密货币里一直缺的不是执行能力，是执行的可信度。
$OPEN 建的这层基础设施是让 Agent 从「能用」变成「值得信任」的中间那一步。这一步没有之后所有的 Agent 叙事都是在沙地上建楼。#OpenLedger
不是说技术不存在是说执行的基础不在。一个 Agent 做决策它的判断来自哪里？用的是什么数据训练出来的模型？
这批数据是谁提供的质量有没有经过验证？没有人知道。你把资产交给一个未知去管理，本质上跟把钱交给一个没有任何背景记录的陌生人没什么区别。
这是 @OpenLedger 白皮书里我觉得想得最清楚的地方。
它不是在建一个更聪明的 Agent，它是在建让 Agent 变得可信的基础设施。
具体怎么做的。Datanets 负责收集领域专属数据每一条数据提交都在链上留有记录，贡献者地址数据特征还有时间戳，全部可查。
ModelFactory 让领域专家用这批数据做模型微调，不需要工程背景GUI 操作。训练完的模型通过 OpenLoRA 部署，单块 GPU 可以跑数千个模型。
然后是最关键的一环：Proof of Attribution。
每一次模型被调用，系统计算这次输出背后哪些数据点贡献了多少，按影响力比例把推理费用分给对应的数据贡献者。按实际影响力动态分配。提交了高质量数据的人每次模型被调用都在收钱，哪怕他早就不活跃了
这套东西建完之后，Agent 的判断才有了可溯源的根基。
医疗场景里的 Agent 给出诊断建议，可以追溯到具体哪批医疗数据训练了这个判断。
金融场景里的 Agent 做出风险评估，审计方可以复核训练数据和模型版本。DeFi 里的 Agent 执行策略链上记录完整，责任链条不断。
AI Agent 在加密货币里一直缺的不是执行能力，是执行的可信度。
$OPEN 建的这层基础设施是让 Agent 从「能用」变成「值得信任」的中间那一步。这一步没有之后所有的 Agent 叙事都是在沙地上建楼。#OpenLedger
Vedeți traducerea
YZi Labs投进去了CZ挂上顾问名字了，5月22日币安现货上线7天49%的涨幅。这几件事叠在一起很多人第一反应是盯价格。
我倒是觉得更值得想的是：为什么这批人要投这个方向。
$GENIUS 把多链链上交易整合进一个终端。现货永续合约、预发行市场，10条以上的链无签名界面，Gas费用自动处理一个窗口搞定所有事。
@GeniusOfficial 本质解决的是一个DeFi用户每天都在忍受的问题：五个浏览器标签三个钱包不同链之间来回切换、Gas不够了还得去找代币充。
这套摩擦不是用户技术不行是现有基础设施本来就是碎片化的，每条链各自为政没有人在上面建一个统一的操作层。
Genius Terminal就是这个操作层。
跟Photon、BullX、Trojan这些竞品比，Genius的差异在于原生集成了Hyperliquid的永续合约，同时支持现货和衍生品在同一个界面操作不需要在不同平台之间跳转。
CZ说得很直接：Genius不是竞争对手是连接器，坐在现有DeFi基础设施上面让一切跑得更顺。
YZi Labs投这个方向背后的判断是链上交易基础设施还处于极早期，用户体验差到大多数人根本用不起来谁先把门槛压下来谁先拿到这批用户。
这个判断跟当年投交易所是同一个逻辑——不投某条链投让人更容易用链的工具。
49%的7天涨幅之后，币安上线的流动性深度会重新定价这个资产。
短期波动是真实的但我更在意的是Season 2到8月10日结束之前交易量数据能不能撑住这个估值。#genius
我倒是觉得更值得想的是：为什么这批人要投这个方向。
$GENIUS 把多链链上交易整合进一个终端。现货永续合约、预发行市场，10条以上的链无签名界面，Gas费用自动处理一个窗口搞定所有事。
@GeniusOfficial 本质解决的是一个DeFi用户每天都在忍受的问题：五个浏览器标签三个钱包不同链之间来回切换、Gas不够了还得去找代币充。
这套摩擦不是用户技术不行是现有基础设施本来就是碎片化的，每条链各自为政没有人在上面建一个统一的操作层。
Genius Terminal就是这个操作层。
跟Photon、BullX、Trojan这些竞品比，Genius的差异在于原生集成了Hyperliquid的永续合约，同时支持现货和衍生品在同一个界面操作不需要在不同平台之间跳转。
CZ说得很直接：Genius不是竞争对手是连接器，坐在现有DeFi基础设施上面让一切跑得更顺。
YZi Labs投这个方向背后的判断是链上交易基础设施还处于极早期，用户体验差到大多数人根本用不起来谁先把门槛压下来谁先拿到这批用户。
这个判断跟当年投交易所是同一个逻辑——不投某条链投让人更容易用链的工具。
49%的7天涨幅之后，币安上线的流动性深度会重新定价这个资产。
短期波动是真实的但我更在意的是Season 2到8月10日结束之前交易量数据能不能撑住这个估值。#genius
Vedeți traducerea
当初跟两个朋友合伙开店，每个月结账的时候都要分三份——前台那个朋友拿一块，厨房那个朋友拿一块，我拿一块。比例怎么定当时谈了很久最后按各自承担的角色和风险来按贡献结构分。
$OPEN 的推理费用分账用的是同一套。
@OpenLedger r白皮书里把每一次模型推理产生的费用拆成了三层。先扣平台费 Fplatform，剩下的净收益 Fnet 按三个方向分
模型开发者拿 β 比例，质押者拿 γ 比例，数据贡献者拿 δ 比例。
具体初始参数白皮书里标注为可调整，尚未完全公开\以下是我基于这套分账逻辑的推导理解，不是白皮书原示例。
这三个角色对应的是 AI 模型生产链条上的三种贡献。
模型开发者负责提案 n架构设计与微调流程，拿最大的一块合理
没有他们模型不存在。质押者提供了经济安全保障，他们的质押是整个数据可信度评分机制的底层，没有质押就没有数据筛选，拿一个稳定但较小的比例是对应的。
数据贡献者是最分散的一群人，每个人拿到的绝对数字小，但模型被调用的次数越多他们收到的累计分成越高，长期持续的收益跟版税一样。
这个分账结构里最有意思的细节是数据贡献者那一块。
基于 PoA 的归因逻辑，每个数据贡献者按影响力比例分——你的数据对这次输出影响越大，你拿到的比例越高。
不是平均分给所有贡献者，是按实际影响力动态分配。提交了高质量数据的人，每一次模型被调用都在按比例收钱，哪怕他早就不再活跃了。这是我对机制的个人解读具体归因算法以 PoA 白皮书的技术描述为准。
当初开店那三份利润，厨房那个朋友出力最多，最后拿得也最多，大家都觉得合理。
比例定得不合理，贡献最多的人拿得最少，这个系统就留不住真正有价值的参与者。开店也是一样的道理。#OpenLedger
$OPEN 的推理费用分账用的是同一套。
@OpenLedger r白皮书里把每一次模型推理产生的费用拆成了三层。先扣平台费 Fplatform，剩下的净收益 Fnet 按三个方向分
模型开发者拿 β 比例，质押者拿 γ 比例，数据贡献者拿 δ 比例。
具体初始参数白皮书里标注为可调整，尚未完全公开\以下是我基于这套分账逻辑的推导理解，不是白皮书原示例。
这三个角色对应的是 AI 模型生产链条上的三种贡献。
模型开发者负责提案 n架构设计与微调流程，拿最大的一块合理
没有他们模型不存在。质押者提供了经济安全保障，他们的质押是整个数据可信度评分机制的底层，没有质押就没有数据筛选，拿一个稳定但较小的比例是对应的。
数据贡献者是最分散的一群人，每个人拿到的绝对数字小，但模型被调用的次数越多他们收到的累计分成越高，长期持续的收益跟版税一样。
这个分账结构里最有意思的细节是数据贡献者那一块。
基于 PoA 的归因逻辑，每个数据贡献者按影响力比例分——你的数据对这次输出影响越大，你拿到的比例越高。
不是平均分给所有贡献者，是按实际影响力动态分配。提交了高质量数据的人，每一次模型被调用都在按比例收钱，哪怕他早就不再活跃了。这是我对机制的个人解读具体归因算法以 PoA 白皮书的技术描述为准。
当初开店那三份利润，厨房那个朋友出力最多，最后拿得也最多，大家都觉得合理。
比例定得不合理，贡献最多的人拿得最少，这个系统就留不住真正有价值的参与者。开店也是一样的道理。#OpenLedger
Am un prieten care înainte a încercat să se descurce singur într-un proces pentru a economisi bani, dar a pierdut constant. Recent, după ce l-am sfătuit, a angajat un avocat profesionist și a câștigat. Nu s-a schimbat cazul, ci persoana care vorbește.
$OPEN este mecanismul de credibilitate a datelor, care rezolvă aceeași problemă în domeniul antrenamentului AI.
@OpenLedger În white paper este descris un set de calcul al credibilității datelor, pe care îl traduc în moduri proprii: influența datelor în setul de antrenament este determinată de două lucruri - câte $OPEN ai staked
și scorul funcției tale de calitate a datelor. Aceasta este interpretarea mea personală a mecanismului PoA; cu cât staked mai mult, cu atât greutatea datelor este mai mare; cu cât staked mai puțin sau deloc, datele chiar dacă sunt trimise, au un impact foarte scăzut.
Această design rezolvă o problemă fundamentală existentă pe piața de date AI: oricine poate trimite date, dar nu există un mecanism care să facă distincția între datele demne de încredere.
Problema platformelor tradiționale de etichetare a datelor este că contributorii sunt anonimi, fără responsabilitate și fără costuri. Trimite o serie de date etichetate de slabă calitate, iar platforma s-ar putea să nu observe deloc, chiar dacă observă, nu ai nicio pierdere.
Poți continua să trimiti cu un alt cont. Această structură atrage în mod natural datele de slabă calitate, iar contributorii de calitate superioară și cei de calitate inferioară sunt tratați la fel în sistem, moneda proastă îi alungă pe cei buni.
#OpenLedger mecanismul de staked inversează această relație. Trebuie să staked $OPEN înainte de a trimite date, staked-ul este angajamentul tău economic pentru calitatea datelor.
Consider că aceste date sunt de calitate înaltă, îmi folosesc tokenii pentru a le susține. Dacă calitatea datelor este slabă, performanța modelului va fi afectată;
calitatea datelor este înaltă, performanța modelului crește, iar greutatea ta de staked îți aduce venituri continue.
Cred că cel mai precis lucru din acest mecanism este prețuirea profesionalismului.
O persoană care înțelege cu adevărat un anumit domeniu va fi dispusă să staked mai mult pentru a susține datele sale, pentru că are încredere în calitatea acestora.
O persoană care trimite conținut de slabă calitate nu va fi dispusă să folosească bani reali pentru a risca ca acele date să treacă testul de calitate. Pragul de staked filtrează în mod natural contributorii cu adevărat competenți.
Prietenul meu a avut un avocat profesionist scump, dar a câștigat. Mecanismul de staked OpenLedger face ca vocile contributorilor de date profesioniști să aibă mai multă greutate în setul de antrenament, costul fiind că trebuie mai întâi să-și dovedească profesionalismul cu tokeni.
$OPEN este mecanismul de credibilitate a datelor, care rezolvă aceeași problemă în domeniul antrenamentului AI.
@OpenLedger În white paper este descris un set de calcul al credibilității datelor, pe care îl traduc în moduri proprii: influența datelor în setul de antrenament este determinată de două lucruri - câte $OPEN ai staked
și scorul funcției tale de calitate a datelor. Aceasta este interpretarea mea personală a mecanismului PoA; cu cât staked mai mult, cu atât greutatea datelor este mai mare; cu cât staked mai puțin sau deloc, datele chiar dacă sunt trimise, au un impact foarte scăzut.
Această design rezolvă o problemă fundamentală existentă pe piața de date AI: oricine poate trimite date, dar nu există un mecanism care să facă distincția între datele demne de încredere.
Problema platformelor tradiționale de etichetare a datelor este că contributorii sunt anonimi, fără responsabilitate și fără costuri. Trimite o serie de date etichetate de slabă calitate, iar platforma s-ar putea să nu observe deloc, chiar dacă observă, nu ai nicio pierdere.
Poți continua să trimiti cu un alt cont. Această structură atrage în mod natural datele de slabă calitate, iar contributorii de calitate superioară și cei de calitate inferioară sunt tratați la fel în sistem, moneda proastă îi alungă pe cei buni.
#OpenLedger mecanismul de staked inversează această relație. Trebuie să staked $OPEN înainte de a trimite date, staked-ul este angajamentul tău economic pentru calitatea datelor.
Consider că aceste date sunt de calitate înaltă, îmi folosesc tokenii pentru a le susține. Dacă calitatea datelor este slabă, performanța modelului va fi afectată;
calitatea datelor este înaltă, performanța modelului crește, iar greutatea ta de staked îți aduce venituri continue.
Cred că cel mai precis lucru din acest mecanism este prețuirea profesionalismului.
O persoană care înțelege cu adevărat un anumit domeniu va fi dispusă să staked mai mult pentru a susține datele sale, pentru că are încredere în calitatea acestora.
O persoană care trimite conținut de slabă calitate nu va fi dispusă să folosească bani reali pentru a risca ca acele date să treacă testul de calitate. Pragul de staked filtrează în mod natural contributorii cu adevărat competenți.
Prietenul meu a avut un avocat profesionist scump, dar a câștigat. Mecanismul de staked OpenLedger face ca vocile contributorilor de date profesioniști să aibă mai multă greutate în setul de antrenament, costul fiind că trebuie mai întâi să-și dovedească profesionalismul cu tokeni.
A deschis o poziție pe furiș, fără milă.
Se spune că a fi prea lacom te duce la pierdere, așa că eu o să fac un long pe jumătate și o să țin cealaltă jumătate pentru mai târziu, nu-i așa?
Astăzi, când am ajuns acasă, am văzut că banda de alergare din colț, pe care am cumpărat-o cu mari speranțe, acum e plină de haine. Mașina în sine e perfect funcțională, dar nu a intrat niciodată cu adevărat în rutina mea zilnică. Oricât de bun ar fi un instrument, dacă nu se integrează în scenariul real de utilizare, rămâne doar un decor.
$OPEN API-ul de integrare și cadrul Agentului, rezolvă aceeași problemă a modelului AI.
@OpenLedger În white paper este descrisă foarte clar o etapă: după ce modelul este antrenat și evaluat, implementarea nu este sfârșitul, ci începutul.
Ultimul pas este să integrezi acest model în scenariul real de aplicare și cadrul AI Agent, astfel încât să înceapă cu adevărat să funcționeze.
Modelul trebuie să devină un motor de decizie, nu doar un exponat pentru demonstrație.
De ce este acest pas important? Pentru că valoarea economică a modelului provine din volumul de apeluri, nu din existența sa în sine.
Întregul model economic al lui #OpenLedger - Proof of Attribution, distribuția veniturilor, câștigurile contribuabililor de date, recompensele staker-ilor
se bazează pe un singur lucru: modelul este apelat în mod real, generând costuri de inferență, declanșând mecanismul de distribuție. Indiferent cât de bine este antrenat modelul, dacă nu este integrat în fluxul de lucru real și nu are utilizatori care să-l apeleze,
întregul mecanism de distribuție pe lanț este doar o cursă în gol. Banda de alergare, oricât de funcțională, dacă nu alergi, banii cheltuiți pe ea sunt doar pierduți.
API-ul de integrare face legătura între model și cerințele reale, între ultimul kilometru. OpenLedger oferă interfețe API standardizate, permițând dezvoltatorilor să integreze direct modelele antrenate pe lanț în aplicațiile lor,
fără a necesita redeploy, înțelegând în același timp baza lanțului. De asemenea, suportă integrarea cu cadrele populare de Agent, permițând modelului să funcționeze ca nucleul de inferență al unui AI Agent autonom, apelând automat și luând decizii în sarcini complexe.
Cred că cheia acestui design nu este tehnologia în sine, ci faptul că determină dacă modelele de pe OpenLedger pot găsi utilizatori reali. Un model profesionist în domeniul medical, integrat în fluxul de lucru al aplicațiilor medicale, generează zilnic o cantitate mare de date reale, iar contribuabilii continuă să primească partea lor.
Acest zbor de energie se pune în mișcare. Dacă nu se integrează, chiar și cel mai precis mecanism de atribuire nu are sens.
Banda de alergare încă este la mine și nu am vândut-o, dar nu se integrează în obiceiurile mele zilnice. Dacă modelele OpenLedger pot fi integrate în scenarii reale de aplicare, ar trebui să vedem care sunt primele aplicații care au integrat cu adevărat modelele de pe lanț.
$OPEN API-ul de integrare și cadrul Agentului, rezolvă aceeași problemă a modelului AI.
@OpenLedger În white paper este descrisă foarte clar o etapă: după ce modelul este antrenat și evaluat, implementarea nu este sfârșitul, ci începutul.
Ultimul pas este să integrezi acest model în scenariul real de aplicare și cadrul AI Agent, astfel încât să înceapă cu adevărat să funcționeze.
Modelul trebuie să devină un motor de decizie, nu doar un exponat pentru demonstrație.
De ce este acest pas important? Pentru că valoarea economică a modelului provine din volumul de apeluri, nu din existența sa în sine.
Întregul model economic al lui #OpenLedger - Proof of Attribution, distribuția veniturilor, câștigurile contribuabililor de date, recompensele staker-ilor
se bazează pe un singur lucru: modelul este apelat în mod real, generând costuri de inferență, declanșând mecanismul de distribuție. Indiferent cât de bine este antrenat modelul, dacă nu este integrat în fluxul de lucru real și nu are utilizatori care să-l apeleze,
întregul mecanism de distribuție pe lanț este doar o cursă în gol. Banda de alergare, oricât de funcțională, dacă nu alergi, banii cheltuiți pe ea sunt doar pierduți.
API-ul de integrare face legătura între model și cerințele reale, între ultimul kilometru. OpenLedger oferă interfețe API standardizate, permițând dezvoltatorilor să integreze direct modelele antrenate pe lanț în aplicațiile lor,
fără a necesita redeploy, înțelegând în același timp baza lanțului. De asemenea, suportă integrarea cu cadrele populare de Agent, permițând modelului să funcționeze ca nucleul de inferență al unui AI Agent autonom, apelând automat și luând decizii în sarcini complexe.
Cred că cheia acestui design nu este tehnologia în sine, ci faptul că determină dacă modelele de pe OpenLedger pot găsi utilizatori reali. Un model profesionist în domeniul medical, integrat în fluxul de lucru al aplicațiilor medicale, generează zilnic o cantitate mare de date reale, iar contribuabilii continuă să primească partea lor.
Acest zbor de energie se pune în mișcare. Dacă nu se integrează, chiar și cel mai precis mecanism de atribuire nu are sens.
Banda de alergare încă este la mine și nu am vândut-o, dar nu se integrează în obiceiurile mele zilnice. Dacă modelele OpenLedger pot fi integrate în scenarii reale de aplicare, ar trebui să vedem care sunt primele aplicații care au integrat cu adevărat modelele de pe lanț.
Conectați-vă pentru a explora mai mult conținut