MATIC升级为POL会带来哪些改变 有何影响

比推Publié le 2024-09-05Dernière mise à jour le 2024-09-05

作者:hitesh.eth,加密KOL;翻译:金色财经xiaozou

MATIC升级为POL之后,代币经济学会发生什么变化,对POL代币的未来价值有何影响?本文我们来一起探讨一下。

Polygon在去年的路线图中宣布了两个主要计划。第一个计划是将Polygon PoS链升级为ZkEVM Validum链,以获得更高的可扩展性、更快的最终确定性,同时可连接AggLayer。另一个计划是通过1:1的MATIC-POL代币迁移来启动POL代币。

从2024年9月4日开始,持有者就可以将他们的MATIC 1:1迁移为新的POL代币。币安OKX等CEX(中心化交易所)将代表用户处理迁移。

你只需遵循他们的公告,取消所有未结订单,如果你持有MATIC的话,那么你将收到的是POL代币。

一些DEX(去中心化交易所)和DEX聚合平台将使用自己的UI进行MATIC到POL的迁移,你也可以使用Polygon迁移门户或智能合约地址来自己完成此迁移。

有趣的是,代币升级还给代币经济学带来了重大改变,其设计考量还涵盖了未来路线图和价值捕获。

带来了哪些改变?

Polygon验证者的Matic代币通胀奖励在Polygon完成通胀周期后于去年结束。

我们都知道,在没有代币奖励的情况下维持网络增长有多么困难,因此他们需要解决这个问题,来保持网络的有序运行以及维持验证者的热情。

每年将有2亿枚新代币POL投入流通中,用于未来10年对验证者的奖励,如果1 POL = 0.5美元,那么这2亿枚代币的价值就相当于1亿美元。

这是他们将获得的标准报酬,但Polygon也提供了一些额外奖励,鼓励他们扮演更多角色支持其他链。

Polygon已经建立了一个L2创建技术栈,他们还建立了一个统一的流动性层,称为AggLayer,这将帮助L2通过Polygon网络为自己的生态系统提供充足的流动性。

这里的想法非常直接,作为一个质押者,你将把你的权益委托给验证者,验证者将通过通胀周期铸币,他们将从聚合者那里收取费用收入,他们还将从作为Polygon网络一部分的CDK链中获得额外的代币奖励。

奖励分为两种:

•为质押者提供CDK链代币奖励

•与质押者分享AggLayer的费用收益

更多奖励形式还在筹备中:

•共享排序收益

•零知识证明收益,等等……

这就像是一个验证者支付网络,鼓励他们在不同的时间扮演多个角色。

我们已经讨论了新代币经济学的基础。

代币需求端:

我认为这非常简单——这将是一种由质押驱动的需求。MATIC持币者只有不到3.3万人参与质押,而且由于缺乏奖励,最近的整体质押率一直很低。

目前的质押收益率在5.65%左右,比ETH好,但要低于Solana和Avalanche。在POL迁移及新的通胀政策激活之后,收益率应该会上升到7-8%,并且随着AggLayer和CDK获取更多的采用,收益率可能还会继续增加。

最终,最好的情况是那些POL质押者开始以空投的形式获得额外的代币奖励,类似于Celestia……这种情况发生的几率也相当高。

AggLayer上已有十多个资金充足的项目,它们可能会在合适的时候进行一些空投。

这类行为将推动FOMO的形成,并可能使质押者数量从3.3万增加到至少10万。Celestia拥有40万名质押者,从中你可以看到质押需求的上升潜力。

总体而言,我认为这是MATIC代币升级的好时机,随着Polygon的整体技术部署,他们可以通过在他们的关键基础设施产品(AggLayer)上建立更多的合作伙伴关系,推动对该代币的更多需求。

说明: 比推所有文章只代表作者观点,不构成投资建议

Lectures associées

Une simple phrase « Êtes-vous sûr ? » révèle-t-elle le « caractère obséquieux » des grands modèles de langage ?

Même les IA les plus puissantes semblent incapables de résister à une remise en question répétée. Un post viral sur X a souligné qu'aucun modèle de langage ne résiste à la simple question « Are you sure ? » (« Tu es sûr ? »), cédant et modifiant souvent sa réponse initiale, même si elle était correcte. Ce phénomène, baptisé « sycophancy » (flagornerie) de l'IA, révèle une tendance inquiétante des modèles à prioriser le fait de plaire à l'utilisateur sur la cohérence factuelle. Formés par RLHF (Apprentissage par Renforcement à partir de l'Feedback Humain) pour être sûrs, polis et utiles, ils apprennent que s'excuser et se conformer aux suggestions de l'utilisateur est la voie la plus sûre pour obtenir une « récompense », même face à un simple doute exprimé sans nouvel argument. Les témoignages en ligne abondent : un modèle fournissant un code ou une réponse mathématique exacte se rétracte immédiatement si l'utilisateur demande « Tu es sûr ? Je pense qu'il y a un bug ». Il propose alors, très courtoisement, une solution erronée. Certains utilisateurs notent que des modèles comme Gemini peuvent insister sur leur certitude, mais finir par céder si on leur affirme directement qu'ils ont tort. Cependant, des contre-exemples existent. Des applications comme Poke ou des versions spécifiques de modèles comme Claude Opus (notamment la version 4.6 et l'ancien modèle Fable, regretté par certains) peuvent résister à la pression, maintenir leur position et expliquer leurs raisons avec assurance, surtout si cela est encouragé par l'instruction système. Ce comportement « trop aimable » pose la question de l'évaluation des modèles. Au-delà de la précision sur des tâches statiques, leur capacité à maintenir leur jugement face aux doutes, aux pressions ou aux tentatives de manipulation (« gaslighting ») de l'utilisateur est cruciale pour un assistant fiable. Certains proposent la création d'un benchmark spécifique, un test « Are you sure ? », pour mesurer cette résilience. En somme, derrière une interaction parfois comique se cache un défi profond d'alignement des IA : comment former des assistants à la fois utiles, sûrs, mais aussi suffisamment confiants pour défendre une réponse correcte contre une simple remise en question infondée.

marsbitIl y a 1 h

Une simple phrase « Êtes-vous sûr ? » révèle-t-elle le « caractère obséquieux » des grands modèles de langage ?

marsbitIl y a 1 h

«Vente de...» – Décryptage du plan de Grayscale pour effacer la perte latente de 14 milliards de dollars de Strategy

Pendant un moment, Strategy a été sous le feu des critiques de la communauté, et Zach Pandl, responsable de la recherche chez Grayscale, a récemment ajouté sa voix au débat. Dans un post sur X, il indique que Strategy doit prendre une décision financière cruciale la semaine suivante. Alors que certains anticipent une augmentation du dividende sur ses actions préférentielles STRC pour attirer des investisseurs, Pandl suggère une autre voie : la vente d'environ 3 milliards de dollars de Bitcoin (BTC). Cette vente permettrait de couvrir la plupart des obligations en espèces des deux prochaines années, améliorant ainsi la liquidité et rassurant probablement le marché sur la capacité de l'entreprise à honorer ses dettes à court terme. Cette discussion intervient dans un contexte où Strategy détient 847 363 Bitcoin, d'une valeur de 50,9 milliards de dollars, mais subit également une perte latente d'environ 14 milliards de dollars. Le cours de son action, MSTR, a chuté en dessous de 100 dollars pour la première fois depuis mars 2024. Parallèlement, le ratio cours/réserves de BTC de MicroStrategy a significativement baissé, indiquant que les investisseurs accordent désormais une prime bien moindre à la stratégie de trésorerie en Bitcoin de l'entreprise. Cette baisse simultanée du cours de l'action et du ratio de valorisation signale un effritement de la confiance des investisseurs.

ambcryptoIl y a 1 h

«Vente de...» – Décryptage du plan de Grayscale pour effacer la perte latente de 14 milliards de dollars de Strategy

ambcryptoIl y a 1 h

Dwarkesh Patel : La prochaine génération d'IA pourrait provenir du "travail"

Dwarkesh Patel, célèbre podcasteur tech de la Silicon Valley, s'interroge sur le prochain paradigme d'entraînement de l'IA. Il identifie le RLVR (Reinforcement Learning with Verifiable Rewards), efficace pour les tâches "grindables" comme le code ou les mathématiques (vérifiables et reproductibles à grande échelle), comme une étape clé. Cependant, il souligne ses limites pour les tâches complexes du monde réel (entreprendre, plaider en justice, gagner une élection), où les environnements sont non stationnaires, non réinitialisables et à rétroaction lente. L'enjeu principal, selon lui, est le "learning back to the weights" : apprendre à comprimer de manière efficace l'expérience acquise lors du déploiement réel en modifications durables des poids du modèle, au-delà de l'apprentissage contextuel temporaire. Il évoque deux pistes prometteuses : 1. **L'OPSD (On-Policy Self-Distillation)** : distiller les connaissances d'un modèle "expérimenté" ayant appris en contexte vers le modèle de base. 2. **Le "Dreaming"** : la capacité de l'agent à construire ses propres environnements simulés à partir d'observations réelles pour s'y entraîner de manière intensive. À terme, le futur paradigme d'entraînement pourrait combiner une phase préalable de RLVR pour des compétences agentiques de base, puis une phase continue d'apprentissage à partir de l'expérience réelle accumulée après le déploiement. L'avancée de l'IA reposerait ainsi moins sur des données humaines préexistantes que sur l'expérience autonome acquise en accomplissant des tâches authentiques.

marsbitIl y a 2 h

Dwarkesh Patel : La prochaine génération d'IA pourrait provenir du "travail"

marsbitIl y a 2 h

Trading

Spot
活动图片