Tari 测试网将于 9 月发布挖矿应用 Tari Universe

链捕手Xuất bản vào 2024-08-20Cập nhật gần nhất vào 2024-08-20

原文标题:Introducing Tari Universe: The Crypto Miner For English Majors

原文来源:Chainwire

 

Tari Labs 是一家致力于开发下一代区块链协议 Tari 的组织,今天推出了 Tari Universe,这是一款突破性的挖矿应用,旨在让任何人都能轻松加入加密革命。Tari Universe 利用了 RandomX,一种抗 ASIC 的哈希算法,使用户可以通过现有的 Mac 或 PC 挖 Tari。告别加密领域复杂的用户体验障碍——Tari Universe 的界面让挖矿变得简单易懂。用户只需免费下载 Tari Universe,安装后点击「开始挖矿」即可赚取 Tari 代币。

在一个通货膨胀失控、许多人生活艰难的世界中,挖矿加密货币为每个人提供了一个极好的机会。

「Tari Universe 是一款极其简单的加密产品,终于让我愿意走出舒适区,」Tari 的官方吉祥物 Soon™——一只乌龟说道。「我们都希望大众广泛采用加密货币,但在这个行业中,我们却不断设计出需要用户进行 KYC 和跳过无数障碍才能参与的复杂产品。Tari Universe 改变了一切。它是一款我妈妈都能使用的一键式奇迹。」

Tari Universe 让挖矿充满乐趣

Tari Universe 让工作量证明(Proof-of-Work)的挖矿过程栩栩如生。工作量证明的挖矿是一场争夺第一个解决下一区块的竞赛,获胜者将获得区块奖励及所有荣誉。Tari Universe 将 Tari 区块链表现为一座流线型的高塔,每个区块都对应一层楼。用户将看到他们的 Tribe(部落)争相在其他人之前建造下一层楼。当他们获胜时,所有成员都会分享战利品。Tari Universe 让任何人都能轻松理解区块链的运作原理并享受工作量证明挖矿的乐趣。

Tari Universe 让挖矿更公平

Tari Universe 使用 p2pool 去中心化矿池软件引入了 Tribes——一群用户共同努力解决区块。当用户第一次启动 Tari Universe 时,他们会自动加入一个 Tribe。无需配置或额外步骤。值得注意的是,没有矿池费用,用户也不需要将区块奖励托付给一个匿名的矿池运营者。结合 RandomX 的抗 ASIC 特性,Tari Universe 让挖矿变得公平公正。

Tari Universe 实现了极致的去中心化

Tari Universe 在一个充满中心化排序器和「独立」节点运营者的小团体世界中成为一股清流。任何人都可以免费下载 Tari Universe,安装并运行在现有的 Mac 或 PC 上。无需昂贵或定制的硬件,用户也不需要成为某个特权团体的成员。Tari Universe 是无许可的,增强了自由属性,并将在第一天就帮助 Tari 实现高度去中心化。

Tari Universe 是你的加密货币基地

Tari Universe 包含一个自动更新功能,用户可以即时访问突破性的全新功能。随着 Tari 世界的扩展,Tari Universe 将成为终极的一站式加密货币平台。Tari Universe 是为每个人打造的一键式加密革命。

发布信息

Tari 贡献者将在 2024 年 9 月为 Tari 测试网发布 Tari Universe,支持 Tari 主网的版本将在 Tari 创世区块开采时同步发布。该平台将自动将 Tari Universe 测试网用户升级到主网版本。Tari Universe 几乎可以在任何现代的 Mac 或 PC 上运行。Tari 贡献者的目标是使 Tari Universe 尽可能普及。他们敦促任何对 Tari Universe 感兴趣的人访问 universe.tari.com 并加入候补名单。用户可以通过邀请朋友加入来提升在候补名单中的位置。

了解更多关于 Tari Universe、Tari 和 Tari Labs 的信息

欲了解更多关于 Tari Universe 的信息并加入候补名单,请访问 universe.tari.com。

Tari 是一个革命性的 L1 区块链协议,任何人只需通过笔记本电脑或台式机挖矿即可成为链上用户。对于开发者来说,Tari 结合了高性能原生 L2 的无限扩展性、快速终局性和低费用,同时通过 Tari 挖矿应用中内置的应用启动器为链上用户提供了前所未有的访问权限。

Tari Labs 是一家帮助引领 Tari 开发的组织。Tari Labs 的支持者包括 Blockchain Capital、Multicoin、Pantera、CMT Digital、Slow Ventures、DV Chain 以及其他众多行业领先的投资者。

Nội dung Liên quan

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit10 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit10 phút trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit55 phút trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit55 phút trước

Những đồng tiền thắng và thua tuần này trên thị trường Crypto – VELVET, BEAT, WLD, XLM

Thị trường tiền mã hóa tiếp tục chịu áp lực trong tuần với Bitcoin và Ethereum thể hiện hiệu suất yếu. Trong khi các đồng tiền lớn vật lộn, vốn đã chảy vào một số altcoin vốn hóa nhỏ, tạo ra đà tăng mạnh. **Người thắng tuần:** - **Velvet [VELVET]** dẫn đầu với mức tăng 235%, tiến gần mức đỉnh mọi thời đại 1,80 USD. Chỉ số RSI cho thấy quá mua, nhưng động lực vẫn tích cực. - **DeXe [DEXE]** tăng 60%, lấy lại mức 22 USD lần đầu tiên từ cuối năm 2021, cho thấy sự tiếp tục của xu hướng tăng. - **Audiera [BEAT]** tăng 45% sau khi giảm mạnh tuần trước, cho thấy sự phục hồi mạnh mẽ. **Người thua tuần:** - **MemeCore [M]** lao dốc 70% sau báo cáo thao túng nội gián, nhưng có dấu hiệu ổn định quanh 0,65 USD. - **Worldcoin [WLD]** giảm 26%, điều chỉnh sau đà tăng nhiều tuần và đang kiểm tra vùng hỗ trợ. - **Stellar [XLM]** giảm 18,5%, với áp lực bán kéo dài và nguy cơ điều chỉnh sâu hơn. Nhìn chung, tuần này chứng kiến sự biến động mạnh với sự luân chuyển vốn rõ rệt. Các nhà đầu tư được khuyến cáo tiếp tục thận trọng và nghiên cứu kỹ lưỡng.

ambcrypto2 giờ trước

Những đồng tiền thắng và thua tuần này trên thị trường Crypto – VELVET, BEAT, WLD, XLM

ambcrypto2 giờ trước

Giao dịch

Giao ngay
活动图片