He Kaiming's Team's New Work: After Deleting VAE and Private Data, Text-to-Image Generation Becomes Even Stronger

marsbitPublié le 2026-06-22Dernière mise à jour le 2026-06-22

Résumé

KaiMing He's team introduces **MiniT2I**, a minimalist text-to-image (T2I) model that challenges the complexity of mainstream approaches. It eliminates components commonly considered essential: the VAE encoder-decoder, AdaLN conditioning mechanisms, auxiliary losses, private training data, and post-training alignment stages like RL/DPO. Instead, it uses a pure flow-matching objective trained directly on RGB pixels. The model employs a simplified **MM-JiT** Transformer architecture. It removes AdaLN blocks for conditioning and instead prepends two lightweight text adapter blocks to a standard pre-norm Transformer, allowing frozen T5 text features to adapt to the denoiser. Training follows a two-stage, LLM-like paradigm using only public datasets: pre-training on LLaVA-recaptioned CC12M for coverage, followed by fine-tuning on ~120k high-quality image-text pairs. With just 258M parameters (B/16), MiniT2I achieves competitive scores (0.87 on GenEval, 84.2 on DPG-Bench), outperforming larger pixel-space models. Scaling to 912M parameters (L/16) yields results comparable to SD3-Medium (~2B parameters) in style, composition, and imagination, though it lags in text rendering and named entities due to public data limitations. Key advantages include lower computational cost (~570 GFLOPs vs. ~1379 for latent models) and architectural simplicity. Acknowledged limitations include patch boundary artifacts in pixel space, side effects of high CFG scales, resolution ceilings for sequence...

The field of text-to-image generation has long been a fiercely competitive red ocean, seemingly with no room left to innovate.

What do you need to train a powerful text-to-image model today?

Following the current mainstream approach, you would need: a pre-trained VAE encoder-decoder, concatenated text encoders, meticulously designed conditional injection mechanisms, massive datasets, RL or DPO alignment phases...

Overall, there seems to be a consensus: text-to-image generation must be this complex.

He Kaiming's team, however, takes a contrarian approach, offering a new perspective in the field of text-to-image models. They have released MiniT2I — a minimalist, pixel-space text-to-image model that deliberately pursues simplicity.

No VAE encoder-decoder, no AdaLN conditional injection, no auxiliary loss functions, no private data, no RL/DPO alignment, just pure flow matching trained directly on pixels. The 258M-parameter B/16 version achieves 0.87 on GenEval and 84.2 on DPG-Bench, surpassing pixel-space models several times its size.

The core proposition of MiniT2I is: If text conditioning is treated as 'context tokens with semantic information' and injected into the model, text-to-image generation and class-conditional ImageNet generation are not fundamentally that different — the architecture can be similar, computational requirements comparable, and even the scale of data can be aligned.

Paper Title: A Minimalist Baseline for Text-to-Image Generation
Technical Blog: https://peppaking8.github.io/#/post/minit2i
Open Source Repo: https://github.com/PeppaKing8/minit2i-jax

Technical Approach: Subtraction at Every Step

Direct Pixel-Space Output, No VAE

MiniT2I's first design choice is radical: discard the VAE, perform denoising directly on RGB pixels.

Latent Diffusion Models are the current mainstream paradigm, first compressing images into a low-dimensional latent space using an autoencoder before diffusion. This makes high-resolution generation feasible, but at the cost of introducing reconstruction error, an extra training phase, and misalignment between the encoder and denoiser objectives.

MiniT2I's choice of pixel space is pragmatic: For 512×512 resolution, using 16×16 patches to divide the image into 1024 tokens keeps the sequence length well within the Transformer's comfort zone. Removing the VAE reduces single-step forward computation from ~1379 GFLOPs to ~570 GFLOPs (B/16 setting), and eliminates the ceiling on reconstruction accuracy — the output quality is only limited by the denoiser's capability.

Experiments confirm this: Under the same parameter budget, pixel models achieve FID on par with latent space models (18.7 vs 19.0), but with a 5x lower per-step cost.

MM-JiT Architecture: Returning to a Simple Transformer

SD3's MM-DiT uses AdaLN (Adaptive Layer Normalization) within each block to inject timestep and pooled text embeddings into the network — each sub-block needs to compute scale, shift, and gate parameters generated by an extra MLP from the conditioning vectors. This is an elaborate modulation mechanism, but MiniT2I finds it non-essential.

The proposed MM-JiT architecture does two things:

1. Add Two Text Adapter Layers: Insert two lightweight Transformer blocks before joint attention, allowing the frozen T5 features to first 'adapt' to the denoiser's needs.

2. Remove the AdaLN Branch: No longer inject timestep and global text information through an additional path. The model can still perceive noise levels — because the noise-corrupted image itself carries timestep information.

The result is a clean architecture nearly identical to a standard pre-normalization Transformer. Removing AdaLN reduces parameters, allowing for more layers within the same compute budget (12 layers → 17 layers). FID drops from 18.7 to 13.7, and the architecture itself is easier to understand and modify.

Training Data: Fully Public, Two-Phase

MiniT2I's training data also pursues minimalism:

Pre-training: LLaVA-recaptioned CC12M (publicly available VLM re-captioned dataset), 250K steps
Fine-tuning: ~120K high-quality image-text pairs (BLIP3o-60K + LAION DALL・E 3 Discord set + ShareGPT-4o-Image), 40K steps

This 'pre-train then fine-tune' two-stage pattern directly mirrors LLM training paradigms: pre-training buys coverage, fine-tuning teaches the model what a good answer is. Ablations show both are indispensable — pre-training alone yields acceptable image quality but poor prompt following; fine-tuning alone makes the model's world too narrow, causing generative diversity to collapse.

Results: Small Model, Big Performance

In comparisons among pixel-space text-to-image models, MiniT2I offers exceptional value:

MiniT2I-B/16, with only ~600M total parameters (including text encoder), surpasses models 3-4 times its size on GenEval and DPG-Bench. Moreover, training cost is extremely low: the B/32 ablation model required only about 3 days on 8 H100s, with total training FLOPs comparable to a standard 200-epoch ImageNet experiment.

Scaling to L/16 (912M parameters) yields noticeable improvements in style diversity, spatial relationships, and text rendering, achieving quality on imaginative scenes comparable to or even better than SD3-Medium (~2B parameters).

In the more comprehensive PRISM-Bench evaluation, MiniT2I-L/16 performs well in style, composition, and imagination dimensions (79.9, 78.4, 57.9), approaching SD3-Medium levels. However, gaps remain in text rendering (30.6 vs SD3's 50.9) and named entities (60.3 vs 66.3) — the team acknowledges these are inherent limitations of the public data recipe, requiring targeted data to bridge.

Limitations and Outlook

MiniT2I is a proof of concept for a technical path, not a final product. The team honestly points out several unresolved issues:

Patch artifacts in pixel space: Measurable discontinuities exist at patch boundaries (gradients 17-22% higher at boundaries than elsewhere), a problem latent-space models do not have.
Side effects of CFG in pixel space: High guidance scales (~6) push local tokens away from the data manifold, directly exposing visual artifacts without a decoder's 'smoothing' effect.
Resolution ceiling: Works well at 512×512 currently; pushing to 4K+ requires longer sequences or more efficient attention mechanisms.
Data bottleneck: Text rendering and named entities remain weaker than industrial systems, requiring specialized data augmentation.

MiniT2I demonstrates that state-of-the-art text-to-image generation is no longer a game only for top industrial labs.

When a 258M-parameter model, trained on purely public data with academic-level compute for just 3 days, can defeat opponents orders of magnitude larger, perhaps text-to-image is undergoing a paradigm shift from 'brute force' to 'distillation'.

"T2I is no longer an insurmountable wall. Welcome to use and improve it, to build a simpler baseline."

This article is from the WeChat public account "机器之心" (Almost Human)

Cryptos en tendance

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

Questions liées

QWhat is the main contribution or innovation of the MiniT2I model proposed by He Kaiming's team?

AThe main contribution is proposing MiniT2I, a minimalist text-to-image baseline model. It removes numerous complex components standard in current models—such as the VAE encoder-decoder, the AdaLN conditional injection mechanism, auxiliary loss functions, and private training data—and relies solely on flow matching objectives trained directly on pixel space. It demonstrates that with a simpler architecture and public data, it can achieve competitive performance against much larger models.

QHow does the architectural design of MiniT2I's MM-JiT differ from the commonly used MM-DiT in models like SD3?

AThe MM-JiT architecture in MiniT2I differs from MM-DiT by performing simplification in two key ways. First, it adds two lightweight text adapter Transformer blocks before joint attention to help frozen T5 features adapt to the denoiser. Second, and more importantly, it deletes the complex AdaLN (Adaptive Layer Normalization) branches used to inject timestep and text conditioning. This results in a cleaner, near-standard pre-norm Transformer architecture, reducing parameters and allowing for more layers within the same compute budget.

QWhat is the core argument for MiniT2I's choice to operate directly in pixel space instead of a latent space like most models?

AThe core argument is simplicity and alignment. Removing the VAE eliminates several issues: reconstruction error, extra training stages, and misalignment between encoder and denoiser objectives. For 512x512 images, patchifying into 1024 16x16 tokens keeps the sequence length manageable for Transformers. This direct approach reduces computational cost per forward pass significantly (~570 vs ~1379 GFLOPs for the B/16 configuration) and removes the upper bound of reconstruction accuracy, meaning the output quality depends directly on the denoiser's capability.

QWhat were the two stages of data used to train MiniT2I, and why was this two-stage approach necessary?

AMiniT2I was trained in two stages using only public data: 1) Pre-training on LLaVA-recaptioned CC12M (a VLM-recaptioned dataset) for 250K steps. 2) Fine-tuning on a combined set of ~120K high-quality image-text pairs from sources like BLIP3o-60K, LAION DALL・E 3 Discord set, and ShareGPT-4o-Image for 40K steps. This 'pre-train then fine-tune' paradigm mirrors LLM training. Ablation studies showed both stages are essential: pre-training alone gives good image quality but poor prompt following, while fine-tuning alone causes a collapse in generation diversity due to a limited worldview.

QAccording to the article, what are some of the key limitations or unsolved problems with the MiniT2I approach?

AThe key limitations highlighted include: 1) Patch boundary artifacts in pixel space, leading to measurable discontinuities not present in latent models. 2) Negative side effects of high CFG (Classifier-Free Guidance) scales in pixel space, which push local tokens off the data manifold and manifest as visual flaws. 3) A resolution ceiling, as scaling to 4K+ would require longer sequences or more efficient attention. 4) Data bottlenecks, particularly in text rendering and named entity accuracy, which lag behind industrial systems and would require specialized data to improve.

Lectures associées

Après trois trimestres consécutifs de baisse, le marché des cryptomonnaies pourra-t-il connaître une fenêtre de stabilisation au troisième trimestre ?

Le marché des cryptomonnaies a enregistré son pire trimestre depuis 2022, avec une capitalisation totale chutant de 12,6% à 2 100 milliards de dollars. Tous les indicateurs clés (volume des échanges, valeur des stablecoins) montrent une sortie nette de capitaux. Le Bitcoin a perdu 14,2% et l'Ethereum 25,4% sur le trimestre, rompant sa corrélation antérieure avec les actions technologiques. Les ETF spot américains sur le Bitcoin ont subi des rachats massifs, avec une sortie nette de 4,67 milliards de dollars au Q2, indiquant une pression de vente continue. Le resserrement de la politique de la Fed et les ventes d'entreprises comme Strategy ont accentué la déleveragisation du secteur. L'attention du marché se porte désormais presque exclusivement sur la réunion de la Fed fin juillet. Une position accommodante pourrait stabiliser le Bitcoin entre 68 000 et 84 000 dollars, tandis qu'un ton hawkish pourrait le faire osciller autour de 50 000-56 000 dollars. Parallèlement, la progression du *CLARITY Act*, une loi cruciale pour la clarté réglementaire, est au point mort au Sénat, réduisant les chances d'adoption en 2026 et maintenant une prime de risque élevée sur l'ensemble du secteur. Malgré ce contexte difficile, quelques secteurs résistent : les marchés de prédiction ont vu leur volume nominal augmenter de 48,7% et les biens collectionnables tokenisés ont progressé d'environ 143%. La tokenisation d'actifs du monde réel (RWA) continue également sa croissance régulière, portée par des fondamentaux indépendants du cycle crypto. Les bases d'un effondrement extrême semblent absentes, mais le marché est désormais guidé par les politiques monétaires, les prix et les attentes de taux, plutôt que par le simple récit haussier. La fin des sorties massives des ETF et le retour des achats des détenteurs à long terme pourraient indiquer une phase de stabilisation potentielle.

marsbitIl y a 15 h

Après trois trimestres consécutifs de baisse, le marché des cryptomonnaies pourra-t-il connaître une fenêtre de stabilisation au troisième trimestre ?

marsbitIl y a 15 h

The SpaceX Trade, Unlocked: SPCXON Débarque sur WEEX

En juin 2026, SpaceX a réalisé la plus grande introduction en bourse de l'histoire, mais l'accès à l'action a été limité pour de nombreux investisseurs en raison de restrictions régionales et de frictions liées aux courtiers. La plateforme WEEX propose désormais une solution via SPCXON/USDT, un instrument tokenisé sur le marché au comptant qui permet d'obtenir une exposition au cours de SpaceX en utilisant l'USDT, sans nécessiter de compte de courtage américain. SPCXON est un produit tokenisé construit sur l'infrastructure d'Ondo, conçu pour refléter l'économie de la détention d'actions SpaceX pour les traders éligibles en dehors des États-Unis, avec des dividendes réinvestis. Le cas d'investissement repose sur la croissance des revenus de Starlink et les progrès de Starship, malgré un valorisation déjà élevée et des risques liés à un flottant public réduit et à des déblocages d'actions internes à venir. Il est important de noter que SPCXON offre une exposition, et non la propriété directe d'actions ou de droits de vote. Son prix peut évoluer avec une prime ou une décote par rapport à la valeur liquidative. WEEX propose également d'autres produits tokenisés comme MSTRON et MUON dans un compte unifié, permettant une rotation entre crypto-monnaies et actions traditionnelles sans transfert de fonds. La plateforme souligne ainsi comment les barrières entre la finance traditionnelle et les actifs numériques s'estompent.

TheNewsCryptoIl y a 15 h

The SpaceX Trade, Unlocked: SPCXON Débarque sur WEEX

TheNewsCryptoIl y a 15 h

BIT Trading Moment : Le BTC reste sous la pression de l'EMA 200 hebdomadaire, un rejet pourrait relancer la baisse, les actions de stockage et de semi-conducteurs qui ont bondi cette nuit ont baissé en séance de nuit

**Résumé des marchés : Bitcoin sous pression, actions technologiques en réajustement** Le marché crypto poursuit son rebond, avec Bitcoin évoluant autour de 66 000 $. Il fait face à une résistance clé vers 68 000 $, niveau correspondant au coût moyen des investisseurs sur cinq mois. Les traders surveillent les moyennes mobiles clés (200 MA à ~63 333 $ et 200 EMA à ~68 328 $ en hebdomadaire). Une rupture au-dessus de 68 000 $ ouvrirait la voie à une hausse, tandis qu'un échec pourrait entraîner un retest des 63 000 $. L'analyse suggère que la dynamique actuelle ressemble à un rebond estival à faible liquidité plutôt qu'au début d'un véritable marché haussier. Sur le marché actions américain, après une forte séance mardi portée par les semi-conducteurs et les titres du stockage (Micron, AMD, Intel...), les contrats à terme indiquent une ouverture en baisse. Les secteurs ayant récemment bondi, comme les semi-conducteurs et le stockage, reculent en séance de nuit. Certaines valeurs se démarquent néanmoins, comme Super Micro Computer (SMCI), en hausse après des résultats et des perspectives robustes liées à la demande de serveurs IA. Des vents contraires persistent : les prix du pétrole (Brent >91$) et les rendements des obligations d'État américaines grimpent, ravivant les craintes inflationnistes. En Asie, les marchés ont suivi le rebond technologique américain, mais de manière hésitante. La tension reste forte sur le yen japonais, qui atteint son plus bas niveau depuis des décennies. **Points clés à surveiller :** * **Crypto :** Niveaux techniques de Bitcoin (68k$/63k$), flux des ETF spot. * **Actions :** Saison des résultats (Tesla, Alphabet, Intel...), activité d'AMD sur l'IA. * **Économie :** Données américaines sur l'emploi, décision de la BCE, tensions géopolitiques et prix de l'énergie.

marsbitIl y a 15 h

BIT Trading Moment : Le BTC reste sous la pression de l'EMA 200 hebdomadaire, un rejet pourrait relancer la baisse, les actions de stockage et de semi-conducteurs qui ont bondi cette nuit ont baissé en séance de nuit

marsbitIl y a 15 h

Ancien président de la CFTC et président de Circle, Tarbert : Vous prêche le long terme tout en réalisant lui-même 30 millions de dollars

L'ancien président de la CFTC et actuel président de Circle, Heath Tarbert, a conseillé aux investisseurs de privilégier une vision à long terme alors que l'action de l'entreprise a chuté de 70 % par rapport à son sommet. Cependant, il a été révélé que depuis l'introduction en bourse de Circle, Tarbert a vendu des actions pour une valeur d'environ 30 millions de dollars via des plans de vente préétablis (10b5-1), sans jamais en acheter sur le marché public. Cette divergence entre son discours public et ses actions personnelles suscite des critiques. La carrière de Tarbert illustre le "pantalon tournant" entre la régulation et le secteur privé. Après avoir quitté la CFTC en mars 2021, il a rejoint Citadel Securities comme responsable juridique en seulement 27 jours, en pleine controverse GameStop. Plus tard, chez Circle, son rôle a été crucial pour naviguer dans le paysage réglementaire et faciliter l'IPO. Son parcours démontre une habileté à convertir son expertise réglementaire et son réseau en opportunités professionnelles lucratives dans le secteur financier, laissant aux investisseurs ordinaires le risque à long terme qu'il promeut verbalement.

marsbitIl y a 15 h

Ancien président de la CFTC et président de Circle, Tarbert : Vous prêche le long terme tout en réalisant lui-même 30 millions de dollars

marsbitIl y a 15 h

Gate Research Institute : La vague de « Wall Streetisation » des produits financiers cryptographiques, concurrence ou fusion ?

Le titre de l'article est : "Gate Institute : La vague de 'Wall Street-isation' des produits financiers cryptos, est-ce une compétition ou une fusion ?" Résumé en français (environ 1400 caractères) : Il y a dix-sept ans, Bitcoin fut créé avec une vision décentralisée et anti-establishment financier. Aujourd'hui, paradoxalement, son adoption massive passe souvent par des ETF émis par des géants comme BlackRock. Cet article analyse cette "Wall Street-isation" apparente des actifs cryptos : les institutions traditionnelles s'emparent-elles du pouvoir d'émission, de tarification, de garde et de distribution ? La réalité est plus nuancée. C'est une convergence à double sens. D'un côté, les plateformes cryptos comme Gate.io étendent leurs services aux actions traditionnelles (états-uniennes, hongkongaises, sud-coréennes), aux CFD et aux produits tokenisés, offrant un compte unifié. De l'autre, des courtiers traditionnels comme Robinhood intègrent les cryptomonnaies et explorent la tokenisation d'actions sur blockchain. Cette fusion vise à créer le "super-compte" financier de demain, où actions, cryptos, ETF et obligations tokenisées (RWA) coexistent dans une même interface, comblant les faiblesses de chaque écosystème. Les RWA, notamment les obligations d'État tokenisées, agissent comme une couche intermédiaire unificatrice. En conclusion, Wall Street n'a pas conquis la crypto, et la crypto n'a pas contourné Wall Street. Ils construisent ensemble une nouvelle forme de marché des capitaux, plus efficace et mondial, où l'idéal décentralisé persiste dans les protocoles, tandis qu'une expérience utilisateur unifiée émerge à l'interface.

marsbitIl y a 15 h

Gate Research Institute : La vague de « Wall Streetisation » des produits financiers cryptographiques, concurrence ou fusion ?

marsbitIl y a 15 h

Trading

Spot

Articles tendance

Qu'est ce que ₿O₿

Bitcoin Bob ($₿o₿) : Pionnier de la DeFi centrée sur Bitcoin grâce à l'innovation hybride de Layer-2 À une époque où l'économie numérique évolue rapidement, Bitcoin Bob ($₿o₿) émerge comme un projet révolutionnaire visant à améliorer l'utilité de Bitcoin dans le secteur de la finance décentralisée (DeFi). Lancé officiellement en mai 2024, Bitcoin Bob, également connu sous le nom de Build on Bitcoin (BOB), représente une solution blockchain hybride de Layer-2 qui allie la sécurité et l'immuabilité renommées de Bitcoin à la programmabilité d'Ethereum. Cette initiative vise à combler une lacune cruciale dans l'écosystème Bitcoin en facilitant l'intégration des contrats intelligents et des applications décentralisées tout en maintenant les principes fondamentaux de confiance et de sécurité inhérents à Bitcoin. Avec un soutien significatif de la part de capital-risqueurs de renom, Bitcoin Bob est positionné pour redéfinir le rôle de Bitcoin dans le paysage DeFi, en faisant une pierre angulaire des opérations financières décentralisées à l'échelle mondiale. Qu'est-ce que Bitcoin Bob, $₿o₿ ? Au cœur de Bitcoin Bob se trouve une solution blockchain hybride conçue pour améliorer la fonctionnalité de Bitcoin. L'objectif principal du projet est de permettre la finance décentralisée sur Bitcoin, facilitant des transactions rapides et fluides tout en garantissant des niveaux de sécurité élevés. Bitcoin Bob utilise une technologie avancée, spécifiquement une architecture hybride de Layer-2 qui combine les attributs de sécurité de Bitcoin avec la programmabilité et la flexibilité de la Machine Virtuelle Ethereum (EVM). Cette approche pragmatique permet au projet de fonctionner efficacement sans compromettre les valeurs fondamentales de Bitcoin, faisant de lui une étape monumentale pour combler le fossé entre les détenteurs traditionnels de Bitcoin et l'écosystème DeFi émergent. L'une des caractéristiques remarquables de Bitcoin Bob est son rôle dans la fourniture d'un environnement minimisé en confiance grâce à des mécanismes innovants, tels que les rollups optimistes s'appuyant initialement sur Ethereum, pour finalement passer à une intégration complète de Bitcoin. Ce système hybride est conçu pour garantir que la vaste liquidité présente dans Bitcoin est non seulement préservée mais également utilisée efficacement dans divers protocoles DeFi. Qui est le créateur de Bitcoin Bob, $₿o₿ ? La force créative derrière Bitcoin Bob est le co-fondateur et PDG Alexei Zamyatin, qui apporte une richesse d'expérience et de connaissances grâce à son vaste parcours dans le domaine des cryptomonnaies. Zamyatin détient un doctorat en informatique et est impliqué activement dans le développement de Bitcoin depuis 2015. Sa compréhension approfondie des écosystèmes Bitcoin et Ethereum joue un rôle crucial dans la définition de la vision et des fondements technologiques de Bitcoin Bob. Aux côtés de Zamyatin se trouve le co-fondateur Dominik Harz, qui occupe le poste de directeur technique (CTO). Ensemble, le duo a cultivé une équipe de personnes talentueuses partageant une passion commune pour repousser les limites de la technologie blockchain, assurant le statut innovant de Bitcoin Bob sur le marché. Qui sont les investisseurs de Bitcoin Bob, $₿o₿ ? Bitcoin Bob a réussi à obtenir le soutien d'un éventail d'investisseurs et de sociétés de capital-risque de renom qui reconnaissent son potentiel à transformer le paysage de Bitcoin. En mars 2024, le projet a complété un solide tour de financement de démarrage de 10 millions de dollars, dirigé par Castle Island Ventures, avec la participation notable de sociétés telles que Coinbase Ventures et Bankless Ventures. Peu après, en juillet 2024, Bitcoin Bob a sécurisé un financement stratégique supplémentaire de 1,6 million de dollars. Ce tour a été co-dirigé par Ledger Ventures et a vu la participation d'anges de diverses sociétés de renom telles que BlackRock, Aave et Curve. Le fort soutien financier reflète une reconnaissance à l'échelle de l'industrie de l'approche innovante de Bitcoin Bob pour libérer le potentiel de Bitcoin dans l'espace DeFi. Ce financement est crucial non seulement pour le développement continu du projet, mais aussi pour établir un incubateur destiné à favoriser les applications décentralisées (dApps) natives de Bitcoin, spécifiquement conçues pour répondre aux besoins d'une base d'utilisateurs en croissance. Comment fonctionne Bitcoin Bob, $₿o₿ ? Les mécanismes opérationnels de Bitcoin Bob reposent sur son architecture de rollup hybride, qui est conçue pour combiner les avantages de la sécurité de Bitcoin avec la polyvalence de l'EVM d'Ethereum. Le projet utilise un modèle de sécurité par phases qui décrit son interaction avec les utilisateurs et les développeurs de la manière suivante : Phase 1 – La phase initiale fonctionne comme un rollup optimiste sur Ethereum, où les transactions sont traitées avec une attente prometteuse de validité, ouvrant la voie à de futurs développements sur Bitcoin. Phase 2 – À mesure que le projet évolue, il intégrera la finalité de Bitcoin grâce à la mise en jeu de Bitcoin, tirant parti du réseau Babylon pour améliorer la sécurité. Ce mécanisme exige que les validateurs verrouillent des Bitcoins, vérifiant ainsi les transactions BOB, ce qui améliore non seulement la sécurité mais crée également des perspectives de rendement pour les participants. Phase 3 – La vision tournée vers l'avenir de Bitcoin Bob est de s'intégrer pleinement à Bitcoin, en utilisant des technologies innovantes telles que BitVM et les preuves à connaissance nulle pour faciliter le calcul hors chaîne tout en préservant l'intégrité de la sécurité de Bitcoin. Des innovations clés telles que BitVM2, un protocole de pont minimisé en confiance coécrit par Zamyatin, sont essentielles au fonctionnement du projet, permettant des dépôts et des retraits de Bitcoin sans nécessiter une dépendance étendue au réseau. Cela permet à l'écosystème de se connecter efficacement avec Ethereum et d'autres chaînes compatibles, créant un modèle d'interaction rationalisé et efficace pour les utilisateurs et les développeurs. Chronologie de Bitcoin Bob, $₿o₿ Comprendre l'évolution de Bitcoin Bob implique de suivre ses jalons importants : 2019 : Alexei Zamyatin et Dominik Harz établissent une société de recherche axée sur les solutions blockchain, posant les bases de futurs projets. Mars 2024 : Bitcoin Bob réussit à lever 10 millions de dollars lors d'un tour de financement de démarrage, marquant son entrée dans le paysage concurrentiel de la blockchain. 1er mai 2024 : Le lancement officiel du mainnet a lieu, mettant en avant les capacités du projet avec une adoption significative des utilisateurs et une valeur totale verrouillée (TVL). Juillet 2024 : Le projet attire un financement stratégique supplémentaire de 1,6 million de dollars pour établir son incubateur, visant à favoriser les innovations axées sur Bitcoin. Octobre 2024 : Bitcoin Bob publie un “Vision Paper”, détaillant son design hybride de Layer-2 et ses stratégies tournées vers l'avenir. 2025 : Déploiement prévu des fonctionnalités de la Phase 2, axées sur la finalité de Bitcoin et les ponts BitVM visant à améliorer la fonctionnalité globale. Conclusion : Redéfinir le rôle de Bitcoin dans la finance décentralisée Bitcoin Bob ($₿o₿) n'est pas qu'un autre projet blockchain ; il représente un changement de paradigme dans la manière dont Bitcoin peut interagir avec des applications financières plus larges. En combinant méticuleusement la sécurité de Bitcoin avec la flexibilité d'Ethereum, Bitcoin Bob vise à remodeler le paysage DeFi, comblant le fossé entre la monnaie numérique et les applications décentralisées. Avec un cadre technologique robuste, un leadership fort et un financement stratégique, Bitcoin Bob est bien positionné pour s'établir comme un acteur fondamental dans l'écosystème des cryptomonnaies, libérant de nouvelles dimensions de liquidité et d'utilité pour Bitcoin. À mesure que le projet continue d'évoluer et de s'étendre, il promet d'ouvrir une nouvelle ère d'innovation, prouvant que le potentiel de Bitcoin s'étend bien au-delà d'être un simple store de valeur, mais plutôt comme une pierre angulaire du futur paysage financier. Alors que le projet avance à travers ses phases anticipées, tous les yeux seront rivés sur Bitcoin Bob, en particulier en ce qui concerne son engagement à incorporer des principes décentralisés et à garantir que les utilisateurs puissent profiter pleinement des avantages de la DeFi ancrée par Bitcoin.

72 vues totalesPublié le 2025.06.30Mis à jour le 2025.06.30

Comment acheter O

Bienvenue sur HTX.com ! Nous vous permettons d'acheter O1 exchange (O) de manière simple et pratique. Suivez notre guide étape par étape pour commencer votre parcours crypto.Étape 1 : Création de votre compte HTXUtilisez votre adresse e-mail ou votre numéro de téléphone pour ouvrir un compte sur HTX gratuitement. L'inscription se fait en toute simplicité et débloque toutes les fonctionnalités.Créer mon compteÉtape 2 : Choix du mode de paiement (rubrique Acheter des cryptosCarte de crédit/débit : utilisez votre carte Visa ou Mastercard pour acheter instantanément O1 exchange (O).Solde ：utilisez les fonds du solde de votre compte HTX pour trader en toute simplicité.Prestataire tiers ：pour accroître la commodité d'utilisation, nous avons ajouté des modes de paiement populaires tels que Google Pay et Apple Pay.P2P ：tradez directement avec d'autres utilisateurs sur HTX.OTC (de gré à gré) : nous offrons des services personnalisés et des taux de change compétitifs aux traders.Étape 3 : stockage de vos O1 exchange (O)Après avoir acheté vos O1 exchange (O), stockez-les sur votre compte HTX. Vous pouvez également les envoyer ailleurs via un transfert sur la blockchain ou les utiliser pour trader d'autres cryptos.Étape 4 : tradez des O1 exchange (O)Tradez facilement O1 exchange (O) sur le marché Spot de HTX. Il vous suffit d'accéder à votre compte, de sélectionner la paire de trading, d'exécuter vos trades et de les suivre en temps réel. Nous offrons une expérience conviviale aux débutants comme aux traders chevronnés.

312 vues totalesPublié le 2026.06.19Mis à jour le 2026.06.29

Discussions

Bienvenue dans la Communauté HTX. Ici, vous pouvez vous tenir informé(e) des derniers développements de la plateforme et accéder à des analyses de marché professionnelles. Les opinions des utilisateurs sur le prix de O (O) sont présentées ci-dessous.