BTC, ETH e DATs lideraram o caminho É hora de uma participação mais ampla de altcoins

Convergência a acelerar @HyperliquidX DAT anunciou esta manhã liderada pela Atlas Merchant Capital (Bob Diamond ex-CEO do Barclays) com participação da D1 Capital (Dan Sundheim ex-CIO da Viking). O ex-presidente do Boston Fed, Eric Rosengren, deverá juntar-se ao conselho.

Sim, as empresas de tesouraria devem negociar a um prémio em relação ao NAV O quê? 🧵

As ações tokenizadas impulsionarão uma enorme adoção de stablecoins

$IBIT é agora o 3º ETF com maior geração de receita para a BlackRock entre 1.197 fundos, e está apenas a $9 bilhões de ser o #1. Apenas mais uma estatística insana para um ETF de 1,5 anos (literalmente um bebê). Aqui está a lista dos 10 melhores para a BLK (a propósito, que tal o esquecível $IWF na primeira posição, quem diria?)

As stablecoins irão mudar drasticamente a forma como as instituições financeiras abordam as criptomoedas, e o Chefe de Investimentos Líquidos da CoinFund, @sethginns, juntou-se recentemente ao @thebenkeadyshow para falar sobre sua convicção no crescente número de casos de uso ⬇️

Vote na proposta de lei sobre stablecoins no Senado hoje às 16:30 ET

Os rendimentos onchain continuam fora do alcance da maioria das pessoas. Apesar de serem sem permissão, a sua complexidade desencoraja muitos a participar. Através da nossa estreita parceria com @Veda_labs, essas complexidades no Plasma serão abstraídas para trazer rendimento sustentável às massas.

Previsões rápidas. 2025: Modelo com mais de 100B de parâmetros treinado em d-redes. 2026: Primeiro modelo *multi-modal* com mais de 50B treinado em GPUs voluntárias. 2027-8: Tudo o mais igual, modelo denso competitivo GPT-3 175B reproduzido. 2030+: Uma verdadeira execução descentralizada "fronteiriça", com mais de 1T de parâmetros.

Pensamentos/previsões sobre o treinamento de IA descentralizada, 2025. 1. Uma coisa a dizer é que definitivamente estamos em um mundo diferente com o treinamento de IA descentralizada do que estávamos há 18 meses. Naquela época, o treinamento descentralizado era impossível e agora está no mercado e é um campo. 2. Não se engane, o objetivo final do d-training é treinar modelos competitivos e de ponta em d-redes. Assim, estamos apenas no início da nossa jornada competitiva, mas estamos avançando rapidamente. 3. Agora é consenso que podemos pré-treinar e pós-treinar modelos de múltiplos bilhões de parâmetros (principalmente LLMs, principalmente arquiteturas transformer) em d-redes. O estado da arte atual é de até ~100B, o limite superior do qual está à vista, mas não foi mostrado. 4. Agora é consenso que podemos treinar modelos de <10B parâmetros em d-redes de forma bastante viável. Também houve estudos de caso específicos (principalmente de @gensynai @PrimeIntellect @NousResearch) onde 10B, 32B, 40B parâmetros foram ou estão sendo treinados. O enxame de pós-treinamento da @gensynai opera em modelos de até 72B parâmetros. 5. A inovação da @PluralisHQ agora invalidou a "impossibilidade" do pré-treinamento escalável em d-redes ao remover o gargalo de ineficiência de comunicação. No entanto, FLOPs brutos, confiabilidade e verificabilidade permanecem gargalos para esses tipos de redes -- problemas que são muito solucionáveis, mas levarão algum tempo para serem resolvidos tecnicamente. Com o Aprendizado de Protocólo da Pluralis como está, acho que chegamos a modelos de ~100B em um prazo de 6-12 meses. 6. Como chegamos de modelos de 100B para 300B parâmetros? Acho que precisamos encontrar maneiras de fragmentar parâmetros de forma eficaz e fluida e manter a memória de dispositivos individuais relativamente baixa (por exemplo, <32GB de memória por dispositivo). Acho que precisamos chegar a 20 EFlops em uma rede; isso significa algo como 10-20K dispositivos de consumo funcionando por 4-6 semanas em um treinamento. No geral, o d-training está prestes a ser um espaço muito empolgante. Algumas de suas inovações já estão sendo consideradas para amplas aplicações de IA.