TRUNG_DZ
Flöde
Flöde
Fastnålad
Marknaden rör sig från en korrigeringsfas till en selektiv återhämtningsfas
$ENJ efter ett starkt flöde har stödområdet hållits runt 0,037 och återhämtat sig snabbt. Detta visar att efterfrågan fortfarande finns kvar, men den nuvarande strukturen är att efter pumpen inte är en ny trend. Risken är fortfarande hög om den förlorar 0,037 igen
@OKX Omloppsbana
$BASED gör en gradvis högre botten och når motståndsområdet 0,060. Detta är en form av fasövergångsakkumulation. Om detta område tydligt är brutet kan det gå in i den kortsiktiga trenden
$WET sker en stark vändning från botten med ett lutande bullish ljus och en återtagning av det viktiga MA Detta är en signal om att kassaflödet återvänder men måste hålla 0,100-området för att behålla strukturen
$HUMA är fortfarande det starkaste fallet att upprätthålla en kontinuerlig högre låg nivå och hålla sig till en vacker MA. Kassaflödet är mer stabilt än andra tokens, så möjligheten till kontinuitet är högre
Den gemensamma nämnaren är att många tokens har återtagit MA20 och MA50 efter en korrigering, vilket indikerar att marknaden testar den kortsiktiga upptrenden igen
#OKXOrbitTopics
Strategi
Prioritera $HUMA och $BASED när det sker en tillbakagång på grund av den stabila strukturen
$WET kan följa om den håller 0,100
$ENJ bör bara följa rytmen och inte jaga priset
Sammanfattningsvis återhämtar sig marknaden men har inte bekräftat en stark upptrend. Kassaflödet är tillbaka men fortfarande selektivt, tokens som behåller strukturen kommer att fortsätta försvinna och svaga tokens är lätta att snabbt avskriva.
+0,01%
Ögonblicksbild vid 13 apr. 2026, 04:07
Traditionell samlokalisering av utbyten översätts inte direkt till DeFi.
Som @murielmedard, VD för @get_optimum, förklarade är kärnproblemet liknande i båda marknaderna: pålitlig hastighet är viktig.
Men sättet latensen optimeras på är fundamentalt annorlunda.
I TradFi kan företag placera maskiner nära växlar eller bygga dedikerade fiberanslutningar mellan kända platser. Detta fungerar eftersom nätverkstopologin är relativt förutsägbar.
DeFi fungerar annorlunda.
Blockkedjenätverk är fördelade över noder som kan finnas var som helst i världen. Nästa förslagsställare eller validerare kan befinna sig i en helt annan region.
Det finns ingen enskild plats där infrastruktur kan placeras för att garantera närhet till hela nätverket.
Dedikerad fiber blir också svår att skala.
Muriel gav ett enkelt exempel:
10 noder -> ungefär 100 fiberanslutningar
100 noder -> ungefär 10 000 fiberanslutningar
När nätverket växer ökar antalet potentiella anslutningar snabbt.
Och topologin är inte statisk.
Noder kan ansluta till eller lämna från olika regioner, vilket innebär att infrastruktur optimerad efter dagens nätverkslayout kanske inte förblir optimal imorgon.
Detta skapar ett fundamentalt annorlunda latensproblem för DeFi.
Istället för att försöka flytta varje deltagare närmare en fast plats måste nätverkslagret självt bli mer effektivt på att flytta data över geografiskt spridda noder.
Det är ett av problemen som Optimum forskar på med teknologier som mump2p och nätverkskodning.
Om blockkedjenätverk fortsätter att bli större och mer geografiskt spridda kan latens inte bara lösas genom att vara närmare rätt maskin.
Nätverket behöver ett bättre sätt att flytta information.
Snabbhet är pengar.
#Optimum #Mump2p
AGTP
Traditionell börssamlokalisering översätts inte till DeFi, förklarade @murielmedard, VD på @get_optimum, eftersom blockkedjenätverk är fördelade över noder som kan finnas var som helst i världen.
Muriel sade att kärnproblemet är liknande i båda marknaderna → pålitlig hastighet spelar roll. Men inom traditionell finans kan företag förbättra latensen genom att placera maskiner nära växlar eller bygga dedikerade fiberlänkar mellan kända platser.
Den modellen brister i DeFi eftersom nästa föreslagare på en blockkedja kan vara var som helst. Det finns ingen enskild plats att placera infrastruktur som garanterar närhet till nätverket.
Hon förklarade också varför dedikerad fiber inte skalar. Ett litet antal noder kan vara hanterbart, men när nätverket växer ökar antalet nödvändiga länkar snabbt. Med 10 noder kan nätverket behöva ungefär 100 fiberanslutningar. Med 100 noder kan det behöva omkring 10 000.
Muriel tillade att noder också kan dyka upp och försvinna över regioner, så att bygga fysisk infrastruktur kring dagens nätverkslayout kanske inte hjälper imorgon.
En robotpolicy kan misslyckas även om den har sett uppgiften tidigare.
Anledningen är ofta det tillstånd den möter under utförandet av uppgiften.
Föreställ dig en policy som tränas att plocka upp ett objekt från en fast position. Under utplaceringen är objektet något förskjutet. Roboten kan nå fel plats, göra en felaktig rörelse och fortsätta fatta beslut baserade på det misstaget.
Här kanske det inte räcker att bara samla in mer framgångsrika demonstrationer.
Det viktiga är att samla in data från de situationer där policyn faktiskt har svårt.
Axis V2 introducerar detta genom efterträningsuppgifter.
En tränad policy försöker först uppgiften. När dess beteende går fel tar en mänsklig bidragsgivare över, korrigerar roboten och kan sedan återlämna kontrollen till policyn.
Den resulterande banan innehåller något som vanliga demonstrationer kanske inte fångar lika tydligt:
där policyn misslyckades – > hur en människa rättade till den
Detta kopplar direkt till idén om DAgger (Dataset Aggregation).
Istället för att bygga en datamängd enbart från demonstrationer insamlade oberoende av policyn, använder DAgger-liknande metoder policyns egna utrullningar för att identifiera delstater där ytterligare expertvägledning behövs.
Fördelen är att utbildningsdata kan bli alltmer fokuserad på policyns svagheter.
Till exempel:
Initial policy – > obekant tillstånd – > felaktig åtgärd – > mänsklig intervention – > korrigeringsdata
Den korrigeringen kan sedan bli en del av nästa träningsiteteration.
Den viktiga skillnaden är att efterträning inte bara är ett annat sätt att kontrollera en robot.
Det är en mekanism för att samla in data som drivs av misslyckande.
För fysisk AI skapar detta en intressant återkopplingsslinga: policyn avgör vilka tillstånd som är svåra, mänsklig intervention ger korrigeringen, och dessa korrigeringar kan bli nya träningsdata.
Axis bygger V2 kring denna slutna loop-metod, där mänskligt styrda korrigeringar ingår i postträningspipelinen.
Den större frågan är om denna loop kan skalas samtidigt som användbar datakvalitet bibehålls.
Det är ett av de viktigaste problemen bakom storskaliga robotar efter utbildning.
#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 är på väg till Seoul.
Kent Lin, COO för @get_optimum, kommer att tala på Ethereum Korea One den 28 september.
Med Optimum aktivt arbetande med att påskynda Ethereums dataspridningslager via mump2p är detta ett väl lämat tillfälle att diskutera de infrastrukturutmaningar som ett mer skalbart och geografiskt distribuerat Ethereum-nätverk står inför.
Den koreanska marknaden blir också en allt viktigare del av Ethereums ekosystem, där Optimum redan samarbetar med koreanska validatorer och ansluter sig till Ethereum Korea Consortium.
Nu kommer Kent Lin att ta Optimums perspektiv direkt till Seoul.
28 september.
Ethereum Korea One.
Seoul.
@get_optimum @kentlinyy @ethereumkoreaio
#Optimum #EthereumKorea
En ny partner ansluter sig till mump2p-ekosystemet.
@get_optimum 🤝 @FinoaConsensus
Finoa Consensus Services, ett Tyskland-baserat validatorteam, samarbetar nu med mump2p.
För validatorer är tillförlitlighets- och belöningsoptimering nära kopplade till hur snabbt och konsekvent data rör sig över nätverket. Snabbare spridning kan hjälpa operatörer att ta emot och bearbeta nätverksinformation med lägre latens, vilket ger starkare validatorprestanda.
Det är här mump2p kommer in.
Genom att fokusera på konsekvent snabbare dataspridning är mump2p byggd för att hjälpa validatorer att förbättra nätverksanslutningen och minska latensens påverkan på prestandan.
Finoa Consensus Services lägger stor vikt vid validatorns tillförlitlighet och belöningsmaximering, vilket gör detta samarbete till en naturlig matchning.
En annan validerare ansluter sig till nätverket. Ytterligare ett steg mot snabbare Ethereum-infrastruktur.
Välkomna ombord, Finoa Consensus Services.
#Optimum #mump2p
TRUNG_DZ
Ny vecka, nya rolluppgraderingar på Discord-communityn @get_optimum
Grattis till alla som har blivit uppgraderade till den raffinerade rollen den här veckan:
vie123, Williams Smith, 2026, Femte, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream och OLA YOOMOMOTA.
Och idag är jag också hedrad att officiellt bli medlem i Raffineringen.
Det är en milstolpe som gör mig ännu mer motiverad att fortsätta bidra, lära mig och växa tillsammans med Optimum-gemenskapen.
Grattis återigen till alla nya medlemmar i Raffinerade. Fler uppgraderingar är på väg.
Jag hoppas också få se era namn på nästa lista. Fortsätt och bidra – din uppgradering kan vara nästa.
#Optimum
Ny vecka, nya rolluppgraderingar på Discord-communityn @get_optimum
Grattis till alla som har blivit uppgraderade till den raffinerade rollen den här veckan:
vie123, Williams Smith, 2026, Femte, 0xFAlpha, Siaa | gMum, IDREES | MUM, TRUNG, Bio, Julia457, Anju, Horriyashah, Cryptic Ream och OLA YOOMOMOTA.
Och idag är jag också hedrad att officiellt bli medlem i Raffineringen.
Det är en milstolpe som gör mig ännu mer motiverad att fortsätta bidra, lära mig och växa tillsammans med Optimum-gemenskapen.
Grattis återigen till alla nya medlemmar i Raffinerade. Fler uppgraderingar är på väg.
Jag hoppas också få se era namn på nästa lista. Fortsätt och bidra – din uppgradering kan vara nästa.
#Optimum
TRUNG_DZ
32 -> 6 700 -> 38 700 -> 108 600 -> 250 800
Optimum har tagit bort en följd av tal:
32 -> 6 700 -> 38 700 -> 108 600 -> 250 800
Till en början ser de ut som slumpmässiga milstolpar.
Men baserat på de @get_optimum material som finns tillgängliga hittills finns det en stark ledtråd bakom vad de representerar.
Sekvensen förekommer tillsammans med RLNC → Data Propagation → mump2p → Flexnoder, och de senare numren är uttryckligen märkta som Flexnoder i det visuella materialet.
Så din teori att dessa siffror är kopplade till Flexnodes stöds av tillgängliga material.
Det finns dock inte tillräckligt med data för att verifiera att alla fem siffror är officiella räkningar av aktiva Flexnodes vid specifika tidpunkter, särskilt de ursprungliga 32. Källmaterialet kopplar uttryckligen 6 700, 38 700, 108 600 och 250 800 till Flexnoder, medan betydelsen av 32 inte bekräftas i den hämtade källan.
Den osäkerheten är faktiskt det som gör sekvensen intressant.
Flexnodes är en kärnkomponent i Optimums bredare arkitektur.
mump2p använder RLNC för att koda blockkedjedata till kodad information som kan röra sig genom nätverket.
Men snabbare utbredning beror också på att det finns tillräcklig nätverkskapacitet och välplacerade noder för att kunna flytta informationen effektivt.
Det är där Flexnodes kommer in i bilden.
Optimum beskriver Flexnodes som ett globalt nätverk av noder som kan bidra med bandbredd för att påskynda dataspridning. I den långsiktiga modellen är nätverket avsett att expandera bortom en liten grupp infrastrukturoperatörer, vilket potentiellt möjliggör en mycket bredare uppsättning internetanslutna enheter att bidra med bandbredd.
Detta skapar en tvåsidig struktur:
Validatorer, byggare och omlagerare skapar efterfrågan på snabbare dataspridning.
Flexnoder tillhandahåller den distribuerade bandbredden och accelerationskapaciteten.
Sett genom det perspektivet, följden:
6 700 → 38 700 → 108 600 → 250 800
Det antyder inte bara ett högre antal.
Det antyder ett nätverk som potentiellt ramas in kring en central idé:
Fler distribuerade deltagare kan skapa mer distribuerad kapacitet.
Och det hänger direkt ihop med Optimums bredare tes.
Traditionell skalning innebär ofta att lägga till kraftfullare infrastruktur.
Optimum utforskar en annan riktning:
Lägg till fler deltagare för att öka kapaciteten.
RLNC tillhandahåller kodningslagret.
Mump2P tillämpar det på snabb blockkedjespridning.
Flexnoder tillhandahåller den distribuerade nätverksinfrastrukturen som kan hjälpa till att flytta den kodade informationen.
Så om dessa siffror verkligen representerar tillväxten av Flexnode-nätverket, är den intressanta frågan inte helt enkelt:
"Varför nådde antalet 250 800?"
Det är:
"Vad kan ett nätverk med så många potentiella källor till distribuerad bandbredd bli?"
För Optimums långsiktiga modell handlar inte bara om att göra en blockkedja snabbare.
Det handlar om att bygga ett nätverk där distribuerad bandbredd i sig blir infrastruktur.
32 var början på en sekvens.
250 800 kan visa storleken på det nätverk som Optimum försöker bygga.
#optimum
@aqccapital
@ada_pegasus