Artículos Relacionados con Arquitectura

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Arquitectura", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

L2 'Recalibrating': Cuando L1 se convierte en su propio Rollup, ¿cuál es el final del camino de Ethereum?

"L2 «recalibración»: cuando L1 se convierte en su propio Rollup, ¿cuál es el final de Ethereum?" La relación entre L1 y L2 en Ethereum está evolucionando. Originalmente, L2 (como los Rollups) se centraban en ofrecer espacio de transacción barato, mientras que L1 priorizaba la descentralización y seguridad. Sin embargo, los avances en Ethereum, como el aumento del límite de Gas y el desarrollo de zkEVM, permiten que L1 también escale significativamente. Esto obliga a repensar el valor de L2, que ya no puede basarse solo en costos bajos, sino que debe ofrecer funciones diferenciadas como privacidad o modelos de gobernanza flexibles. La creciente fragmentación entre múltiples L2 plantea problemas de interoperabilidad y experiencia de usuario. La comunidad está trabajando en soluciones como marcos de intenciones (intents) y una capa de interoperabilidad nativa (EIL) para que Ethereum "vuelva a sentirse como una sola cadena", facilitando las interacciones entre diferentes entornos de ejecución sin que el usuario note la complejidad subyacente. Acortar el tiempo de finalidad de L1 también es crucial para aplicaciones cross-chain. Un concepto provocador sugiere que, con la adopción de sistemas de prueba (zkEVM) en la red principal, Ethereum L1 podría, en un sentido arquitectónico, convertirse en una especie de "Rollup de sí mismo", donde la ejecución y la verificación se separan. Esto, junto con la visión de "Native Rollup", podría difuminar los límites tradicionales entre L1 y L2, transformándolos en un espectro de entornos de ejecución con diferentes funcionalidades pero que comparten seguridad, liquidez y un sistema de estado común. En conclusión, el futuro de Ethereum no es que L1 reemplace a L2 o viceversa. En cambio, el ecosistema podría evolucionar hacia un conjunto unificado de entornos de ejecución especializados que, trabajando en conjunto, ofrezcan escalabilidad, diversidad de funciones y una experiencia de usuario cohesiva. El reto es volver a ensamblar, sin perder los beneficios de la escalabilidad, un Ethereum que funcione como un todo integrado para el usuario final.

marsbit07/21 12:59

L2 'Recalibrating': Cuando L1 se convierte en su propio Rollup, ¿cuál es el final del camino de Ethereum?

marsbit07/21 12:59

El Debate sobre Stablecoins de Visa y Mastercard Vuelve a Centrar la Atención en el Diseño del XRP Ledger

El proyecto de stablecoin Open USD (OUSD), respaldado por un consorcio que incluye a Visa, Mastercard, Stripe, BlackRock, Coinbase y Ripple, ha devuelto el diseño de XRP Ledger (XRPL) al debate. Un exingeniero de Ripple, Matt Hamilton, señala que la estructura multilateral de reservas de OUSD se asemeja a conceptos presentes en el diseño temprano de XRPL desde 2012. Es importante aclarar que OUSD no se emitirá inicialmente en XRPL, sino en Solana y Tempo, y que la comparación es técnica, no una integración oficial. El XRP Ledger fue diseñado con características para la liquidación rápida y activos emitidos, lo que explica por qué surgen estas comparaciones con nuevos modelos de stablecoin. Para la comunidad de XRP, esto refuerza la narrativa de que las ideas pioneras del libro mayor están siendo reevaluadas por actores financieros tradicionales. La cuestión abierta es si esto llevará a un uso directo de XRPL o simplemente a la adopción de sus conceptos de diseño. La conclusión clave es mantener un enfoque preciso: la comparación técnica respalda la utilidad de XRPL, pero no implica una conexión operativa directa con OUSD.

bitcoinist07/02 23:08

El Debate sobre Stablecoins de Visa y Mastercard Vuelve a Centrar la Atención en el Diseño del XRP Ledger

bitcoinist07/02 23:08

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.

marsbit06/29 12:57

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

marsbit06/29 12:57

Nuevo trabajo del equipo de Kaiming He: Eliminando VAE y datos privados, la generación de texto a imagen resulta ser más potente

El equipo de investigación de He Kaiming presenta MiniT2I, un modelo de generación de imagen a partir de texto (text-to-image, T2I) minimalista y directo en el espacio de píxeles, que desafía la complejidad de los enfoques dominantes. El modelo elimina componentes estándar como el VAE para codificación, mecanismos de inyección condicional complejos (AdaLN), funciones de pérdida auxiliares, datos privados y etapas de alineación RL/DPO. Utiliza un objetivo de "flow matching" entrenado directamente sobre píxeles RGB. Con solo 258M de parámetros (versión B/16), supera a modelos de espacio de píxeles mucho más grandes en benchmarks como GenEval (0.87) y DPG-Bench (84.2). Su arquitectura, MM-JiT, simplifica el Transformer estándar: añade dos adaptadores ligeros para las características de texto de T5 (congelado) y elimina la rama AdaLN, confiando en que la imagen ruidosa ya contiene información temporal. Esto reduce parámetros y permite más capas, mejorando el FID a 13.7. El entrenamiento, de bajo costo (~3 días en 8 H100 para el modelo de ablación), se realiza en dos fases con datos completamente públicos: preentrenamiento en CC12M reetiquetado y ajuste fino en ~120K pares de alta calidad. Esto demuestra que un modelo pequeño puede igualar o superar en ciertos aspectos a gigantes como SD3-Medium en escenas imaginativas, aunque muestra limitaciones en renderizado de texto y entidades nombradas debido a los datos públicos. MiniT2I señala un cambio de paradigma hacia la simplificación y eficiencia en la generación de imágenes, haciendo que la tecnología T2I sea más accesible fuera de los laboratorios industriales líderes.

marsbit06/22 10:21

Nuevo trabajo del equipo de Kaiming He: Eliminando VAE y datos privados, la generación de texto a imagen resulta ser más potente

marsbit06/22 10:21

Análisis del Hook de Uniswap v4: Diseño de Arquitectura, Vulnerabilidades Comunes y Prácticas de Protección

Desde el lanzamiento de Uniswap v4 en la red principal, el mecanismo Hook se ha convertido en una de las innovaciones más destacadas en DeFi. Plataformas como Flaunch en Base utilizan Hooks para precios fijos en preventa y liquidaciones automáticas, mientras que protocolos como Bunni v2 los emplean para liquidez programable y modelos de re-staking. Sin embargo, el auge de estos casos de uso también ha traído un aumento significativo en ataques dirigidos a vulnerabilidades en la implementación de los Hooks. Este artículo analiza la arquitectura de seguridad de los Hooks de Uniswap v4. La principal innovación es un contrato único PoolManager que gestiona todos los pools y utiliza un sistema de "flash accounting" (contabilidad temporal), donde los cambios en los saldos se resuelven al final de cada transacción. Cada pool puede vincular de forma permanente un contrato Hook, que se ejecuta en puntos clave como `beforeSwap` o `afterAddLiquidity`. Un aspecto crítico es que los permisos del Hook (qué funciones ejecuta) están codificados en los últimos bits de su dirección de despliegue, lo que requiere un cálculo cuidadoso usando herramientas como HookMiner. Un error común es que funciones de callback como `beforeSwap` no tienen control de acceso por defecto en plantillas como BaseHook, dejándolas expuestas si el desarrollador no lo implementa explícitamente. El análisis de la pila de llamadas, como en un intercambio (`swap`), revela que los Hooks pueden modificar los montos de la operación devolviendo un `delta`. Un Hook "asíncrono" o de "curva personalizada" puede incluso anular completamente la lógica de intercambio de Uniswap, asumiendo todo el riesgo. Aunque el sistema garantiza que el libro mayor final esté equilibrado (`NonzeroDeltaCount == 0`), esto no previene la manipulación maliciosa de los estados subyacentes. El caso de Cork Protocol subraya estos riesgos, mostrando que auditar un Hook requiere tratarlo como un subprotocolo completo, dada su compleja interacción con el PoolManager y el potencial de confusiones entre tipos de tokens en diferentes mercados. En resumen, la seguridad en v4 se ha fragmentado: ya no depende solo del protocolo principal, sino de la correcta implementación de cada Hook individual en cada pool.

marsbit06/22 08:10

Análisis del Hook de Uniswap v4: Diseño de Arquitectura, Vulnerabilidades Comunes y Prácticas de Protección

marsbit06/22 08:10

Xpeng y Nio compiten por potencia de cálculo, Li Auto cambia de arquitectura

En un evento del 15 de junio, Li Auto presentó su chip de conducción autónoma autodesarrollado Mahe M100 para el nuevo L9 Livis, enfatizando la innovación en arquitectura por sobre la potencia bruta de cálculo (TOPS). Mientras que competidores como NIO, Xpeng y Huawei destacan sus cifras de TOPS, Li Auto apuesta por un cambio fundamental: una arquitectura de flujo de datos dinámico que optimiza el procesamiento de modelos de IA, reduciendo la latencia y mejorando la eficiencia. El chip Mahe M100, cuyo diseño fue presentado en la conferencia ISCA 2026, promete hasta tres veces más potencia efectiva que el Nvidia Thor U en cargas de trabajo específicas de Li Auto, gracias a su co-diseño con el modelo de IA VLA2.1. Sin embargo, esta ventaja está ligada a sus algoritmos propietarios, lo que implica un alto costo de cambio si se modifica la ruta tecnológica. Li Auto también introdujo su visión de "vehículo de inteligencia encarnada", definiendo el coche como un sistema integral que combina transporte, asistencia y capacidad de aprendizaje. La compañía se comprometió a equiparar su sistema de conducción autónoma, Mahe VLA, con el Tesla FSD V14 en el cuarto trimestre, con actualizaciones mensuales concretas que mejorarán capacidades como el estacionamiento autónomo y los tiempos de reacción. A pesar de los desafíos financieros, con un margen decreciente en 2025 y un objetivo de ventas de 550,000 unidades para 2026, Li Auto mantiene una fuerte inversión en I+D, enfocándose en la integración vertical de hardware y software. Los próximos lanzamientos de productos y actualizaciones de software en el tercer trimestre serán cruciales para validar su estrategia en el competitivo mercado de vehículos eléctricos.

marsbit06/16 04:56

Xpeng y Nio compiten por potencia de cálculo, Li Auto cambia de arquitectura

marsbit06/16 04:56

Tras la aprobación de la Ley GENIUS y la Ley CLARITY, ¿cuál es realmente la arquitectura correcta para los rendimientos en cadena?

El artículo analiza la evolución del crédito en blockchain, destacando tres categorías: préstamos cripto con sobrecolateralización, préstamos sin garantía y **crédito respaldado por activos (ABC)**. Este último es el de mayor crecimiento y la única solución creíble al problema de **selección adversa** en el ecosistema. Actualmente, el ABC en blockchain se implementa principalmente a través de fondos tokenizados, lo que no resuelve el problema de fondo, sino que traslada el riesgo del gestor del fondo. La propuesta clave es resolverlo a nivel de protocolo, codificando la evaluación, estructura y recuperación en la **bóveda (vault)** inteligente misma. El marco regulatorio estadounidense, con las leyes **GENIUS** y **CLARITY**, prohíbe que las stablecoins paguen rendimientos directamente. Esto convierte a las bóvedas (como las estándar ERC-4626) en el vehículo fundamental para ofrecer rendimientos de forma regulada y transparente. Por lo tanto, el diseño de estas bóvedas —su permisividad, contabilidad, divulgación y cumplimiento— se vuelve crítico. El futuro, en un plazo de 12 a 18 meses, dependerá de construir productos de ABC conformes, centrados en Estados Unidos y diseñados desde su base para la nueva era regulatoria, aprovechando la enorme base de capital existente en stablecoins.

Foresight News06/11 11:18

Tras la aprobación de la Ley GENIUS y la Ley CLARITY, ¿cuál es realmente la arquitectura correcta para los rendimientos en cadena?

Foresight News06/11 11:18

Más allá del "Muro de la Memoria": La Revolución a Escala de Oblea y la Ruta de la Capacidad Computacional en la Era del Razonamiento de IA

En 2026, el gasto de capital de los grandes proveedores de nube en inferencia de IA superó por primera vez al de entrenamiento, marcando un punto de inflexión hacia el uso de modelos grandes. La inferencia enfrenta la "barrera de memoria", donde el movimiento de datos (pesos del modelo, activaciones, KV Cache) entre la DRAM externa y las GPU consume más energía y tiempo que el cálculo en sí. Empresas como Cerebras abordan esto con un enfoque radical: el Wafer-Scale Engine (WSE). En lugar de cortar una oblea en múltiples chips, usan casi toda la oblea como un solo chip gigante (ej. WSE-3). Esto proporciona 44 GB de SRAM en el chip y un ancho de banda de memoria interno masivo (21 PB/s), miles de veces mayor que el HBM de las GPU, reduciendo drásticamente la latencia para cargar pesos del modelo. En inferencia, esto permite una generación de tokens entre 1.5 y 5 veces más rápida que una GPU NVIDIA B200 en ciertos modelos, con una ventaja notable en el tiempo para el primer token (TTFT) y cargas de trabajo de agentes. Su arquitectura también reduce drásticamente el consumo energético de la interconexión. Sin embargo, este enfoque conlleva desafíos: la capacidad de SRAM ya no escala fácilmente con procesos más avanzados, presenta retos de refrigeración, un ecosistema de software propietario y un ancho de banda de E/S externo limitado (150 GB/s) que dificulta la expansión multi-chip. Mientras tanto, los grandes actores persiguen otras rutas: chips ASIC especializados (Google TPU, Microsoft Maia), tecnologías de empaquetado avanzado estandarizadas (como SoW de TSMC) que podrían democratizar el concepto de "wafer-scale", y la interconexión óptica como solución a largo plazo para la barrera de memoria. Cerebras también enfrenta el reto comercial de cumplir grandes pedidos, teniendo que construir centros de datos especializados para 2026-2028. En última instancia, la arquitectura de computación se trata de equilibrar ventajas: Cerebras optimiza para la latencia extrema en cargas específicas, mientras que NVIDIA prioriza la flexibilidad y el rendimiento agregado del clúster para cargas diversas. El camino hacia la AGI sigue abierto y la incertidumbre tecnológica y comercial es precisamente lo que impulsa la innovación.

marsbit06/05 11:12

Más allá del "Muro de la Memoria": La Revolución a Escala de Oblea y la Ruta de la Capacidad Computacional en la Era del Razonamiento de IA

marsbit06/05 11:12

GitHub, atravesado por la IA

GitHub sufrió una interrupción masiva el 9 de febrero de 2026 debido a una sobrecarga en un clúster de base de datos. El detonante fue un simple cambio de configuración en la TTL del caché de configuración de usuario, de 12 a 2 horas, lo que desató una "tormenta de reescritura" que agotó los recursos del sistema. Este incidente no fue aislado. En los primeros meses de 2026, GitHub experimentó al menos 8 fallos importantes. La causa subyacente es un aumento explosivo y sin precedentes en la carga de trabajo. El volumen de commits, impulsado en gran medida por Agentes de IA como Claude Code, pasó de unos 10 mil millones en 2025 a un ritmo semanal de 275 millones en 2026, proyectando un crecimiento anual de 14x. Las contribuciones de AI se multiplicaron por 25 en tres meses. Esta nueva carga, continua y automatizada, expuso problemas estructurales: servicios acoplados, falta de mecanismos de protección y una arquitectura no diseñada para este paradigma. Además, el modelo de negocio de Copilot se volvió insostenible, forzando una transición de precios fijos a un modelo de pago por uso basado en créditos. GitHub ya no es solo una plataforma para la colaboración humana. Se está convirtiendo en la "tubería de escape" para flujos de trabajo automatizados de IA. La compañía anunció la necesidad de rediseñar su arquitectura para escalar 30 veces, no solo expandirla. Esto implica desacoplar servicios, introducir controles de flujo y eliminar puntos únicos de fallo. El desafío no es solo técnico, sino de redefinir su identidad en una nueva era del desarrollo de software impulsado por IA.

marsbit06/04 10:43

GitHub, atravesado por la IA

marsbit06/04 10:43

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

**Resumen: El descenso del 99% de Xiaomi MiMo: Una victoria de la ingeniería, no del marketing** El anuncio de Xiaomi de reducir hasta un 99% el precio de las API de su modelo MiMo-V2.5 generó escepticismo, interpretado como una guerra de precios o una maniobra desesperada. Luo Fuli, responsable de MiMo, respondió con un blog técnico detallado, demostrando que la rebaja es el resultado de seis optimizaciones de ingeniería sistemáticas, no una táctica de marketing. La clave es el descuento del 99% aplicado específicamente a la entrada de tipo "Cache Hit" (contexto histórico re-leído). Para lograrlo, el equipo implementó: 1. **Arquitectura Híbrida SWA:** 60 de las 70 capas del modelo solo atienden a los 128 tokens más recientes, reduciendo el volumen de la "memoria" del modelo (KVCache) a 1/7. 2. **Gestión de Memoria en Dos Piscinas:** Asigna memoria por separado para las capas con atención completa y las de ventana deslizante (SWA), liberando realmente la capacidad ahorrada y quintuplicando los usuarios concurrentes por GPU. 3. **Cache de Prefijos Mejorado:** Un nuevo sistema garantiza que solo se reutilicen fragmentos de contexto completos y válidos, logrando una tasa de acierto en caché del 93-95% para peticiones de usuarios frecuentes. 4. **Almacenamiento en SSD Integrado (GCache):** La caché distribuida se aloja en los discos SSD de las propias máquinas con GPU, eliminando costes adicionales de almacenamiento. 5. **Sistema de Enrutamiento Inteligente (LLM-Router):** Dirige peticiones similares a la misma máquina y prioriza las que aciertan en caché, mejorando el rendimiento y la latencia. 6. **Predicción Multi-Token (MTP):** Acelera la generación de respuestas del modelo prediciendo varios tokens a la vez, reduciendo también el coste de la parte de "salida". En conjunto, estas innovaciones redujeron el tiempo de GPU por petición en más de un orden de magnitud, haciendo posible el descuento del 99% manteniendo márgenes positivos. Luo Fuli subraya que este es un logro de ingeniería sistémica, un modelo de reducción de costes verificable que trasciende la mera competencia por precios.

marsbit05/31 10:41

La reducción del 99% en el precio del Xiaomi MiMo no es una estrategia de marketing. Luo Fuli publica en X respondiendo a los pesimistas.

marsbit05/31 10:41

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow