Biteye AI Diario 12 de septiembre

Hoy la zona de capitalización de mercado: $14.08B +1.52%

La confianza del mercado se está recuperando gradualmente, la construcción de la zona de IA continúa con proyectos de calidad en desarrollo tras un retorno a la racionalidad. ⭐Top 10 de volumen de negociación de Coingecko en 24 horas: Token Volumen capitalización de mercado Precio Volatilidad 1- $ATH $250.9M $634.2M $0.05 +15.0% 2- $AI16Z $129.1M $127.0M $0.12 +3.0% 3- $VIRTUAL $127.2M $847.6M $1.29 +3.0% 4- $TAO $111.8M $3.4B $358.90 +1.8% 5- $IP $95.5M $3.0B $9.68 -6.4% 6- $KAITO $76.7M $297.9M $1.24 -1.1% 7- $FLOCK $36.9M $79.6M $0.36 -3.9% 8- $PROMPT $36.4M $42.7M $0.19 +4.5% 9- $AIXBT $32.7M $117.4M $0.12 +3.0% 10- $SAHARA $32.5M $203.2M $0.09 -1.4%

⭐Información clave

1. Bittensor @opentenso actualiza el mecanismo central

• Introducción de Sub-Subnets (sub-subredes): permite la creación de sub-subredes más específicas sobre la base de subredes existentes, actualmente en fase de prueba (como BTDash Test Subnet). Esta función mejora la flexibilidad y modularidad de la red, siendo adecuada para la asignación de tareas de IA más complejas y la gestión de recursos.

• Permitir la cancelación de subredes: nueva función que permite a los propietarios cancelar subredes que no funcionan bien o que no se utilizan, para optimizar la utilización de los recursos de la red.

Comentario: La mecánica de reducción a la mitad de Bittensor se aproxima (basada en la oferta total actual y en la emisión diaria de 7,200 TAO, la reducción a la mitad disminuirá significativamente la velocidad a la que nuevos tokens entran en circulación). Esta actualización central aborda proactivamente la presión sobre los recursos de la red y los desafíos de eficiencia mediante la introducción de subredes y funcionalidades de cancelación, mejorando así la sostenibilidad a largo plazo de la red.

2. La plataforma de juegos de IA @Aiveronica_ y la capa económica de IA GAIB @gaib_ai se unen a Kite AI @GoKiteAI 网络

• AiVeronica @Aiveronica_ es una plataforma de lanzamiento de juegos AI, en colaboración con Virtuals Protocol, que tiene como objetivo transformar juegos estáticos en un universo dinámico y evolutivo a través de la tecnología AI, capaz de ayudar a los juegos a adaptarse continuamente al comportamiento de los jugadores, mejorando la retención y el valor.

• AiVeronica ha desplegado seis Agentes de IA en la red de pruebas de Kite AI, y a través de la capa base dedicada diseñada específicamente para Agentes de IA de Kite AI, ofrece a los usuarios una experiencia de juego profundamente personalizada, así como narrativas adaptativas y estrategias en tiempo real.

• GAIB @gaib_ai es esencialmente la tokenización de recursos de computación de alto rendimiento como GPU, convirtiendo los activos de poder computacional de IA que antes estaban cerrados en productos financieros negociables y generadores de ingresos, permitiendo así que más personas participen en la economía de IA.

• GAIB se ha integrado en la tienda de aplicaciones de agentes (Agent App Store) de Kite, proporcionando no solo recursos de computación GPU para la red, sino también oportunidades de inversión en infraestructura de IA para los participantes de la red.

Comentario: Después de obtener una financiación de varios millones de PayPal, Kite AI sigue impulsando su ecosistema, con objetivos de desarrollo más claros y una influencia significativamente mayor.

3. Thinking Machines @thinkymachines publica su primer artículo, resolviendo el problema de no determinismo de LLM.

• Thinking Machines tiene una valoración superior a 12 mil millones de dólares, recientemente lanzó el blog de investigación Connectionism y publicó su primer artículo "Defeating Nondeterminism in LLM Inference", dedicado a resolver el problema de incertidumbre en la inferencia LLM.

• Problema no determinista de LLM: se refiere a que al usar LLM para inferencias, se pueden obtener respuestas diferentes para la misma pregunta, lo que dificulta la replicación de los resultados experimentales.

• Resultados de la experimentación: mediante mejoras, se realizó una prueba en el modelo Qwen 235B, logrando que después de habilitar el nuevo núcleo, se generaran 1000 resultados completamente consistentes; el costo de rendimiento es controlable (después de la optimización, solo se pierde aproximadamente un 60% de velocidad), la divergencia KL se mantiene en 0, evitando eficazmente problemas de inestabilidad en el entrenamiento.

Comentario: El primer resultado de investigación de Thinking Machines ha recibido críticas muy positivas y se espera que se convierta en uno de los importantes avances para resolver el problema de la inestabilidad en la salida de LLM.

Fuente de datos: @xhunt_ai, Cookie DAO, Coingecko

Advertencia de riesgo: lo anterior es solo para compartir información, no es un consejo de inversión.