Conflux与中国移动咪咕推出全球首款基于区块链的视频铃声

币界网Publicado a 2024-08-21Actualizado a 2024-08-21

币界网报道:

[2024年8月21日,美国纽约]

Conflux Network是中国唯一一家符合监管要求的公共区块链,正在与中国移动合作,中国移动是中国最大的电信提供商,每月拥有超过10亿用户。这一战略联盟旨在通过中国移动的数字内容部门Migu彻底改变数字收藏。Conflux Network和中国移动将推出尖端的数字收藏品,如视频彩铃(Ringback Tones)、数字身份(DID)和区块链通信硬件,所有这些都由Conflux TreeGraph公共区块链驱动。

此次合作的第一个版本将成为世界上第一个基于公共区块链的数字收藏视频铃声,创造历史。该系列名为“MIGO和他的朋友ConFi”,将于2024年8月23日北京时间上午10:00推出,可通过Migu音乐应用程序的“数字收藏品”部分购买。

该系列以Conflux的吉祥物“ConFi”和中国移动咪咕的开创性NFT产品“MIGO”为特色。该剧融合了香港的现实地标,通过引人入胜的视觉故事讲述了一个友谊故事。“MIGO和他的朋友ConFi”视频铃声将作为神秘盒子出售,每盒售价13.9元人民币(约2美元),有5000个。其中,500个是罕见版本,仅占总数的1%。这些视频铃声神秘盒子提供了一种尖端的5G体验,结合了个性化、社交互动和交互性。用户在通话过程中可以直接在手机屏幕上查看相应的视频铃声,而无需安装额外的软件。

自2021年以来,咪咕一直是中国移动增长最快的垂直行业之一,是沉浸式媒体技术的领导者。Migu推动了数字内容创新,战略重点是超高清视频、视频铃声、云游戏、云VR和云AR,所有这些都是其Metaverse进化战略的一部分。与Conflux的合作标志着Migu首次在公共区块链网络上涉足Metaverse和数字收藏应用程序,将这项技术带给Migu的1.2亿月活跃客户。

关于Conflux

Conflux Network是一个无需许可的第1层区块链,它跨越国界和协议连接去中心化的经济体。它利用混合PoW/PoS共识机制来确保快速、安全和可扩展的区块链环境。有了Conflux,拥塞得以消除,费用保持在较低水平,网络安全得到了增强。

作为中国领先的合规公共区块链,Conflux为寻求进入亚洲市场的项目提供了明显的优势。该平台与该地区的知名全球品牌和政府实体合作,推动区块链和元宇宙倡议。值得注意的合作伙伴包括上海市、中国电信、小红书(中国的“Instagram”)、麦当劳中国和奥利奥。用户可以了解更多:https://confluxnetwork.org/

关于中国移动咪咕

中国移动咪咕是中国移动旗下专注于移动互联网领域的专业子公司。该公司致力于“数字内容平台”的核心原则,融合了电信运营商和互联网公司的特点。在先进技术的支持下,Migu继续构建其在内容技术、平台技术和云网络技术方面的核心能力。咪咕正积极探索创新的“互联网+数字内容”运营,将内容孵化与渠道合作相结合,并致力于开发新媒体整合、数字内容聚合、版权交易和内容创业平台。Migu致力于改变用户体验娱乐和文化的方式。咪咕拥有4亿视频铃声用户、2500万数字智能用户、6000多万电子书和130多本出版书籍。Migu还提供2300款云游戏,拥有1.2亿活跃用户,使其成为顶级文化科技品牌和新媒体平台。

Lecturas Relacionadas

La espada de Damocles del mercado alcista de la IA: no solo en Corea, el apalancamiento en las acciones estadounidenses también es alarmante

El auge de la IA ha impulsado los mercados bursátiles globales a nuevos máximos, pero el combustible que sostiene esta subida es cada vez más peligroso: el apalancamiento ha alcanzado niveles extremos tanto en EE. UU. como en Corea del Sur. En EE. UU., la deuda de margen (margin debt) alcanzó un récord de 1.4 billones de dólares en mayo, mientras que los activos de los ETF apalancados casi se duplicaron a 220 mil millones de dólares en menos de 70 días. El entusiasmo se concentra en índices de tecnología y semiconductores, y en acciones como Nvidia o Tesla. Este frenesí de apalancamiento, impulsado por fondos de cobertura y pequeños inversores, actúa como un amplificador procíclico: alimenta la subida, pero multiplicará las caídas cuando se revierta la tendencia, como advierten Barclays y Morgan Stanley. La alerta se encendió tras la volatilidad extrema en Corea del Sur, donde el índice KOSPI, liderado por acciones de chips como Samsung, sufrió múltiples interrupciones por caídas bruscas, mostrando la vulnerabilidad de un mercado altamente concentrado y con un apalancamiento elevado. Simultáneamente, el coste de financiar operaciones bursátiles en EE. UU. se ha disparado a máximos no vistos desde 2020, según Morgan Stanley. La demanda de financiación se concentra abrumadoramente en el sector tecnológico, lo que hace que todo el mercado dependa de un número reducido de compradores apalancados. Cuando estos compradores marginales desaparezcan, una corrección podría desencadenar un proceso de desapalancamiento que amplificaría la presión vendedora de forma no lineal. Los analistas advierten que este riesgo latente podría forzar una reevaluación de las condiciones financieras y del camino futuro de la política de la Fed.

marsbitHace 7 min(s)

La espada de Damocles del mercado alcista de la IA: no solo en Corea, el apalancamiento en las acciones estadounidenses también es alarmante

marsbitHace 7 min(s)

Transformando el Transformer: los LLM se vuelven más inteligentes con un simple cambio

Una nueva investigación de Mila, la Universidad de Cornell y la Universidad de Montreal propone un cambio radical en la arquitectura de los modelos de lenguaje grandes (LLM): la redistribución asimétrica de parámetros sin aumentar su número total. El estudio señala que la práctica estándar de asignar la misma capacidad (ancho de la red feed-forward) a cada capa del Transformer es ineficiente. Evidencias como el "early exiting" y estudios de interpretabilidad muestran que las capas iniciales procesan información fundamental (sintaxis), mientras que las posteriores a menudo refinan o repiten información. Los investigadores introdujeron los "Modelos de Lenguaje Cónicos" (Tapered Language Models), donde el ancho de la red disminuye progresivamente desde las capas iniciales hacia las finales, manteniendo constante el total de parámetros y operaciones (FLOPs). El mejor resultado se obtuvo con una disminución de tipo coseno, asignando un 50% más de capacidad al inicio y un 50% menos al final. En pruebas con un modelo de 440M de parámetros, esta simple redistribución redujo la perplejidad en 1.84 puntos (de 16.28 a 14.44), una mejora significativa sin costo computacional adicional. El hallazgo se validó en múltiples arquitecturas (Transformer estándar, Hope-attention, Titans) y escalas (hasta 1.3B de parámetros), mostrando mejoras consistentes en tareas de razonamiento y predicción lingüística. La explicación subyacente es que las capas profundas generan activaciones más similares a las entradas existentes, necesitando menos "capacidad de trabajo" nueva. Este trabajo sugiere que optimizar la *forma* de distribución de parámetros es una palanca de mejora infrautilizada y de costo casi cero, aplicable potencialmente a Transformers visuales y modelos multimodales.

marsbitHace 23 min(s)

Transformando el Transformer: los LLM se vuelven más inteligentes con un simple cambio

marsbitHace 23 min(s)

Trading

Spot
活动图片