當我觀察推理市場時，我總是注意到同樣的模式：人們只在準確率上給模型打分，然後就到此爲止，彷彿正確性就是全部故事。
讓我對@OpenGradient 的看法發生變化的是意識到：沒有審計追蹤的準確率只是一種主張。模型可以答對，但仍可能無法被驗證；而在金融領域，這兩者並不相同。
我覺得被低估的部分是算子（operator）層。任何人都可以搭起計算資源，但有“綁定”的運營方（bonded operators）揹負的卻是不同的資本——一旦驗證失敗，這部分資本會被扣減。這個單一的設計選擇，會悄悄過濾掉那些本來會用廉價、不可驗證的請求把網絡淹沒、從而薅取手續費量的參與者。
所以當我看到$OPG usage指標時，我不太關心原始的請求次數，更關心“已驗證完成”與“總請求”的比率。那裏一旦差距擴大，通常意味着激勵正在偏離真實需求。
我並不認爲這種情況會永遠成立。運營方集中度、懶惰式驗證或激勵疲勞都可能讓它逐漸被侵蝕。但就目前而言，我寧願追蹤驗證的完整性，而不是交易數量——前者告訴你“發生了什麼且能被證實”，後者只是告訴你“有多忙”。
#OPG
讓我對@OpenGradient 的看法發生變化的是意識到：沒有審計追蹤的準確率只是一種主張。模型可以答對，但仍可能無法被驗證；而在金融領域，這兩者並不相同。
我覺得被低估的部分是算子（operator）層。任何人都可以搭起計算資源，但有“綁定”的運營方（bonded operators）揹負的卻是不同的資本——一旦驗證失敗，這部分資本會被扣減。這個單一的設計選擇，會悄悄過濾掉那些本來會用廉價、不可驗證的請求把網絡淹沒、從而薅取手續費量的參與者。
所以當我看到$OPG usage指標時，我不太關心原始的請求次數，更關心“已驗證完成”與“總請求”的比率。那裏一旦差距擴大，通常意味着激勵正在偏離真實需求。
我並不認爲這種情況會永遠成立。運營方集中度、懶惰式驗證或激勵疲勞都可能讓它逐漸被侵蝕。但就目前而言，我寧願追蹤驗證的完整性，而不是交易數量——前者告訴你“發生了什麼且能被證實”，後者只是告訴你“有多忙”。
#OPG