Pixelverse发布Telegram游戏空投和TON L2计划

币界网Dipublikasikan tanggal 2024-07-18Terakhir diperbarui pada 2024-07-18

币界网报道:

Pixelverse是一家加密游戏特许经营公司,最近迅速获得了突出地位,部分原因是其PixelTap游戏在Telegram上的成功,周四在the Open Network(TON)上推出了PIXFI代币,并透露了通过空投奖励玩家的计划。

截至本文撰写时,PIXFI目前的交易价格约为0.024美元,尽管由于新推出的代币的极端波动性,价格跟踪器会因推出以来的上涨或下跌而有所不同。到目前为止,CoinGecko称其上涨了17%,而CoinMarketCap将其描述为由于每个跟踪器记录的起始价格不同而下跌了近5%。

PIXFI代币的总供应量为50亿个代币,Pixelverse的一位代表向Decrypt证实,目前有13.6%的供应在流通,使该代币的市值约为1700万美元。到目前为止,它已经积累了约2600万美元的交易量。

不管目前的价格走势如何,PIXFI的推出为Pixelverse的下一步铺平了道路,包括通过空投为玩家提供代币奖励。这是该项目在发射前一直很谨慎的事情。

根据周四Telegram的一篇帖子,Pixelverse将允许PixelTap玩家从7月25日开始领取NFT,NFT的稀有程度取决于他们在游戏中的级别。

PixelTap玩家和Pixelverse仪表板的用户,如果持有稀有、史诗或传奇级别的NFT,将能够通过空投领取PIXFI代币,而普通或非普通NFT的持有者将无法获得代币分配。

但有一个问题——或者更确切地说,一些重要的细微差别需要考虑。根据官方解释,选择立即领取PIXFI的用户只能获得分配代币的10%,其余90%“被回收到PIXFI社区激励池中”。

玩家只需继续玩PixelTap和/或使用Pixelverse仪表板,即可获得更多或全部分配。这不是定时解锁,而是由参与驱动的。

“这个创新的系统奖励用户的行为,就像战斗通行证在Web2游戏中的工作方式一样,”帖子写道,“这意味着你使用Pixelverse产品的次数越多,你提取的PIXFI代币就越多。”

Pixelverse还透露了其继续在TON生态系统中构建的计划,该生态系统与Telegram消息应用程序密切相关。随着PIXFI的推出和即将到来的空投计划,Pixelverse计划在TON之上部署一个具有以太坊虚拟机(EVM)兼容性的专用二层扩展网络,称为Pixelchain。

Pixelchain测试网将于下周推出,Pixelverse将其描述为第一个在TON上推出的EVM链,尽管还会有更多。Pixelchain将用于为Pixelverse品牌下的游戏和应用程序提供动力。Decrypt询问了用于为Pixelchain的EVM兼容TON二层网络供电的技术,但没有立即得到澄清。

由Ryan Ozawa编辑。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片