Recherche approfondie

Accéder à des rapports de recherche approfondis et des analyses indépendantes. Exploitation des données, de la technologie et des perspectives économiques pour bénéficier d'un examen complet de l'écosystème blockchain, du potentiel des projets et des tendances du marché.

Après avoir étudié comment ajouter un effet de levier aux marchés de prédiction, j'ai découvert que ce problème est presque insoluble

Les marchés prédictifs, qui permettent de parier sur des événements binaires, rencontrent d'importants défis pour intégrer un effet de levier. Contrairement aux actifs traditionnels, leurs prix évoluent de manière discontinue, passant directement de 0 à 1 dollar lors de la résolution d'un événement, ce qui génère un "risque de saut" (jump risk). Ce risque rend les liquidations traditionnelles inefficaces, car les positions peuvent devenir insolvables instantanément sans prix intermédiaires. Des plateformes comme dYdX ont tenté d'implémenter un levier (jusqu'à 20x) avec des mécanismes de protection, mais ont échoué lors d'événements réels comme les élections américaines de 2024, malgré des systèmes sophistiqués. Les analyses convergent vers une conclusion : un levier sûr se situe entre 1x et 1,5x. Au-delà, les frais de risque annuleraient les bénéfices ou transféreraient le risque non compensé. Trois approches émergent : limiter strictement le levier (HyperliquidX, Drift), gérer dynamiquement les risques via l'ingénierie (D8X, PredictEX), ou lancer des produits à haut levier sans solutions éprouvées. La solution finale pourrait nécessiter une infrastructure de type chambre de compensation, transparente et adaptée à la blockchain, plutôt qu'un simple modèle de perpétuels.

Odaily星球日报12/17 10:05

Après avoir étudié comment ajouter un effet de levier aux marchés de prédiction, j'ai découvert que ce problème est presque insoluble

Odaily星球日报12/17 10:05

Reconstruction du consensus sur le marché de la cryptographie

Le marché de la cryptographie connaît une transformation structurelle en 2025, marquée par trois évolutions majeures. Premièrement, la forme de la monnaie se diversifie : les stablecoins, les dépôts bancaires tokenisés et les CBDC coexistent désormais, chacun jouant un rôle complémentaire dans l'écosystème financier numérisé. Les infrastructures de paiement et les plateformes IT adoptent massivement les stablecoins pour accélérer les transactions et élargir leur portée commerciale. Deuxièmement, le concept même de monnaie s'élargit grâce à la tokenisation. Celle-ci transforme non seulement les actifs physiques et financiers, mais aussi des éléments intangibles comme l'attention ou les prédictions en actifs négociables. Cette évolution efface la frontière entre "monnaie" et "actif", permettant à toute forme de valeur de devenir liquide et programmable. Troisièmement, l'utilité de la monnaie s'étend via l'expansion des échanges centralisés (CEX). Ces plateformes évoluent vers des écosystèmes financiers complets, intégrant produits dérivés, prêts, cartes de débit et même leurs propres blockchains. Elles deviennent ainsi des hubs multifonctionnels reliant la finance traditionnelle à l'économie numérique. Cette transformation s'appuie sur une régulation mature (loi GENIUS aux États-Unis, cadre clair à Hong Kong) et l'adoption par les institutions traditionnelles. Les actifs tokenisés devraient atteindre 18 900 milliards de dollars d'ici 2033. L'avenir financier se construit sur la blockchain, fusionnant efficacité, transparence et programmabilité.

深潮12/16 14:51

Reconstruction du consensus sur le marché de la cryptographie

深潮12/16 14:51

BitsLab présente la recherche de MoveBit : Belobog, un framework de fuzzing Move pour les attaques réelles

BitsLab, via sa filiale MoveBit, présente Belobog, un nouveau cadre de fuzzing conçu spécifiquement pour les contrats intelligents écrits en langage Move, utilisé dans des écosystèmes comme Sui et Aptos. Contrairement aux outils traditionnels qui génèrent souvent des transactions invalides en raison du système de typage strict et des sémantiques de ressources de Move, Belogog utilise une approche guidée par les types. Il construit un graphe de types pour générer des séquences d'appels plus plausibles et exécutables, permettant d'atteindre des chemins plus profonds et des états critiques où se cachent souvent des vulnérabilités complexes. Belobog intègre également une exécution concolique (concolic execution), combinant exécution concrète et raisonnement symbolique, pour mieux naviguer à travers les contraintes et les assertions, améliorant ainsi la couverture des tests. Évalué sur 109 contrats réels, Belobog a détecté 100% des vulnérabilités critiques et 79% des vulnérabilités majeures préalablement identifiées par des auditeurs experts. Il a également reproduit avec succès des attaques complètes sans connaissance préalable des failles. L'outil, conçu pour être accessible aux développeurs, sera publié en open source pour favoriser son adoption et son évolution communautaire. Ce travail, actuellement en prépublication (arXiv:2512.02918) et soumis à PLDI’26, vise à combler un manque important dans l'écosystème Move en alignant le fuzzing sur les chemins d'attaque réels.

marsbit12/16 09:18

BitsLab présente la recherche de MoveBit : Belobog, un framework de fuzzing Move pour les attaques réelles

marsbit12/16 09:18

Pourquoi les grands modèles de langage ne sont pas plus intelligents que vous ?

Lorsqu'on explique un concept complexe à un grand modèle linguistique (LLM) en utilisant un langage informel, son raisonnement a tendance à s'effondre. En revanche, si on formalise d'abord le problème avec un langage scientifique et structuré, le raisonnement devient stable. Cela révèle que les LLM ne disposent pas d’un espace dédié au raisonnement ; ils opèrent dans un flux langagier continu où différents registres linguistiques activent différentes régions d’attraction. Les langages formels (scientifique, mathématique) activent des régions stables, propices au raisonnement logique, tandis que le langage informel active des zones optimisées pour la fluidité sociale et associative, mais inadaptées à une analyse rigoureuse. La clé est donc de « construire d’abord » la structure conceptuelle dans un registre formel, puis de « traduire » en langage naturel. La capacité de l'utilisateur à formuler des prompts précis détermine si le modèle peut accéder à des régions de raisonnement avancées. Ainsi, le plafond de performance n’est pas celui de l’intelligence du modèle, mais celui de la capacité de l'utilisateur à activer des zones computationnelles riches. Cela souligne un défaut architectural : les LLM mélangent raisonnement et expression langagière. Une véritable IA raisonneuse nécessiterait un espace dédié au raisonnement, indépendant du langage.

深潮12/15 07:24

Pourquoi les grands modèles de langage ne sont pas plus intelligents que vous ?

深潮12/15 07:24

活动图片