BTC、ETH 和 DATs 引领了潮流 是时候让更多的山寨币参与进来了

收敛加速 @HyperliquidX DAT 今天早上宣布，由 Atlas Merchant Capital（前巴克莱首席执行官 Bob Diamond）主导，D1 Capital 参与（前 Viking 首席投资官 Dan Sundheim）。前波士顿联邦储备银行行长 Eric Rosengren 预计将加入董事会。

是的，国库公司应该以高于净资产价值的溢价进行交易 什么？ 🧵

代币化股票将推动巨大的稳定币采用

$IBIT 现在是黑石公司 1,197 只基金中第三高的收入生成 ETF，距离第一名仅差 90 亿美元。对于一个仅有 1.5 年历史的 ETF（字面上说还是个婴儿）来说，这又是一个疯狂的统计数据。以下是黑石公司的前 10 名列表（顺便提一下，谁会想到 $IWF 会在榜首，真是令人遗忘？）

稳定币将彻底改变金融机构对加密货币的看法，CoinFund流动投资负责人@sethginns最近参加了@thebenkeadyshow，谈论了他对其日益增长的使用案例的信心⬇️

今天东部时间下午4:30对参议院稳定币法案进行投票

链上收益对大多数人来说仍然遥不可及。尽管是无权限的，但其复杂性使许多人望而却步。 通过我们与 @Veda_labs 的紧密合作，这些在 Plasma 上的复杂性将被抽象化，以便为大众带来可持续的收益。

快速预测。 2025年：在d网络上训练的100B+参数模型。 2026年：首个在志愿者GPU上训练的50B+ *多模态* 模型。 2027-2028年：在其他条件相同的情况下，重现GPT-3 175B密集竞争模型。 2030年及以后：真正的“前沿”去中心化运行，参数超过1T。

关于去中心化AI训练的想法/预测，2025年。 1. 可以说，我们现在的去中心化AI训练与18个月前的情况截然不同。那时，去中心化训练是不可能的，而现在它已经进入市场并成为一个领域。 2. 不要误解，去中心化训练的最终目标是在去中心化网络上训练具有竞争力的前沿模型。因此，我们刚刚开始我们的竞争之旅，但我们正在快速前进。 3. 现在达成共识，我们可以在去中心化网络上预训练和后训练多达数十亿参数的模型（主要是大型语言模型，主要是变换器架构）。目前的技术水平高达约100B，最高端的模型已经在视野之内，但尚未展示。 4. 现在达成共识，我们可以在去中心化网络上相对可行地训练少于10B参数的模型。也有一些具体的案例研究（主要来自@gensynai @PrimeIntellect @NousResearch），其中10B、32B、40B参数的模型已经被训练或正在训练中。@gensynai的后训练群体可以处理多达72B参数的模型。 5. @PluralisHQ的创新现在已经使得在去中心化网络上可扩展的预训练的"不可能性"失效，因为它消除了通信效率瓶颈。然而，原始FLOPs、可靠性和可验证性仍然是这些类型网络的瓶颈——这些问题是非常可解决的，但需要一些时间来技术上解决。根据Pluralis的协议学习，我认为我们可以在6-12个月的时间框架内达到约100B的模型。 6. 我们如何从100B模型达到300B参数模型？我认为我们需要找到有效且流畅地分割参数的方法，并保持单个设备的内存相对较低（例如，每个设备<32GB内存）。我认为我们需要在网络中达到20 EFlops；这意味着大约需要10-20K个消费者设备运行4-6周进行训练。 总体而言，去中心化训练有望成为一个非常令人兴奋的领域。它的一些创新已经被考虑用于广泛的AI应用。