# Сопутствующие статьи по теме Архитектура

L2 «рекалибровка»: когда L1 становится собственным ролл-апом, каков финал Ethereum?

«L2 перекалибровка»: когда L1 становится собственным роллапом, каков финал Ethereum? Первоначально, роллапы (L2) рассматривались как основной путь масштабирования Ethereum, обеспечивая дешёвое и быстрое исполнение транзакций. Однако, с развитием самого L1 (повышение лимита газа, внедрение безсостоятельности и zkEVM) и объединением задач масштабирования, традиционное разделение между L1 как безопасным, но медленным «слоем урегулирования» и L2 как дешёвым «слоем исполнения» меняется. Вопрос теперь не только в увеличении пространства блоков, а в перераспределении ролей в системе с множеством исполняющих сред. Будущая роль L2 смещается от простого предоставления дешёвого газа к обеспечению уникальных функций, таких как оптимизация для конкретных приложений, приватность и гибкие модели управления. Таким образом, L2 станет скорее спектром исполняющих сред с разной степенью наследования безопасности Ethereum, чем единым техническим классом. Ключевой задачей становится решение фрагментации. Разделённая ликвидность и состояние пользователя ухудшают опыт. Усилия концентрируются на улучшении взаимодействия (интероперабельности) через системы на основе намерений (intents) и нативные протоколы, такие как Ethereum Interoperability Layer (EIL), чтобы Ethereum вновь «ощущался как единая цепь». Сокращение времени до финальности транзакций L1 также имеет решающее значение для доверия между цепями. Ещё более радикальная идея — с появлением систем доказательств (zkEVM) внутри L1 сама Ethereum может стать своего рода «собственным роллапом», где высокопроизводительные узлы исполняют транзакции, а валидаторы проверяют криптографические доказательства. Это размывает классические границы между слоями и открывает путь к архитектуре, где множество исполняющих доменов (специализированных L2) сосуществуют, разделяя общую безопасность, ликвидность и систему урегулирования Ethereum. В итоге, будущее Ethereum видится не как победа L1 над L2 или наоборот, а как экосистема взаимосвязанных исполняющих сред, которые, будучи «разобранными» для масштабирования, вновь объединяются в единое, безопасное и удобное для пользователя целое.

marsbit07/21 12:56

В спорах вокруг стейблкоинов Visa и Mastercard дизайн XRP Ledger снова в центре внимания

Новый стейблкоин-проект Open USD (OUSD), поддерживаемый консорциумом из более чем 140 компаний, включая Visa, Mastercard и Ripple, вновь привлек внимание к архитектуре XRP Ledger (XRPL). Бывший ведущий инженер Ripple Мэтт Хэмилтон отметил, что дизайн OUSD, в частности его механизм многостороннего распределения резервов, напоминает концепции, заложенные в XRP Ledger еще в 2012 году. Важно подчеркнуть, что OUSD изначально запускается на Solana и Tempo, а не на XRPL, и это не продукт Ripple. Сравнение носит исключительно технический характер. Оно показывает, что принципы быстрого расчета и выпуска активов, изначально заложенные в XRP Ledger, сейчас находят отклик у крупных игроков традиционных финансов, исследующих модели стейблкоинов на основе консорциума. Для сообщества XRP это служит подтверждением дальновидности первоначального дизайна реестра. Открытым остается вопрос, приведет ли это к прямому использованию XRPL крупными финансовыми институтами или же они просто позаимствуют архитектурные идеи, не увеличивая активность в самой сети.

bitcoinist07/02 23:07

Преобразуем Transformer, и большие языковые модели становятся умнее

В новой статье исследователей из Mila, Корнелльского и Монреальского университетов предлагается радикально простой способ улучшить большие языковые модели (LLM) без увеличения параметров или вычислительных затрат. Вместо равномерного распределения параметров по всем слоям модели, авторы предлагают использовать «конические языковые модели» (Tapered Language Models, TLM), где емкость (например, ширина прямого распространения) монотонно уменьшается от ранних слоев к более поздним. Эксперименты на моделях размером от 440M до 1.3B параметров показывают, что оптимальное распределение (уменьшение по косинусоидальной кривой) дает значительное улучшение. Например, для модели на 440M параметров perplexity снизился с 16.28 до 14.44, что соответствует улучшению на 1.84 пункта. Этот результат воспроизведен на четырех различных архитектурах, включая Transformer, модели с управляемым вниманием и архитектуры с долговременной памятью. Ключевое обоснование заключается в том, что ранние слои модели обрабатывают фундаментальную информацию (например, синтаксис) и нуждаются в большей емкости, в то время как более глубокие слои часто лишь повторяют или уточняют уже сформированные представления. Таким образом, перераспределение ресурсов в пользу начальных слоев повышает общую эффективность модели без дополнительных затрат. Исследователи отмечают, что этот принцип может быть применен не только к языковым моделям, но и к другим архитектурам, таким как Vision Transformer или диффузионные модели, где также исторически используется равномерное распределение параметров по слоям. Работа открывает новое, практически бесплатное направление для оптимизации современных нейронных сетей.

marsbit06/29 12:54

Новая работа команды Хэ Каймина: после удаления VAE и приватных данных генерация текста в изображениях стала ещё лучше

Новая работа команды Хэ Каймина, MiniT2I, представляет собой минималистскую базовую модель для генерации изображений по тексту, которая бросает вызов существующим сложным подходам. В отличие от популярных моделей, таких как Stable Diffusion, MiniT2I отказывается от использования VAE, сложных механизмов введения условий (AdaLN), вспомогательных функций потерь, приватных данных и этапов выравнивания RL/DPO. Модель работает непосредственно в пространстве пикселей, используя потоковое согласование. Архитектура MM-JiT основана на чистом Transformer с двумя адаптерами для текста и без AdaLN. Обучение проводится в два этапа на полностью открытых данных: предварительное обучение на LLaVA-recaptioned CC12M и тонкая настройка на наборе высококачественных пар изображение-текст. Несмотря на небольшой размер (например, версия B/16 с 258 млн параметров), MiniT2I показывает конкурентоспособные результаты на бенчмарках GenEval (0.87) и DPG-Bench (84.2), превосходя более крупные модели. Модель L/16 (912 млн параметров) демонстрирует хорошее качество в стилях, композиции и воображении, приближаясь к SD3-Medium. Работа также честно указывает на текущие ограничения: артефакты на границах патчей, побочные эффекты CFG в пиксельном пространстве, потолок разрешения и отставание в рендеринге текста из-за использования только открытых данных. MiniT2I доказывает, что создание мощных тексто-графических моделей может быть более простым, эффективным и доступным, отмечая возможный переход от парадигмы «нагромождения» к парадигме «очищения».

marsbit06/22 10:18

Анализ Hook в Uniswap v4: Архитектура, распространенные уязвимости и практика защиты

С момента запуска Uniswap v4 механизм Hook стал одной из самых заметных инноваций в DeFi. Он позволяет разработчикам привязывать пользовательские смарт-контракты к ключевым событиям жизненного цикла пулов ликвидности (своп, добавление/удаление ликвидности, инициализация), встраивая произвольную логику. Основные изменения в v4 включают: Singleton (единый контракт PoolManager для всех пулов), flash accounting (промежуточный учёт изменений) и неизменяемую привязку Hook к пулу. Безопасность каждого пула теперь зависит от его Hook, смещая модель доверия с уровня протокола на уровень отдельного пула. Архитектура основана на модели unlock/callback в PoolManager. Hook-контракты развертываются с помощью CREATE2, чтобы их адрес имел определённые битовые флаги, указывающие, какие функции обратного вызова (например, beforeSwap) будет вызывать PoolManager. Критически важно, чтобы эти флаги соответствовали фактической реализации контракта. Ключевые уязвимости включают: отсутствие контроля доступа к функциям обратного вызова (BaseHook по умолчанию защищает только unlockCallback), возможность привязки одного Hook к нежелательным пулам, ошибки в знаках или подстановке токенов при работе с Delta, а также риски, присущие асинхронным Hook, которые полностью заменяют логику свопа Uniswap своей. Механизм учёта Delta гарантирует только конечный баланс (NonzeroDeltaCount == 0), но не корректность состояния. Атака на Cork Protocol показала, что безопасность Hook требует аудита не как отдельного контракта, а как целого подпротокола с учётом всех взаимодействий. Разработчики должны явно реализовывать контроль доступа, валидацию пулов и аккуратно управлять Delta.

marsbit06/22 08:07

Xpeng и Nio конкурируют в вычислениях, Li Auto меняет архитектуру

Идеал Авто представила саморазработанный чип Mahe M100 для нового поколения L9 Livis, отказавшись от погони за количеством TOPS в пользу инноваций в архитектуре. В отличие от других автопроизводителей, таких как NIO, XPeng и Huawei, которые сосредоточены на увеличении вычислительной мощности, Идеал выбрала подход, основанный на изменении базовой логики обработки данных. Архитектура динамического потока данных (Dynamic Data Flow) в Mahe M100, представленная на конференции ISCA 2026, позволяет сократить задержки и повысить эффективность вычислений для собственных моделей ИИ компании. На презентации Ли Сян также представил концепцию «автомобиля с воплощенным интеллектом» (Embodied AI Car), которая сочетает в себе функции электромобиля, профессионального водителя, AI-компьютера и персонального ассистента. Технической основой для этой концепции служат Mahe M100, модель автономного вождения VLA2.1, базовая модель Mind-Pro и операционная система Xing Huan OS. Компания поставила цель достичь уровня Tesla FSD V14 к четвертому кварталу 2026 года и представила подробный график обновлений OTA. Несмотря на технологические амбиции, Идеал сталкивается с финансовыми вызовами, включая снижение доходов и рентабельности в последние кварталы. Цель на 2026 год — продать 550 000 автомобилей, что требует успешного обновления модельного ряда L и запуска новых электромобилей. Эффективность новой архитектуры чипа и выполнение обещаний по автономному вождению станут ключевыми факторами успеха компании в ближайшие кварталы.

marsbit06/16 04:53

После принятия законов GENIUS и CLARITY, какой должна быть правильная архитектура доходов на блокчейне?

В статье анализируется развитие кредитования под залог активов (Asset-Backed Credit, ABC) в блокчейне на фоне новых регуляторных актов США (GENIUS и CLARITY). Автор разделяет три типа ончейн-кредитования: сверхобеспеченное крипто-кредитование, необеспеченное кредитование и ABC. Подчеркивается, что только ABC структурно решает проблему неблагоприятного отбора, так как кредиты обеспечены идентифицируемым залогом в реальном мире с юридическими правами и процедурой взыскания. Отмечается быстрый рост рынка реальных активов (RWA) в блокчейне, особенно частного кредитования. Однако текущая модель токенизированных фондов просто переносит риски управляющих фондов на блокчейн, не решая проблему на уровне протокола. Ключевым регуляторным сдвигом стало принятие актов GENIUS и CLARITY, которые запрещают эмитентам стейблкоинов и биржам выплачивать проценты по их остаткам. Это делает сейфы (vaults) ERC-4626 центральной архитектурой для предложения легальной доходности в ончейн-пространстве. Сейф становится не просто оболочкой, а механизмом, кодирующим оценку кредита, его структуру, возмещение и соответствие нормам. Автор делает вывод, что в ближайшие 12-18 месяцев именно дизайн сейфов, решающих проблему неблагоприятного отбора на протокольном уровне, станет ключевым фактором для предоставления соответственной, прозрачной доходности в новой регуляторной среде.

Foresight News06/11 11:15

Преодолевая «стену памяти»: Революция на уровне пластины и маршруты вычислений в эпоху AI-инференса

В 2026 году мир ИИ достиг поворотного момента: крупнейшие облачные провайдеры впервые стали тратить на вывод моделей больше, чем на их обучение. Ключевой проблемой эпохи обучения была производительность вычислений, но в эпоху вывода главным узким местом стала «стена памяти» — задержки и энергозатраты на перемещение данных между памятью и процессором. Традиционные GPU, как у NVIDIA, упираются в ограничения пропускной способности памяти. Компания Cerebras Systems предлагает радикально другой подход — чип на целой кремниевой пластине (Wafer-Scale Engine, WSE-3). Эта архитектура размещает 44 ГБ сверхбыстрой SRAM-памяти прямо на кристалле, обеспечивая пропускную способность в тысячи раз выше, чем у HBM в GPU, что кардинально ускоряет генерацию токенов в больших языковых моделях (LLM). Ключевое преимущество Cerebras — минимальная задержка при выводе, особенно для первого токена и длинных контекстов. Однако у этого пути есть серьезные компромиссы: сложности с теплоотводом, ограниченная экосистема ПО, низкая внешняя пропускная способность и физические ограничения на дальнейшее увеличение объема SRAM с уменьшением техпроцесса. Крупные технологические компании (Google, AWS, Microsoft) в ответ развивают три направления: специализированные AI-чипы (ASIC), продвинутые стандартные технологии упаковки (как SoW от TSMC), которые могут нивелировать преимущество Cerebras, и оптические интерконнекты для преодоления «стены памяти». Cerebras сейчас сталкивается с вызовом масштабирования: крупные контракты требуют быстрого развертывания энергоемких дата-центров специальной конструкции, что превращает компанию из производителя чипов в поставщика облачных услуг. В итоге, в эпоху доминирования задач вывода ИИ, нет единственно верного архитектурного пути. Cerebras выбирает путь физической оптимизации для максимально низкой задержки в специализированных задачах, в то время как NVIDIA и другие делают ставку на универсальность и масштабируемость для широкого спектра рабочих нагрузок. Будущее архитектуры вычислений для ИИ остается открытым и полным возможностей для инноваций.

marsbit06/05 11:09

GitHub, пробитый ИИ

В начале 2026 года GitHub столкнулся с серией серьезных сбоев, включая крупный инцидент 9 февраля. Истинной причиной проблем стал взрывной рост нагрузки не со стороны людей, а от ИИ-агентов. Например, еженедельное количество коммитов достигло 275 миллионов, что прогнозирует увеличение годового объема в 14 раз по сравнению с 2025 годом. Такие агенты, как Claude Code, совершают миллионы коммитов в неделю, создавая PR и репозитории с нечеловеческой скоростью. Это привело к двум фундаментальным вызовам: инфраструктура GitHub, рассчитанная на человеческие ритмы работы, не справляется с новым типом нагрузки, что потребует полной перепроектировки архитектуры под масштабирование в 30 раз. Кроме того, традиционная подписочная модель Copilot стала убыточной, поскольку автономные ИИ-агенты потребляют огромные вычислительные ресурсы, что вынудило GitHub перейти на оплату по факту использования. Платформа переживает качественный сдвиг: из инструмента человеческой коллаборации она превращается в "выхлопную трубу" для автоматизированных рабочих процессов ИИ. GitHub, как первая и ключевая инфраструктура в цепочке ИИ-инструментов, оказалась на передовой этой трансформации. Его текущие усилия по перестройке и повышенная прозрачность в отчетах об инцидентах — это попытка адаптироваться к новой реальности, где реальными "пользователями" всё чаще становятся не люди, а агенты искусственного интеллекта.

marsbit06/04 10:41

Мост между блокчейнами ищет перемен: LI.FI с архитектурой интентов становится центром ликвидности для институтов TradFi

Odaily星球日报06/03 06:08