Gravity(G) Đầu tư thường xuyên

Bài viết phân tích sâu về sự phát triển của tài chính phi tập trung (DeFi) và xu hướng quản lý tài sản trên chuỗi (on-chain vault) trong bối cảnh toàn cầu. Các gã khổng lồ quản lý tài sản như BlackRock và Apollo đang thể hiện sự quan tâm ngày càng tăng, nhưng đồng thời cũng đối mặt với làn sóng rút tiền và cảnh báo về rủi ro. Trọng tâm thảo luận xoay quanh việc tại sao DeFi vẫn chưa thiết lập được một lãi suất phi rủi ro (risk-free rate) thực sự, và cách mà trái phiếu kho bạc Mỹ (US Treasury) đã trở thành lãi suất chuẩn de facto. Mặc dù các stablecoin như USDT và USDC thống trị thị trường nhờ hiệu ứng quy mô, chúng khiến DeFi phụ thuộc một chiều vào chính sách của Mỹ mà không có khả năng tương tác hai chiều. Giải pháp được đề xuất là phát triển các "Vault" (kho tiền) trên chuỗi, tích hợp tài sản trong thế giới thực (RWA), hướng tới người dùng đại chúng và tạo ra cơ chế bùng nổ giá trị tài sản. Tuy nhiên, Vault hiện tại vẫn thiếu cơ chế này và đối mặt với rủi ro từ mã nguồn và cấu trúc. Bài viết kết luận rằng tương lai nằm ở việc tạo ra các "kênh" (channel) hoặc "broker" hiệu quả để kết nối dòng tiền toàn cầu, thay thế dần các sàn giao dịch tập trung (CEX), từ đó xây dựng một thị trường tài chính mới hiệu quả và phi tập trung hơn.

Hyperliquid đang chứng kiến sự phát triển mạnh mẽ của HIP-3, nơi người dùng ưa chuộng giao dịch tài sản truyền thống như dầu, vàng và bạc hơn so với tiền mã hóa. Tỷ lệ giữ chân người dùng của HIP-3 lên tới 64%, cao hơn nhiều so với mức 27% của các tài sản crypto, nhờ vào tính ổn định và tránh được biến động mạnh cùng rủi ro thao túng thị trường. Khối lượng giao dịch HIP-3 đã đạt $15,1 tỷ, chiếm 33% tổng khối lượng của Hyperliquid, và đóng góp gần 10% tổng phí giao dịch. Sự tăng trưởng này giúp nâng cao tính thanh khoản và thúc đẩy hoạt động mua lại HYPE, từ đó gia tăng giá trị của đồng altcoin này. Về giá, HYPE đã tăng 57% từ $26 lên $41 trong bối cảnh khủng hoảng Trung Đông. Theo các nhà phân tích, để duy trì đà tăng và nhắm tới mức $50, HYPE cần vượt qua các ngưỡng kháng cự quan trọng ở $42 và $46.

Tác giả Omnitools phân tích về dịch vụ trạm trung chuyển AI, vốn đang trở thành cổng kết nối mô hình phổ biến nhờ giá rẻ, nhiều mô hình và giao diện thống nhất. Tuy nhiên, bài viết cảnh báo rằng người dùng có thể vô tình giao phó dữ liệu nhạy cảm như gợi ý, mã nguồn, tài liệu kinh doanh cho bên thứ ba. Nhu cầu chính đến từ ưu thế giá cả thấp hơn nhiều so với API chính thức, giúp vượt rào cản truy cập và tích hợp với các công cụ phát triển. Tuy vậy, không phải ai cũng cần dùng trạm trung chuyển. Người dùng nhẹ có thể tận dụng hạn mức miễn phí từ nền tảng chính thức, trong khi người dùng nặng nên phân tầng: dùng mô hình mạnh cho thiết kế, kiểm tra và mô hình giá rẻ (như mô hình trong nước) cho các tác vụ cụ thể. Nếu buộc phải sử dụng, cần tuân theo quy trình kiểm soát rủi ro: 1. **Xác minh trước khi nạp tiền:** Kiểm tra tính xác thực mô hình, độ trễ, ổn định và chất lượng tài liệu. 2. **Cô lập cấu hình:** Dùng API Key riêng biệt cho từng dịch vụ, quản lý khóa qua biến môi trường và đặt giới hạn sử dụng. 3. **Phân loại dữ liệu:** Đánh giá rủi ro trước khi gửi dữ liệu. Chỉ gửi thông tin công khai hoặc đã khử nhạy cảm (thay thế tên, số liệu cụ thể). Tuyệt đối không gửi khóa riêng tư, mật khẩu hay dữ liệu khách hàng nhạy cảm. 4. **Cẩn trọng với công cụ lập trình AI:** Các công cụ như Cursor hay Claude Code có thể gửi nhiều ngữ cảnh dự án. Ưu tiên xử lý tác vụ độc lập hoặc chuyển sang API chính thức cho mã nhạy cảm. 5. **Giám sát liên tục và chuẩn bị phương án dự phòng:** Kiểm tra lịch sử thanh toán, theo dõi phản hồi cộng đồng, duy trì 2-3 nền tảng thay thế và sử dụng giao diện API chuẩn để dễ di chuyển. Tóm lại, trạm trung chuyển là công cụ tiết kiệm chi phí nhưng tiềm ẩn rủi ro bảo mật. Người dùng cần đánh giá nhu cầu thực tế và thực hiện các biện pháp chủ động để kiểm soát rủi ro, giữ quyền chủ động trong tay.

Giá Solana (SOL) đã giảm mạnh cùng với thị trường tiền điện tử chung, chạm mức khoảng 60 USD vào ngày 5 tháng 6, lần đầu tiên xuống dưới 65 USD kể từ cuối năm 2023. Phân tích on-chain từ Ali Martinez chỉ ra rằng SOL đã mất đi vùng hỗ trợ quan trọng quanh 77 USD. Mức hỗ trợ tiếp theo và quan trọng nhất hiện nay nằm ở khoảng 53 USD, với rất ít điểm đỡ giữa giá hiện tại và ngưỡng này. Nếu mức 53 USD bị phá vỡ, các mức hỗ trợ quan trọng tiếp theo có thể nằm ở vùng 35 USD và 24 USD. Tuy nhiên, để có sự phục hồi, thị trường cần sự trở lại của lực cầu mua. Tại thời điểm bài viết, giá SOL giao dịch quanh 63,23 USD, giảm gần 8% trong 24 giờ qua.

Bài báo "Prompt Engineering" với tựa đề "Verbalized Sampling" (VS) đã được chấp nhận tại hội nghị ICML 2026, gây ra nhiều tranh cãi trên cộng đồng mạng. Nghiên cứu này đề xuất một phương pháp đơn giản chỉ bằng việc điều chỉnh prompt (câu lệnh) để cải thiện đáng kể tính đa dạng trong đầu ra của mô hình ngôn ngữ lớn (LLM), giải quyết vấn đề "Mode Collapse" (suy giảm đa dạng). Thay vì điều chỉnh thuật toán huấn luyện hay tham số, phương pháp VS yêu cầu mô hình không chỉ đưa ra câu trả lời mà còn xuất cả phân phối xác suất dự kiến của chúng. Ví dụ, thay vì yêu cầu "kể một câu chuyện cười", prompt sẽ là "tạo 5 câu chuyện cười và gán xác suất cho từng cái". Cách tiếp cận này giúp khôi phục sự đa dạng vốn có từ giai đoạn tiền huấn luyện của mô hình. Bài báo lập luận nguyên nhân gốc rễ của Mode Collapse không nằm ở thuật toán mà ở "thiên lệch tính điển hình" trong dữ liệu ưu tiên của con người được dùng để huấn luyện. Các thử nghiệm trên nhiều bộ dữ liệu và mô hình cho thấy VS có thể tăng tính đa dạng lên 1.6 đến 2.1 lần trong các nhiệm vụ sáng tạo, mà không làm giảm độ chính xác hay tính an toàn. Tuy nhiên, việc một nghiên cứu chủ yếu dựa vào kỹ thuật prompt lại được chấp nhận tại một hội nghị hàng đầu như ICML đã gây tranh luận. Một số người cho rằng đóng góp này quá mỏng, dễ bị ảnh hưởng bởi từng mô hình cụ thể và thiếu tính tổng quát lý thuyết. Số khác lại bảo vệ, cho rằng nghiên cứu chất lượng nằm ở việc xác định vấn đề rõ ràng, thí nghiệm nghiêm ngặt và kết quả có thể tái lập, đồng thời so sánh với sự ra đời mang tính bước ngoặt của "Chain-of-Thought" (CoT) trước đây. Nghiên cứu được thực hiện bởi nhóm từ Đại học Northeastern, Phòng thí nghiệm Manning của Stanford và Đại học West Virginia, với các tác giả chính là Jiayi Zhang, Simon Yu và Derek Chong. Sự kiện này có thể báo hiệu xu hướng các kỹ thuật tối ưu hóa trong giai đoạn suy luận (inference) ngày càng đóng vai trò quan trọng trong nghiên cứu máy học.