TRUNG_DZ
Feed
Feed
Festet
Markedet beveger seg fra en korreksjonsfase til en selektiv gjenopprettingsfase
$ENJ etter en sterk vannføring har støtteområdet rundt 0,037 holdt seg og slo raskt tilbake. Dette viser at etterspørselen fortsatt er der, men den nåværende strukturen er at etter pumpen er det ikke en ny trend. Risikoen er fortsatt høy hvis den mister 0,037 igjen
@OKX Bane
$BASED lager en gradvis høyere bunn og når motstandsområdet på 0,060. Dette er en form for faseovergangsakkumulering. Hvis dette området er tydelig brutt, kan det gå inn i den kortsiktige trenden
$WET det skjer en sterk reversering fra bunnen med et skrånende bullish lys og en gjenerobring av det viktige glidende gjennomsnittet Dette er et signal om at kontantstrømmen kommer tilbake, men må holde 0,100-området for å opprettholde strukturen
$HUMA er fortsatt det sterkeste tilfellet for å opprettholde et kontinuerlig høyere lavpunkt og holde seg til en vakker MA. Kontantstrømmen er mer stabil enn for andre tokens, så muligheten for kontinuitet er høyere
Fellesnevneren er at mange tokens har gjenerobret MA20 og MA50 etter en korreksjon, noe som indikerer at markedet tester den kortsiktige opptrenden på nytt
#OKXOrbitTopics
Strategi
Prioriter $HUMA og $BASED når det er en pullback på grunn av den stabile strukturen
$WET kan følge hvis den inneholder 0,100
$ENJ bør bare følge rytmen og ikke jage prisen
Avslutningsvis er markedet i ferd med å komme seg, men har ikke bekreftet en sterk opptrend. Kontantstrømmen er tilbake, men fortsatt selektiv. Tokens som beholder strukturen vil fortsette å forsvinne, og svake tokens er lette å bli kvitt raskt
+0,01%
Snapshot ved 13. apr. 2026, 04:07
Tradisjonell samlokalisering av utvekslinger oversettes ikke direkte til DeFi.
Som @murielmedard, administrerende direktør i @get_optimum, forklarte, er kjerneproblemet likt i begge markedene: pålitelig hastighet betyr noe.
Men måten latenstiden optimaliseres på er fundamentalt annerledes.
I TradFi kan bedrifter plassere maskiner nær sentraler eller bygge dedikerte fiberforbindelser mellom kjente lokasjoner. Dette fungerer fordi nettverkstopologien er relativt forutsigbar.
DeFi fungerer annerledes.
Blokkjedenettverk er fordelt over noder som kan være hvor som helst i verden. Neste forslagsstiller eller validator kan befinne seg i en helt annen region.
Det finnes ikke ett enkelt sted hvor infrastruktur kan plasseres for å garantere nærhet til hele nettverket.
Dedikert fiber blir også vanskelig å skalere.
Muriel ga et enkelt eksempel:
10 noder -> omtrent 100 fiberforbindelser
100 noder -> omtrent 10 000 fiberforbindelser
Etter hvert som nettverket vokser, øker antallet potensielle tilkoblinger raskt.
Og topologien er ikke statisk.
Noder kan koble seg til eller ut fra ulike regioner, noe som betyr at infrastruktur optimalisert rundt dagens nettverksoppsett kanskje ikke forblir optimal i morgen.
Dette skaper et fundamentalt annerledes latensproblem for DeFi.
I stedet for å prøve å fysisk flytte hver deltaker nærmere et fast sted, må selve nettverkslaget bli mer effektivt til å flytte data over geografisk distribuerte noder.
Det er et av problemene Optimum forsker på med teknologier som mump2p og nettverkskoding.
Hvis blokkjedenettverk fortsetter å bli større og mer geografisk distribuert, kan ikke latens bare løses ved å være nærmere riktig maskin.
Nettverket trenger en bedre måte å flytte informasjon på.
Fart er penger.
#Optimum #Mump2p
AGTP
Tradisjonell børs-samlokalisering oversettes ikke til DeFi, forklarte @murielmedard, administrerende direktør i @get_optimum, fordi blokkjedenettverk er distribuert over noder som kan være hvor som helst i verden.
Muriel sa at kjerneproblemet er likt i begge markeder, → pålitelig hastighet betyr noe. Men i tradisjonell finans kan selskaper forbedre latenstiden ved å plassere maskiner nær sentraler eller bygge dedikerte fiberforbindelser mellom kjente steder.
Den modellen svikter i DeFi fordi neste forslagsstiller på en blokkjede kan befinne seg hvor som helst. Det finnes ikke ett enkelt sted å plassere infrastruktur som garanterer nærhet til nettverket.
Hun forklarte også hvorfor dedikert fiber ikke skalerer. Et lite antall noder kan være håndterbart, men etter hvert som nettverket vokser, øker antallet nødvendige forbindelser raskt. Med 10 noder kan nettverket trenge omtrent 100 fiberforbindelser. Med 100 noder kan det trenge rundt 10 000.
Muriel la til at noder også kan dukke opp og forsvinne på tvers av regioner, så å bygge fysisk infrastruktur rundt dagens nettverksoppsett vil kanskje ikke hjelpe i morgen.
En robotpolicy kan feile selv om den har sett oppgaven før.
Årsaken er ofte tilstanden den møter under utførelsen av oppgaven.
Tenk deg en policy som er trent til å plukke opp et objekt fra en fast posisjon. Under utplassering blir objektet litt forskjøvet. Roboten kan nå feil sted, gjøre en feil bevegelse, og fortsette å ta beslutninger basert på den feilen.
Her er det kanskje ikke nok bare å samle flere vellykkede demonstrasjoner.
Det som betyr noe er å samle inn data fra situasjoner hvor politikken faktisk sliter.
Axis V2 introduserer dette gjennom oppgaver etter trening.
En trent policy forsøker først oppgaven. Når oppførselen går galt, tar en menneskelig bidragsyter over, korrigerer roboten, og kan deretter returnere kontrollen til policyen.
Den resulterende utviklingen inneholder noe som vanlige demonstrasjoner kanskje ikke fanger like tydelig:
hvor politikken feilet – > hvordan et menneske rettet den
Dette henger direkte sammen med ideen om DAgger (Dataset Aggregation).
I stedet for å bygge et datasett kun basert på demonstrasjoner samlet uavhengig av policyen, bruker DAgger-lignende tilnærminger policyens egne utrullinger for å identifisere stater hvor det trengs ytterligere ekspertveiledning.
Fordelen er at treningsdataene kan bli stadig mer fokusert på policyens svakheter.
For eksempel:
Innledende politikk – > ukjent tilstand – > feil handling – > menneskelig inngripen – > korrigeringsdata
Den korreksjonen kan deretter bli en del av neste treningsiteterasjon.
Den viktige forskjellen er at ettertrening ikke bare er en annen måte å kontrollere en robot på.
Det er en mekanisme for å samle inn feildrevne data.
For fysisk AI skaper dette en interessant tilbakemeldingssløyfe: policyen avgjør hvilke tilstander som er vanskelige, menneskelig inngripen gir korreksjonen, og disse korreksjonene kan bli nye treningsdata.
Axis bygger V2 rundt denne lukkede sløyfe-tilnærmingen, med menneskestyrte korreksjoner som en del av post-treningsprosessen.
Det større spørsmålet er om denne løkken kan skaleres samtidig som den opprettholder nyttig datakvalitet.
Det er et av hovedproblemene bak storskala roboter etter trening.
#Robotics $AXIS @axisrobotics
TRUNG_DZ
More robot data does not automatically mean better robot learning.
@axisrobotics
The quality and diversity of the data matter just as much as the total number of trajectories.
Consider a simple manipulation task.
If a robot only sees an object placed in one position, under one set of conditions, and follows nearly identical movements every time, the resulting dataset can become highly repetitive.
A policy trained on that data may learn the task itself, but struggle when the object is moved, the environment changes, or the initial state is different.
This is one reason data augmentation matters in robotics.
The basic idea is to take an existing robot experience and create additional variations that can provide more training examples.
Axis describes its pipeline as collecting trajectories through simulation and then processing and augmenting that data. Its simulation approach also uses domain randomization, introducing variation across factors such as lighting, textures, physics, camera angles, and object properties.
The objective is not to make copies of the same trajectory.
It is to expand the range of situations represented by the data.
The relationship can be viewed as:
One trajectory -> Multiple variations -> More diverse training samples
This matters because collecting every possible physical scenario directly would be expensive and difficult.
A data pipeline that can generate useful variation from an existing contribution has the potential to increase the value extracted from each trajectory.
But augmentation is not a substitute for collecting new experiences.
If the original dataset lacks important behaviors or task states, creating more variations of the same limited data does not necessarily solve that problem.
The harder problem is therefore finding the right balance:
New human-generated trajectories provide new behavior.
Augmentation expands the diversity around that behavior.
Axis is building its data pipeline around both parts of this process: collecting robot experiences at scale and expanding the training value of those experiences afterward.
#ROBOT
Optimum er på vei til Seoul.
Kent Lin, COO i @get_optimum, skal holde foredrag på Ethereum Korea One 28. september.
Med Optimum som aktivt jobber med å akselerere Ethereums datapropagasjonslag gjennom mump2p, er dette en aktuell anledning til å diskutere infrastrukturutfordringene som et mer skalerbart og geografisk distribuert Ethereum-nettverk står overfor.
Det koreanske markedet blir også en stadig viktigere del av Ethereums økosystem, med Optimum som allerede samarbeider med koreanske validatorer og har sluttet seg til Ethereum Korea Consortium.
Nå vil Kent Lin bringe Optimums perspektiv direkte til Seoul.
28. september.
Ethereum Korea One.
Seoul.
@get_optimum @kentlinyy @ethereumkoreaio
#Optimum #EthereumKorea
En ny partner blir med i mump2p-økosystemet.
@get_optimum 🤝 @FinoaConsensus
Finoa Consensus Services, et Tyskland-basert validatorteam, samarbeider nå med mump2p.
For validatorer er pålitelighets- og belønningsoptimalisering nært knyttet til hvor raskt og konsekvent data beveger seg over nettverket. Raskere propagasjon kan hjelpe operatører med å motta og behandle nettverksinformasjon med lavere forsinkelse, noe som gir sterkere validatorytelse.
Det er her mump2p kommer inn.
Ved å fokusere på jevnt raskere datautbredelse, er mump2p bygget for å hjelpe validatorer med å forbedre nettverkstilkoblingen og redusere latenstidens påvirkning på ytelsen.
Finoa Consensus Services legger stor vekt på validatorens pålitelighet og maksimering av belønninger, noe som gjør dette samarbeidet til en naturlig match.
En annen validator blir med i nettverket. Et nytt steg mot raskere Ethereum-infrastruktur.
Velkommen om bord, Finoa Consensus Services.
#Optimum #mump2p
TRUNG_DZ
Ny uke, nye rolleoppgraderinger på Discord-fellesskapet @get_optimum
Gratulerer til alle som denne uken har blitt oppgradert til den raffinerte rollen:
vie123, Williams Smith, 2026, Femte, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream og OLA YOOMOMOTA.
Og i dag er jeg også beæret over å offisielt bli medlem av Raffineringen.
Det er en milepæl som gjør meg enda mer motivert til å fortsette å bidra, lære og vokse sammen med Optimum-fellesskapet.
Gratulerer igjen til alle de nye Raffinerte-medlemmene. Flere oppgraderinger kommer.
Jeg håper også å se navnene deres på neste liste. Fortsett og fortsett å bidra — oppgraderingen din kan være neste.
#Optimum
Ny uke, nye rolleoppgraderinger på Discord-fellesskapet @get_optimum
Gratulerer til alle som denne uken har blitt oppgradert til den raffinerte rollen:
vie123, Williams Smith, 2026, Femte, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream og OLA YOOMOMOTA.
Og i dag er jeg også beæret over å offisielt bli medlem av Raffineringen.
Det er en milepæl som gjør meg enda mer motivert til å fortsette å bidra, lære og vokse sammen med Optimum-fellesskapet.
Gratulerer igjen til alle de nye Raffinerte-medlemmene. Flere oppgraderinger kommer.
Jeg håper også å se navnene deres på neste liste. Fortsett og fortsett å bidra — oppgraderingen din kan være neste.
#Optimum
TRUNG_DZ
32 -> 6 700 -> 38 700 -> 108 600 -> 250 800
Optimum har droppet en tallrekke:
32 -> 6 700 -> 38 700 -> 108 600 -> 250 800
Først ser de ut som tilfeldige milepæler.
Men basert på de @get_optimum materialene som er tilgjengelige så langt, finnes det en sterk ledetråd bak hva de representerer.
Sekvensen vises sammen med RLNC → Data Propagation → mump2p → Flexnodes, og de senere numrene er eksplisitt merket som Flexnoder i det visuelle materialet.
Så teorien din om at disse tallene er knyttet til Flexnodes støttes av tilgjengelige materialer.
Det finnes imidlertid ikke nok data til å bekrefte at alle fem tallene er offisielle tellinger av aktive Flexnoder på bestemte tidspunkter, spesielt de første 32. Kildematerialet knytter eksplisitt 6 700, 38 700, 108 600 og 250 800 til Flexnodes, mens betydningen av 32 ikke bekreftes i den hentede kilden.
Den usikkerheten er faktisk det som gjør sekvensen interessant.
Flexnoder er en kjernekomponent i Optimums bredere arkitektur.
mump2p bruker RLNC til å kode blokkjededata til kodet informasjon som kan bevege seg gjennom nettverket.
Men raskere utbredelse avhenger også av å ha nok nettverkskapasitet og godt plasserte noder til å flytte informasjonen effektivt.
Det er her Flexnodes kommer inn i bildet.
Optimum beskriver Flexnodes som et globalt nettverk av noder som kan bidra med båndbredde for å akselerere dataspredning. I den langsiktige modellen er nettverket ment å utvides utover en liten gruppe infrastrukturoperatører, noe som potensielt tillater et mye bredere sett av internett-tilkoblede enheter å bidra med båndbredde.
Dette skaper en tosidig struktur:
Validatorer, byggere og omleggere skaper etterspørsel etter raskere dataspredning.
Flexnoder gir distribuert båndbredde og akselerasjonskapasitet.
Sett gjennom dette perspektivet, følger sekvensen:
6 700 → 38 700 → 108 600 → 250 800
antyder ikke bare et høyere antall.
Det antyder et nettverk som potensielt blir rammet inn rundt én sentral idé:
Flere distribuerte deltakere kan skape mer distribuert kapasitet.
Og det henger direkte sammen med Optimums bredere tese.
Tradisjonell skalering betyr ofte å legge til kraftigere infrastruktur.
Optimum utforsker en annen retning:
Legg til flere deltakere for å øke kapasiteten.
RLNC gir kodelaget.
MUMP2P bruker det for rask blokkjede-propagasjon.
Flexnoder gir den distribuerte nettverksinfrastrukturen som kan hjelpe til med å flytte den kodede informasjonen.
Så hvis disse tallene faktisk representerer veksten i Flexnode-nettverket, er det interessante spørsmålet ikke enkelt:
"Hvorfor nådde tallet 250 800?"
Det er:
"Hva kan et nettverk med så mange potensielle kilder til distribuert båndbredde bli?"
Fordi Optimums langsiktige modell ikke bare handler om å gjøre én blokkjede raskere.
Det handler om å bygge et nettverk der distribuert båndbredde i seg selv blir infrastruktur.
32 var begynnelsen på en sekvens.
250 800 kan vise omfanget av nettverket Optimum prøver å bygge.
#optimum
@aqccapital
@ada_pegasus