Tari 测试网将于 9 月发布挖矿应用 Tari Universe

链捕手Publicado a 2024-08-20Actualizado a 2024-08-20

原文标题：Introducing Tari Universe: The Crypto Miner For English Majors

原文来源：Chainwire

 

Tari Labs 是一家致力于开发下一代区块链协议 Tari 的组织，今天推出了 Tari Universe，这是一款突破性的挖矿应用，旨在让任何人都能轻松加入加密革命。Tari Universe 利用了 RandomX，一种抗 ASIC 的哈希算法，使用户可以通过现有的 Mac 或 PC 挖 Tari。告别加密领域复杂的用户体验障碍——Tari Universe 的界面让挖矿变得简单易懂。用户只需免费下载 Tari Universe，安装后点击「开始挖矿」即可赚取 Tari 代币。

在一个通货膨胀失控、许多人生活艰难的世界中，挖矿加密货币为每个人提供了一个极好的机会。

「Tari Universe 是一款极其简单的加密产品，终于让我愿意走出舒适区，」Tari 的官方吉祥物 Soon™——一只乌龟说道。「我们都希望大众广泛采用加密货币，但在这个行业中，我们却不断设计出需要用户进行 KYC 和跳过无数障碍才能参与的复杂产品。Tari Universe 改变了一切。它是一款我妈妈都能使用的一键式奇迹。」

Tari Universe 让挖矿充满乐趣

Tari Universe 让工作量证明（Proof-of-Work）的挖矿过程栩栩如生。工作量证明的挖矿是一场争夺第一个解决下一区块的竞赛，获胜者将获得区块奖励及所有荣誉。Tari Universe 将 Tari 区块链表现为一座流线型的高塔，每个区块都对应一层楼。用户将看到他们的 Tribe（部落）争相在其他人之前建造下一层楼。当他们获胜时，所有成员都会分享战利品。Tari Universe 让任何人都能轻松理解区块链的运作原理并享受工作量证明挖矿的乐趣。

Tari Universe 让挖矿更公平

Tari Universe 使用 p2pool 去中心化矿池软件引入了 Tribes——一群用户共同努力解决区块。当用户第一次启动 Tari Universe 时，他们会自动加入一个 Tribe。无需配置或额外步骤。值得注意的是，没有矿池费用，用户也不需要将区块奖励托付给一个匿名的矿池运营者。结合 RandomX 的抗 ASIC 特性，Tari Universe 让挖矿变得公平公正。

Tari Universe 实现了极致的去中心化

Tari Universe 在一个充满中心化排序器和「独立」节点运营者的小团体世界中成为一股清流。任何人都可以免费下载 Tari Universe，安装并运行在现有的 Mac 或 PC 上。无需昂贵或定制的硬件，用户也不需要成为某个特权团体的成员。Tari Universe 是无许可的，增强了自由属性，并将在第一天就帮助 Tari 实现高度去中心化。

Tari Universe 是你的加密货币基地

Tari Universe 包含一个自动更新功能，用户可以即时访问突破性的全新功能。随着 Tari 世界的扩展，Tari Universe 将成为终极的一站式加密货币平台。Tari Universe 是为每个人打造的一键式加密革命。

发布信息

Tari 贡献者将在 2024 年 9 月为 Tari 测试网发布 Tari Universe，支持 Tari 主网的版本将在 Tari 创世区块开采时同步发布。该平台将自动将 Tari Universe 测试网用户升级到主网版本。Tari Universe 几乎可以在任何现代的 Mac 或 PC 上运行。Tari 贡献者的目标是使 Tari Universe 尽可能普及。他们敦促任何对 Tari Universe 感兴趣的人访问 universe.tari.com 并加入候补名单。用户可以通过邀请朋友加入来提升在候补名单中的位置。

了解更多关于 Tari Universe、Tari 和 Tari Labs 的信息

欲了解更多关于 Tari Universe 的信息并加入候补名单，请访问 universe.tari.com。

Tari 是一个革命性的 L1 区块链协议，任何人只需通过笔记本电脑或台式机挖矿即可成为链上用户。对于开发者来说，Tari 结合了高性能原生 L2 的无限扩展性、快速终局性和低费用，同时通过 Tari 挖矿应用中内置的应用启动器为链上用户提供了前所未有的访问权限。

Tari Labs 是一家帮助引领 Tari 开发的组织。Tari Labs 的支持者包括 Blockchain Capital、Multicoin、Pantera、CMT Digital、Slow Ventures、DV Chain 以及其他众多行业领先的投资者。

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 9 min(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 9 min(s)

'Venta de...' - Dentro del plan de Grayscale para borrar la pérdida no realizada de $14B de Strategy

Desde hace tiempo, Strategy ha sido objeto de escrutinio comunitario. Zach Pandl, Jefe de Investigación de Grayscale, sugiere que la empresa debe tomar una decisión financiera crucial: podría aumentar el dividendo de sus acciones preferentes STRC en 50 puntos básicos para atraer inversionistas, pero esto agregaría unos $100 millones en obligaciones durante dos años. En su lugar, propone vender aproximadamente $3 mil millones en Bitcoin para cubrir casi todas sus obligaciones de efectivo a dos años, mejorando así la liquidez, reduciendo el riesgo de refinanciación y restaurando la confianza del mercado. Actualmente, Strategy posee 847,363 Bitcoins, valorados en $50.9 mil millones, pero enfrenta una pérdida no realizada de unos $14 mil millones. Su acción, MSTR, cayó por debajo de $100, y la relación Precio-Reservas de BTC de la empresa ha disminuido significativamente, indicando una prima menor pagada por los inversionistas hacia su estrategia de tesorería en Bitcoin y reflejando una confianza menguante.

ambcryptoHace 43 min(s)

'Venta de...' - Dentro del plan de Grayscale para borrar la pérdida no realizada de $14B de Strategy

ambcryptoHace 43 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 54 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 54 min(s)

Ganadores y perdedores semanales del mercado de criptomonedas – VELVET, BEAT, WLD, XLM

Los mercados de criptomonedas permanecieron bajo presión esta semana, con Bitcoin y Ethereum extendiendo su bajo rendimiento. Aunque el sentimiento general fue cauteloso, el capital rotó hacia algunos altcoins de baja capitalización, generando ganancias de tres dígitos. **Mayores ganadores:** Velvet [VELVET] lideró con una subida del 235%, acercándose a su máximo histórico. DeXe [DEXE] subió un 60%, recuperando un nivel clave por primera vez desde 2021. Audiera [BEAT] subió un 45%, recuperándose tras una caída previa del 70%. **Mayores perdedores:** MemeCore [M] cayó un 70% tras reportes de manipulación interna. Worldcoin [WLD] retrocedió un 26%, una corrección tras una buena racha. Stellar [XLM] bajó un 18.5%, con 11 días consecutivos de pérdidas. En resumen, una semana de altibajos con movimientos extremos en tokens selectos, mientras las principales criptomonedas luchaban por ganar terreno.

ambcryptoHace 2 hora(s)

Ganadores y perdedores semanales del mercado de criptomonedas – VELVET, BEAT, WLD, XLM

ambcryptoHace 2 hora(s)

Sui se asocia con Token Terminal para ofrecer análisis on-chain institucionales

La red Sui se ha asociado con Token Terminal para integrar datos financieros y análisis on-chain en los flujos de trabajo de investigación institucional. Esta integración está diseñada para facilitar el análisis de los datos de la red Sui a usuarios profesionales, mejorando el acceso y la visibilidad de la información en la cadena. Es crucial enfatizar que esta asociación no debe interpretarse como un impulsor directo del precio del token SUI o de un crecimiento inmediato del valor total bloqueado (TVL). El contexto actual del mercado, con una liquidez reducida y una dirección frágil de Bitcoin, hace que los traders presten más atención a este tipo de actualizaciones de la infraestructura del ecosistema. Los lectores deben verificar los anuncios oficiales de Sui Foundation y los materiales de integración de Token Terminal para confirmar los detalles.

bitcoinistHace 4 hora(s)

Sui se asocia con Token Terminal para ofrecer análisis on-chain institucionales

bitcoinistHace 4 hora(s)

Trading

Spot
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow