Inversion Chain:前 ParaFi 合伙人创立的首个加密私募股权战略 L1 | 超早期项目关注

链捕手Publié le 2025-02-19Dernière mise à jour le 2025-02-19

作者:念青,ChainCatcher

 

2月12日,前 ParaFi Capital 合伙人Santiago Roel Santos 在社交平台上宣布了Inversion Chain。他表示,Inversion将以“链上实际 GDP”为重点,通过上链,企业可以从根本上改善其运营和绩效。Inversion chain 将推动世界上第一个加密原生私募股权战略。而具体手段是通过收购传统企业并将其锚定在Inversion链上。

此前,去年11月,Santiago Roel Santos 宣布推出私募股权基金 Inversion Capital,这也是Inversion Chain的理念雏形阶段,那时Santiago已经决定收购传统企业并采用加密技术来转变其运营方式,那时,他特别强调是“收购”而非让企业合作和接受,这也意味着Inversion Chain将是一条定制的、主权明确的L1。

据悉,Inversion Chain将采用Avalanche L1 的定制链技术。除了创始人和项目初始理念外,Inversion目前还一无所有,在Santos近期的发帖中,他还在招聘 CTO和团队其他成员。但这个看上去雄心勃勃的项目实际早就萌芽。

关于创始人 Santiago Roel Santos

Santiago Roel Santos 是 Inversion Capital 创始人,曾担任 ParaFi Capital 普通合伙人,也是 EON Capital 与 Roca Capital 创始人。作为天使投资人,他主要专注于技术、医疗保健等方面。此前,他曾在摩根大通投资银行金融赞助团队工作,然后在 Sageview Capital 投资并帮助互联网和软件公司扩张,此后担任 Elysium Health 增长与研究顾问。他是摩根大通最年轻的领袖奖学金获得者之一,并只用 3 年时间,便以优异的成绩从波士顿大学获得经济学学士学位。

Santos 一段比较重要的工作经历是在ParaFi Capital担任合伙人。ParaFi Capital 是 DeFi 领域提前布局并取得先机的机构投资者,曾投资了MakerDAO 、Kyber Network、Aave、Curve 等重多早期DeFi协议。尽管Santos四年前从ParaFi离职,但他依然继承了ParaFi 对RWA的信仰。

ParaFi Capital近几年投资了不少RWA项目,包括链上奢侈手表交易市场 Kettle、RWA 借贷协议 Centrifuge、房地产衍生品协议Parcl等。去年9月,ParaFi 还曾宣布将在 Avalanche 区块链上通过 Securitize 平台代币化其部分 12 亿美元投资组合。这也是首次基金代币化尝试,将其最新风险投资基金的一部分股权通过代币化,出售给投资者,让更多人参与原本仅限于大型机构或富有投资者的机会。

此外,Santos本人也是一个非常活跃的天使投资人,投资了包括Illuvium、Blast、StepN、NEAR、Manta、LayerZero、Blur、MegaETH等在内的80余个项目(详见RootData 页面)。

Inversion Chain 要做什么?

Santiago Roel Santos认为,目前加密市场面临的最大挑战是采用的问题。对此,他给出的解决方案就是,将传统业务转移到区块链,通过真实的企业上链,带动真实的用户上链。 

Santos 在其个人社交媒体上反复提到的一个价值标的是“Berkshire onchain”(链上伯克希尔)。

伯克希尔(Berkshire)为美国一家跨国多元控股公司,旗下掌管多家子公司。前身为一家纺织公司,在巴菲特于1965年取得经营权后,妥善配置它的保留盈馀而转型为控股公司,旗下公司覆盖广泛,包括铁路、能源、保险、食品、房地产经纪中介公司等等。

伯克希尔的有着不同寻常的经营策略。巴菲特将子公司的关键决策权交给了各个公司的经理,这是一种不同寻常的权力下放。他在2017年伯克希尔致股东信中写道:“我们的权力几乎已经到了放弃的地步。”伯克希尔总部只有26名员工,没有法律顾问、投资者关系或公共关系人员。

Santos介绍,希望通过上链,企业可以彻底改善其运营和绩效。Inversion L1 为推动全球首个加密原生私募股权战略量身定制,就像 KKR 在 1980 年代利用金融工程彻底改变了私募股权收购一样。

Inversion 的目标是:收购传统企业——用区块链取代低效的基础设施和系统——打造具有一流利润率的行业领袖——利用 DePIN、稳定币、DeFi 等区块链技术构建最大的链上经济体。

Inversion 寻求收购具有成熟分销渠道和粘性用户群的企业,以此保证构建最大、最高效的加密客户群体。

为什么选择 Avalanche

Santos在采访中表示,Avalanche 是唯一能够“真正”针对特定用例定制链并提供涵盖所有策略的支持的地方之一。 并且允许 Inversion 在各个级别(无论是验证器、智能合约部署者还是交易级别)许可其网络,从而在最需要的地方保持更大的控制力和安全性。此外,Avalanche也符合其在隐私、EVM 兼容性、 原生互操作性、Gas 和质押代币可定制性等方面的要求。

此外,还有比较关键的一点是,ParaFi Capital曾投资了Avalanche,或许双方有合作基础和信任基础。毕竟ParaFi 自己也找了Avalanche来做基金代币化尝试。

Lectures associées

15 modèles de raisonnement échouent collectivement : explication des risques cachés derrière les chaînes de pensée révélées

Lorsque les modèles de raisonnement à grande échelle (LRM) exposent leurs processus de raisonnement intermédiaires aux utilisateurs et aux systèmes en aval, une question négligée émerge : se fier uniquement à la sécurité de la réponse finale est-il suffisant ? Une étude conjointe de plusieurs universités, dont Harvard, USC et le MIT, démontre le contraire. Elle révèle que les chaînes de raisonnement (CoT) peuvent générer des contenus à haut risque (ex : instructions pour fabriquer une bombe), même lorsque la réponse finale semble sûre. L'étude propose une évaluation en deux étapes : analyser séparément la trajectoire de raisonnement (r) et la réponse finale (y) selon 20 principes de sécurité, chacun noté de 1 à 5. Trois modes d'échec sont identifiés : **Unsafe** (raisonnement et réponse non sûrs), **Leak** (raisonnement dangereux mais réponse sûre), et **Escape** (raisonnement sûr mais réponse dangereuse). Testé sur 15 modèles de raisonnement (dont GPT-4o, Gemini, Claude) avec un ensemble de 41K prompts potentiellement nuisibles, un constat majeur apparaît : **la dangerosité moyenne du raisonnement dépasse systématiquement celle de la réponse finale** pour tous les modèles. Les risques se concentrent sur des catégories comme la désinformation, les préjugés et les dommages physiques. Pour atténuer ces risques, les chercheurs proposent une méthode d'**orientation adaptative multi-principes**. Elle ajuste les activations internes du modèle pendant le raisonnement pour le guider vers des états « sûrs » définis par les principes. Testée sur des modèles open-source (comme DeepSeek-R1), cette méthode réduit le taux de contenus non sûrs jusqu'à 40.8% tout en conservant 97.7% des performances sur des benchmarks standard. En conclusion, cette recherche souligne l'importance cruciale d'évaluer et de contrôler la sécurité tout au long du processus de raisonnement, et pas seulement au résultat final, en fournissant un cadre unifié pour le diagnostic et l'atténuation de ces risques cachés.

marsbitIl y a 29 mins

15 modèles de raisonnement échouent collectivement : explication des risques cachés derrière les chaînes de pensée révélées

marsbitIl y a 29 mins

Trading

Spot
活动图片