TRUNG_DZ
Feed
Feed
Vastgezet
De markt verschuift van een correctiefase naar een selectieve herstelperiode
$ENJ heeft na een sterke verkoop de ondersteuningszone rond 0.037 weten vast te houden en snel weer op te veren. Dit toont aan dat er nog steeds vraag is, maar de huidige structuur is een herstel na de pump en nog geen nieuwe trend. Het risico blijft hoog als het weer onder 0.037 zakt.
@OKX Orbit
$BASED vormt geleidelijk hogere bodems en nadert weer de weerstand van 0.060. Dit is een accumulatievorm die kan overschakelen naar een korte termijn trend als deze zone duidelijk doorbroken wordt.
$WET heeft een sterke ommekeer vanaf de bodem met een dalende bullish candle en heeft weer de belangrijke MA terugveroverd. Dit is een signaal dat het kapitaal terugkomt, maar het moet de zone van 0.100 vasthouden om de structuur te behouden.
$HUMA blijft de sterkste case, met continu hogere bodems en een mooie MA. Het kapitaal is stabieler dan bij andere tokens, dus de kans op voortzetting is groter.
Een gemeenschappelijk punt is dat veel tokens de MA20 en MA50 na de correctie hebben terugveroverd, wat aangeeft dat de markt de korte termijn opwaartse trend opnieuw test.
#OKXOrbitTopics
Strategie
Geef prioriteit aan $HUMA en $BASED bij een pullback vanwege de stabiele structuur.
$WET kan volgen als het 0.100 vasthoudt.
$ENJ moet alleen worden bekeken voor een herstelmoment, niet achter de prijs aanjagen.
Conclusie: de markt herstelt, maar heeft nog geen sterke uptrend bevestigd. Het kapitaal komt terug, maar blijft selectief. Tokens die de structuur behouden, zullen doorgaan, terwijl zwakke tokens snel weer verkocht kunnen worden.
+0,01%
Momentopname op 13 apr 2026, 04:07
Traditionele co-locatie van beurzen vertaalt zich niet direct naar DeFi.
Zoals @murielmedard, CEO van @get_optimum, uitlegde, is het kernprobleem in beide markten vergelijkbaar: betrouwbare snelheid is belangrijk.
Maar de manier waarop latentie wordt geoptimaliseerd is fundamenteel anders.
In TradFi kunnen bedrijven machines dicht bij beurzen plaatsen of speciale glasvezelverbindingen bouwen tussen bekende locaties. Dit werkt omdat de netwerktopologie relatief voorspelbaar is.
DeFi werkt anders.
Blockchain-netwerken zijn verspreid over knooppunten die overal ter wereld kunnen zijn. De volgende voorsteller of validator kan zich in een totaal andere regio bevinden.
Er is geen enkele locatie waar infrastructuur kan worden geplaatst om nabijheid tot het hele netwerk te garanderen.
Speciale glasvezel wordt ook moeilijk schaalbaar.
Muriel gaf een eenvoudig voorbeeld:
10 knooppunten -> ongeveer 100 glasvezelverbindingen
100 knooppunten -> ongeveer 10.000 glasvezelverbindingen
Naarmate het netwerk groeit, neemt het aantal potentiële verbindingen snel toe.
En de topologie is niet statisch.
Knooppunten kunnen zich vanuit verschillende regio's aansluiten of verwijderen, wat betekent dat infrastructuur die is geoptimaliseerd voor de netwerklay-out van vandaag morgen mogelijk niet meer optimaal is.
Dit creëert een fundamenteel ander latentieprobleem voor DeFi.
In plaats van te proberen elke deelnemer fysiek dichter bij een vaste locatie te brengen, moet de netwerklaag zelf efficiënter worden in het verplaatsen van data over geografisch verspreide knooppunten.
Dat is een van de problemen waar Optimum aan werkt met technologieën zoals mump2p en network coding.
Als blockchain-netwerken blijven groeien en geografisch verspreider worden, kan latentie niet simpelweg worden opgelost door dichter bij de juiste machine te zijn.
Het netwerk heeft een betere manier nodig om informatie te verplaatsen.
Snelheid is Geld.
#Optimum #Mump2p
AGTP
Traditionele beurs co-locatie vertaalt zich niet naar DeFi, legde @murielmedard, CEO van @get_optimum, uit, omdat blockchain-netwerken verspreid zijn over knooppunten die overal ter wereld kunnen zijn.
Muriel zei dat het kernprobleem in beide markten vergelijkbaar is → betrouwbare snelheid is belangrijk. Maar in traditionele financiën kunnen bedrijven de latentie verbeteren door machines dicht bij beurzen te plaatsen of door speciale glasvezelverbindingen tussen bekende locaties aan te leggen.
Dat model werkt niet in DeFi omdat de volgende voorsteller op een blockchain overal kan zijn. Er is geen enkele plek om infrastructuur te plaatsen die nabijheid tot het netwerk garandeert.
Ze legde ook uit waarom speciale glasvezel niet schaalbaar is. Een klein aantal knooppunten is misschien beheersbaar, maar naarmate het netwerk groeit, neemt het aantal benodigde verbindingen snel toe. Met 10 knooppunten kan het netwerk ongeveer 100 glasvezelverbindingen nodig hebben. Met 100 knooppunten kan het er ongeveer 10.000 nodig hebben.
Muriel voegde eraan toe dat knooppunten ook kunnen verschijnen en verdwijnen in verschillende regio's, dus het bouwen van fysieke infrastructuur rond de huidige netwerklay-out helpt misschien morgen niet.
Een robotbeleid kan falen, zelfs als het de taak eerder heeft gezien.
De reden is vaak de toestand waarin het zich bevindt tijdens het uitvoeren van de taak.
Stel je een beleid voor dat is getraind om een object van een vaste positie op te pakken. Tijdens de uitvoering is het object iets verplaatst. De robot kan dan de verkeerde locatie bereiken, een verkeerde beweging maken en vervolgens beslissingen blijven nemen op basis van die fout.
Hier is het simpelweg verzamelen van meer succesvolle demonstraties mogelijk niet voldoende.
Wat telt, is het verzamelen van gegevens uit situaties waarin het beleid daadwerkelijk moeite heeft.
Axis V2 introduceert dit via post-trainingstaken.
Een getraind beleid probeert eerst de taak uit te voeren. Wanneer het gedrag fout gaat, neemt een menselijke bijdrager het over, corrigeert de robot en kan vervolgens de controle weer aan het beleid teruggeven.
De resulterende traject bevat iets wat gewone demonstraties mogelijk niet zo duidelijk vastleggen:
waar het beleid faalde -> hoe een mens het corrigeerde
Dit sluit direct aan bij het idee van DAgger (Dataset Aggregation).
In plaats van een dataset alleen op te bouwen uit demonstraties die onafhankelijk van het beleid zijn verzameld, gebruiken DAgger-achtige benaderingen de eigen rollouts van het beleid om toestanden te identificeren waar extra deskundige begeleiding nodig is.
Het voordeel is dat de trainingsdata steeds meer gericht kan worden op de zwakke punten van het beleid.
Bijvoorbeeld:
Initieel beleid -> onbekende toestand -> verkeerde actie -> menselijke interventie -> correctiegegevens
Die correctie kan dan onderdeel worden van de volgende trainingsronde.
Het belangrijke onderscheid is dat post-training niet simpelweg een andere manier is om een robot te besturen.
Het is een mechanisme om op falen gebaseerde data te verzamelen.
Voor Physical AI creëert dit een interessante feedbackloop: het beleid bepaalt welke toestanden moeilijk zijn, menselijke interventie levert de correctie, en die correcties kunnen nieuwe trainingsdata worden.
Axis bouwt V2 rond deze gesloten-lusbenadering, waarbij door mensen gecontroleerde correcties deel uitmaken van de post-training pipeline.
De grotere vraag is of deze lus kan opschalen terwijl de bruikbare datakwaliteit behouden blijft.
Dat is een van de belangrijkste problemen achter grootschalige robot post-training.
#Robotics $AXIS @axisrobotics
TRUNG_DZ
Meer robotdata betekent niet automatisch beter robotleren.
@axisrobotics
De kwaliteit en diversiteit van de data zijn net zo belangrijk als het totale aantal trajecten.
Denk aan een eenvoudige manipulatieopdracht.
Als een robot een object alleen in één positie ziet, onder één set omstandigheden, en bijna identieke bewegingen elke keer volgt, kan de resulterende dataset erg repetitief worden.
Een beleid dat op die data is getraind, kan de taak zelf leren, maar moeite hebben wanneer het object wordt verplaatst, de omgeving verandert of de beginstatus anders is.
Dit is een van de redenen waarom data-augmentatie belangrijk is in robotica.
Het basisidee is om een bestaande robotervaring te nemen en extra variaties te creëren die meer trainingsvoorbeelden kunnen bieden.
Axis beschrijft zijn pipeline als het verzamelen van trajecten via simulatie en vervolgens het verwerken en vergroten van die data. Hun simulatiebenadering gebruikt ook domeinrandomisatie, waarbij variatie wordt geïntroduceerd in factoren zoals verlichting, texturen, fysica, camerahoeken en objecteigenschappen.
Het doel is niet om kopieën van hetzelfde traject te maken.
Het is om het bereik van situaties die door de data worden weergegeven uit te breiden.
De relatie kan worden gezien als:
Eén traject -> Meerdere variaties -> Meer diverse trainingsvoorbeelden
Dit is belangrijk omdat het direct verzamelen van elke mogelijke fysieke situatie duur en moeilijk zou zijn.
Een datapijplijn die nuttige variatie kan genereren uit een bestaande bijdrage heeft het potentieel om de waarde die uit elk traject wordt gehaald te vergroten.
Maar augmentatie is geen vervanging voor het verzamelen van nieuwe ervaringen.
Als de oorspronkelijke dataset belangrijke gedragingen of taakstatussen mist, lost het creëren van meer variaties van dezelfde beperkte data dat probleem niet noodzakelijk op.
Het moeilijkere probleem is daarom het vinden van de juiste balans:
Nieuwe door mensen gegenereerde trajecten bieden nieuw gedrag.
Augmentatie vergroot de diversiteit rond dat gedrag.
Axis bouwt zijn datapijplijn rond beide delen van dit proces: het op grote schaal verzamelen van robotervaringen en het vergroten van de trainingswaarde van die ervaringen achteraf.
#ROBOT
Optimum gaat naar Seoel.
Kent Lin, COO van @get_optimum, zal spreken op Ethereum Korea One op 28 september.
Met Optimum dat actief werkt aan het versnellen van de data-propagatielaag van Ethereum via mump2p, is dit een uitgelezen kans om de infrastructuuruitdagingen te bespreken die een meer schaalbaar en geografisch verspreid Ethereum-netwerk met zich meebrengt.
De Koreaanse markt wordt ook een steeds belangrijker onderdeel van het Ethereum-ecosysteem, waarbij Optimum al samenwerkt met Koreaanse validators en lid is van het Ethereum Korea Consortium.
Nu zal Kent Lin het perspectief van Optimum rechtstreeks naar Seoel brengen.
28 september.
Ethereum Korea One.
Seoel.
@get_optimum @kentlinyy @ethereumkoreaio
#Optimum #EthereumKorea
Een nieuwe partner sluit zich aan bij het mump2p-ecosysteem.
@get_optimum 🤝 @FinoaConsensus
Finoa Consensus Services, een validator-team uit Duitsland, werkt nu samen met mump2p.
Voor validators zijn betrouwbaarheid en beloningsoptimalisatie nauw verbonden met hoe snel en consistent data door het netwerk beweegt. Snellere verspreiding kan operators helpen netwerkgegevens met lagere latentie te ontvangen en te verwerken, wat een sterkere validatorprestatie ondersteunt.
Hier komt mump2p in beeld.
Door zich te richten op consequent snellere dataverspreiding, is mump2p gebouwd om validators te helpen de netwerkconnectiviteit te verbeteren en de impact van latentie op prestaties te verminderen.
Finoa Consensus Services legt een sterke nadruk op validatorbetrouwbaarheid en het maximaliseren van beloningen, waardoor deze samenwerking een natuurlijke match is.
Weer een validator sluit zich aan bij het netwerk. Weer een stap richting snellere Ethereum-infrastructuur.
Welkom aan boord, Finoa Consensus Services.
#Optimum #mump2p
TRUNG_DZ
Nieuwe week, nieuwe rolupgrades in de Discord-community @get_optimum
Gefeliciteerd aan iedereen die deze week is opgewaardeerd naar de Refined-rol:
vie123, Williams smith, 2026, Fifth, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream, en OLA YOOMOMOTA.
En vandaag ben ik ook vereerd om officieel een Refined-lid te worden.
Het is een mijlpaal die me nog meer motiveert om te blijven bijdragen, leren en groeien samen met de Optimum-community.
Nogmaals gefeliciteerd aan alle nieuwe Refined-leden. Er komen meer upgrades aan.
Ik hoop ook jouw naam op de volgende lijst te zien. Blijf doorgaan en blijf bijdragen — jouw upgrade kan de volgende zijn.
#Optimum
Nieuwe week, nieuwe rolupgrades in de Discord-community @get_optimum
Gefeliciteerd aan iedereen die deze week is opgewaardeerd naar de Refined-rol:
vie123, Williams smith, 2026, Fifth, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream, en OLA YOOMOMOTA.
En vandaag ben ik ook vereerd om officieel een Refined-lid te worden.
Het is een mijlpaal die me nog meer motiveert om te blijven bijdragen, leren en groeien samen met de Optimum-community.
Nogmaals gefeliciteerd aan alle nieuwe Refined-leden. Er komen meer upgrades aan.
Ik hoop ook jouw naam op de volgende lijst te zien. Blijf doorgaan en blijf bijdragen — jouw upgrade kan de volgende zijn.
#Optimum
TRUNG_DZ
32 -> 6,700 -> 38,700 -> 108,600 -> 250,800
Optimum heeft een reeks cijfers vrijgegeven:
32 -> 6,700 -> 38,700 -> 108,600 -> 250,800
In eerste instantie lijken het willekeurige mijlpalen.
Maar op basis van het tot nu toe beschikbare @get_optimum materiaal is er een sterke aanwijzing over wat ze vertegenwoordigen.
De reeks verschijnt samen met RLNC → Data Propagation → mump2p → Flexnodes, en de latere cijfers worden in het visuele materiaal expliciet gelabeld als Flexnodes.
Dus je theorie dat deze cijfers verbonden zijn met Flexnodes wordt ondersteund door het beschikbare materiaal.
Er is echter niet genoeg data om te verifiëren dat alle vijf de cijfers officiële tellingen zijn van actieve Flexnodes op specifieke tijdstippen, vooral de initiële 32. Het bronmateriaal koppelt 6,700, 38,700, 108,600 en 250,800 expliciet aan Flexnodes, terwijl de betekenis van 32 niet bevestigd is in het gevonden materiaal.
Die onzekerheid maakt de reeks juist interessant.
Flexnodes zijn een kernonderdeel van de bredere architectuur van Optimum.
mump2p gebruikt RLNC om blockchaingegevens te coderen in gecodeerde informatie die door het netwerk kan bewegen.
Maar snellere propagatie hangt ook af van voldoende netwerkcapaciteit en goed gepositioneerde nodes om die informatie efficiënt te verplaatsen.
Daar komen Flexnodes in beeld.
Optimum beschrijft Flexnodes als een wereldwijd netwerk van nodes die bandbreedte kunnen bijdragen om dataprogressie te versnellen. In het langetermijnmodel is het de bedoeling dat het netwerk uitbreidt voorbij een kleine groep infrastructuurexploitanten, mogelijk waardoor een veel bredere groep internetverbonden apparaten bandbreedte kan bijdragen.
Dit creëert een tweezijdige structuur:
Validators, builders en relayers creëren vraag naar snellere dataprogressie.
Flexnodes leveren de gedistribueerde bandbreedte en versnellingscapaciteit.
Gezien vanuit dat perspectief suggereert de reeks:
6,700 → 38,700 → 108,600 → 250,800
niet alleen een groter aantal.
Het suggereert een netwerk dat mogelijk wordt opgebouwd rond één centraal idee:
Meer gedistribueerde deelnemers kunnen meer gedistribueerde capaciteit creëren.
En dat sluit direct aan bij de bredere these van Optimum.
Traditionele schaalvergroting betekent vaak het toevoegen van krachtigere infrastructuur.
Optimum verkent een andere richting:
Voeg meer deelnemers toe om meer capaciteit toe te voegen.
RLNC levert de coderingslaag.
mump2p past dit toe op snelle blockchainpropagatie.
Flexnodes leveren de gedistribueerde netwerkinfrastructuur die kan helpen die gecodeerde informatie te verplaatsen.
Dus als deze cijfers inderdaad de groei van het Flexnode-netwerk vertegenwoordigen, is de interessante vraag niet simpelweg:
"Waarom bereikte het aantal 250,800?"
Het is:
"Wat kan een netwerk met zoveel potentiële bronnen van gedistribueerde bandbreedte worden?"
Want het langetermijnmodel van Optimum gaat niet alleen over het sneller maken van één blockchain.
Het gaat over het bouwen van een netwerk waar gedistribueerde bandbreedte zelf infrastructuur wordt.
32 was het begin van een reeks.
250,800 kan de schaal van het netwerk tonen dat Optimum probeert te bouwen.
#optimum
@aqccapital
@ada_pegasus