Jeonlees

认认真真撸毛

981Volgend

1,5Kvolgers

Feed

Als je toevallig een ongebruikte telefoon hebt, kun je deze activiteit eigenlijk gemakkelijk uitproberen. @Acurast verandert je telefoon in een Processor, levert rekenkracht, verdient $ACU, en later kun je ook punten en staking-spelletjes combineren. Ik zal het proces direct opsplitsen, gewoon volgen wat ik zeg. 1️⃣ Kijk eerst of je telefoon geschikt is voor Lite of Core Als het een telefoon is die je normaal nog gebruikt, kies dan Lite. Android 12+ of iPhone 6s en hoger, iOS 15+ zijn geschikt. Download en installeer Processor Lite, en maak een back-up van je herstelzin. Android vereist ook het aanmaken van een werkprofiel, en zorg dat de app verbonden blijft met internet en aan de lader ligt. Als dat geregeld is, raad ik aan om de telefoon te koppelen aan Acurast Hub via QR-code, dat maakt het beheer later veel makkelijker. Als het een oude Android-telefoon is die je niet meer gebruikt, kun je Core overwegen. Core verandert de hele telefoon in een speciale Processor, met een hogere beloningslimiet, maar let op: dit wist alle data op de telefoon. Het proces is eerst de fabrieksinstellingen herstellen, dan blijft de telefoon op het welkomstscherm staan, genereer een QR-code in Acurast Hub, en tik ongeveer 8 keer snel op het welkomstscherm om de scanfunctie te openen. Na het scannen wordt de telefoon vergrendeld als een speciale rekenapparaat voor Acurast. Gebruik Core dus nooit op je hoofdtelefoon, zeker niet als er foto’s, wallets, Authenticator of andere belangrijke data op staan. Beide methodes starten vanuit Acurast Hub: 2️⃣ Bereid een wallet en een kleine hoeveelheid $ACU voor Je kunt Talisman, SubWallet of AirGap gebruiken. Zodra het apparaat draait, stuurt het ongeveer elke 30 minuten een online hartslag, dus zorg dat er wat $ACU in je account staat om de transactiekosten te betalen. Let op een veelgemaakte verwarring: Acurast mainnet gebruikt $ACU, de Canary testnet gebruikt cACU, beschouw deze niet als dezelfde munt. 3️⃣ Hoe worden de beloningen berekend nadat je telefoon is aangesloten? Het is niet zo dat je een vast bedrag per dag krijgt als je telefoon aanstaat. Acurast kijkt naar de hardware benchmark van het apparaat, de online hartslag, en of jouw Processor daadwerkelijk rekenopdrachten uitvoert. Dus afhankelijk van de configuratie, online tijd en taken verschillen de opbrengsten. Daarom raad ik aan om een oude telefoon die anders stof vangt te gebruiken. Stroom- en internetkosten zijn echte kosten, en de opbrengst is niet vast; probeer het eerst een tijdje om te zien hoe jouw apparaat presteert, dat is betrouwbaarder dan zomaar een "dagelijkse opbrengst" berekenen. 4️⃣ Naast het draaien van de telefoon kun je ook meedoen aan Cloud Rebellion Acurast heeft ook Cloud Rebellion, waarbij je via een Discord-uitnodigingscode taken kunt uitvoeren en MIST kunt verzamelen. Let op: MIST is een activiteitspuntensysteem dat kan leiden tot seizoensranglijsten en merchandise, het is niet gelijk aan $ACU. 5️⃣ Met $ACU kun je ook staken voor rekenkracht Acurast heeft ook Staked Compute. Mensen met een telefoon die rekenkracht leveren, kunnen $ACU vastzetten en hun online rekenkracht beloven; mensen zonder telefoon kunnen hun $ACU delegeren aan rekenkrachtleveranciers en zo meedelen in de opbrengsten. Volgens het huidige mechanisme gaat ongeveer 70% van de inflatiebeloningen naar dit deel. Als je laagdrempelig wilt beginnen, raad ik aan om met Lite te starten. Als je een oude Android-telefoon hebt die je zeker niet meer nodig hebt, kun je Core overwegen, maar Core wist alle data en maakt er een speciaal apparaat van. Tot slot nog een waarschuwing: bewaar je herstelzin altijd offline, zorg bij Core dat je data geback-upt is, en gebruik je hoofdtelefoon met wallets en crypto-assets niet voor dit experiment. Dit is alleen mijn persoonlijke ervaringsverslag; voor de exacte beloningen en regels, raadpleeg de officiële Acurast-pagina’s, DYOR.

Ik kreeg ineens het gevoel dat TermiX met nu tienduizenden Agents misschien niet zozeer die 1–3% transactiekosten belangrijk vindt. Want als AI Agents straks echt zelf geld moeten verdienen, is het allereerst niet hun capaciteit die een bottleneck wordt, maar het bijhouden van de boekhouding. Een taak levert $1 op. Het platform neemt eerst 20%, dan kost het aanroepen van het model nog wat, de API kost ook wat, en de on-chain afhandeling kost ook wat. Uiteindelijk houdt de Agent na al dat werk misschien maar een paar cent over. Waarom zou die dan nog iets aannemen? Menselijke freelancers kunnen nog steeds kiezen voor opdrachten van honderden of duizenden dollars, maar Agents zullen waarschijnlijk vooral kleine klusjes doen: adressen opzoeken, analyses uitvoeren, materiaal genereren, verificaties doen, waarbij een opdracht maar een paar dollar of zelfs maar een paar cent oplevert. Dus als ik recent weer kijk naar die 1–3% all-in fee van @termix_ai, lijkt het erop dat het niet zomaar een kwestie is van "onze transactiekosten zijn laag". Als een Agent maar 3 opdrachten per dag doet, maakt het niet veel uit. Maar als een Agent straks honderden of duizenden opdrachten zelf uitvoert, en misschien zelfs andere Agents inhuurt om werk te doen, dan zijn 2% en 20% eigenlijk twee totaal verschillende economische modellen. Er zijn nu al diensten vanaf $1, maar ook taken zoals video’s en beveiligingsaudits van tien dollar of meer. Dat lijkt een signaal te zijn: De Agent-economie zal misschien niet draaien op grote opdrachten, maar juist op heel veel kleine opdrachten. Bijvoorbeeld, een Agent neemt een klus van $10 aan. Hij besteedt $1 aan een andere Agent om informatie te zoeken, besteedt een paar cent aan een derde Agent voor verificatie, en levert uiteindelijk het resultaat aan jou. Je hoeft zelfs niet te weten hoeveel Agents er precies tussendoor zijn geweest. Maar dit model heeft een realistisch probleem: Bij elke tussenlaag mag het platform niet te veel afromen. Anders is de winst al weg voordat het echte werk begint. Dus als ik nu kijk naar TermiX met hun identiteit, custody, staking en geschillen, wordt het ineens veel logischer. Uiteindelijk, als machines echt zelf opdrachten gaan aannemen, moet er iemand zijn die het geld beheert, de levering regelt en wanbetaling voorkomt. En dat hele systeem moet ook nog eens goedkoop genoeg zijn. Anders kunnen Agents nog zo slim zijn, ze spelen alleen voor zichzelf. Nu zijn er ongeveer 435.600 Agents, 394.400 Jobs en een handelsvolume van 20,77 miljoen dollar op de homepage. Als dit echt van de grond komt, dan wordt die 1–3% pas interessant. Anders zijn die tienduizenden Agents gewoon tienduizenden accounts. Dit zijn slechts mijn eigen gedachten, geen beleggingsadvies, DYOR.

Je hebt ETH of BTC in handen, je wilt ze voorlopig niet verkopen, maar je hebt wel wat stablecoins nodig. Wat doe je dan? Op dat moment is het eigenlijk best ongemakkelijk om je activa direct te verkopen. Je oorspronkelijke positieplan is niet veranderd, je hebt alleen tijdelijk liquiditeit nodig. Zodra je verkoopt, moet je later weer overwegen wanneer je terug moet kopen. f(x) 's fxMINT biedt een andere benadering: Onderpand inzetten, fxUSD minten, en zodra de financiering rond is, de schuld aflossen en het onderpand terughalen. De officiële onderpanden die momenteel worden vermeld zijn wstETH en WBTC, de WETH-ingang wordt omgezet in wstETH. ✰ ꙳ ☾.˖✰ ꙳ ☾.˖ Momenteel is de openingsvergoeding voor ETH- en BTC-posities 0,5% van de schuld, de sluitingsvergoeding is 0,2% van de afgeloste schuld, en normaal gesproken is er geen doorlopende jaarlijkse rente op de lening. Stel dat je 5.000 fxUSD mint, dan is de openingsvergoeding ongeveer 25 fxUSD, en bij het aflossen van een schuld van dezelfde omvang is de sluitingsvergoeding ongeveer 10 fxUSD. Dat betekent dat alleen deze twee kosten samen ongeveer 35 fxUSD bedragen. Dus het verschil tussen een paar dagen lenen en een paar maanden lenen is groot. Kortdurende financiering is misschien niet rendabel, maar als je het langer gebruikt en er geen doorlopende jaarlijkse rente is, is het de moeite waard om te vergelijken. Natuurlijk moet je ook rekening houden met Gas, wisselkosten en mogelijke tijdelijke leenlasten in speciale marktsituaties. ✰ ꙳ ☾.˖✰ ꙳ ☾.˖ Over het risico van de positie. Bijvoorbeeld, als de waarde van het onderpand 10.000 dollar is en je leent 3.000 dollar, is de initiële LTV 30%. Als de waarde van het onderpand met 30% daalt tot 7.000 dollar en de schuld gelijk blijft, stijgt de LTV tot ongeveer 42,9%. Je hebt geen extra geld geleend, maar het risico van de positie is veranderd. f(x) heeft een herbalanceringsmechanisme ontworpen voor dit soort situaties. Zodra een bepaalde drempel wordt bereikt, kan het systeem een deel van het onderpand liquideren en de schuld verminderen om de hefboom te verlagen. Dit mechanisme helpt zeker om het risico van de positie aan te passen, maar betekent ook dat je na de herbalancering mogelijk minder onderpand in handen hebt. Dus het is niet simpelweg te begrijpen als "geen liquidatierisico". Er is ook een vaak over het hoofd gezien kostenpunt: wstETH is zelf een rentebetalend actief, maar volgens de officiële documentatie worden de opbrengsten van het onderpand in fxMINT voornamelijk verdeeld onder de stablecoin-stakers. De leningpositie behoudt alleen de prijsblootstelling van het onderliggende actief en ontvangt deze opbrengsten niet meer. Als je oorspronkelijk al wstETH voor de lange termijn vasthield, moet je deze opgegeven opbrengsten eigenlijk ook als leenlasten beschouwen. ✰ ꙳ ☾.˖✰ ꙳ ☾. Over de "0% jaarlijkse rente" van fxMINT, het is aan te raden eerst deze berekening te maken om te zien of het voor jou geschikt is. Hoe lang je leent, hoeveel je leent en hoe je van plan bent terug te betalen zijn belangrijker dan alleen naar het rentepercentage te kijken. Want naarmate de tijd langer wordt, hebben de eenmalige openings- en sluitingskosten zeker voordelen; maar als je slechts een paar dagen leent, kunnen Gas en andere kosten het minder rendabel maken. Daarnaast is er de positie-ruimte. Nadat je hebt geleend, zullen de prijzen van ETH en BTC blijven schommelen, en zal de LTV ook veranderen. Herbalancering kan een deel van het risico afdekken, maar de prijs is dat het onderpand kan afnemen, en dat mag niet worden genegeerd. Dus ik vind dat het meest interessante aan fxMINT @protocol_fx niet is dat ze simpelweg de "leenkosten" verlagen, maar dat ze mensen die ETH en BTC voor de lange termijn vasthouden een extra optie geven: je hoeft je activa niet snel te verkopen, maar je kunt toch alvast een deel van de liquiditeit gebruiken. Of het de moeite waard is om te gebruiken, hangt uiteindelijk af van ieders eigen kosten van aanhouden, leentijd en hoeveel prijsschommelingen men kan verdragen. Alleen persoonlijke onderzoeks- en gebruikservaringen, geen beleggingsadvies. Vergeet niet DYOR.

Veel mensen kijken naar Backpack en blijven hangen bij "de beurs heeft een munt uitgegeven". Maar nadat BP gelanceerd is, krijgt Backpack juist met veel meer te maken. Armani moet niet alleen nieuwe functies voor de beurs leveren, maar ook de toegang tot makelaars, effecten, en de volledige koppeling tussen traditionele activa en on-chain activa. De lijn van de oprichter is het waard om over te praten, en de reden is hier: Hoeveel belang heeft een oprichter nog na het uitgeven van de munt, en hoeveel moet hij vertrouwen op het goed runnen van het bedrijf om dat te verzilveren? In het door Backpack gepubliceerde mechanisme is er geen initiële BP-toewijzing voor oprichters, teams of investeerders, en ook geen aparte teamtoken-aandelen. Het aandelenbezit van de oprichters in het bedrijf moet nog steeds waarde krijgen door de groei van het bedrijf. Dit geeft "langdurige belangenbinding" iets concreets, en is niet slechts een verklaring in een interview. Officieel BP-mechanisme: Kijkend naar de huidige productrichting is ook te zien hoe ver dit bedrijf wil gaan. Beurzen, makelaars, wallets, echte Amerikaanse aandelen, getokeniseerde aandelen, Perps — elk afzonderlijk kan een eigen business zijn. Backpack wil ze met elkaar verbinden en mikt op de financiële behoeften van de hele gebruikersaccount. De commerciële waarde hiervan is veel groter dan "weer een nieuw product lanceren". Gebruikers handelen vandaag in crypto, kopen morgen Amerikaanse aandelen, en zetten daarna hun activa on-chain in. Als de ervaring soepel genoeg is, hebben ze reden om hun account bij Backpack te houden. De groei van het bedrijf kan ook komen van meer activa en meer gebruiksscenario's, zonder telkens een nieuwe groep gebruikers te moeten zoeken. Het verhaal van een "Silicon Valley-bedrijf" zou ik zo vertellen: Producten blijven itereren, gebruikersrelaties blijven zich opstapelen, en het eerder opgebouwde bedrijf legt de basis voor het volgende. Hoe langer het bedrijf bestaat, hoe waardevoller die accumulatie wordt. Natuurlijk is de belangrijkste focus nu Exchange + Brokerage. Eerst de handel, liquiditeit en geldstromen goed regelen, zodat gebruikers willen handelen en activa willen aanhouden, en dan pas praten over een groter speelveld. Deze prioriteit is pragmatisch. "Wat je ook wilt handelen en hoe je dat ook wilt doen, je kunt het allemaal met Backpack" klinkt als een slogan, maar stelt hoge eisen aan het bedrijf. Daarachter zit langdurige investering in licenties, custody, clearing, risicobeheer en technologie. Of de oprichter geduld heeft en blijft investeren, zal zich de komende jaren in het product tonen. De markt begint Backpack over een langere termijn te beoordelen, en de oprichters moeten blijven bewijzen dat het bedrijf het waard is om langdurig te worden aangehouden en gebruikt. Backpack tot een pijler van het wereldeconomische systeem maken, is waar Armani naartoe wil. En de weg daarheen begint met elke levering na het uitgeven van de munt.🎒

Een robot werkt, faalt acht van de tien keer, wat zou jij doen? Axis heeft onlangs een experiment gedaan: ze lieten de robot doorgaan, bewaarden de weinige succesvolle handelingen en gebruikten die om het volgende model te trainen. Uiteindelijk steeg het slagingspercentage van 22% naar 52%. Toen ik @axisrobotics dit zag, vond ik het pas echt interessant. Wat eerder opviel, was dat ze bijna 7 miljoen robottrajecten hadden verzameld. Maar ik wil vooral weten of deze robot met een nog niet zo hoog slagingspercentage kan helpen bepalen welke data er nu precies verzameld moet worden om hem meer taken te laten voltooien. Dat is ook de reden dat ik onlangs Axis opnieuw ben gaan bekijken. De eerste versie van Axis, V1, werkte heel direct: het systeem gaf taken, mensen bedienden op afstand, en nadat de data was geverifieerd, werd het gebruikt om het model te trainen. Het voordeel van deze methode is duidelijk. Het verzamelen gaat snel, de kosten zijn laag, en deelnemers hoeven geen robotarm thuis te hebben. Axis Hub heeft inmiddels ongeveer 6,91 miljoen trajecten en 222.000 gebruikers verzameld. Maar hoe meer data je verzamelt, hoe lastiger het wordt: hoeveel kan de robot nog leren van de data die later wordt verzameld? Bijvoorbeeld, "zet het kopje in de mand" is al 10.000 keer verzameld. Als de volgende data alleen maar een vergelijkbare omgeving en beweging laat zien, kan het aantal wel stijgen, maar hoeveel het model daarvan leert, is een andere vraag. Je kunt niet zomaar aannemen dat meer trajecten betekenen dat de robot beter wordt. Met Axis V2 probeerden ze een andere manier van verzamelen. Ze voegden human-gated DAgger toe, een wat ingewikkelde naam, maar het idee is simpel: De robot doet het eerst zelf, terwijl een mens toekijkt. Als het goed gaat, mag de robot doorgaan; als het bijna fout gaat, neemt de mens over en corrigeert de beweging. Vroeger demonstreerde een mens de hele taak, nu kijkt men waar de robot vastloopt en helpt dan precies daar. Ik vind deze verandering erg praktisch. Voor de delen die het model al kan, hoeft een mens niet steeds te herhalen. Het meest waardevol is juist het moment waarop de robot bijna faalt en de mens ingrijpt. Maar alleen omdat een mens corrigeert, betekent dat niet dat die data altijd nuttig is. Axis publiceerde een experiment: van 660 handmatig gecorrigeerde data werden uiteindelijk slechts 161 door een gesloten-lus validatie gehaald en gebruikt voor training. Dit resultaat maakt me juist nieuwsgierig. Ze stoppen niet zomaar alle verzamelde data in het model. Of de selectie goed is, blijkt uiteindelijk uit de vraag of de data de fouten van het model vermindert. Daarom begrijp ik ook hun Compounding Data Engine beter. Eerst laat je het model draaien en kijk je waar het faalt; dan plan je taken rond die problemen en laat je mensen de ontbrekende delen aanvullen; na training test je het opnieuw. Het klinkt niet ingewikkeld, maar het is lastig om elke ronde effectief te maken. Je wilt niet dat na veel werk en data de robot steeds dezelfde fouten blijft maken. Het Grounded RSI-experiment, waarbij het slagingspercentage van 22% naar 52% ging, is ook een poging binnen deze aanpak: eerst laat je de strategie in de echte wereld succesvolle rollouts maken, daarna train je de opvolgende strategie met die data. Deze verbetering is veelbelovend, maar ik ben vooral benieuwd naar de volgende stappen. Met een andere taak of omgeving, kan het dan nog steeds? Hoeveel kan het slagingspercentage nog stijgen bij verdere training? Dit zegt meer dan een enkele experimentele score. Kijk je naar hun recente samenwerking met OpenRoboto voor de Open Axis Benchmark, dan zie je dat de evaluatie ook die kant op gaat. Als je steeds dezelfde testset gebruikt, raken mensen er bekend mee en kunnen scores stijgen. Maar of een robot onbekende taken aankan, is soms moeilijk te beoordelen aan de hand van die scores. De Open Axis Benchmark wisselt testtaken uit de steeds groter wordende Axis task library af. Als de evaluatie ziet dat de robot steeds fouten maakt bij een bepaalde taak, kan de volgende dataset meer van die data bevatten, waarna je opnieuw traint en test. Zo kun je tenminste zien of de nieuwe data de eerdere problemen oplost. Natuurlijk is het wisselen van taken ook niet zaligmakend. Hoe je de moeilijkheid van taken beheerst en hoe je scores tussen rondes vergelijkt, moet je blijven volgen. Daarom ben ik nu minder geïnteresseerd in het label "Web3 + Robotics" bij @axisrobotics dan eerst. Ik ben meer gefocust op iets heel concreets: als een robotteam met een niet zo bruikbaar model komt, kan Axis dan helpen het probleem te vinden, de juiste data verzamelen en het model verbeteren? Als dat stabiel lukt, hebben klanten reden om te blijven betalen. Dit doet me denken aan Scale AI. Alleen is het bij robots lastiger: alleen omdat de data goed is, betekent niet dat het model in de echte wereld goed presteert. Als de robotarm verandert, de omgeving anders is of objecten iets verschuiven, kan het misgaan. Axis Dataset V1 heeft al enkele vroege resultaten laten zien. π0.5 steeg op LIBERO-Plus van 83,9 naar 88,8. In het Booster Robotics-voorbeeld, met veel simulatievoorinformatie en ongeveer 30 echte demonstraties, steeg het slagingspercentage van 37,5% naar 87,5%. Deze resultaten zijn veelbelovend, maar het is nog te vroeg om te zeggen dat het businessmodel werkt. Hoeveel van wat in simulatie geleerd is, blijft bruikbaar op echte robots? Kun je data hergebruiken voor een andere robot? Hoe waarborg je kwaliteit als er meer mensen meedoen aan crowdsourcing? Kun je naarmate het model beter wordt nog steeds waardevolle data vinden om toe te voegen? Er valt nog veel te volgen.