TAO erholt sich stark, hier sind 12 KI-Projekte, die im Subnetz Beachtung verdienen

Originalautor: TechFlow

Der Kryptomarkt war nach dem „Schwarzen Montag“ dieser Woche am Boden, doch einen Tag später erholten sich die Token in verschiedenen Sektoren.

Der beliebteste davon ist Bittensor (TAO).

Daten von Coinmarketcap zeigten, dass Bittensor (TAO) gestern unter den 100 Token mit dem höchsten Marktwert um 23.08% stieg und damit den ersten Platz auf der Erholungsliste belegte.

Auch wenn die KI-Geschichte nicht mehr so heiß ist wie zu Jahresbeginn, drückt die Wahl des heißen Geldes auch Optimismus hinsichtlich der führenden Projekte in diesem Sektor aus.

Allerdings hat auch Bittensor zuvor ein gewisses Maß an FUD erlitten. Die Community ist der Ansicht, dass das Projekt überbewertet ist und es keine praktische Anwendung im Subnetz gibt.

Obwohl die Nützlichkeit eines Kryptoprojekts nicht direkt mit dem Token-Preis zusammenhängt, ist Bittensor wirklich nur eine leere Hülle?

In den letzten Monaten wurden Bittensor 12 Subnetze hinzugefügt, und jedes Subnetz hat die KI-bezogene Entwicklung in gewissem Maße gefördert, und es können unter ihnen neue Alpha-Projekte entstehen.

Wir haben uns diese neuen Subnetze angesehen, um zu sehen, wie sich ihre Grundlagen ändern, während sich alle Aufmerksamkeit auf die Preiserholung von TAOs richtet.

Subnetz 38: Sylliba, ein Text-to-Speech-Übersetzungstool, das über 70 Sprachen unterstützt

Entwicklungsteam: Agent Artificial

Einführung:

Sylliba ist eine Übersetzungs-App, die sowohl Text- als auch Sprachübersetzung unterstützt und mehr als 70 Sprachen verarbeiten kann.

Es ist erwähnenswert, dass dieses Programm von On-Chain-KI-Agenten verwendet werden kann:

• Automatisierter Übersetzungsprozess: KI-Agenten können diesen Dienst automatisch aufrufen, um eine sprachübergreifende Informationsverarbeitung und Kommunikation zu erreichen.

• Verbessern Sie die KI-Funktionen: Ermöglichen Sie KI-Systemen, die nicht über mehrsprachige Funktionen verfügen, die Bewältigung mehrsprachiger Aufgaben.

• Übersetzungsanfragen und -ergebnisse können auf der Blockchain verifiziert werden, was die Glaubwürdigkeit des Systems erhöht.

• Anreizmechanismus: Durch die Token-Ökonomie können Anreize für Anbieter hochwertiger Übersetzungsdienstleistungen geschaffen werden.

Projektadresse: https://github.com/agent-artificial/sylliba-subnet

Subnetz 34: Bitmind, erkennt und unterscheidet echten Inhalt von gefälschtem synthetischem Inhalt

Entwicklungsteam: @BitMindAI

Einführung:

BitMind konzentriert sich auf die Entwicklung dezentraler Deepfake-Erkennungstechnologie. Mit der rasanten Entwicklung generativer KI-Modelle wird es immer komplexer, hochwertige synthetische Medien von echten Inhalten zu unterscheiden.

BitMind 's Subnetz löst dieses Problem durch den Einsatz eines leistungsstarken Erkennungsmechanismus im Bittensor-Netzwerk, der sowohl generative als auch diskriminative KI-Modelle verwendet, um Deepfakes effektiv zu identifizieren.

Gleichzeitig ermöglicht die BitMind-API die Entwicklung leistungsstarker Verbraucheranwendungen, die die Deepfake-Erkennungsfunktionen des Subnetzes nutzen. Eine BitMind-Webanwendung mit einer Schnittstelle zum Hochladen von Bildern kann die API verwenden, um Benutzern dabei zu helfen, schnell zu erkennen, ob ein Bild echt oder gefälscht ist, und bietet so ein leicht zugängliches und leicht erklärbares Anti-Spoofing-Tool.

Subnetz 43: Graphit, intelligentes Pfadplanungsnetzwerk

Entwicklungsteam: @GraphiteSubnet

Einführung:

Graphite ist ein Subnetz, das speziell für die Arbeit mit Graphenproblemen entwickelt wurde, mit besonderem Schwerpunkt auf dem Problem des Handlungsreisenden (Traveling Salesman Problem, TSP). Das TSP ist ein klassisches Optimierungsproblem, bei dem das Ziel darin besteht, die kürzeste mögliche Route zu finden, die eine Reihe von Städten durchquert und zum Ausgangspunkt zurückführt.

Graphite nutzt Bittensors dezentrales Netzwerk für maschinelles Lernen, um Miner effizient zu verbinden und die Rechenleistungsanforderungen von TSP und ähnlichen Graphenproblemen zu bewältigen.

Derzeit generieren Validierer synthetische Anfragen und senden sie an Miner im Netzwerk. Die Miner sind dafür verantwortlich, TSP mithilfe des von ihnen entwickelten Algorithmus zu lösen und die Ergebnisse zur Auswertung an die Validierer zurückzusenden.

Subnetz 42: Gen 42, GitHubs Open-Source-KI-Codierungsassistent

Entwicklungsteam: @RizzoValidator , @FrankRizz 07

Einführung:

Gen 42 bietet dezentralisierte Codegenerierungsdienste über das Bittensor-Netzwerk. Der Schwerpunkt liegt auf der Entwicklung leistungsstarker, skalierbarer Tools für codebasierte Fragenbeantwortung und Codevervollständigung, die auf Open-Source-Sprachmodellen im großen Maßstab basieren.

Hauptprodukte:

a. Chat-Anwendung: Bietet ein Chat-Frontend, das Benutzern die Interaktion mit ihren Subnetzen ermöglicht. Die Hauptfunktion dieser Anwendung ist die codebasierte Qualitätssicherung.

b. Code-Vervollständigung: Bietet eine OpenAI-kompatible API, die mit continue.dev verwendet werden kann.

Einzelheiten zur Teilnahme von Minern und Validierern finden Sie im Projekt Github

Subnetz 41: Sportstensor, Sportvorhersagemodell

Entwicklungsteam: @sportstensor

Einführung:

Sportstensor ist ein Projekt, das sich der Entwicklung dezentraler Algorithmen zur Sportvorhersage widmet und vom Bittensor-Netzwerk unterstützt wird.

Das Projekt stellt grundlegende Modelle auf der Open-Source-Plattform HuggingFace bereit, mit denen Miner trainieren und sich verbessern können. Gleichzeitig ermöglicht es strategische Planung und Leistungsanalysen auf der Grundlage historischer und Echtzeitdaten und belohnt die umfassende Datensatzerfassung und die Entwicklung leistungsstarker Vorhersagemodelle.

Miner- und Validator-Funktionen:

• Miner: Erhalten Sie Anfragen von Validierern, greifen Sie auf relevante Daten zu und verwenden Sie Modelle maschinellen Lernens, um Vorhersagen zu treffen.

• Validator: Sammelt die Vorhersagen der Miner, vergleicht sie mit den tatsächlichen Ergebnissen und zeichnet die Ergebnisse der Verifizierung auf.

Subnetz 29: Coldint, Nischen-KI-Modelltraining

Entwickler: Noch nicht gefunden, die offizielle Website ist hier

Einführung:

SN 29 coldint, der vollständige Name lautet Collective Distributed Incentivized Training.

Ziel: Konzentrieren Sie sich auf das Vortraining von Nischenmodellen. Nischenmodelle können sich auf Modelle beziehen, die nicht so weit verbreitet sind wie große allgemeine Modelle, aber in bestimmten Bereichen oder Aufgaben sehr wertvoll sind.

Beteiligung und Arbeitsteilung unter Bergleuten und anderen Rollen:

a) Die Anreize für Miner liegen in erster Linie in der öffentlichen Weitergabe von Trainingsmodellen.

b) Sekundäre Anreize werden an Miner oder andere Mitwirkende gegeben, die Erkenntnisse weitergeben, indem sie zur Code-Basis beitragen.

c) Durch die Belohnung kleiner Verbesserungen werden die Miner ermutigt, ihre verbesserte Arbeit regelmäßig mitzuteilen.

d) Code-Beiträge, die individuelle Trainingsbemühungen zu besseren kombinierten Modellen zusammenführen, werden hoch belohnt.

Subnetz 40: Chunking, Optimierung des Datensatzes für RAG-Anwendungen (Retrieval-Augmented Generation)

Entwicklungsteam: @vectorchatai

Token: $CHAT

Einführung:

SN 40 Chunking ist wie ein sehr intelligenter Bibliothekar. Der spezifische Ansatz besteht darin, eine große Menge an Informationen (Text, Bilder, Töne usw.) in kleine Blöcke aufzuteilen. Dies geschieht, um es der KI zu erleichtern, diese Informationen zu verstehen und zu verwenden. Wenn das Bücherregal gut organisiert ist, können Sie es schnell finden.

SN 40 Chunking hilft der KI beim Ordnen des Bücherregals.

SN 40 Chunking kann nicht nur Texte, sondern auch viele andere Informationstypen verarbeiten, wie etwa Bilder, Töne usw. Es ist wie ein Allround-Bibliothekar, der nicht nur Bücher, sondern auch Fotosammlungen, Musik-CDs usw. verwaltet.

Subnetz 39: EdgeMaxxing, Optimierung von KI-Modellen für die Ausführung auf Verbrauchergeräten

Entwicklungsteam: @WOMBO

Einführung: S N3 9 EdgeMaxxing ist ein Subnetz, das sich auf die Optimierung von KI-Modellen für Verbrauchergeräte, von Smartphones bis hin zu Laptops, konzentriert.

Das EdgeMaxxing-Subnetz verwendet ein wettbewerbsorientiertes Belohnungssystem mit täglichen Wettbewerben, um die Teilnehmer zu ermutigen, die Leistung von KI-Modellen auf Verbrauchergeräten kontinuierlich zu optimieren.

Teilnehmerrollen und Arbeitsteilung:

Bergleute:

Die Hauptaufgabe besteht darin, optimierte KI-Modellprüfpunkte einzureichen

Sie verwenden verschiedene Algorithmen und Tools, um die Modellleistung zu verbessern

Validierer:

Muss auf der angegebenen Zielhardware (z. B. NVIDIA GeForce RTX 4090) laufen, jeden Tag von allen Minern eingereichte Modelle sammeln, jedes eingereichte Modell anhand eines Basisprüfpunkts vergleichen; Bewertung basierend auf Geschwindigkeitsverbesserung, Beibehaltung der Genauigkeit und Verbesserung der Gesamteffizienz, und Auswahl des leistungsstärksten Modells des Tages als Gewinner

Open-Source-Repository des Projekts: https://github.com/womboai/edge-maxxing

Subnetz 30: Bettensor, ein dezentraler Sportprognosemarkt

Entwicklungsteam: @Bettensor

Einführung:

Mit Bettensor können Sportfans die Ergebnisse von Sportspielen vorhersagen und so einen dezentralen Sportprognosemarkt auf Blockchain-Basis schaffen.

Teilnehmerrollen:

Miner: verantwortlich für die Generierung von Vorhersageergebnissen

Validator: Überprüfen Sie die Genauigkeit der Vorhersageergebnisse

Datensammler: Sammeln Sie Daten zu Sportereignissen aus verschiedenen Quellen

Open-Source-Repository des Projekts: https://github.com/Bettensor/bettensor (scheint sich noch in der Entwicklung zu befinden)

Subnetz 06: Infinite Games, allgemeiner Prognosemarkt

Entwicklungsteam: @Spiele

Einführung:

Infinite Games entwickelt Echtzeit- und Prognosetools für Prognosemärkte. Das Projekt führt auch Arbitrage- und Aggregationsverfahren für Ereignisse von Plattformen wie @Polymarket und @azuroprotocol durch.

Anreizsystem:

Verwendung von $TAO-Tokens als Anreiz

Belohnen Sie Anbieter genauer Vorhersagen und wertvoller Informationen

Insgesamt ermutigt das Projekt die Benutzer, sich an der Prognose und Bereitstellung von Informationen zu beteiligen und so eine aktive Prognose-Community zu bilden.

Subnetz 37: LLM-Feinabstimmung, Feinabstimmung großer Sprachmodelle

Entwicklungsteam: Taoverse @MacrocosmosAI

Einführung:

Dies ist ein Subnetz, dessen Schwerpunkt auf der Feinabstimmung großer Sprachmodelle (LLMs) liegt: Miner werden für die Feinabstimmung von LLMs belohnt und ein kontinuierlicher Strom synthetischer Daten aus Subnetz 18 wird zur Modellbewertung verwendet.

Arbeitsmechanismus:

• Miner trainieren Modelle und veröffentlichen sie regelmäßig auf der Hugging Face-Plattform.

• Validatoren laden Modelle von Hugging Face herunter und bewerten sie kontinuierlich anhand synthetischer Daten.

• Die Auswertungsergebnisse werden auf der wandb-Plattform erfasst.

• TAO-Token werden Minern und Validierern entsprechend ihres Gewichts als Belohnung gewährt.

Adresse des Projekt-Repositorys: https://github.com/macrocosm-os/finetuning

Subnetz 21: Any to Any, Erstellen erweiterter multimodaler KI-Modelle

Entwicklungsteam: @omegalabsai

Einführung:

„Any to Any“ bezieht sich in diesem Projekt auf die Fähigkeit eines multimodalen KI-Systems, verschiedene Arten von Daten oder Informationen zu konvertieren und zu verstehen, beispielsweise Text in Bild, Bild in Text, Audio in Video und Video in Text.

Das System kann nicht nur Konvertierungen durchführen, sondern auch die Beziehung zwischen verschiedenen Modalitäten verstehen. Beispielsweise kann es die Verbindung zwischen einer Textbeschreibung und einem Bild oder die Verbindung zwischen einem Video und dem dazugehörigen Audio verstehen.

In diesem Subnetz werden Anreizmechanismen eingesetzt, um KI-Forscher und -Entwickler auf der ganzen Welt zur Teilnahme am Projekt zu ermutigen. Konkret:

• Mitwirkende können durch die Bereitstellung wertvoller Modelle, Daten oder Rechenressourcen Token-Belohnungen verdienen.

• Dieser direkte finanzielle Anreiz macht hochwertige KI-Forschung und -Entwicklung zu einem nachhaltigen Unterfangen.

Adresse des Projekt-Repositorys: https://github.com/omegalabsinc/omegalabs-anytoany-bittensor

Zusatzwissen:

Für den Fall, dass einige Leser die Bedeutung des Bittensor-Subnetzes nicht kennen, hier eine einfache Erklärung:

• Ein Subnetz ist ein spezialisiertes Netzwerk im Bittensor-Ökosystem.

• Jedes Subnetz konzentriert sich auf eine bestimmte KI- oder maschinelle Lernaufgabe.

• Subnetze ermöglichen Entwicklern, KI-Modelle für bestimmte Zwecke zu erstellen und bereitzustellen.

• Sie nutzen Kryptoökonomie, um Teilnehmer zu motivieren, Rechenressourcen bereitzustellen und Modelle zu verbessern.

Ursprünglicher Link

Dieser Artikel stammt aus dem Internet: TAO erholt sich stark, hier sind 12 KI-Projekte, die im Subnetz Beachtung verdienen

Verwandt: Solana Funding Vortex: Warum verliert Rug Puller Geld?

Originalautor: CertiK Am Abend des 13. Mai 2024 entdeckte das CertiK-Team eine verdächtige Adresse in der Solana-Kette: 9ZmcRsXnoqE47NfGxBrWKSXtpy8zzKR847BWz6EswEaU (im Folgenden Xiaojiu genannt). Vom 12. bis 13. Mai initiierte Xiaojiu etwa 64 Rug Pulls in der Kette, einen alle paar Minuten. In weniger als 24 Stunden verlor Xiaojiu insgesamt 272 SOL im Wert von etwa $45.900.01 Hohe Investition und geringe Rendite: Aufdeckung von Xiaojius Vorgehensweise. Wie hat Xiaojiu das also gemacht? Nehmen wir als Beispiel das letzte von Xiaojiu bereitgestellte Meme-TWS. Am 13. Mai um 4:05 UTC prägte Xiaojiu 99.999.999 TWS. Um 13:18 Uhr setzte Xiaojiu einen TWS/SOL-Liquiditätspool auf Raydium ein und injizierte 98.999.999,99 TWS und 1 SOL; dann nutzte er sofort 4 SOLs, um den Markt anzukurbeln. Um 13:22 Uhr, 4 Minuten später, Xiaojiu…