# Сопутствующие статьи по теме Оптимизация

Новостной центр HTX предлагает последние статьи и углубленный анализ по "Оптимизация", охватывающие рыночные тренды, новости проектов, развитие технологий и политику регулирования в криптоиндустрии.

Почему SocialFi создан из-за непонимания своей собственной среды

В статье анализируется неудача SocialFi через призму теории Маршалла Маклюэна о «горячих» и «холодных» медиа. Социальные сети, как «холодные» медиа, основаны на низко-детализированных сигналах, требующих активного участия пользователей для создания смысла. SocialFi, вводя такие «горячие» сигналы, как реальные рыночные цены на каждое социальное действие (лайки, подписки), превратило платформы в финансовые рынки, подавив их исконную социальную природу. Это разрушило вовлечённость, поскольку чёткий ценовой сигнал не оставляет места для неоднозначности и участия. Аналогичный процесс «теплового дрейфа» к «горячим» сигналам (метрики, алгоритмы) постепенно подрывает и традиционные платформы. Однако успешные модели, такие как Substack или Patreon, показывают, что интеграция капитала возможна через «точки конденсации» — локализованные, редкие и структурно отделённые от основного потока активности места, где капитал аккумулируется (подписки), не перегревая всё медиа. Ключевой вывод: ликвидность подобна теплу. Чтобы совместить капитал и социальное взаимодействие, необходимо не превращать медиа в рынок, а найти способ конденсировать капитал, сохраняя «холодную», вовлекающую основу платформы. На примере NFT видно, как навязывание постоянной ценовой видимости разрушило саму культуру коллекционирования.

marsbit05/14 09:42

Почему SocialFi создан из-за непонимания своей собственной среды

marsbit05/14 09:42

Как автоматизировать любой рабочий процесс с помощью Claude Skills (Полное руководство)

Клод Скиллы — это постоянные файлы инструкций на вашем компьютере, которые точно объясняют Клоду, как выполнять конкретную задачу, обеспечивая стабильное и качественное выполнение каждый раз. В отличие от разовых промптов, скиллы работают как обученный специалист, следуя четкому процессу и стандартам. Статья представляет собой полное практическое руководство по работе с Claude Skills, разделенное на четыре этапа: 1. **Установка первого скилла за 5 минут:** Скиллы — это папки с файлом `SKILL.md`. Их можно найти на skillsmp.com или GitHub, установить и протестировать на реальной задаче. 2. **Создание своего скилла с нуля:** Перед созданием нужно ответить на три вопроса: конкретная цель скилла, фразы для его активации и пример идеального результата. Файл `SKILL.md` состоит из YAML-заголовка (название, описание, триггеры) и детальных пошаговых инструкций с примерами. 3. **Тестирование и доводка до производственного уровня:** Скилл нужно проверять в трех сценариях: обычная задача, пограничные случаи (неполные/странные данные) и нагрузочный тест (сложная версия задачи). Неудачи показывают, какие инструкции нужно добавить. Регулярная оптимизация в течение месяца значительно улучшает результаты. 4. **Построение полной библиотеки скиллов для вашей отрасли:** Автоматизируя каждую повторяющуюся задачу (написание писем, анализ данных, создание отчетов и т.д.), вы создаете "команду" скиллов. Приводятся примеры для сферы недвижимости, маркетинга, финансов, консалтинга и электронной коммерции. Десять скиллов, экономящих по 30 минут в неделю каждый, возвращают вам более 260 часов (6,5 рабочих недель) в год. Автор призывает перестать вводить одни и те же инструкции вручную и начать строить систему автоматизированных рабочих процессов.

marsbit05/12 09:48

Как автоматизировать любой рабочий процесс с помощью Claude Skills (Полное руководство)

marsbit05/12 09:48

Новая работа лауреата премии Тьюринга Саттона: Использование формулы 1967 года для устранения важного недостатка потокового обучения с подкреплением

В декабре 2024 года исследователи из Университета Альберты столкнулись с проблемой «потокового барьера» в глубоком обучении с подкреплением: при обучении в потоковом режиме (без буфера воспроизведения и с размером пакета, равным 1) обучение становилось нестабильным. Год спустя, команда с участием лауреата премии Тьюринга Ричарда Саттона предложила решение — метод «интенциональных обновлений» (Intentional Updates). Идея, восходящая к алгоритму NLMS 1967 года, заключается в том, чтобы напрямую задавать желаемое изменение выхода функции (например, уменьшение ошибки прогноза на фиксированный процент), а затем вычислять необходимый размер шага обновления параметров, а не наоборот. Этот подход обеспечивает стабильное влияние каждого обновления на результат. Метод был применён как к обучению ценности (Intentional TD/Q), так и к обучению политики (Intentional Policy Gradient), сочетаясь с такими техниками, как RMSProp и следы пригодности. В экспериментах на задачах непрерывного (MuJoCo) и дискретного (Atari) управления алгоритмы показали производительность, сопоставимую с современными методами (SAC, DQN), использующими большие буферы, но при значительно меньших вычислительных затратах и с лучшей устойчивостью. Хотя метод демонстрирует высокую эффективность и робастность, авторы отмечают потенциальную проблему смещения в обновлениях политики и необходимость дальнейшей работы для её устранения. «Интенциональные обновления» представляют собой значительный шаг в сторону создания ИИ, способного к непрерывному и эффективному онлайн-обучению, аналогичному естественному обучению живых существ.

marsbit05/10 06:32

Новая работа лауреата премии Тьюринга Саттона: Использование формулы 1967 года для устранения важного недостатка потокового обучения с подкреплением

marsbit05/10 06:32

DWF Глубокий отчет: ИИ в DeFi превосходит человека в оптимизации доходности, но отстает в 5 раз в сложных сделках

Исследование DWF Ventures показывает, что ИИ-агенты уже генерируют до 19% объема транзакций в DeFi. В узких, четко определенных задачах, таких как оптимизация доходности (например, ликвидность в пулах), агенты превосходят людей, демонстрируя более высокую годовую доходность (например, 9,75% для USDC в ARMA). Однако в сложных сценариях, таких как трейдинг, люди значительно outperformed агентов — лучшие трейдеры превзошли лучшие ИИ-модели в 5 раз. Ключевыми факторами успеха агентов являются выбор модели (Grok-4.20 показал наилучшие результаты), управление рисками, время удержания позиций и низкий леверидж. Для массового внедрения необходимо решить проблемы инфраструктуры, доверия (например, стандарт ERC-8004 для репутации), безопасности и рисков, таких как Sybil-атаки и копирование стратегий.

marsbit04/17 05:35

DWF Глубокий отчет: ИИ в DeFi превосходит человека в оптимизации доходности, но отстает в 5 раз в сложных сделках

marsbit04/17 05:35

Всё можно «оземпицировать»: Эффективность превыше всего, прогнозные рынки, экономика сенсаций и война

Макроаналитик Кайла Сканлон критикует современную культуру «оптимизации», которая превращает тело, личность и веру в товар. Она вводит термин «оземпицизация» — стремление к быстрым решениям (как препарат Оземпик для похудения), вместо решения системных проблем. Это ответ на финансовый нигилизм и ощущение потери контроля. Люди ищут иллюзию управления через биохакинг, криптовалюты, предсказательные рынки и «индустрию маскулинности», которые спекулируют на отчаянии. Война и кризисы усугубляют ситуацию, подменяя реальность спектаклем (мемами). Автор призывает отказаться от иллюзорной оптимизации и заняться скучной, но настоящей работой по изменению систем, а не симптомов. Надежда, а не отчаяние, должна стать основой действий.

marsbit03/29 01:12

Всё можно «оземпицировать»: Эффективность превыше всего, прогнозные рынки, экономика сенсаций и война

marsbit03/29 01:12

Библия арбитража Polymarket: настоящий разрыв в математической инфраструктуре

Polymarket арбитраж — это не простое сложение цен, а сложная математическая задача, требующая продвинутой инфраструктуры. В то время как обычные трейдеры вручную ищут несоответствия в ценах, количественные системы используют целочисленное программирование для анализа тысяч рынков и логических зависимостей между ними, избегая перебора всех возможных комбинаций (2^63 в случае NCAA). Ключевые методы включают проекцию Брегмана (на основе расхождения KL) для определения оптимальных арбитражных сделок с учёта структуры рынка, и алгоритм Франка-Вульфа для итеративной оптимизации без полного перебора. Однако расчёт — это только половина дела: исполнение на CLOB Polymarket сталкивается с проблемами неатомарности ордеров и ликвидности. Реальные прибыли учитывают VWAP и риски проскальзывания. За год систематический арбитраж принёс $40 млн прибыли, причём топ-10 трейдеров заработали $8.1 млн. Разрыв между успешными и обычными участниками — не в удаче, а в математической инфраструктуре и скорости выполнения.

marsbit03/11 05:15

Библия арбитража Polymarket: настоящий разрыв в математической инфраструктуре