Prompt Engineering Paper Accepted at ICML 2026 Sparks Heated Debate Among Netizens

marsbitPublié le 2026-07-15Dernière mise à jour le 2026-07-15

Résumé

A paper on prompt engineering, titled "Verbalized Sampling (VS)," has been accepted by the prestigious machine learning conference ICML 2026, sparking significant debate online. The paper addresses the problem of "mode collapse" in large language models (LLMs), where models tend to produce repetitive, safe, and homogeneous outputs. Instead of proposing new training algorithms or model architectures, the authors introduce a simple yet effective prompt-based method. The core technique, Verbalized Sampling, instructs the model to generate multiple responses (e.g., five jokes) while also outputting a possible probability value for each. This prompt adjustment alone was shown to significantly increase output diversity by 1.6x to 2.1x in creative writing tasks, without compromising factual accuracy or safety. The authors argue that the root cause of mode collapse lies not in optimization algorithms but in the "typicality bias" present in human preference data used for alignment. Human annotators naturally favor familiar and fluent text, which steers models toward conservative outputs. The VS method aims to counteract this by leveraging the model's inherent pre-training distribution during inference. The paper's acceptance has led to polarized reactions. Critics argue that prompt engineering lacks the theoretical depth and algorithmic innovation expected from top-tier conferences like ICML, questioning its novelty, generalizability across models, and experimental scale. Some draw...

Prompt engineering can get a paper published in ICML these days???

Recently, a guy shared a paper just accepted by ICML 2026 on Reddit, and the post instantly went viral, with the number of comments skyrocketing.

However, everyone was left scratching their heads: Is this for real?

The authors didn't propose any new optimization algorithms or train any new large models. They simply did one thing—

Modified the Prompt.

The paper proposes a method called Verbalized Sampling (VS), which significantly enhances the diversity of large language model outputs and alleviates the long-standing issue of Mode Collapse in LLMs, solely by adjusting the prompt.

It sounds quite practical, but is it right for a mere prompt trick to get into a top-tier conference?

Let's take a look at the paper first before passing judgment.

A Highly Controversial ICML Paper

Have you ever felt that AI is becoming increasingly homogeneous?

Ask it ten times to "Tell me a joke," and the answers you get are often highly similar. This is not only true for creative tasks but also for Q&A, code generation...

This phenomenon is collectively referred to as mode collapse in academia.

Simply put, models increasingly prefer to output the highest probability, safest, and most classic answers, while rejecting alternative creative ideas.

In the past, to solve this model problem, most researchers would first think of adjusting sampling parameters, modifying decoding algorithms, retraining, etc. However, this paper takes a different approach: directly asking the model to output its own sampling process along with the answer.

For example, using the earlier joke-telling scenario, the authors would modify the prompt, requiring the model to:

Generate 5 jokes, while also assigning a possible probability value to each joke.

Then the model can produce more varied and less repetitive answers.

It sounds very simple, doesn't it? In fact, this is the core contribution of the paper—the Verbalized Probability Sampling method. No fine-tuning is needed; just by changing the way of asking, content diversity can be significantly improved.

In the paper, however, the authors provide a rigorous argumentation process for this.

First, they address the root cause of the model's uniformity.

Past academia attributed this problem to algorithmic aspects, such as insufficient reward models or improperly set KL penalty terms. This paper delves deeper, suggesting the real root lies in the preference data itself.

They propose a concept called prototypical bias. From a cognitive psychology perspective, human annotators naturally prefer familiar, fluent, conventional text, and instinctively give higher scores to stereotypical, mainstream answers.

Therefore, even if reward models and optimization algorithms are perfected, as long as the human preference data used for training inherently contains prototypical bias, post-alignment models will still suffer from mode collapse.

The authors tested this repeatedly on five preference datasets and different base models, and the conclusion remained consistent.

After realizing this, the authors argue that since the problem is rooted in the training data, one only needs to consider designing a prompt-based correction scheme during the inference stage. That is, by making the model output the complete probability distribution in the prompt, the model's inherent diverse output distribution from the pre-training phase can be awakened, restoring diversity.

The rest involved running experiments with this method in various scenarios. The results show that in creative writing tasks, diversity was 1.6~2.1 times that of ordinary prompts, without reducing factual accuracy or compromising model safety.

Furthermore, the stronger the model's capabilities and the larger the parameter count, the more pronounced the diversity improvement brought by VS.

So, while the final method presented in the paper is simple, ICML still passed it.

Reddit Users in a Heated Debate

Under the original post, however, opinions on this paper are polarized.

Many netizens expressed that in the past, ICML featured hardcore innovations like new models, new algorithms, and new theories. Merely optimizing prompts or inference processes doesn't qualify as serious machine learning research.

In comparison, the innovation of this work seems somewhat thin, and several issues exist:

First, similar instruction-writing methods are not unique; some even claimed they were writing prompts like this just yesterday. Second, the theory is difficult to verify because prompts might fail when models are changed, unlike algorithms which are more stable. Third, the experimental scale is limited, insufficient to prove this is a universal law.

Some netizens directly compared the current state of the machine learning field to the academic crisis in psychology over a decade ago.

Back then, many researchers had weak statistical foundations and misused statistical tools, leading to many papers with unreproducible conclusions and a severe trust crisis in the field. Similarly, the machine learning industry now heavily relies on empirical experiments and undervalues rigorous theoretical support.

The industry is internally competitive, chasing new methods, but there's a widespread atmosphere of excessive hyperparameter tuning and benchmark score chasing. Many so-called innovative algorithms offer little practical value compared to mature baseline models, being packaged as innovative achievements based on tiny metric improvements.

Essentially, these are issues in paper publishing caused by unclear professional standards following the rapid expansion of the discipline.

But supporters argue that scientific research is not about whose method is more complex. As long as the hypothesis is clear, experiments are sufficient, and results are stable and reproducible, it can still be excellent research.

For example, this paper thoroughly explains what mode collapse is and proposes that the real problem lies in prototypical bias—a viewpoint more important than the prompt itself.

One of the authors also replied in the comments, stating that while the paper appears simple, it actually involves a great deal of complex processing.

The entire work includes complete problem tracing, new theoretical attribution, mathematical derivation, and multi-dimensional quantitative experiments—it's not a shallow, trivial prompt-tuning effort.

Many also mentioned Chain-of-Thought (CoT). When CoT first appeared, it was essentially a one-line prompt:

Let’s think step by step.

But now, almost all reasoning methods can be traced back to CoT. This precisely indicates that prompt engineering is no longer just about writing prompts; it is becoming a new method for studying model behavior.

Over the past decade, machine learning research has almost revolved around training. But now, some usage techniques during the inference stage are gradually moving toward the core of machine learning research.

Perhaps in the coming years, we will see more and more papers like this. They don't add a single line of training code or an extra model parameter, yet they can still change the capability boundaries of large models.

Research Team Introduction

Finally, let's take a look at the research team.

This work was completed by Weiyan Shi's team at Northeastern University (USA) in collaboration with Stanford's Manning Lab and West Virginia University. Jiayi Zhang, Simon Yu, and Derek Chong are listed as co-first authors.

Jiayi Zhang completed her undergraduate studies at the University of Michigan, earning triple bachelor's degrees in Computer Science, Mathematics, and Linguistics. She then pursued a Master's in Computer Science at Northeastern University (USA).

Another paper of hers, "Analyzing the Role of Semantic Representations in the Era of Large Language Models," accepted by the NLP top conference NAACL 2024, also revolves around semantic representation and large models.

Simon Yu is currently pursuing a Ph.D. at Northeastern University (USA), with his main research direction focusing on alignment and reinforcement learning mechanisms in large models. He completed both his bachelor's and master's degrees at the University of Edinburgh and has published several top conference papers.

Besides this paper, another one of his papers, "Unsafer in Many Turns: Benchmarking and Defending Multi-Turn Safety Risks in Tool-Using Agents," was also accepted by ICML 2026.

Derek Chong earned his Master's from Stanford University and is currently a researcher at the Stanford Artificial Intelligence Laboratory. His research primarily focuses on large language models in NLP.

He previously had three years of experience as a founder-entrepreneur and worked at Ello as an Applied Scientist, participating in industry-end AI implementation R&D. He possesses both solid theoretical research skills and rich hands-on practical experience.

References:[1]https://www.reddit.com/r/MachineLearning/comments/1uv1xb3/promptengineering_paper_accepted_to_icml_r/

[2]https://www.linkedin.com/in/jiayizx/[3]https://simonucl.github.io/[4]https://www.linkedin.com/in/derekch/

This article is from the WeChat public account "Qubit" (量子位), author: Focus on Frontier Technology

Cryptos en tendance

ctr
CitreaCTR
wstusdt
wrapped stUSDTWSTUSDT
apr
aPrioriAPR
ctx
Cryptex FinanceCTX
audio
AudiusAUDIO
comp
CompoundCOMP
mantra
MantraMANTRA
waxl
AxelarWAXL
bill
Billions NetworkBILL
pyth
PYTH (Pyth)PYTH
rune
THORChainRUNE
brev
BrevisBREV
cake
PancakeSwapCAKE
jst
JUSTJST
sun
SUNSUN

Questions liées

QWhat is the main contribution of the 'Verbalized Sampling' paper accepted at ICML 2026?

AThe main contribution is a method called 'Verbalized Sampling' (VS), which involves adjusting prompts to ask language models to output their sampling process (e.g., assign probabilities to multiple generated answers). This simple intervention significantly increases the diversity of LLM outputs and mitigates the 'mode collapse' problem without requiring model retraining or new algorithms.

QAccording to the paper, what is identified as the root cause of the mode collapse problem in LLMs?

AThe paper identifies the root cause as 'typicality bias' in the human preference data used for training. This cognitive bias leads human annotators to consistently favor familiar, fluent, and conventional text. Consequently, the reward models trained on this data steer aligned models towards safe, high-probability answers, causing mode collapse.

QWhat are some of the key criticisms from Reddit users regarding this paper's acceptance at ICML?

ACritics argue that the innovation is thin, noting similar prompt techniques are already in use and questioning the method's stability across different models. They also contend that the experimental scale is insufficient to prove a universal law and express concern that the field is drifting towards an over-reliance on empirical results and 'benchmark hacking' rather than rigorous theoretical contributions.

QHow do the paper's supporters defend its value and acceptance at a top-tier conference?

ASupporters argue that good research is defined by clear hypotheses, rigorous experimentation, and reproducible results, not just complexity. They highlight that the paper's core contribution is the novel theoretical insight into the cause of mode collapse (typicality bias). They also compare it to foundational techniques like Chain-of-Thought, suggesting prompt engineering is evolving into a legitimate method for studying model behavior.

QWhat was the observed impact of the Verbalized Sampling method on creative writing tasks?

AIn creative writing tasks, the Verbalized Sampling method increased output diversity by 1.6 to 2.1 times compared to standard prompting, without compromising factual accuracy or model safety. The effectiveness of the method was also shown to be more pronounced in larger, more capable models.

Lectures associées

UNI double en deux mois malgré la tendance : un retour aux valeurs attendu depuis 5 ans

Au cours des mois de juin et juillet, alors que le marché des cryptomonnaies était globalement en berne, le token UNI d'Uniswap a affiché une performance remarquable, son prix doublant presque pour passer de 2,3 à près de 4,6 dollars. Cette hausse trouve son origine dans la mise en œuvre fin décembre 2025 de la fameuse « fee switch », activée après des années de débats. Le mécanisme, baptisé UNIfication, permet désormais au protocole de prélever une partie des frais de transaction sur certaines pools (v2 et v3 sur Ethereum), d'y ajouter les revenus du séquenceur d'Unichain, et de diriger l'ensemble de ces revenus vers un contrat (TokenJar) dont la seule fonction est d'acheter et de brûler des UNI de manière permanente. Si le marché est resté sceptique dans un premier temps en raison de données de revenus modestes (environ 7,3k$ de revenus quotidiens pour le protocole en mai 2026), la dynamique a radicalement changé en juillet. Le déploiement d'Uniswap sur la Robinhood Chain, dédiée aux actions tokenisées, a entraîné une explosion des volumes. En une semaine, cette nouvelle chaîne a généré près de la moitié des frais hebdomadaires totaux d'Uniswap. L'activation simultanée du mécanisme de frais sur les pools v4 a ensuite fait bondir les revenus du protocole, les fonds alloués au brûlage quotidien d'UNI passant d'environ 114k$ début juillet à plus de 325k$ fin juillet. La hausse actuelle ne repose donc plus sur une simple anticipation, mais sur des flux de trésorerie concrets et croissants, transformant UNI d'un token de gouvernance en un actif générateur de revenus. Son avantage structurel réside dans sa distribution ancienne et dispersée, sans gros déblocages à venir, permettant aux rachats de réellement impacter le marché secondaire. La question centrale pour l'avenir est la pérennité des volumes sur la Robinhood Chain une fois ses subventions aux frais de transaction épuisées, ce qui déterminera si cette hausse marque le début d'une véritable valorisation ou un effet d'optique temporaire.

marsbitIl y a 4 mins

UNI double en deux mois malgré la tendance : un retour aux valeurs attendu depuis 5 ans

marsbitIl y a 4 mins

Soudain, Google Earth retire en urgence la fonctionnalité de génération d'images Nano Banana 2 !

**Google Earth retire d'urgence la fonctionnalité de génération d'image Nano Banana 2** Google a brièvement intégré son dernier modèle de génération d'image, Nano Banana 2, à Google Earth, permettant aux utilisateurs de transformer, via de simples invites textuelles, des vues satellites ou aériennes en scènes historiques, visualisations architecturales ou créations futuristes, le tout ancré dans les contraintes géospatiales réelles (topographie, perspectives 3D). Cette technologie, baptisée « ancrage géospatial » (Geospatial Grounding), s'appuie sur les données cartographiques et les capacités de recherche de Google pour générer des images crédibles intégrées au paysage. Cependant, cette fonctionnalité a été rapidement retirée après son lancement. Bien que Google ait présenté des cas d'usage potentiels en éducation, tourisme ou urbanisme, les utilisateurs s'en sont rapidement emparés pour créer des contenus fantaisistes, comme transformer le Independence Hall de Philadelphie en ruine post-apocalyptique peuplée de zombies et de clowns maléfiques. Cette expérience, qualifiée par certains de « bouillie d'IA » (AI Slop) pour son manque de rigueur géométrique, a révélé des problèmes de modération. Google a indiqué retirer temporairement l'outil pour « renforcer les mesures de protection » avant un éventuel nouveau déploiement. Cette initiative place Google sur un terrain unique face à des concurrents comme Midjourney ou DALL-E : plutôt que de simplement « bien dessiner », il s'agit de « remodeler la Terre » de manière crédible en s'appuyant sur son immense base de données géographiques, créant ainsi un nouveau champ : la visualisation IA géo-an crée.

marsbitIl y a 1 h

Soudain, Google Earth retire en urgence la fonctionnalité de génération d'images Nano Banana 2 !

marsbitIl y a 1 h

Altman admet : surestimé la capacité de l'IA à voler des emplois ! Huang Renxun : La théorie du chômage est complètement à l'envers

Sam Altman, PDG d'OpenAI, a révisé sa position sur l'impact de l'IA sur l'emploi, reconnaissant avoir surestimé la vitesse à laquelle l'IA supprimerait les emplois de cols blancs juniors. Il affirme désormais que les gens « ne veulent pas vraiment d'un PDG IA » car ils veulent savoir qui prend les décisions et qui est responsable. Presque simultanément, Jensen Huang, PDG de NVIDIA, a déclaré que le récit selon lequel « l'IA détruit des emplois est complètement faux ». Il explique que l'IA automatise des *tâches* au sein d'un poste, mais pas le poste dans son ensemble, qui comprend des éléments comme la communication, le jugement et la responsabilité. Des données américaines montrent que le nombre d'offres d'emploi pour les nouveaux diplômés a augmenté, contredisant l'idée d'une disparition des postes juniors. Cependant, les tâches standardisées qui servaient de tremplin d'entrée sont automatisées, rendant l'accès initial au marché du travail plus difficile. La conclusion est que la valeur du travail humain se déplace vers les responsabilités, la confiance et la prise de décision finale – des domaines que l'IA ne peut pas assumer.

marsbitIl y a 1 h

Altman admet : surestimé la capacité de l'IA à voler des emplois ! Huang Renxun : La théorie du chômage est complètement à l'envers

marsbitIl y a 1 h

Une transformation majeure de la Fed ? Rapport : Walsh envisage de réduire la fréquence des réunions sur les taux, rompant avec une tradition de 40 ans

Le président de la Fed, Walsh, envisage de réduire la fréquence des réunions du Comité fédéral de l'open market (FOMC), ce qui constituerait un changement majeur dans son fonctionnement, en rupture avec la routine établie depuis 1981 de huit réunions par an. Selon des informations du New York Times, Walsh a évoqué cette idée lors de la réunion cette semaine. Un nouvel horaire pourrait être arrêté avant la prochaine réunion de septembre, bien que les changements concrets interviendraient plus tard. Réduire le nombre de réunions diminuerait les opportunités de voter sur les taux et pourrait affaiblir la capacité de réaction de la Fed face à l'évolution de l'économie, tout en réduisant la transparence de sa politique, inversant une tendance de plusieurs décennies. La loi bancaire de 1935 n'exige qu'un minimum de quatre réunions par an. Walsh avait précédemment déclaré au Congrès que quatre réunions étaient insuffisantes, ce qui contraste avec la direction actuelle des discussions. Le système actuel de huit réunions, instauré sous Paul Volcker, fournit un cadre prévisible. Moins de réunions signifierait moins d'occasions pour le marché de comprendre la trajectoire des taux. Cette initiative s'inscrit dans la volonté plus large de Walsh de réformer l'institution depuis sa prise de fonction en mai, notamment en réduisant la longueur des communiqués et en repensant les conférences de presse. Historiquement, la fréquence des réunions a varié, avec jusqu'à 19 réunions en 1956. Une évaluation interne de 1988 avait conclu que le rythme de huit réunions restait approprié. Le projet de Walsh irait à l'encontre de cette conclusion, et son impact potentiel sur la communication de la Fed et la flexibilité de sa politique sera surveillé de près.

marsbitIl y a 2 h

Une transformation majeure de la Fed ? Rapport : Walsh envisage de réduire la fréquence des réunions sur les taux, rompant avec une tradition de 40 ans

marsbitIl y a 2 h

Sélections hebdomadaires de la rédaction (25-31 juillet)

**Résumé éditorial hebdomadaire (25-31 juillet)** Face au flux incessant d'informations, cette sélection met en avant des analyses de fond pour filtrer le bruit et offrir des insights. **Marchés & Investissement :** La Réserve Fédérale américaine a maintenu ses taux lors d'une réunion jugée très incertaine, tiraillée entre des données inflationnistes en baisse et des positions d'hawks. Dans la cryptosphère, Real Vision réfléchit à la valeur à long terme des crypto-monnaies, soulignant l'importance de la conviction face à la volatilité. Une tendance se dessine : les marchés actions globaux, notamment technologiques, adoptent des dynamiques narratives similaires à celles des cryptos. Par ailleurs, la divergence entre la croissance des revenus des protocoles DeFi et la performance de leurs tokens est analysée. **AI & Stockage :** Les marchés s'interrogent sur les risques de crédit liés à l'expansion de l'infrastructure cloud IA, dont Nvidia est un acteur clé. Le secteur du stockage mémoire a connu une forte volatilité, les investisseurs anticipant dès maintenant un risque de surcapacité pour 2027. Le trimestre record de SK Hynix a été jugé « inférieur aux attentes », reflétant la pression sur les valorisations des leaders du secteur. **Politique & Règlementation :** Le Clarity Act, loi crypto américaine cruciale, est dans la dernière ligne droite mais bute sur des désaccords politiques, notamment sur les clauses d'éthique. Son adoption avant la fin de l'année apparaît incertaine. **CeFi, DeFi & Ethereum :** La plateforme TradeXYZ a démontré une précision remarquable pour le prix d'introduction de la société chinoise Changxin Technology. Du côté d'Ethereum, le protocole Lido a entamé une migration massive de plus de 8 millions d'ETH vers une nouvelle architecture de validateurs, un changement structurel pour le staking. **Points chauds de la semaine :** La Fed maintient ses taux ; le règlement MiCA entre en vigueur en Europe ; Sam Altman promet qu'OpenAI va « étonner le monde » dans l'année ; SpaceX a perdu 1 200 milliards de dollars de valorisation depuis son pic ; Apple rejoint le club des 5 000 milliards de dollars de capitalisation.

marsbitIl y a 2 h

Sélections hebdomadaires de la rédaction (25-31 juillet)

marsbitIl y a 2 h

Trading

Spot

Articles tendance

Qu'est ce que G$

Comprendre GoodDollar ($G$) : Un plan pour un revenu de base universel décentralisé Introduction Dans le paysage en constante évolution des cryptomonnaies et de la technologie blockchain, les initiatives qui cherchent à résoudre des problèmes sociaux pressants ont suscité une attention accrue. L'un de ces projets est GoodDollar ($G$), une solution de revenu de base universel (RBU) basée sur le Web3. GoodDollar s'efforce de lutter contre l'inégalité et de réduire l'écart de richesse en créant et distribuant des ressources économiques accessibles aux plus nécessiteux. Grâce à son utilisation innovante de la finance décentralisée (DeFi), GoodDollar présente un modèle unique qui pourrait potentiellement transformer la manière dont l'assistance financière est perçue et délivrée à l'échelle mondiale. Qu'est-ce que GoodDollar ($G$) ? GoodDollar est un protocole de cryptomonnaie qui facilite l'émission et la distribution de jetons numériques, appelés $G$, à ses utilisateurs enregistrés sur une base quotidienne. Ces jetons fonctionnent comme une forme de revenu de base universel, promouvant l'autonomisation financière pour les individus de divers horizons, en particulier ceux traditionnellement exclus du système financier. Fonctionnant sur la blockchain, GoodDollar utilise plusieurs chaînes, notamment Ethereum, Celo et Fuse, garantissant un large accès et une bonne utilisabilité. L'objectif fondamental de GoodDollar est de rendre la cryptomonnaie accessible et bénéfique pour tous, indépendamment de leur point de départ économique. Le créateur de GoodDollar ($G$) Les détails concernant le créateur de GoodDollar demeurent quelque peu obscurs. Cependant, il est notable de souligner que le projet bénéficie d'un solide soutien de la part d'eToro, une plateforme d'investissement largement reconnue qui a fourni le financement initial et le soutien fondamental pour le développement de GoodDollar. La vision derrière le projet n'est pas uniquement motivée par le profit, mais se tourne fortement vers l'entrepreneuriat social, visant un changement systémique dans l'accessibilité économique. Les investisseurs de GoodDollar ($G$) GoodDollar bénéficie du soutien financier et opérationnel d'eToro. Ce partenariat a joué un rôle significatif dans le lancement du protocole et ses développements ultérieurs. Bien qu'eToro ait été instrumental dans l'établissement des bases du projet, GoodDollar envisage de transitionner vers un modèle financé par sa communauté sur le long terme. Ce passage au financement communautaire est en ligne avec l'engagement de GoodDollar envers la décentralisation, permettant à ses utilisateurs d'avoir une part directe dans l'avenir du projet. Comment fonctionne GoodDollar ($G$) ? Le cadre opérationnel de GoodDollar repose fortement sur les principes de DeFi pour générer des intérêts à partir des cryptomonnaies mises en jeu. Ce mécanisme permet au projet de frapper et de distribuer des jetons $G$ comme un revenu de base numérique pour les utilisateurs du monde entier. Plusieurs caractéristiques clés contribuent à l'unicité et à l'innovation de GoodDollar : Revenu de base universel (RBU) : Chaque jour, les utilisateurs enregistrés reçoivent des jetons gratuits, établissant un flux de revenu automatique destiné à alléger les pressions financières. Modèle économique durable : La tokenomics du projet vise à équilibrer l'offre et la demande de jetons $G$, garantissant que la valeur reste stable au fil du temps. Jetons adossés à des réserves : Chaque jeton $G$ est soutenu par une réserve de cryptomonnaies, lui conférant une valeur inhérente et une fiabilité, un aspect crucial pour maintenir la confiance des utilisateurs. Gouvernance décentralisée : GoodDollar adopte une approche démocratique de la prise de décision grâce à une gouvernance décentralisée alimentée par les jetons. Cela permet aux membres de la communauté de participer activement à l'orientation du projet, le rendant véritablement dirigé par la communauté. Accessibilité mondiale : GoodDollar a établi une empreinte communautaire considérable, comptant plus de 640 000 membres dans 181 pays. Un tel rayonnement est essentiel pour faciliter le RBU à l'échelle mondiale. Chronologie de GoodDollar ($G$) L'évolution de GoodDollar est marquée par plusieurs jalons significatifs au cours de son histoire : 2019 : Le lancement du portefeuille GoodDollar a marqué le premier pas vers la mise en œuvre de sa vision de délivrance du RBU par le biais de la cryptomonnaie. 2020 : Après le succès du portefeuille, le protocole GoodDollar a été officiellement lancé. Cela a marqué une phase cruciale dans sa mission de fournir un revenu distribué quotidiennement. 2021 : Le projet a progressé avec l'introduction de son Organisation Autonome Décentralisée (DAO), favorisant un plus grand niveau d'implication et de gouvernance communautaire. 2022 : GoodDollar a dévoilé sa version 2 (V2) axée sur la DeFi, s'efforçant d'améliorer l'engagement des utilisateurs et l'efficacité opérationnelle. La même année a également vu la transition vers une structure de gouvernance décentralisée via GoodDAO. 2022 : Une nouvelle feuille de route a été conceptualisée, axée sur des initiatives telles qu'un programme de subventions conçu pour promouvoir les projets entrepreneuriaux liés à $G$ et un marché GoodDollar amélioré. Caractéristiques clés de GoodDollar ($G$) Le projet GoodDollar introduit de nombreuses caractéristiques critiques visant à redéfinir le paysage du revenu de base : Revenu de base universel : La délivrance quotidienne de jetons gratuits à ses utilisateurs souligne fondamentalement sa mission d'éliminer la précarité économique. Opération multi-chaînes : Le fait de tirer parti de plusieurs réseaux blockchain améliore l'accessibilité et la scalabilité, garantissant une plus large participation. Engagement avec la finance décentralisée : L'utilisation de la DeFi permet un financement durable du modèle RBU, renforçant sa viabilité en tant que solution économique. Engagement communautaire et gouvernance : GoodDollar envisage un modèle où la communauté influence les opérations grâce à une participation démocratique, favorisant la transparence et la responsabilité. Communauté mondiale : Avec une communauté mondiale diversifiée, le projet est en mesure de mettre en œuvre des solutions de RBU adaptées à divers contextes culturels et économiques. Conclusion GoodDollar représente un saut transformationnel vers l'incorporation des principes de revenu de base universel à travers le prisme innovant de la technologie blockchain. En exploitant la finance décentralisée, le projet ne fournit pas seulement une solution à l'inégalité financière, mais engage également activement les utilisateurs dans sa gouvernance et ses opérations. Avec une communauté en croissance et une feuille de route évolutive, GoodDollar se positionne comme un acteur significatif à l'intersection des cryptomonnaies et du bien social, ouvrant la voie à un avenir financier plus équitable. Alors qu'il continue d'évoluer, le parcours de GoodDollar pourrait finalement inspirer d'autres initiatives à envisager des modèles similaires, favorisant ainsi la cause de l'autonomisation économique pour tous.

143 vues totalesPublié le 2024.04.05Mis à jour le 2024.12.03

Qu'est ce que G$

Comment acheter G

Bienvenue sur HTX.com ! Nous vous permettons d'acheter Gravity (G) 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 Gravity (G).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 Gravity (G)Après avoir acheté vos Gravity (G), 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 Gravity (G)Tradez facilement Gravity (G) 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.

638 vues totalesPublié le 2024.12.10Mis à jour le 2026.06.02

Comment acheter G

Qu'est ce que @G

Graphite Network, $@G : Relier TradFi et Web3 Introduction à Graphite Network, $@G Dans le monde dynamique des cryptomonnaies et des projets web3, Graphite Network émerge comme un phare d'innovation. Avec son jeton natif, $@G, cette blockchain de couche 1, Proof-of-Authority (PoA), est conçue pour combler le fossé entre la finance traditionnelle (TradFi) et l'écosystème Web3 en pleine évolution. Alors que les monnaies numériques gagnent en traction, Graphite Network s'efforce d'offrir une plateforme blockchain qui privilégie la sécurité, la conformité et la rapidité, se présentant comme un facilitateur de confiance et de responsabilité. Qu'est-ce que Graphite Network, $@G ? Graphite Network n'est pas simplement un autre projet blockchain ; il vise à redéfinir la façon dont la décentralisation, la sécurité et la responsabilité des utilisateurs sont perçues dans le domaine de la finance numérique. Le projet se vante d'une série de caractéristiques distinctives : Blockchain Basée sur la Réputation : Au cœur de Graphite Network se trouve une politique d'un utilisateur, un compte, renforcée par des mécanismes intégrés de vérification et de notation Know Your Customer (KYC). Ce design assure un équilibre entre la confidentialité des utilisateurs et la transparence, un aspect critique des opérations financières dans le monde numérique d'aujourd'hui. Revenus des Nœuds de Point d'Entrée : Le réseau incite les utilisateurs à mettre en place des nœuds de point d'entrée, permettant aux opérateurs de gagner des récompenses provenant des transactions du réseau. Ce modèle de génération de revenus non seulement stimule l'engagement des utilisateurs mais renforce également la santé et la décentralisation du réseau. Compatibilité EVM : Avec une machine virtuelle (VM) compatible avec Ethereum, Graphite Network permet une intégration transparente des applications décentralisées (dApps) et des contrats intelligents Solidity existants, invitant ainsi les développeurs à tirer parti de ses capacités sans modifications étendues. Intégration KYC : À une époque où la conformité est primordiale, le cadre KYC intégré avec plusieurs niveaux de vérification améliore le contrôle des opérations financières sans participation obligatoire, établissant un précédent pour l'autonomie des utilisateurs. Qui est le Créateur de Graphite Network, $@G ? Graphite Network est né des efforts de la Graphite Foundation, une organisation à but non lucratif dédiée au développement, à la maintenance et à l'évolution de Graphite Network. L'engagement de la fondation souligne la vision du projet de créer un environnement blockchain sécurisé et durable axé sur un véritable engagement des utilisateurs et la conformité. Qui sont les Investisseurs de Graphite Network, $@G ? Actuellement, il existe peu d'informations disponibles sur les investisseurs spécifiques soutenant l'initiative Graphite Network. L'organisation fondatrice, la Graphite Foundation, fonctionne de manière indépendante pour favoriser la croissance du projet tout en recherchant des partenariats qui résonnent avec sa vision d'une plateforme blockchain conforme et accessible. Comment Fonctionne Graphite Network, $@G ? Le fonctionnement de Graphite Network repose sur son mécanisme de consensus unique Proof-of-Authority, qui trouve un équilibre impressionnant entre un haut débit et la décentralisation. Examinons les différents composants qui définissent son fonctionnement : Nœuds de Transport : Servant de nœuds de point d'entrée, ceux-ci sont critiques pour l'écosystème. Les opérateurs peuvent générer des revenus à partir des transactions qui traversent le réseau, ce qui non seulement donne du pouvoir aux utilisateurs individuels mais renforce également la décentralisation du réseau. Nœuds Autorisés : Au cœur de Graphite Network se trouvent des validateurs principaux qui subissent des tests de conformité rigoureux, englobant une vérification KYC robuste ainsi que des évaluations techniques. Ce niveau de confiance est essentiel pour garantir que les transactions au sein du réseau maintiennent un haut niveau d'intégrité. Système de Ticker : Graphite Network utilise un système de ticker distinctif pour ses jetons enveloppés, désignés sous le nom de @G. Cette fonctionnalité améliore la clarté dans l'intégration des actifs, rendant les transactions des utilisateurs compréhensibles et simples. L'approche innovante de Graphite Network reflète une avancée significative dans la résolution des problèmes cruciaux de la finance numérique, se positionnant favorablement pour l'avenir alors que de plus en plus d'utilisateurs passent des formes traditionnelles de finance au monde des applications décentralisées. Chronologie de Graphite Network, $@G Pour comprendre la progression et les jalons de Graphite Network, il est utile de passer en revue les événements clés de sa chronologie : 2021 : La création de Graphite Network par la Graphite Foundation marque le début d'un nouveau chapitre dans le développement blockchain, axé sur la conformité et l'autonomisation des utilisateurs. Développements Clés : Suite à son lancement, l'introduction des revenus des nœuds de point d'entrée, l'établissement d'un modèle basé sur la réputation, la vérification KYC intégrée et la fourniture de compatibilité EVM représentent des avancées significatives dans le projet. Activités Récentes : Les efforts continus de développement et de soutien de la Graphite Foundation se sont concentrés sur l'augmentation des fonctionnalités du réseau tout en favorisant la croissance de l'écosystème, démontrant un engagement à long terme envers la durabilité et l'innovation. Points Clés Supplémentaires Au-delà de ses composants fondamentaux, Graphite Network englobe plusieurs outils et fonctionnalités qui renforcent son utilité : Graphite Wallet : Une extension Chrome conviviale qui facilite l'accès à diverses fonctionnalités et applications du réseau sur des chaînes compatibles avec Ethereum, améliorant la commodité pour les utilisateurs. Graphite Bridge : Cet utilitaire permet des transferts transparents des actifs Graphite entre différents réseaux, favorisant un écosystème intégré et interopérable. Graphite Explorer : Servant d'outil essentiel au sein de l'écosystème, cette fonctionnalité permet aux utilisateurs de visualiser et de vérifier le code source des contrats intelligents, de suivre les transactions et d'explorer d'autres informations vitales en temps réel. Graphite Testnet : Le projet fournit un environnement de test robuste pour les développeurs, leur permettant d'assurer la stabilité et l'évolutivité avant le déploiement sur le mainnet. Cette initiative non seulement donne du pouvoir aux développeurs mais améliore également la fiabilité de l'ensemble du réseau. Conclusion Graphite Network, avec son jeton natif $@G, représente un pas significatif vers le rapprochement de la finance traditionnelle et de la technologie blockchain de pointe. En se concentrant sur la sécurité, la conformité et la décentralisation, cette plateforme innovante est prête à mener la transition vers l'ère Web3. À mesure que l'engagement des utilisateurs croît et que de plus en plus de projets tirent parti de ses capacités, Graphite Network est en bonne position pour apporter des contributions durables au paysage numérique en pleine évolution. En conclusion, Graphite Network est un témoignage de ce qui peut être accompli lorsque la pensée innovante rencontre les demandes croissantes de la finance moderne et de la technologie. Alors que le monde explore le potentiel de la finance décentralisée, Graphite Network restera sans aucun doute un acteur notable dans ce domaine.

53 vues totalesPublié le 2025.01.06Mis à jour le 2025.01.06

Qu'est ce que @G

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 G (G) sont présentées ci-dessous.

活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow