Tari Universe简介:英语专业的加密矿工

币界网Xuất bản vào 2024-08-20Cập nhật gần nhất vào 2024-08-20

币界网报道:

[2024年8月20日,南非约翰内斯堡]

Tari Labs是一家负责开发下一代区块链协议Tari的组织,今天推出了Tari Universe,这是一款开创性的采矿应用程序,旨在让任何人都能轻松加入加密货币革命。Tari Universe利用RandomX,一种抗ASIC的哈希算法,使用户能够用现有的Mac或PC挖掘Tari。告别加密货币的用户体验障碍——Tari University的神奇界面使每个人都可以进行挖掘。用户只需免费下载Tari Universe,安装它,然后点击“开始挖矿”即可获得Tari代币。

在一个通货膨胀失控、许多人苦苦挣扎的世界里,挖掘加密货币为每个人提供了巨大的机会。

“Tari Universe是一款非常简单的加密产品,它最终会让我摆脱困境,”Tari的官方吉祥物乌龟Soon™说。“我们都希望大规模采用,但作为一个行业,我们一直在设计复杂的产品,要求用户了解客户,并通过无数的环节参与。Tari Universe改变了一切。这是我妈妈可以使用的一键奇迹。”

Tari Universe让采矿变得有趣

Tari Universe将工作量证明挖矿游戏变为现实。工作量证明挖矿是一场争夺第一个解决下一个区块的竞赛,赢得区块奖励和所有荣耀。Tari Universe将Tari区块链视为一座光滑的塔,每个区块都是一层楼。用户将观看他们的部落在其他人之前建造下一层楼的比赛。当他们获胜时,他们都会分享战利品。Tari Universe让任何人都能轻松理解区块链的工作原理,并享受工作量证明挖矿。

Tari Universe举办矿业博览会

Tari Universe使用p2pool去中心化池软件来引入Tribes——一组共同解决区块的用户。当用户首次启动Tari Universe时,他们会自动加入部落。不需要配置或添加步骤。最重要的是,没有池费,用户也不需要信任匿名池运营商来获得区块奖励。结合RandomX的抗ASIC特性,Tari Universe使采矿对每个人都公平。

Tari Universe是最大的去中心化

Tari Universe是一个充满集中式测序仪和“独立”节点运营商小阴谋集团的世界里的一股新鲜空气。任何人都可以免费下载Tari Universe,安装它,并在现有的Mac或PC上运行它。不需要昂贵或定制的硬件,用户也不必是镀金阴谋集团的成员。Tari Universe是无需许可的,可以增强自由,并将有助于使Tari从第一天起就广泛分散。

Tari Universe是您加密货币的大本营

Tari Universe包括一个自动更新功能,使用户能够即时访问突破性的新功能。随着Tari世界的扩张,Tari Universe将成为加密货币的终极一站式商店。Tari Universe是每个人的一键加密革命。

可利用性

Tari贡献者将于2024年9月为Tari测试网发布Tari Universe。支持Tari主网的版本将很快发布,以配合Tari创世区块的开采。该平台将自动将Tari测试网上的Tari Universe用户升级到主网版本。Tari Universe几乎可以在任何现代Mac或PC上运行。Tari的贡献者旨在使Tari University尽可能地易于访问。他们敦促任何对Tari Universe感兴趣的人访问Universe.Tari.com加入候补名单。用户可以通过邀请朋友加入来提高他们在候补名单上的地位。

了解更多关于Tari Universe、Tari和Tari Labs的信息

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

Tari是一种革命性的第1层区块链协议,它使任何人都可以通过在笔记本电脑或台式机上挖矿成为链上用户。对于开发人员来说,Tari提供了无限的可扩展性、快速的最终性和高性能原生L2的低费用,并通过Tari挖矿应用程序内置的应用程序启动器对链上用户进行了前所未有的访问。

Tari Labs是一个帮助管理Tari发展的组织。Tari Labs的支持者包括Blockchain Capital、Multicoin、Pantera、CMT Digital、Slow Ventures、DV Chain以及我们行业的许多其他领先投资者。

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.

marsbit19 phút trước

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

marsbit19 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.

marsbit1 giờ trước

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

marsbit1 giờ 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