BTC、ETH、DATが先頭に立っています より広範な代替参加の時間

コンバージェンスの加速 DAT@HyperliquidX、Atlas Merchant Capital(Bob Diamond Fmr CEO、Barclays)が主導し、D1 Capital(Dan Sundheim Fmr CIO、Viking)が参加すると発表しました。 ボストン連銀のエリック・ローゼングレン総裁が取締役会に加わる見込み

はい、財務会社はNAVに対してプレミアムで取引する必要があります 何。 🧵

トークン化された株式は、ステーブルコインの大規模な採用を促進します

$IBITは現在、1,197のファンドのうちブラックロックにとって3番目に収益の高いETFであり、#1まであと90億ドルです。1.5歳(文字通り幼児)のETFのもう一つの非常識な統計。これがBLKのトップ10リストです(それはさておき、トップスポットの忘れられない$IWFはどうですか、誰が知っていましたか?

ステーブルコインは金融機関の暗号へのアプローチ方法を劇的に変えるでしょう、そしてCoinFundのリキッドインベストメンツの責任者@sethginns最近@thebenkeadyshowに参加し、彼らの増え続けるユースケース⬇️に対する彼の信念について話しました

本日午後4時30分(東部標準時)に上院ステーブルコイン法案の採決

オンチェーンの利回りは、ほとんどの人にとって手の届かないところにあります。パーミッションレスであるにもかかわらず、その複雑さは多くの人が参加を躊躇しています。 @Veda_labsとの緊密なパートナーシップを通じて、Plasmaのこれらの複雑さを抽象化し、持続可能な収量を大衆にもたらします。

迅速な予測。 2025年:d-ネットワークで訓練された100B+パラメータモデル。 2026年:ボランティアGPUでトレーニングされた最初の50B+*マルチモーダル*モデル。 2027-8:他のすべてが同じで、GPT-3 175Bの密集した競争力のあるモデルを再現。 2030+: 真の「フロンティア」分散型ラン、1T params+.

分散型AIトレーニングにおける思考/予測、2025年。 1. ひとつ言えることは、私たちは18ヶ月前とは明らかに異なる世界にいるということです。当時、分散型のトレーニングは不可能でしたが、今では市場に出回っており、分野となっています。 2. 間違いなく、d-training の最終目標は、d-ネットワーク上で競争力のあるフロンティアモデルを訓練することです。そのため、私たちは競争の旅の始まりに過ぎませんが、急速に進んでいます。 3. D-ネットワーク上で数十億のパラメータモデル(主にLLM、主にトランスフォーマーアーキテクチャ)を事前学習および事後学習できるというのがコンセンサスになりました。現在の技術水準は~100Bまでで、その上限は見えていますが、まだ公開されていません。 4. Dネットワーク上で<10Bパラメータモデルをかなり実現可能に訓練できるというのがコンセンサスになりました。また、10B、32B、40Bのパラメータが訓練された、または訓練されている特定のケーススタディ(主に@gensynai @PrimeIntellect @NousResearch)もあります。@gensynaiのトレーニング後の群れは、最大 72B のパラメーター モデルで動作します。 5. @PluralisHQイノベーションにより、通信の非効率性のボトルネックが解消され、d-networksでのスケーラブルな事前学習の「不可能性」が無効になりました。しかし、生のFLOPs、信頼性、検証可能性は、これらのタイプのネットワークにとって依然としてボトルネックであり、非常に解決可能な問題ですが、技術的に解決するには時間がかかります。現状では、Pluralisからのプロトコル学習により、6〜12か月の時間枠で~100Bモデルに到達できると思います。 6. 100Bから300Bのパラメータモデルはどのように取得しますか?私は、パラメータを効果的かつ流動的にシャード化し、個々のデバイスのメモリを比較的低く抑える方法を見つける必要があると考えています(たとえば、デバイスあたり<32GBのメモリ)。ネットワークで 20 EFlops にする必要があると思います。つまり、10〜20Kの消費者向けデバイスがトレーニングで4〜6週間実行されることを意味します。 全体として、d-trainingは非常にエキサイティングな空間になる準備ができています。そのイノベーションの一部は、すでに広範なAIアプリケーション向けに検討されています。