全链应用层Skate新阶段开启:Shadow主网正式上线

Odaily星球日报發佈於 2024-10-29更新於 2024-10-29

文章摘要

Skate 主网第一阶段 Shadow 上线,从今天起,用户将能够在不同的区块链虚拟机上与 Stateless 应用程序进行实时交互。

全链应用层Skate新阶段开启:Shadow主网正式上线

通往未来的 Skate 之路

此前在 Nollie 测试网上的 Skateboard Workshop 中,我们向用户们展示了在不同链和区块链虚拟机中如何进行统一、流畅的单一应用程序体验。现在,借助 Shadow 主网,我们即将推出去中心化信任引擎来保护所有 Stateless 应用程序,具体包括:

- 登陆主网的 Hub Chain

- Eigenlayer 主网上的预确认 AVS

- 首个 Stateless 试点项目:在 TON 上启用 Polymarket

Skate Hub Chain 正式上线

作为 Stateless 应用程序模型的核心处理单元,Skate Hub Chain 现已上线。它将以以太坊 L2 网络的形式运行,通过 Avail 和 EigenDA 双重数据可用性解决方案来提升可扩展性和适应性。Hub Chain 管理和托管所有连接的外围链和虚拟机(包括 EVM、TonVM 和 SolanaVM)的统一状态和核心逻辑,这一设置能够使应用程序在多个区块链环境中无缝运行。与此同时,确保各类应用处于一致状态和逻辑层之中,满足执行高效且可互操作的跨链操作需求。

Skate 区块浏览器:scan.skatechain.org

Skate 预确认 AVS

此次发布的另一个关键组件是预确认 AVS,现已在 Eigenlayer 主网上线。该系统采用 Othentic 的技术栈加以构建,对 Skate 的 Stateless 基础设施至关重要,能够确保所有 Stateless 应用程序处理的回调操作都具备安全、公开可验证性和快速结果性的特点。

预确认 AVS 的重要性主要体现在以下方面:

- 去中心化的信任源:验证 TaskBox 的所有外部任务数据,确保 Skate 执行者网络在外围链上执行的任务始终有效

- 加密经济安全性:确保执行者诚实行事并承诺执行他们接收的意图

- 快速结果性:一旦经 AVS 验证,所有在 Skate 上处理的意图操作都可视为最终确认的结果,以此实现跨链意图的快速结果性

简而言之,我们的 AVS 确保通过 Skate 的 Stateless 基础设施处理的所有内容都是快速、安全和可信的。

首个 Skate Stateless 应用:Polymarket Pilot

全链应用层Skate新阶段开启:Shadow主网正式上线

首个 Stateless 试点应用现已启动,我们将在 TON 网络上启用 Polymarket 预测市场。这一集成能够让数百万使用 TON 区块链的 Telegram 用户直接与部署在 Polygon 上的头部预测市场 Polymarket 进行交互,而无需进行跨链桥接。

应用尝鲜体验链接:https://t.me/skate_app_bot/app

Skate 的 Stateless 设计模式使同一应用程序能够在不同的虚拟机(如 TON 和 Polygon)上无缝运行,确保用户在任一区块链环境中都能获得统一的用户体验。这一试点是实现 Skate 更加宏大愿景的新起点。我们计划将这一解决方案逐步扩展到其他链,如 Solana 和基于 EVM 的链(如 Mantle),进而展示 Skate 的 Stateless 基础设施如何统一应用程序开发并确保在各大区块链生态系统中高效访问各类功能强大的去中心化应用(DAPPs)。

作为初始启动活动的环节之一,我们在此邀请用户参与对应压力测试。首期活动的最大投注额为 1, 000 美元,且仅聚焦于一个预测事件—— 2024 年美国总统大选获胜者。在第一周,用户每投注 1 美元即可赚取 10 个 Ollies 积分。

欢迎大家在体验 Skate 旗下 Stateless 基础设施的各类强大功能的同时赚取对应奖励。

你可能也喜歡

具身智能“高考”难疯了,人类100分,最强模型12.8

近日,一个名为RoboDojo的新型机器人操作评测基准发布,旨在全面评估具身智能模型的综合能力。该基准由学术机构联盟推出,包含42个仿真任务和18个真实世界任务,覆盖泛化、记忆、精细操作、长程执行和开放语义理解五大核心维度。 评测结果显示,当前最强通用机器人策略在仿真任务中的平均成功率仅为8.80%,在真实世界任务中最好模型的平均成功率也仅有12.8%。相比之下,人类专家在仿真和真实任务中的成功率分别达到76.03%和100%,差距显著。 RoboDojo的仿真任务设计复杂,例如在泛化任务中场景物体可达25个且随机变化,记忆任务需识别曾在传送带出现的物体,精细操作要求完成插管、对齐等高精度动作。其实验室还设立了标准化的真机评测平台(RoboDojo-RealEval),使用多款双臂机器人执行如盖积木、做面包、插充电器等日常任务,并统一硬件、布局与评测流程,确保结果可复现、可比较。 在公开排行榜中,仿真任务榜首Hy-Embodied-0.5-VLA平均成功率仅8.80%,真实任务榜首π0.5成功率12.8%。模型表现不均,尤其在开放语义任务上,最强模型成功率仅约1.67%,表明现有系统在理解新指令并可靠执行方面仍很薄弱。 为支撑评测,项目同时提供了异构并行仿真工具和统一策略接入层XPolicyLab,帮助研究者高效集成和比较不同模型。团队表示,RoboDojo如同“具身智能的珠峰”,旨在通过标准化、多维度的评测推动领域发展,未来还将扩展灵巧操作、移动操作等更多评测方向。

marsbit8 分鐘前

具身智能“高考”难疯了,人类100分,最强模型12.8

marsbit8 分鐘前

交易

現貨
活动图片