Apple's Desired On-Device AI Sees a Dark Horse Emerge: The First Cognitive Model is Born, 4B Matches GPT-5.4

marsbitPubblicato 2026-06-09Pubblicato ultima volta 2026-06-09

Introduzione

A Chinese company, Tomorrow's Journey (Nextie), has introduced what it is calling the industry's first "cognitive model" for edge devices. Named New Journey Alpha, this 4-billion-parameter model reportedly matches the performance of trillion-parameter giants like GPT-5.4 in group intelligence tasks such as debate and collective decision-making. The development follows Andrej Karpathy's vision of stripping vast factual knowledge from large language models to retain only a smaller "cognitive core" capable of reasoning, planning, and knowing its own limits. This approach directly addresses the soaring computational costs and token expenses hindering AI's widespread deployment, as highlighted by incidents like Amazon shutting down an internal AI tool due to prohibitive costs. Trained via reinforcement learning on a corpus of academic papers from 1800-2020 to enhance generalization, the model enables three key advancements: 1) Improved decision quality in multi-agent systems, 2) Drastically reduced compute costs, allowing for cost-effective cloud or on-device (e.g., MacBook) deployment, and 3) The feasibility of "proactive" AI agents that act autonomously without user prompts, unlocking new commercial possibilities beyond today's reactive models. Built by the former Microsoft Xiaoice team—known for creating a 3.6B model that outperformed a 65B Llama model—the company is now focusing on the multi-agent systems sector, a field gaining significant investor interest. The model's ec...

[Introduction] At the just-concluded WWDC, Siri's rebirth powered by AI was a key topic, and 'on-device models' have become a trend! Earlier, Andrej Karpathy called for stripping models of knowledge, retaining only the 'cognitive core'. A Chinese company claims to have realized this direction—4B parameters, achieving performance akin to trillion-parameter large models in collective intelligence tasks. What can on-device cognitive models truly change?

Last night, Siri was reborn with the help of Google's 1.2 trillion-parameter Gemini.

However, on the other hand, Amazon shut down its highly controversial internal AI leaderboard—employees extensively used AI tools, causing computing costs to skyrocket to a point where management could no longer ignore it.

Token cost has become the hardest barrier to large-scale AI adoption.

Andrej Karpathy previously suggested a direction in an interview: strip the massive knowledge from the model, leaving only a 'cognitive core' capable of thinking, planning, and knowing what it doesn't know—1B-level parameters would suffice.

https://www.youtube.com/watch?v=lXUZvyajciY

This direction is being validated.

A 4B-parameter model has achieved results equivalent to trillion-parameter large models like GPT-5.4 in collective intelligence tasks, and supports on-device deployment.

It comes from a founding team that previously topped the Japanese Hugging Face leaderboard with a 3.6B model defeating the 65B Llama.

This time, they have created the industry's first on-device cognitive model.

Karpathy's Prediction and the Bill for Compute

The pressure of compute costs has shifted from a technical issue to a financial one, with Amazon's case being just the tip of the iceberg.

Amazon employees frequently used internal AI tools to call upon large model inference capabilities, driving up overall compute expenditures, forcing management to urgently halt the leaderboard mechanism to curb usage.

https://www.ft.com/content/b1a62a7f-6df5-4c90-94ce-64ce9c9961b6?syn-25a6b1a6=1

The industry is experiencing its first 'Token retreat,' with the daily compute consumption of some companies reaching the hundred-million-yuan level.

The business model of large models is hitting a structural wall: the more powerful the capability and the deeper the reasoning chain, the higher the cost per call.

GPU Cost / Revenue is a key metric for all AI companies, and the trend of continuously expanding model parameters only worsens this ratio.

Karpathy's thinking points to another path: he proposed the need to strip 'memory/knowledge' from models, retaining what he calls the 'cognitive core'—

An entity stripped of massive facts and knowledge, but retaining thinking algorithms, intelligent magic, and problem-solving strategies.

He believes that even at a scale of 1 billion parameters, efficient human-like thinking can be achieved:

It will think like a human... If you ask it a factual question, it might need to look it up—it knows it doesn't know and will go check.

This statement sparked widespread discussion in the tech community.

Consensus on the direction is forming, but teams that can push the 'cognitive core' from concept to deployable product are the real variables.

4B Matches Trillion-Parameter: What Nextie Alpha Has Done

The entity that pushed Karpathy's described 'cognitive core' from concept to product is Nextie.

This company conducted reinforcement learning training on open-source reasoning models, decoupling knowledge from cognition—stripping the model of memorized knowledge reserves while enhancing generalization and abstract thinking capabilities.

The resulting model is named Nextie Alpha, with a parameter scale of 4B. It has completed training and been deployed, making it the industry's first product defined as a 'cognitive model'.

Specifically regarding its training method, it actually starts from an uncommon origin.

The Nextie team compiled human academic papers from 1800 to 2020, spanning 220 years, attempting to trace the evolutionary trajectory of collective intelligence as a reference for their technical roadmap.

Based on this research, they performed reinforcement learning on open-source reasoning models, focusing on improving generalization and abstraction capabilities.

To give an intuitive example: the trained model can transfer a Go player's decision-making patterns to daily life scenarios—Karpathy's idea of 'retaining thinking algorithms' finds concrete technical implementation here.

In terms of effectiveness, Nextie Alpha achieved output quality equivalent to large models like GPT-5.4 in collective intelligence tasks (debate, reflection, challenge, voting, etc.) with 4B parameters, offering significant advantages in compute consumption and inference speed.

More noteworthy is the application space unlocked by this model, with three layers of progressive significance.

First layer: improvement in multi-agent decision-making quality.

Within the Harness decision-making framework, using the cognitive model yields better output than using a reasoning model.

Upgrading the underlying model from 'reasoning' to 'cognition' brings a leap in the overall quality of the decision-making chain within multi-agent collaborative systems.

Second layer: orders-of-magnitude reduction in compute costs.

4B compared to trillion-parameter models drastically reduces compute overhead for cloud deployment.

Nextie Alpha also supports on-device deployment—it can run directly on MacBooks, embodied intelligence devices, etc., converting compute costs into electricity costs.

This is particularly significant for the field of embodied intelligence: using a trillion-parameter model to drive a household robot consumes large amounts of Tokens with every 'thought,' potentially making the comprehensive cost higher than hiring a human. 4B on-device deployment fundamentally rewrites this equation.

Third layer: unlocking proactive scenarios.

Currently, the vast majority of AI products operate in a reactive mode—the user gives a command, the model responds.

Proactive mode means the agent makes decisions and executes tasks autonomously, without waiting for commands. The commercial scale of proactive mode far exceeds that of reactive mode but has always been blocked by compute costs in the past.

Nextie Alpha supports 24/7 operation at a controllable cost, making previously shelved proactive agents—deemed too expensive—possible.

Team's Trump Card and Positioning in the Race

Nextie was founded by the founding team of Microsoft Xiaoice.

This team's signature is 'winning with small parameters against large parameters'—their previously trained open-source model rinna (Japanese Xiaoice) topped the Japanese Hugging Face leaderboard with 3.6B parameters, defeating the 65B Llama.

Nextie Alpha achieving effects comparable to trillion-parameter models with 4B continues the same technical lineage.

Nextie is heavily investing in the track of—Harness group multi-agent.

This track is gaining validation from top-tier capital—in March 2026, OpenAI invested in the startup Isara, directly pushing its valuation to $650 million. Isara's research focus is precisely multi-agent collaboration and collective intelligence.

https://www.wsj.com/tech/ai/openai-backs-new-ai-startup-seeking-bot-army-breakthroughs-a0b1fedc

In intelligent depth evaluations (IDI) for this field, Nextie's comprehensive performance is significantly higher than any single large model.

Capital validates the track's value, while evaluation data pinpoints Nextie's position within it.

The combination of these two signals points to the same judgment: group multi-agent is the next high-value direction in the AI application layer, and cognitive models are the key infrastructure driving it.

Cognitive Models Change Not Just Parameters, but the Ledger

GPU Cost / Revenue is the sword of Damocles hanging over all AI companies.

The solution provided by cognitive models fundamentally points to the reconstruction of the economic model—achieving with 4B what previously required trillion parameters means an entirely different cost structure for the same output quality.

Nextie revealed in an interview that the team is training a more generalized 8B cognitive model.

If 4B can already match GPT-5.4 in collective intelligence tasks, the capability boundaries of 8B are worth anticipating.

A more profound question is left for the entire industry: When the cost of running a cognitive model on-device 24/7 drops to a negligible level, all AI products designed today based on the 'user commands, model responds' reactive model may need to re-examine their product forms.

The commercial imagination space for proactive agents far exceeds everything under the current reactive agent paradigm.

This article is from the WeChat public account 'New Zhiyuan', author: ASI启示录

Crypto di tendenza

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

Domande pertinenti

QWhat is the core idea behind Andrej Karpathy's proposed 'cognitive core' for AI models?

AAndrej Karpathy proposed stripping the vast 'knowledge/memory' from large models, leaving only a 'cognitive core'—a smaller entity (potentially around 1B parameters) that retains thinking algorithms, problem-solving strategies, and the awareness of what it does not know, enabling it to reason and look up information like a human.

QWhat company developed the 'NewCheng Alpha' model, and what is its key achievement?

AThe 'NewCheng Alpha' model was developed by Nextie (Tomorrow's New Journey). Its key achievement is being an industry-first edge-deployable cognitive model with 4B parameters that achieves output quality equivalent to trillion-parameter models like GPT-5.4 in collective intelligence tasks.

QWhat are the three main advantages or implications of deploying the 4B NewCheng Alpha model?

AThe three main advantages are: 1) Enhanced decision quality in multi-agent systems, 2) Drastic reduction in computational power costs (enabling edge deployment on devices like MacBooks), and 3) Unlocking Proactive AI scenarios where agents can operate autonomously 24/7 at a sustainable cost.

QWhat industry trend does the article mention regarding AI operating costs and business models?

AThe article mentions that token/inference costs are becoming a major barrier to AI scalability. Companies are facing unsustainable GPU Cost/Revenue ratios, leading to a 'Token Great Retreat' where even large firms like Amazon are curbing internal AI tool usage due to soaring compute expenses.

QBased on the article, what is the potential significance of the Harness multi-agent system and cognitive models?

AHarness multi-agent systems, driven by efficient cognitive models like NewCheng Alpha, represent a high-value future direction for AI application. They enable superior collective intelligence performance and could fundamentally shift AI product design from Reactive (command-response) to Proactive (autonomous action) models, vastly expanding commercial possibilities.

Letture associate

The Changing Landscape: What Are Crypto VCs Experiencing?

Title: The Shifting Landscape of Crypto Venture Capital The era of dedicated crypto venture capital funds is undergoing a significant transformation. Once essential for navigating the sector's complexity and high risk, these specialized funds are now facing an identity crisis as the market matures. This shift mirrors historical patterns in other specialized investment classes like cleantech and SPACs, where initial information advantages dissipate as technologies become mainstream and integrated into existing industry frameworks. The article argues that crypto is reaching a critical inflection point, transitioning from a "building phase" to an "integration phase." Major players like Stripe, BlackRock, and Visa now engage with crypto not for its novel mechanics but as a foundational financial infrastructure. Their needs—regulatory compliance, banking partnerships, distribution channels—align with traditional fintech, a domain easily understood by large, generalist funds like Sequoia and Founders Fund. This evolution creates a "barbell effect" within the VC landscape. On one end are massive, diversified platforms that can incorporate crypto as one vertical among many. On the other are small, nimble funds focused on niche, experimental projects. The middle ground—medium-sized dedicated crypto funds—is being squeezed out. Their typical fund size makes it impossible to generate sufficient returns solely from early-stage crypto bets, yet they cannot compete with giants for later-stage deals. Consequently, leading crypto-native firms like Paradigm and Framework Ventures are expanding into AI, robotics, and other sectors, driven partly by LP pressure for better returns amid a broader VC DPI crisis. Others, like Dragonfly and a16z, have narrowed their crypto focus predominantly to financial infrastructure like stablecoins, reframing the sector's core narrative. For crypto entrepreneurs, this consolidation presents challenges. While generalist funds offer larger checks and broader resources, crypto projects now compete fiercely with AI for attention and capital within these firms. Furthermore, the long-term, non-commercial foundational work that built the ecosystem—funded by dedicated crypto VCs—is less likely to attract generalist capital focused on direct returns. The conclusion is that "crypto investor" as a standalone category is becoming obsolete, akin to "internet investor." Crypto is becoming a baseline infrastructure layer. The future will see a barbell structure: large-scale growth financing handled by generalist funds, while pioneering, speculative projects are funded by small, specialized vehicles. The dedicated crypto funds of the 2017-2021 boom, which incubated core infrastructure, are giving way to this new, bifurcated reality.

Foresight News15 min fa

The Changing Landscape: What Are Crypto VCs Experiencing?

Foresight News15 min fa

As Consensus Accelerates, What Are Young Investors Betting On?

Title: As Consensus Forms Faster, What Are Young Investors Betting On? In the rapid evolution of tech investment, a new generation of young investors is navigating a landscape where AI, robotics, commercial aerospace, and quantum computing are advancing simultaneously. Traditional investment logic based on financial models is giving way to a need for deep technical understanding and the ability to act before industry consensus forms. An analysis of trends from the "WAIC FUTURE TECH" list of young investment leaders reveals key shifts in focus. The first major trend is the movement of AI from the digital screen into the physical world. Investment is shifting from large language models and chatbots towards embodied AI, robotics, AI hardware, and edge computing. While demonstrations generate excitement, the real challenge lies in achieving scalable, reliable, and cost-effective delivery in complex real-world environments like factories and logistics. Success depends not just on algorithms but on the integration of sensors, actuators, and control systems. Second, the competitive focus for large models is moving beyond raw capability toward building an "intelligence flywheel." The goal is to create self-reinforcing systems where user interaction generates data, improving the model, which in turn enhances the user experience and attracts more engagement. Companies that successfully embed AI into workflows to create these closed-loop systems can build lasting value that isn't easily erased by the next model upgrade. Third, facing a potential bottleneck in high-quality human-generated data, investors are looking at new underlying technologies. Reinforcement learning and self-play, as demonstrated by AlphaGo Zero, offer paths for AI to generate its own experience. Scientific foundation models, which aim to build general AI capabilities for fields like life sciences and materials discovery, represent a non-consensus direction that could unlock new frontiers of knowledge and data. Finally, in deep-tech areas like quantum computing, commercial aerospace, and space-based infrastructure, patient capital is essential. These fields have long, uncertain development and validation cycles involving complex engineering, supply chains, and regulations. Investment here requires a long-term view, focusing on foundational team capabilities and the eventual emergence of market demand, even if commercial returns are distant. Collectively, these trends illustrate how young investors are adapting to a new era. They are learning to make earlier, technically-informed judgments, balance hype with real-world viability, and provide the patient capital needed to build the deep-tech foundations of the future.

marsbit43 min fa

As Consensus Accelerates, What Are Young Investors Betting On?

marsbit43 min fa

Unlocking $100 Million in Liquidity? Pump.fun's New Policy Tests the 5-Minute Pump Technique

Foresight News, July 21 – Pump.fun has launched its new "BOOST" mode as the standard launch mechanism for new tokens. The core of BOOST is to address the issue of "dead liquidity." Historically, when a token migrates from its bonding curve to a liquidity pool, roughly 20% of its liquidity becomes permanently locked and unusable, a problem the platform estimates costs over $100 million annually. The new mechanism redirects this 20% of funds, which would have been locked, to instead be used for a 5-minute Time-Weighted Average Price (TWAP) buyback of the token immediately after migration. The purchased tokens are then permanently burned. For example, this means reserving 17.6 SOL for SOL pairs or about $2516 for USDC pairs at migration. This creates a short-term buying pressure and reduces the token's supply. The goal is to improve the immediate post-launch performance of memecoins, potentially increasing trader retention and transaction volume on the platform. However, critics warn this could lower the bar for token launches, encouraging low-quality projects, and that the brief 5-minute buy pressure might lead to sharper price crashes once it ends if followed by large sell-offs.

Foresight News53 min fa

Unlocking $100 Million in Liquidity? Pump.fun's New Policy Tests the 5-Minute Pump Technique

Foresight News53 min fa

What Signals Can Be Read from the Trading Data of India's Largest Asset Manager SBI's IPO?

India's largest asset manager, SBI Funds Management, successfully listed on July 21 with a nearly $10 billion IPO, attracting approximately 42 times subscription. However, the first-day closing price rose only about 6.3%, falling short of the 16% premium anticipated in the grey market. This signals robust demand for core Indian financial assets but also disciplined pricing, indicating the IPO market is selectively open for strong brands with clear growth narratives. The low reported underwriting fees, which led some global banks to reduce participation, highlight a shift in pricing power towards powerful issuers like SBI. Its strong brand, banking parent, and stable cash flows reduced reliance on traditional investment banking sales channels, with local brokers playing a larger role. This fee dynamic may not be replicable for weaker issuers. SBI's performance is seen as a key test for India's IPO pipeline, including potential future large listings like Reliance Jio and NSE. Its success with tempered gains sets a new price anchor: high-quality assets can launch, but excessive valuation premiums are constrained. The true measure of a sustained market reopening will be whether subsequent major offerings can proceed smoothly at reasonable valuations.

marsbit1 h fa

What Signals Can Be Read from the Trading Data of India's Largest Asset Manager SBI's IPO?

marsbit1 h fa

Can Japan Buy Growth with AI? Will the Bond Market Believe It?

Japan's cabinet has introduced the 2026 Basic Policy on Economic and Fiscal Management and Reform, shifting its primary fiscal target. The new framework moves away from the traditional annual primary balance goal and instead prioritizes a stable reduction of the debt-to-GDP ratio. This change is tied to a strategy of increased "responsible proactive fiscal" spending, aiming to boost long-term growth through investments in strategic sectors like AI, semiconductors, energy, and robotics. The government estimates total public and private investment in 62 key technologies could exceed 370 trillion yen by 2040. The market reaction has been mixed and cautious. While equity markets may respond to policy signals, bond markets are focused on fiscal credibility. Concerns center on whether the weakening of the clear primary balance anchor could lead to looser fiscal discipline. If investors doubt that these strategic investments will generate sufficient productivity gains, tax revenue, and nominal growth to outpace rising interest costs, they may demand higher yields on Japanese Government Bonds (JGBs). Recent volatility in the yen and JGB yields, with the 10-year yield briefly reaching 2.9%, reflects this skepticism. The success of this new framework hinges on two factors: whether Japan can achieve a nominal growth rate consistently higher than its long-term interest rates, and whether future budgets demonstrate disciplined control over bond issuance. The government's narrative is that strategic investment is essential to break Japan's cycle of low growth, aging, and labor shortages. However, the bond market will continuously assess the credibility of this plan, pricing the risk that it may represent fiscal expansion rather than a viable growth strategy.

marsbit1 h fa

Can Japan Buy Growth with AI? Will the Bond Market Believe It?

marsbit1 h fa

Trading

Spot

Articoli Popolari

Cosa è $S$

Comprendere SPERO: Una Panoramica Completa Introduzione a SPERO Mentre il panorama dell'innovazione continua a evolversi, l'emergere delle tecnologie web3 e dei progetti di criptovaluta gioca un ruolo fondamentale nel plasmare il futuro digitale. Un progetto che ha attirato l'attenzione in questo campo dinamico è SPERO, denotato come SPERO,$$s$. Questo articolo mira a raccogliere e presentare informazioni dettagliate su SPERO, per aiutare gli appassionati e gli investitori a comprendere le sue basi, obiettivi e innovazioni nei domini web3 e crypto. Che cos'è SPERO,$$s$? SPERO,$$s$ è un progetto unico all'interno dello spazio crypto che cerca di sfruttare i principi della decentralizzazione e della tecnologia blockchain per creare un ecosistema che promuove l'impegno, l'utilità e l'inclusione finanziaria. Il progetto è progettato per facilitare interazioni peer-to-peer in modi nuovi, fornendo agli utenti soluzioni e servizi finanziari innovativi. Al suo interno, SPERO,$$s$ mira a responsabilizzare gli individui fornendo strumenti e piattaforme che migliorano l'esperienza dell'utente nello spazio delle criptovalute. Questo include la possibilità di metodi di transazione più flessibili, la promozione di iniziative guidate dalla comunità e la creazione di percorsi per opportunità finanziarie attraverso applicazioni decentralizzate (dApps). La visione sottostante di SPERO,$$s$ ruota attorno all'inclusività, cercando di colmare le lacune all'interno della finanza tradizionale mentre sfrutta i vantaggi della tecnologia blockchain. Chi è il Creatore di SPERO,$$s$? L'identità del creatore di SPERO,$$s$ rimane piuttosto oscura, poiché ci sono risorse pubblicamente disponibili limitate che forniscono informazioni dettagliate sul suo fondatore o fondatori. Questa mancanza di trasparenza può derivare dall'impegno del progetto per la decentralizzazione—un ethos che molti progetti web3 condividono, dando priorità ai contributi collettivi rispetto al riconoscimento individuale. Centrando le discussioni attorno alla comunità e ai suoi obiettivi collettivi, SPERO,$$s$ incarna l'essenza dell'empowerment senza mettere in evidenza individui specifici. Pertanto, comprendere l'etica e la missione di SPERO rimane più importante che identificare un creatore singolo. Chi sono gli Investitori di SPERO,$$s$? SPERO,$$s$ è supportato da una varietà di investitori che vanno dai capitalisti di rischio agli investitori angelici dedicati a promuovere l'innovazione nel settore crypto. Il focus di questi investitori generalmente si allinea con la missione di SPERO—dando priorità a progetti che promettono avanzamenti tecnologici sociali, inclusività finanziaria e governance decentralizzata. Queste fondazioni di investitori sono tipicamente interessate a progetti che non solo offrono prodotti innovativi, ma contribuiscono anche positivamente alla comunità blockchain e ai suoi ecosistemi. Il supporto di questi investitori rafforza SPERO,$$s$ come un concorrente degno di nota nel dominio in rapida evoluzione dei progetti crypto. Come Funziona SPERO,$$s$? SPERO,$$s$ impiega un framework multifunzionale che lo distingue dai progetti di criptovaluta convenzionali. Ecco alcune delle caratteristiche chiave che sottolineano la sua unicità e innovazione: Governance Decentralizzata: SPERO,$$s$ integra modelli di governance decentralizzati, responsabilizzando gli utenti a partecipare attivamente ai processi decisionali riguardanti il futuro del progetto. Questo approccio favorisce un senso di proprietà e responsabilità tra i membri della comunità. Utilità del Token: SPERO,$$s$ utilizza il proprio token di criptovaluta, progettato per servire varie funzioni all'interno dell'ecosistema. Questi token abilitano transazioni, premi e la facilitazione dei servizi offerti sulla piattaforma, migliorando l'impegno e l'utilità complessivi. Architettura Stratificata: L'architettura tecnica di SPERO,$$s$ supporta la modularità e la scalabilità, consentendo un'integrazione fluida di funzionalità e applicazioni aggiuntive man mano che il progetto evolve. Questa adattabilità è fondamentale per mantenere la rilevanza nel panorama crypto in continua evoluzione. Coinvolgimento della Comunità: Il progetto enfatizza iniziative guidate dalla comunità, impiegando meccanismi che incentivano la collaborazione e il feedback. Nutrendo una comunità forte, SPERO,$$s$ può affrontare meglio le esigenze degli utenti e adattarsi alle tendenze di mercato. Focus sull'Inclusione: Offrendo basse commissioni di transazione e interfacce user-friendly, SPERO,$$s$ mira ad attrarre una base utenti diversificata, inclusi individui che potrebbero non aver precedentemente interagito nello spazio crypto. Questo impegno per l'inclusione si allinea con la sua missione generale di empowerment attraverso l'accessibilità. Cronologia di SPERO,$$s$ Comprendere la storia di un progetto fornisce preziose intuizioni sulla sua traiettoria di sviluppo e sui traguardi. Di seguito è riportata una cronologia suggerita che mappa eventi significativi nell'evoluzione di SPERO,$$s$: Fase di Concettualizzazione e Ideazione: Le idee iniziali che formano la base di SPERO,$$s$ sono state concepite, allineandosi strettamente con i principi di decentralizzazione e focus sulla comunità all'interno dell'industria blockchain. Lancio del Whitepaper del Progetto: Dopo la fase concettuale, è stato rilasciato un whitepaper completo che dettaglia la visione, gli obiettivi e l'infrastruttura tecnologica di SPERO,$$s$ per suscitare interesse e feedback dalla comunità. Costruzione della Comunità e Prime Interazioni: Sono stati effettuati sforzi attivi di outreach per costruire una comunità di early adopters e potenziali investitori, facilitando discussioni attorno agli obiettivi del progetto e ottenendo supporto. Evento di Generazione del Token: SPERO,$$s$ ha condotto un evento di generazione del token (TGE) per distribuire i propri token nativi ai primi sostenitori e stabilire una liquidità iniziale all'interno dell'ecosistema. Lancio della Prima dApp: La prima applicazione decentralizzata (dApp) associata a SPERO,$$s$ è stata attivata, consentendo agli utenti di interagire con le funzionalità principali della piattaforma. Sviluppo Continuo e Partnership: Aggiornamenti e miglioramenti continui alle offerte del progetto, inclusi partnership strategiche con altri attori nello spazio blockchain, hanno plasmato SPERO,$$s$ in un concorrente competitivo e in evoluzione nel mercato crypto. Conclusione SPERO,$$s$ rappresenta una testimonianza del potenziale del web3 e delle criptovalute di rivoluzionare i sistemi finanziari e responsabilizzare gli individui. Con un impegno per la governance decentralizzata, il coinvolgimento della comunità e funzionalità progettate in modo innovativo, apre la strada verso un panorama finanziario più inclusivo. Come per qualsiasi investimento nello spazio crypto in rapida evoluzione, si incoraggiano potenziali investitori e utenti a ricercare approfonditamente e a impegnarsi in modo riflessivo con gli sviluppi in corso all'interno di SPERO,$$s$. Il progetto mostra lo spirito innovativo dell'industria crypto, invitando a ulteriori esplorazioni delle sue innumerevoli possibilità. Mentre il percorso di SPERO,$$s$ è ancora in fase di sviluppo, i suoi principi fondamentali potrebbero effettivamente influenzare il futuro di come interagiamo con la tecnologia, la finanza e tra di noi in ecosistemi digitali interconnessi.

130 Totale visualizzazioniPubblicato il 2024.12.17Aggiornato il 2024.12.17

Cosa è AGENT S

Agent S: Il Futuro dell'Interazione Autonoma in Web3 Introduzione Nel panorama in continua evoluzione di Web3 e criptovalute, le innovazioni stanno costantemente ridefinendo il modo in cui gli individui interagiscono con le piattaforme digitali. Uno di questi progetti pionieristici, Agent S, promette di rivoluzionare l'interazione uomo-computer attraverso il suo framework agentico aperto. Aprendo la strada a interazioni autonome, Agent S mira a semplificare compiti complessi, offrendo applicazioni trasformative nell'intelligenza artificiale (AI). Questa esplorazione dettagliata approfondirà le complessità del progetto, le sue caratteristiche uniche e le implicazioni per il dominio delle criptovalute. Cos'è Agent S? Agent S si presenta come un innovativo framework agentico aperto, progettato specificamente per affrontare tre sfide fondamentali nell'automazione dei compiti informatici: Acquisizione di Conoscenze Specifiche del Dominio: Il framework apprende in modo intelligente da varie fonti di conoscenza esterne ed esperienze interne. Questo approccio duale gli consente di costruire un ricco repository di conoscenze specifiche del dominio, migliorando le sue prestazioni nell'esecuzione dei compiti. Pianificazione su Lungo Orizzonte di Compiti: Agent S impiega una pianificazione gerarchica potenziata dall'esperienza, un approccio strategico che facilita la suddivisione e l'esecuzione efficiente di compiti complessi. Questa caratteristica migliora significativamente la sua capacità di gestire più sottocompiti in modo efficiente ed efficace. Gestione di Interfacce Dinamiche e Non Uniformi: Il progetto introduce l'Interfaccia Agente-Computer (ACI), una soluzione innovativa che migliora l'interazione tra agenti e utenti. Utilizzando Modelli Linguistici Multimodali di Grandi Dimensioni (MLLM), Agent S può navigare e manipolare senza sforzo diverse interfacce grafiche utente. Attraverso queste caratteristiche pionieristiche, Agent S fornisce un framework robusto che affronta le complessità coinvolte nell'automazione dell'interazione umana con le macchine, preparando il terreno per innumerevoli applicazioni nell'AI e oltre. Chi è il Creatore di Agent S? Sebbene il concetto di Agent S sia fondamentalmente innovativo, informazioni specifiche sul suo creatore rimangono elusive. Il creatore è attualmente sconosciuto, il che evidenzia sia la fase embrionale del progetto sia la scelta strategica di mantenere i membri fondatori sotto anonimato. Indipendentemente dall'anonimato, l'attenzione rimane sulle capacità e sul potenziale del framework. Chi sono gli Investitori di Agent S? Poiché Agent S è relativamente nuovo nell'ecosistema crittografico, informazioni dettagliate riguardanti i suoi investitori e sostenitori finanziari non sono documentate esplicitamente. La mancanza di approfondimenti pubblicamente disponibili sulle fondazioni di investimento o sulle organizzazioni che supportano il progetto solleva interrogativi sulla sua struttura di finanziamento e sulla roadmap di sviluppo. Comprendere il supporto è cruciale per valutare la sostenibilità del progetto e il suo potenziale impatto sul mercato. Come Funziona Agent S? Al centro di Agent S si trova una tecnologia all'avanguardia che gli consente di funzionare efficacemente in contesti diversi. Il suo modello operativo è costruito attorno a diverse caratteristiche chiave: Interazione Uomo-Computer Simile a Quella Umana: Il framework offre una pianificazione AI avanzata, cercando di rendere le interazioni con i computer più intuitive. Mimando il comportamento umano nell'esecuzione dei compiti, promette di elevare le esperienze degli utenti. Memoria Narrativa: Utilizzata per sfruttare esperienze di alto livello, Agent S utilizza la memoria narrativa per tenere traccia delle storie dei compiti, migliorando così i suoi processi decisionali. Memoria Episodica: Questa caratteristica fornisce agli utenti una guida passo-passo, consentendo al framework di offrire supporto contestuale mentre i compiti si sviluppano. Supporto per OpenACI: Con la capacità di funzionare localmente, Agent S consente agli utenti di mantenere il controllo sulle proprie interazioni e flussi di lavoro, allineandosi con l'etica decentralizzata di Web3. Facile Integrazione con API Esterne: La sua versatilità e compatibilità con varie piattaforme AI garantiscono che Agent S possa adattarsi senza problemi agli ecosistemi tecnologici esistenti, rendendolo una scelta attraente per sviluppatori e organizzazioni. Queste funzionalità contribuiscono collettivamente alla posizione unica di Agent S all'interno dello spazio crittografico, poiché automatizza compiti complessi e multi-fase con un intervento umano minimo. Man mano che il progetto evolve, le sue potenziali applicazioni in Web3 potrebbero ridefinire il modo in cui si svolgono le interazioni digitali. Cronologia di Agent S Lo sviluppo e le tappe di Agent S possono essere riassunti in una cronologia che evidenzia i suoi eventi significativi: 27 Settembre 2024: Il concetto di Agent S è stato lanciato in un documento di ricerca completo intitolato “Un Framework Agentico Aperto che Usa i Computer Come un Umano”, mostrando le basi per il progetto. 10 Ottobre 2024: Il documento di ricerca è stato reso pubblicamente disponibile su arXiv, offrendo un'esplorazione approfondita del framework e della sua valutazione delle prestazioni basata sul benchmark OSWorld. 12 Ottobre 2024: È stata rilasciata una presentazione video, fornendo un'idea visiva delle capacità e delle caratteristiche di Agent S, coinvolgendo ulteriormente potenziali utenti e investitori. Questi indicatori nella cronologia non solo illustrano i progressi di Agent S, ma indicano anche il suo impegno per la trasparenza e il coinvolgimento della comunità. Punti Chiave su Agent S Man mano che il framework Agent S continua a evolversi, diversi attributi chiave si distinguono, sottolineando la sua natura innovativa e il potenziale: Framework Innovativo: Progettato per fornire un uso intuitivo dei computer simile all'interazione umana, Agent S porta un approccio nuovo all'automazione dei compiti. Interazione Autonoma: La capacità di interagire autonomamente con i computer attraverso GUI segna un passo avanti verso soluzioni informatiche più intelligenti ed efficienti. Automazione di Compiti Complessi: Con la sua metodologia robusta, può automatizzare compiti complessi e multi-fase, rendendo i processi più veloci e meno soggetti a errori. Miglioramento Continuo: I meccanismi di apprendimento consentono ad Agent S di migliorare dalle esperienze passate, migliorando continuamente le sue prestazioni e la sua efficacia. Versatilità: La sua adattabilità attraverso diversi ambienti operativi come OSWorld e WindowsAgentArena garantisce che possa servire un'ampia gamma di applicazioni. Man mano che Agent S si posiziona nel panorama di Web3 e delle criptovalute, il suo potenziale per migliorare le capacità di interazione e automatizzare i processi segna un significativo avanzamento nelle tecnologie AI. Attraverso il suo framework innovativo, Agent S esemplifica il futuro delle interazioni digitali, promettendo un'esperienza più fluida ed efficiente per gli utenti in vari settori. Conclusione Agent S rappresenta un audace passo avanti nell'unione tra AI e Web3, con la capacità di ridefinire il modo in cui interagiamo con la tecnologia. Sebbene sia ancora nelle sue fasi iniziali, le possibilità per la sua applicazione sono vaste e coinvolgenti. Attraverso il suo framework completo che affronta sfide critiche, Agent S mira a portare le interazioni autonome al centro dell'esperienza digitale. Man mano che ci addentriamo nei regni delle criptovalute e della decentralizzazione, progetti come Agent S giocheranno senza dubbio un ruolo cruciale nel plasmare il futuro della tecnologia e della collaborazione uomo-computer.

584 Totale visualizzazioniPubblicato il 2025.01.14Aggiornato il 2025.01.14

Come comprare S

Benvenuto in HTX.com! Abbiamo reso l'acquisto di Sonic (S) semplice e conveniente. Segui la nostra guida passo passo per intraprendere il tuo viaggio nel mondo delle criptovalute.Step 1: Crea il tuo Account HTXUsa la tua email o numero di telefono per registrarti il tuo account gratuito su HTX. Vivi un'esperienza facile e sblocca tutte le funzionalità,Crea il mio accountStep 2: Vai in Acquista crypto e seleziona il tuo metodo di pagamentoCarta di credito/debito: utilizza la tua Visa o Mastercard per acquistare immediatamente SonicS.Bilancio: Usa i fondi dal bilancio del tuo account HTX per fare trading senza problemi.Terze parti: abbiamo aggiunto metodi di pagamento molto utilizzati come Google Pay e Apple Pay per maggiore comodità.P2P: Fai trading direttamente con altri utenti HTX.Over-the-Counter (OTC): Offriamo servizi su misura e tassi di cambio competitivi per i trader.Step 3: Conserva Sonic (S)Dopo aver acquistato Sonic (S), conserva nel tuo account HTX. In alternativa, puoi inviare tramite trasferimento blockchain o scambiare per altre criptovalute.Step 4: Scambia Sonic (S)Scambia facilmente Sonic (S) nel mercato spot di HTX. Accedi al tuo account, seleziona la tua coppia di trading, esegui le tue operazioni e monitora in tempo reale. Offriamo un'esperienza user-friendly sia per chi ha appena iniziato che per i trader più esperti.

1.2k Totale visualizzazioniPubblicato il 2025.01.15Aggiornato il 2026.06.02

Discussioni

Benvenuto nella Community HTX. Qui puoi rimanere informato sugli ultimi sviluppi della piattaforma e accedere ad approfondimenti esperti sul mercato. Le opinioni degli utenti sul prezzo di S S sono presentate come di seguito.