Jeonlees

认认真真撸毛

981A seguir

1,5 milseguidores

Feed

A competição de trading Ditto da Zeru @zerufinance está a decorrer, de 1 a 29 de outubro, os primeiros 600 classificados recebem prémios, com um prémio total de 50 mil dólares. No entanto, estes 50 mil não são distribuídos na totalidade de forma fixa, depende do volume final de trading. O prémio só é totalmente desbloqueado se o volume acumulado de abertura de posições de todos os participantes atingir 50 milhões de dólares. O primeiro lugar, que indica 12 mil dólares, também segue a proporção de desbloqueio: • Desbloqueio a 100%: recebe 12.000 dólares • Desbloqueio a 40%: recebe 4.800 dólares A inscrição é gratuita, mas é necessário registar-se na competição no Zaps e depois negociar através do seu link Ditto. As negociações feitas antes da inscrição não contam, e o fecho de posições perpétuas também não aumenta a pontuação. Quem já está a negociar pode dar uma vista de olhos; para aumentar o volume extra para o prémio, é preciso calcular as taxas e perdas primeiro. // As regras desta vez deixam claro que trading de volume falso não recebe prémios. Isto está relacionado com o negócio principal da Zeru. O seu zScore analisa o histórico de transações, empréstimos, LP e staking da carteira, atribuindo uma pontuação comportamental de 0 a 1000, usada pelo protocolo para filtrar utilizadores, distribuir prémios ou avaliar crédito. Mas a classificação da competição usa o Campaign Zaps desta campanha, o zScore das carteiras antigas não é usado diretamente como pontuação da competição. Segundo a divulgação do projeto, o zScore já cobre mais de 320 milhões de carteiras. A cobertura é bastante ampla, mas para os utilizadores, o importante é o que essa pontuação pode trazer. // Falando primeiro do airdrop, que é mais fácil de entender. Duas carteiras fizeram dez interações cada, uma usou normalmente durante um ano, a outra completou as tarefas concentradamente poucos dias antes do snapshot. Se a pontuação fosse só pelo número de interações, ambas poderiam receber valores semelhantes. Um estúdio a fazer dezenas de contas em massa poderia levar uma fatia maior. A Zeru analisa o histórico mais longo da carteira. Ao distribuir prémios, o projeto pode considerar empréstimos passados, liquidez e uso contínuo, não apenas o número de tarefas feitas nesta ronda. Para utilizadores antigos, as operações anteriores ainda podem ser úteis. Claro que uma pontuação baixa não significa necessariamente fraude. Novos utilizadores têm pouco histórico, e utilizadores normais podem dividir fundos por várias carteiras. Ao filtrar contas em massa, não se deve bloquear estas pessoas. // Empréstimos são ainda mais complexos. O crédito tradicional leva o histórico de empréstimos e pagamentos para a próxima aplicação. Na blockchain, esses registos existem, mas mudar de protocolo pode não garantir taxas mais baixas ou menos garantias. A Zeru quer organizar o histórico para dar mais bases às decisões dos protocolos sobre os mutuários. Mas pagar a tempo no passado pode ter sido porque a garantia estava lá; se não pagar, será liquidado. No futuro, se a garantia for menor, o custo de incumprimento muda. Um bom histórico com garantias suficientes não garante fiabilidade com garantias reduzidas. Portanto, uma pontuação alta pode ser uma referência, mas quanto reduzir garantias ou aumentar limites precisa de dados reais de empréstimos e incumprimentos. Atualmente, não se pode assumir que uma pontuação alta significa já ter direito a empréstimos com baixa garantia. // A Zeru recebeu financiamento estratégico da Eigen Foundation, a infraestrutura de pontuação funciona como EigenCloud AVS. Segundo a apresentação do projeto, a agregação dos resultados da pontuação é comprovada por operadores descentralizados, distribuída cross-chain, e outros protocolos podem integrar e usar. Esta parte é responsável por verificar e transmitir os resultados da pontuação. A precisão do modelo depende dos resultados práticos. Por agora, estou mais confiante que vão primeiro fazer bem a filtragem e distribuição dos airdrops. Com o mesmo orçamento, será possível distribuir mais para utilizadores normais, menos para contas em massa, e causar menos impacto negativo em novos utilizadores, resultados que são mais fáceis de verificar. O espaço para empréstimos é maior, mas erros de avaliação podem causar perdas no pool de fundos, o que precisa de validação gradual. Se tiver carteiras antigas, pode consultar o Zaps para ver. A pré-visualização do zScore é gratuita, a cunhagem do NFT de pontuação é opcional. Veja primeiro se os registos existentes foram identificados e depois quais protocolos aceitam essa pontuação. Não é necessário gastar taxas antecipadamente para aumentar a pontuação.

Nestes dois dias a navegar no X, provavelmente muitas pessoas já viram aquela 🪑. Alguém colocou a cadeira no nome, outros mostram a sua “Big Chair Energy”, e há ainda um grupo que começou a escrever candidaturas para o TMF Pass. @TheMutualFun lançou apenas 200 Passes nesta ronda, por isso não é estranho que recentemente haja tanta conversa sobre isto. The Mutual Fun desde o início estava a desenhar algo mais concreto: Se o fundo nasce na blockchain, será que a quota do fundo tem de ser apenas um número? A resposta que deram foi um Seat. O sistema inteiro tem apenas 4.001 Seats, distribuídos por 5 fundos. O Seat é um avatar pixelizado, mas o que realmente importa está por trás: Ele corresponde a um fundo, a um direito de voto semanal, e a uma Pasta ERC-6551 própria do Seat. Simplificando, cada Seat tem a sua própria conta on-chain. Os dividendos do fundo podem ficar lá dentro, e o mais especial é que, quando o Seat é transferido, a Pasta vai junto. Isto significa que dois Seats que parecem semelhantes podem ter preços diferentes. Um pode estar recém-inscrito, sem nada dentro; Outro pode já ter estado num fundo com bom desempenho durante algum tempo, acumulando ativos na Pasta. O comprador não está a comprar apenas “quão raro é este NFT”, mas também o estado da conta acumulado por este Seat. Muitos NFTs com suposta utilidade financeira são, na essência, “ter isto permite reivindicar alguns direitos noutro lugar”. TMF coloca a relação financeira diretamente no NFT: Seat é o lugar, Pasta é a conta, depois de inscrever há direitos no fundo e pode-se participar semanalmente na Proxy Ballot. E nem sequer entregam totalmente a gestão do fundo ao chamado “gestor do fundo”. Os detentores votam semanalmente para decidir como o dinheiro é alocado e como os lucros são tratados. Os cinco fundos começam com regras semelhantes, mas podem evoluir para estilos diferentes conforme as escolhas dos detentores. Se os cinco fundos realmente desenvolverem posições, rendimentos e estilos comunitários distintos, a lógica de preço dos Seats deixará de ser apenas “raridade + preço mínimo” dos NFTs. Terás de ver em que fundo está o Seat, como esse fundo investiu e como tem corrido. Depois há ainda uma estratégia bastante ousada de fusões e aquisições (M&A). Dois Seats que cumpram os requisitos podem ser fundidos, ficando um Seat de nível superior e o outro sai permanentemente. Combinado com o Transfer Agent: um Seat corresponde a 401.000 $TMF, o Seat pode ser depositado para trocar por $TMF, e $TMF pode ser trocado por Seats em quantidade fixa. Desde o início, o objetivo é tornar o Seat algo cada vez mais difícil de avaliar simplesmente. Por que acho que vale a pena participar agora? O Seat ainda não tem uma longa história de fundo, os cinco fundos ainda não se diferenciaram verdadeiramente, e a Pasta ainda não acumulou muitos ativos. Não há resposta ainda se o M&A fará alguns Seats escassos. Por isso vou candidatar-me seriamente ao TMF Pass do @TheMutualFun. Aquela cadeira 🪑 no X está realmente em alta, mas se fosse só porque todos a exibem, eu não iria ler um Prospecto. O que realmente me faz querer sentar-me por um momento é a minha curiosidade: Quando estas 4.001 cadeiras começarem a gerir dinheiro a sério, o mercado as verá como NFTs ou como um tipo de lugar de fundo on-chain nunca antes visto. @themutualfun @Kingpickle

Se por acaso tens um telemóvel parado, podes experimentar esta atividade de forma prática. @Acurast transforma o telemóvel num Processor, fornecendo poder de cálculo, ganhando $ACU, e depois ainda podes acumular pontos e participar em apostas. Vou dividir o processo diretamente, basta seguir passo a passo. 1️⃣ Primeiro vê se o teu telemóvel é adequado para Lite ou Core Se é um telemóvel que usas normalmente, escolhe Lite. Android 12+ ou iPhone 6s e superior, iOS 15+ são compatíveis. Basta instalar o Processor Lite e fazer backup da frase de recuperação. No Android, precisas também de criar um perfil de trabalho e manter a app ligada à internet e a carregar. Depois de configurado, recomendo que escaneies o código para ligar ao Acurast Hub, o que facilita muito a gestão do dispositivo. Se for um telemóvel Android antigo que já não usas, podes considerar o Core. O Core transforma o telemóvel numa máquina dedicada Processor, com limites de recompensa mais altos, mas atenção: apaga todos os dados do telemóvel. O processo é restaurar as definições de fábrica, parar na tela de boas-vindas, gerar um código QR no Acurast Hub e depois clicar rapidamente cerca de 8 vezes na tela de boas-vindas para abrir a entrada de leitura do código. Depois de escaneado, o telemóvel fica bloqueado como dispositivo de cálculo dedicado da Acurast. Portanto, não uses o Core no teu telemóvel principal, especialmente se tiver fotos, carteiras, Authenticator ou outros dados importantes. Ambos os métodos começam no Acurast Hub: 2️⃣ Prepara a carteira e uma pequena quantidade de $ACU Podes usar Talisman, SubWallet ou AirGap. Depois de o dispositivo estar a funcionar, ele envia batimentos online regularmente, cerca de cada 30 minutos, por isso é melhor ter algum $ACU na conta para pagar as taxas. Aqui há um ponto fácil de confundir: A rede principal da Acurast usa $ACU, a rede de testes Canary usa cACU, não confundas as duas moedas. 3️⃣ Depois de ligar o telemóvel, como são calculadas as recompensas? Não é "o telemóvel ligado recebe uma quantia fixa por dia". Acurast avalia o Benchmark do hardware, os batimentos online e se o teu Processor está a executar tarefas reais. Por isso, configurações diferentes, tempos online diferentes e tarefas diferentes resultam em ganhos diferentes. Por isso recomendo usar um telemóvel antigo que esteja parado. A eletricidade e a internet são custos reais, e os ganhos não são fixos; experimenta durante algum tempo para ver o desempenho real do teu dispositivo, é mais fiável do que calcular um "lucro diário". 4️⃣ Além de usar o telemóvel, podes participar no Cloud Rebellion Acurast tem também o Cloud Rebellion, onde podes participar em tarefas através de um código de convite no Discord e acumular MIST. Mas atenção, MIST é um ponto de atividade, usado para classificações de temporada e prémios, não é igual a $ACU. 5️⃣ Depois de teres $ACU, podes apostar poder de cálculo Acurast tem um sistema chamado Staked Compute. Quem fornece poder de cálculo com telemóvel pode bloquear $ACU e comprometer o seu poder de cálculo online; quem não tem telemóvel pode delegar o seu $ACU a um fornecedor de poder de cálculo e participar na partilha de lucros. Atualmente, cerca de 70% das recompensas inflacionárias vão para esta parte. Se queres uma experiência simples, recomendo começar pelo Lite. Se tens um telemóvel Android antigo que não usas, podes experimentar o Core, mas lembra-te que o Core apaga os dados e transforma o telemóvel num dispositivo dedicado. Por fim, um aviso: guarda a frase de recuperação offline, confirma que os dados estão backupados antes de usar o Core, e evita usar o telemóvel principal onde guardas carteiras e ativos criptográficos. Isto é apenas uma experiência pessoal, as recompensas e regras oficiais estão na página oficial da Acurast, DYOR.

De repente, sinto que os atuais centenas de milhares de Agents da TermiX talvez não sejam tão importantes quanto essa taxa de 1–3%. Porque, se os AI Agents realmente quiserem ganhar dinheiro sozinhos no futuro, o que provavelmente vai travar primeiro não é a capacidade, mas sim a contabilidade. Uma tarefa rende $1. A plataforma primeiro retira 20%, depois o modelo consome um pouco, a API consome mais um pouco, e o pagamento na blockchain consome mais um pouco. No final, o Agent trabalha bastante e pode sobrar apenas alguns cêntimos. Então, para que ele ainda aceitaria algo? Os freelancers humanos ainda podem escolher trabalhos de centenas ou milhares de dólares, mas os Agents provavelmente farão esse tipo de trabalho pequeno todos os dias: verificar endereços, fazer análises, gerar materiais, realizar verificações, cada tarefa valendo apenas alguns dólares ou até cêntimos. Por isso, recentemente, ao olhar para a taxa all-in de 1–3% do @termix_ai, sinto que isso pode não ser simplesmente uma questão de "nossa taxa é baixa". Porque se um Agent fizer apenas 3 tarefas por dia, a diferença não é grande. Mas se no futuro um Agent fizer centenas ou milhares de tarefas sozinho, e ainda gastar dinheiro contratando outros Agents para trabalhar, então 2% e 20% são basicamente dois modelos económicos diferentes. Agora já existem serviços a partir de $1, assim como tarefas de vídeo e auditoria de segurança que custam dezenas de dólares. Isto parece um sinal: A economia dos Agents no futuro pode não depender de grandes tarefas, mas sim de acumular muitas pequenas tarefas. Por exemplo, um Agent aceita um trabalho seu de $10. Ele próprio paga $1 a outro Agent para pesquisar, depois paga alguns cêntimos a um terceiro Agent para fazer a verificação, e finalmente entrega o resultado a si. Durante todo o processo, você nem precisa saber quantos Agents foram envolvidos. Mas este modelo tem um problema muito real: Cada camada intermediária não pode ser muito taxada pela plataforma. Caso contrário, antes mesmo de começar a cadeia, o lucro desaparece. Por isso, ao olhar para o sistema de identidade, custódia, staking e disputas da TermiX, tudo faz mais sentido. No fundo, se as máquinas quiserem realmente aceitar trabalhos sozinhas no futuro, alguém tem que gerir o dinheiro, a entrega e as dívidas. E todo esse sistema tem que ser suficientemente barato. Caso contrário, por mais inteligentes que os Agents sejam, só poderão jogar sozinhos. Atualmente, a homepage tem cerca de 435.600 Agents, 394.400 Jobs e um volume de transações de 20,77 milhões de dólares. Se este passo realmente acontecer, então a taxa de 1–3% faz sentido. Caso contrário, centenas de milhares de Agents seriam apenas centenas de milhares de contas. Estas são apenas algumas ideias que organizei, não são conselhos de investimento, faça a sua própria pesquisa (DYOR).

Tem ETH ou BTC na mão, não quer vender por agora, mas precisa de uma stablecoin, o que fazer? Nessa altura, vender diretamente o ativo é meio desconfortável. O plano original de manter a posição não mudou, só precisa de liquidez temporária; se vender, depois terá que pensar de novo quando comprar de volta. O fxMINT da f(x) oferece uma outra abordagem: Colateralizar o ativo, cunhar fxUSD, e depois de terminar o ciclo financeiro, pagar a dívida e recuperar o colateral. Atualmente, os colaterais listados oficialmente incluem wstETH e WBTC, a entrada WETH será convertida em wstETH. ✰ ꙳ ☾.˖✰ ꙳ ☾.˖ Atualmente, a taxa de abertura para posições em ETH e BTC é 0,5% da dívida, a taxa de fechamento é 0,2% para pagar a dívida, e normalmente não há juros anuais acumulados. Suponha que cunha 5.000 fxUSD, a taxa de abertura será cerca de 25 fxUSD, e ao pagar a dívida do mesmo valor, a taxa de fechamento será cerca de 10 fxUSD. Ou seja, só essas duas taxas somam aproximadamente 35 fxUSD. Portanto, pegar emprestado por alguns dias ou por alguns meses tem sensações completamente diferentes. Para curto prazo pode não valer a pena, mas se usar por mais tempo, o facto de não haver juros anuais acumulados torna a comparação interessante. Claro que o custo real inclui Gas, taxas de troca e possíveis custos temporários de empréstimo em mercados especiais. ✰ ꙳ ☾.˖✰ ꙳ ☾.˖ Sobre o risco da posição. Por exemplo, se o valor do colateral é 10.000 USD e empresta 3.000 USD, o LTV inicial é 30%. Se o colateral cair 30%, ficando em 7.000 USD, e a dívida não mudar, o LTV sobe para cerca de 42,9%. Você não pegou mais dinheiro emprestado, mas o risco da posição mudou. A f(x) desenhou um mecanismo de reequilíbrio para essas situações. Ao atingir um limite, o sistema pode liquidar parte do colateral e reduzir a dívida para baixar a alavancagem. Esse mecanismo ajuda a ajustar o risco da posição, mas significa que após o reequilíbrio, a quantidade de colateral que você tem pode diminuir. Portanto, não se deve entender simplesmente como "sem risco de liquidação". Outro custo fácil de ignorar: wstETH é um ativo que gera rendimento, mas segundo a documentação oficial, os rendimentos do colateral do fxMINT são principalmente distribuídos aos detentores da stablecoin. A posição de empréstimo mantém a exposição ao preço do ativo, mas não continua a receber esses rendimentos. Se você já detém wstETH a longo prazo, essa perda de rendimento deve ser considerada no custo do empréstimo. ✰ ꙳ ☾.˖✰ ꙳ ☾. Sobre o "0% de juros anuais" do fxMINT, recomendo calcular se isso realmente se adequa a si. Por quanto tempo vai emprestar, quanto vai pegar, e como vai pagar são questões mais importantes do que só olhar a taxa de juro. Porque, quanto mais tempo, as taxas únicas de abertura e fechamento são vantajosas; mas se for só por alguns dias, somando Gas e outros custos, pode não compensar. Além disso, o espaço da posição. Depois de emprestar, os preços do ETH e BTC continuarão a flutuar, e o LTV também. O reequilíbrio pode lidar com parte do risco, mas o custo pode ser a redução do colateral, o que não deve ser ignorado. Por isso, acho que o mais interessante do fxMINT @protocol_fx não é simplesmente baixar o "juros do empréstimo", mas dar aos detentores de ETH e BTC a longo prazo uma opção: sem pressa para vender o ativo, podem primeiro usar parte da liquidez. Se vale a pena usar, no fim depende do custo da sua posição, do tempo do empréstimo e da sua tolerância à volatilidade do preço. Apenas uma partilha pessoal de pesquisa e experiência, não constitui conselho de investimento. Lembre-se de DYOR.

Muitas pessoas veem o Backpack e ainda ficam na ideia de "a exchange lançou uma moeda". Mas depois do lançamento do BP, o Backpack tem ainda mais desafios pela frente. O Armani não vai entregar apenas uma nova funcionalidade para a exchange, mas também a integração com corretoras, valores mobiliários, e toda a conexão entre ativos tradicionais e ativos on-chain. A linha do Founder merece ser discutida, e a razão está aqui: Depois de lançar a moeda, qual é o interesse real dos fundadores que depende de fazer a empresa prosperar para se concretizar? No mecanismo divulgado pelo Backpack, os fundadores, a equipa e os investidores não têm uma alocação inicial de BP, nem uma quota separada de tokens para a equipa. A participação acionária dos fundadores na empresa ainda depende do crescimento do negócio para gerar valor. Isto dá um significado concreto ao "vínculo de interesses a longo prazo", e não é apenas uma declaração em entrevistas. Mecanismo oficial do BP: Se olharmos para a direção atual do produto, também podemos ver até onde esta empresa quer chegar. Exchange, corretoras, carteiras, ações reais americanas, Tokenized Stocks, Perps — cada um destes pode ser um negócio por si só. O Backpack quer conectá-los para atender a todas as necessidades financeiras da conta do utilizador. O valor comercial disto é muito maior do que "lançar mais um produto". Hoje o utilizador negocia Crypto, amanhã compra ações americanas, e depois transfere ativos para usar on-chain. Se a experiência for suficientemente fluida, ele tem razão para continuar a manter a conta no Backpack. O crescimento da empresa pode vir de mais ativos e mais casos de uso, sem precisar de encontrar sempre um novo grupo de utilizadores. A história das "empresas do Vale do Silício" deve ser contada assim: O produto evolui continuamente, a relação com os utilizadores acumula-se, e os negócios feitos anteriormente criam a base para os futuros. Quanto mais tempo a empresa durar, mais valiosas serão essas acumulações. Claro que, nesta fase, o mais importante ainda é Exchange + Brokerage. Primeiro, fazer bem a negociação, liquidez e fluxo de fundos, para que os utilizadores queiram usar e manter ativos, e só depois pensar em um território maior. Esta prioridade é pragmática. "Queres negociar o quê e como quiseres, podes usar o Backpack" soa a slogan, mas na prática exige muito da empresa. Por trás disso, é necessário investimento contínuo em licenças, custódia, liquidação, gestão de risco e tecnologia. Se o Founder tem paciência e continuará a investir, isso se refletirá no produto nos próximos anos. O mercado começa a olhar para o Backpack a longo prazo, e os fundadores têm de continuar a provar que a empresa merece ser detida e usada a longo prazo. Fazer do Backpack uma das colunas do sistema económico mundial é onde o Armani quer chegar. E o caminho atual tem de começar com cada entrega após o lançamento da moeda.🎒

Um robô a trabalhar, falha oito vezes em dez, o que farias? A Axis fez recentemente um experimento: deixou-o continuar, guardou as poucas operações bem-sucedidas e usou-as para treinar a próxima versão do modelo. No final, a taxa de sucesso subiu de 22% para 52%. Quando vi isto no @axisrobotics, achei realmente interessante. Antes, o mais notável era que tinham recolhido quase 7 milhões de trajetórias de robôs. Mas o que eu queria mesmo saber era se este robô, cuja taxa de sucesso ainda não é alta, poderia ajudar a descobrir: que dados devem ser recolhidos a seguir para que ele consiga realizar mais tarefas? Esta é também a razão pela qual voltei a olhar para a Axis recentemente. A primeira versão da Axis, a Axis V1, tinha uma abordagem muito direta: o sistema dava a tarefa, as pessoas operavam remotamente, e depois de validar os dados, usavam-nos para treinar o modelo. Esta abordagem tem vantagens muito práticas. A recolha é rápida, o custo é baixo, e os participantes não precisam de ter um braço robótico em casa. O Axis Hub já acumulou cerca de 6,91 milhões de trajetórias e 222 mil utilizadores. Mas quanto mais dados se recolhem, mais difícil é ultrapassar um problema: quantas coisas o robô pode realmente aprender com os dados recolhidos posteriormente? Por exemplo, "colocar o copo na cesta" já tem 10.000 trajetórias. Se a próxima for num ambiente semelhante, com movimentos semelhantes, continuar a recolher dados pode melhorar os números, mas quanto o modelo realmente aprende com isso é outra questão. Não se pode assumir que, só porque o número de trajetórias aumentou, o robô ficou necessariamente melhor. A Axis V2 começou a tentar uma nova forma de recolha. Eles introduziram o human-gated DAgger, um nome um pouco complicado, mas a ideia é fácil de entender: O robô tenta fazer sozinho, com uma pessoa a observar. Se estiver a conseguir, deixa-se continuar; se estiver prestes a falhar, a pessoa intervém e corrige o movimento. Antes, a pessoa demonstrava toda a tarefa do início ao fim; agora, observa-se onde o robô tem dificuldades e ajuda-se só nesse ponto. Acho esta mudança bastante prática. Para as partes que o modelo já sabe fazer, não é necessário que as pessoas repitam o trabalho. O que vale a pena guardar são as partes em que o robô quase falhou e foi salvo pela intervenção humana. No entanto, o facto de a pessoa ter corrigido não significa que esses dados sejam necessariamente úteis. A Axis divulgou um experimento: de 660 dados corrigidos manualmente, só 161 passaram na validação em circuito fechado e foram usados para treino. Este resultado fez-me querer olhar mais atentamente. Eles não colocaram todos os dados recolhidos no treino. Quanto à qualidade da seleção, só se pode avaliar se, depois de usar esses dados, o modelo melhorou nas áreas onde antes errava frequentemente. Foi a partir daqui que comecei a entender o Compounding Data Engine que eles propuseram. Primeiro, deixa-se o modelo correr e ver onde falha; depois, organiza-se tarefas para que as pessoas preencham as partes que o modelo não sabe; depois do treino, testa-se novamente. Parece simples, mas o difícil é garantir que cada ciclo seja eficaz. Não se pode andar às voltas, acumular dados, e o robô continuar a errar nos mesmos pontos. O experimento Grounded RSI, que aumentou a taxa de sucesso de 22% para 52%, é uma tentativa dentro desta abordagem: primeiro, deixa-se a estratégia correr no ambiente real para gerar rollouts de sucesso, depois usa-se esses dados para treinar a estratégia seguinte. Este aumento é digno de atenção, mas quero saber o que vem a seguir. Com um conjunto diferente de tarefas e outro ambiente, será que conseguem repetir? Continuando o treino, até onde pode subir a taxa de sucesso? Estas questões são mais reveladoras do que os números de um único experimento. Se olharmos para o recente Open Axis Benchmark que fizeram com a OpenRoboto, podemos ver que a avaliação também está a evoluir nesta direção. Com um conjunto fixo de tarefas, com o tempo todos ficam mais familiarizados, e as pontuações tendem a subir. Mas se o robô consegue lidar com tarefas nunca vistas, só olhar para a pontuação não é suficiente para julgar. O Open Axis Benchmark roda tarefas rotativamente a partir da biblioteca de tarefas Axis em expansão. Se a avaliação mostrar que o robô falha sempre num certo tipo de tarefa, a próxima recolha pode focar-se nesses dados, treinar e depois testar novamente. Assim, pelo menos, há oportunidade de verificar se os problemas anteriores foram resolvidos depois de inserir esses dados. Claro que mudar as tarefas não é uma solução mágica. Como controlar a dificuldade das tarefas e comparar resultados entre ciclos são questões que ainda precisam de ser acompanhadas. Por isso, agora que vejo o @axisrobotics, o meu interesse na etiqueta "Web3 + Robotics" já não é tão grande como no início. Estou mais interessado numa coisa concreta: se uma equipa de robótica traz um modelo pouco eficaz, será que a Axis consegue ajudar a identificar os problemas, recolher os dados certos e melhorar o modelo? Se conseguirem fazer isto de forma estável, os clientes terão motivos para continuar a pagar. Isto faz-me pensar na Scale AI. Só que na robótica é mais complicado: o facto de os dados serem bons não garante que, depois do treino, o robô consiga executar bem no mundo real. Se o braço robótico muda, o ambiente muda, ou a posição dos objetos varia um pouco, podem surgir problemas. O Axis Dataset V1 já mostrou alguns resultados iniciais. O π0.5 no LIBERO-Plus subiu de 83,9 para 88,8. No caso da Booster Robotics, usando muitos dados simulados e cerca de 30 demonstrações reais, a taxa de sucesso do π0.5 saiu dos 37,5% iniciais para 87,5%. Estes resultados merecem ser acompanhados, mas ainda não permitem concluir que o modelo de negócio está consolidado. Quanto do que se aprende na simulação se transfere para o robô real? Se mudar de robô, os dados anteriores ainda servem? Quando houver mais pessoas a contribuir, como garantir a qualidade? À medida que o modelo fica mais forte, será que ainda se consegue encontrar dados valiosos para complementar? Há ainda muito para observar no futuro.