BTC、ETH 和 DATs 引領了潮流 是時候讓更多的替代幣參與進來了

收斂加速 @HyperliquidX DAT 今天早上宣布，由 Atlas Merchant Capital（前巴克萊首席執行官 Bob Diamond）主導，D1 Capital 參與（前 Viking 首席投資官 Dan Sundheim）。前波士頓聯邦儲備銀行行長 Eric Rosengren 預計將加入董事會。

是的，財政公司應該以高於淨資產價值的溢價進行交易 什麼？ 🧵

代幣化股票將推動穩定幣的廣泛採用

$IBIT 現在是 BlackRock 在 1,197 只基金中排名第三的創收 ETF，距離 #9b 僅差 $1。只是 1.5 歲（字面意思是嬰兒）ETF 的另一個瘋狂統計數據。這是BLK的前10名名單（撇開，令人難忘的 $IWF 位居榜首怎麼樣，誰知道呢？

穩定幣將徹底改變金融機構處理加密貨幣的方式，CoinFund Liquid Investments @sethginns 最近加入了 @thebenkeadyshow，談論了他在他們越來越多的用例⬇️中的信念

美國東部時間今天下午 4：30 對參議院穩定幣法案進行投票

對於大多數人來說，鏈上收益仍然遙不可及。儘管無需許可，但它們的複雜性使許多人不願參與。 通過我們與 @Veda_labs的密切合作，Plasma 上的這些複雜性將被抽象出來，為大眾帶來可持續的收益。

快速預測。 2025年：在 d 網路上訓練 100B+ 參數模型。 2026年：第一個在志願者 GPU 上訓練的 50B+ *多模態* 模型。 2027-8：在其他條件相同的情況下，GPT-3 175B 密集競爭模型再現。 2030+：真正的“前沿”去中心化運行，1T params+。

去中心化 AI 訓練中的思想/預測，2025 年。 1. 要說的一點是，與 18 個月前相比，我們絕對處於一個擁有去中心化 AI 訓練的世界。那時，分散式培訓是不可能的，現在它已經進入市場，是一個領域。 2. 毫無疑問，D-Training 的最終目標是在 D-Networks 上訓練有競爭力的前沿模型。因此，我們才剛剛開始我們的競爭之旅，但我們正在快速發展。 3. 現在的共識是，我們可以在 d-networks 上對數十億個參數模型（主要是 LLM，主要是 transformer 架構）進行預訓練和後訓練。目前最先進的技術水平高達 ~100B，其高端就在眼前，但尚未展示。 4. 現在共識是，我們可以在 d 網路上訓練 <10B 參數模型，這非常可行。還有一些具體的案例研究（主要來自 @gensynai @PrimeIntellect @NousResearch），其中 10B、32B、40B 參數已經或正在訓練。@gensynai 的訓練后集群可在多達 72B 參數模型上運行。 5. @PluralisHQ創新現在通過消除通信效率低下的瓶頸，使 d-networks 上可擴展預訓練的“不可能性”失效。然而，原始 FLOP、可靠性和可驗證性仍然是這些類型網路的瓶頸 —— 這些問題很容易解決，但需要一些時間才能從技術上解決。根據 Pluralis 的協議學習，我認為我們在 6-12 個月的時間範圍內可以達到 ~100B 模型。 6. 我們如何從 100B 到 300B 參數模型？我認為我們需要找到有效且流暢地分片參數的方法，並保持單個設備記憶體相對較低（例如，每個設備 <32GB 記憶體）。我認為我們需要在一個網路中達到 20 個 EFlop;這意味著大約 10-20K 的消費類設備在培訓中運行 4-6 周。 總的來說，d-training 有望成為一個非常令人興奮的領域。它的一些創新已經被考慮用於廣泛的 AI 應用。