Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

ZENT最近交易量起来了,但是bn广场上都在传最后门槛得卷到40w 来推上看 Zentry 在做AI数据看板zTerminal 感谢团队给了白,聊聊体验 UI很好看,很丝滑,直接问就能扒数据,关注DAT的也可以在这个工具上直接获得持仓or净值等你想要的数据 有意思的是玄学+数据的结合,西方喜欢看月相,期待后面增加周易 X crypto 用zTerminal拉了一下ZENT数据,很客观,对自己家代币评价也不手软😂

30,289 Aufrufe • vor 11 Monaten •via X (Twitter)

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

有人靠金融市场模拟,在链上赚了 $400,000 而且用到的整套工具,都是 GitHub 开源 能看到的钱包在这,自己点开看: 他们做的不是 crypto 原生叙事 而是拿 Russell 2000、Dow Jones、SPX、Apple、Google 这些传统金融标的来做 Polymarket 交易 问题也很现实: 这些数据平时都在大型中心化交易所里。 你怎么拿? 拿到之后又怎么处理,才能真的变成可交易模型? 这套公开出来的技术栈,大概是这样: 1)Financial Datasets MCP Server 给任意 ticker、任意时间周期提供价格数据解析。 核心卖点就是:免费真实数据。 GitHub: 2)MiroThinker 一个偏深度研究和预测的 agent。 据说在 BrowseComp benchmark 上做到 88.2。 特点是: 长周期推理 先验证再下结论 步骤级 + 全局级校验 单任务最多可调用 300 次工具 它的作用不是直接下单。 而是先通过 MCP Server 拉数据, 把研究、清洗、验证这些环节跑完, 最后整理成可以直接用于模拟的数据集。 GitHub: 3)MiroFish simulation system 把前面准备好的数据丢进去, 再设定模拟参数, 就可以开始跑价格行为模拟。 本质上,它卖的不是一个指标。 而是一种更接近“矩阵视角”的东西: 价格在不同条件下会怎么动 哪些路径更常见 哪些定价其实偏离了历史结构 整个流程串起来就是: 拉传统金融历史数据 → 用 agent 做研究和数据整理 → 把数据送进模拟系统 → 再拿结果去打 Polymarket 上的相关市场 这种玩法最值得看的,不是“开源”两个字 而是它说明了一件事: Polymarket 上很多看起来像事件交易的东西,背后其实已经在被人用传统金融数据 + agent 研究 + simulation当成量化问题来做。 你觉得这种 edge 的核心,更像是数据获取能力,agent 研究能力,还是最后那层 simulation 对市场行为的还原能力?

0x_Miko

23,786 Aufrufe • vor 5 Monaten

最近在 GitHub 上刷到一个挺炸的开源项目:Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事:让不懂 SQL 的人,也能自己查数据库。 比如说,业务、运营想看数据,第一反应就是来敲后端:“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难,但沟通成本、来回确认、临时插队,才是真正耗时间的地方。 Wren AI 的思路很直接:对话即查询。 你直接用自然语言问问题,它会自动生成 SQL、跑库、给结果,甚至顺手把图也画好(柱状图、折线图那种)。 可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”,但门槛更低,不用拖字段、不用写 SQL。 比较关键的一点是,它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer(语义层),你可以提前把业务指标、表关系、口径定义清楚,相当于给大模型加了一层“业务护栏”。 这一步虽然需要懂数据库的人前期配置一下,但一旦理顺,后面业务方基本很难把数据问歪,准确性和安全性都高很多。 模型和部署这块也挺对技术人的胃口: ·云模型:OpenAI / Claude / Gemini 都能接 ·数据不出内网:可以配 Ollama + 本地模型(比如 DeepSeek) ·数据库支持也很全:MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾,有 Docker 基本就是一键起 整体看下来,我觉得它特别适合两种场景: 1)想给团队搭一套真正能用的自助查数平台 2)想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案 一句话总结:把“查数据”的自由还给业务,把时间还给开发。

sitin

30,018 Aufrufe • vor 6 Monaten

最近全网都在发 Irys (✧ᴗ✧) 和 375ai 的合作,我也赶紧研究了一下这是多大合作能被全网讨论啊?一研究发现这事挺大,375ai负责在现实世界扫街抓数据,Irys则给这些数据盖上防伪章,闭环从采集到变现 Irys作为Layer-1区块链界的学霸,主打低成本存储、可验证计算和AI协调,9月交易量8.55亿刀,40万活跃钱包,忙得热火朝天!它的绝招是数据上链后,谁也别想动,用加密指纹加密,零知识证明保真,干净利落,而375ai是Solana上的数据狂人,在美国扔了4万个AI传感器节点,覆盖70%的人口活动区,个个都是全副武装高清摄像头、NVIDIA Jetson GPU、环境传感器,抓起交通、环境、网络数据来那叫一个眼疾手快!更别提他们的375go App,20万用户直接把手机变数据矿机,一边匿名贡献数据,一边赚代币,简直是躺着也能挖矿 传统AI数据垃圾进垃圾出,来源不明、随便篡改、存个几年就失踪,375ai和Irys这对CP直接放大招,375ai提供高保真现实数据,Irys当真相守护者,每条数据都有个永久的数字身份证,这数据还能编程,自动触发支付或AI训练,自动驾驶、智能城市、物流场景随便玩~ Irys主网上线在即,375ai还全球跑马圈地,目前170个国家已经到手了!加上Irys的EVM兼容性,开发者们估计要蜂拥而至,这波合作,简直是把死气沉沉的数据变活蹦乱跳的资产,坐等大戏开场~ 强调一句配的图可是我辛辛苦苦做了一个来小时做出来的,我可是从来不偷官图的好宝宝,希望能多给我点权重😭

Ohmann张奥曼

46,018 Aufrufe • vor 10 Monaten

那个Now @zama真人摸草改规则了,没有做的可以去做一下,很好通过的,做过的也去看一下角色有没有掉,掉了的话按照下面新规则重做一下~ (社区管理说只是为了有趣,我感觉像在变相认证真人,视频像我这样就行了,公园好多人,有点紧张,环顾下四周,念完我就跑了) 新规则Touched Grass角色获得👇: 1⃣找一个绿色的草地蹲下 2⃣准备一张白纸写上你的discord用户名放在草地上 3⃣大声朗读:I'm touching grass, so i'm probably not a bot 4⃣用手机拍下视频上传到discord中的chat频道 5⃣同时随便@一个处于在线状态的Volunteer角色者 6⃣志愿者在线的话审核是很快的,我不到1分钟就通过了 传送门: #ZamaCreatorProgram ⭐什么是全同态加密 (Fully Homomorphic Encryption, FHE) 呢? FHE就像是一个“能戴着手套做精细手术”的加密技术——你可以在不解密的情况下,直接对加密数据做各种复杂计算,但全程是看不到原始数据的。 ⭐FHE解决了什么问题? 比如在云计算、大数据分析、医疗研究等场景中,我们经常需要把数据交给别人处理(比如云服务器),但又怕隐私泄露。FHE允许服务器在不知道数据内容的情况下直接处理加密数据,服务器将处理结果返给你后,此时你用密钥解密,得到的就是处理后的正确结果。 ⭐FHE神奇在哪里? 1.加密数据也能“算数学”:比如你加密了两个数字 加密(3) 和 加密(5),发给服务器,服务器可以直接在加密状态下计算 加密(3) + 加密(5),得到的结果是 加密(8)(而不是8!)。你解密后得到的就是8。 2.支持复杂计算:不只是加减乘除,甚至能算机器学习、数据库查询等复杂操作。 ⭐总结: FHE是一种“终极隐私保护技术”,让你能放心把加密数据交给别人处理而不泄露任何信息。虽然目前效率还不够高,但它是隐私计算领域的“圣杯”,未来在数据敏感场景中会越来越重要。

zhouzhou (🪂Airdrop Daily Check🔍)|(❖,❖)

11,644 Aufrufe • vor 11 Monaten

炒美股的兄弟们有福气了。龙哥找了一个开源软件,胜过彭博。 彭博终端一年订阅费够买辆二手车,FinceptTerminal零元。 这不是玩笑。彭博那玩意儿起步价两万美金一年,专业版往二十万走。普通散户、刚起步的量化团队、小型投资机构,基本被这个门槛挡在外面。 FinceptTerminal 干的事就一个:把这堵收费墙拆了。 2.7万星,纯 C++ 写,说明不是花架子。打开终端,股票、期货、外汇、宏观数据全在一个界面里,不用切来切去。行情实时刷新,技术分析工具直接能用,想跑量化模型也行,不是那种只能看 K 线的半成品。 几个实在的亮点:。 数据覆盖广。美股、欧股、亚太市场,外汇和大宗商品都进来了,宏观指标也能拉。不是只盯一个市场的玩具,是真的能当工作台用。 交互式探索。看数据不是死盯屏幕等刷新,可以自己下钻,点开某个行业、某只股票、某段时间,层层扒下去,找到你想看的那个数字。 开源免费。代码全在 GitHub 上,想改就改,想集成进自己的系统也行。彭博打死不让你碰它的数据接口,这个反过来。 举个场景。你想研究美股科技板块最近一周的资金流向,打开 FinceptTerminal,调出行业列表,点进科技板块,叠加宏观指标和个股资金数据,一套下来不用切软件、不用导 CSV、不用手动算比例。 安装也不麻烦,GitHub 上有详细说明,Linux 和 macOS 都支持。 金融圈一直有个怪现象:干活的人用的工具最贵,最需要数据的人反而买不起数据。这种开源项目能跑出来,说明大家真的受够了。 不是要替代彭博,专业机构该买还是买。但对于还在摸索阶段、想认真研究市场、但预算有限的人来说,这玩意儿就是真香的答案。 有兴趣的去 GitHub 翻代码就知道了。

空投龙 | |上Gate玩事件合约

11,852 Aufrufe • vor 2 Monaten

好久没写诗了,今天看到irys这个项目 突发灵感,哈哈哈 那就来一首! Irys链上闹哄哄 数据编程乐无穷 AI专治假消息 存啥都省大把钱 切入正题 Irys (✧ᴗ✧) 最开始是在研究数据存储赛道时刷到的,当时还叫Bundlr,后来改名Irys后反而更让人记住了 毕竟现在做数据链的项目不少,但敢说自己是 可编程数据链 的,他们家确实有点东西。 蹲了很久看着社区从几十人慢慢涨到现在这么活跃,最舒服的是氛围特别牛逼。中文社区里没人瞎喊单,反而经常看到有人扒技术文档里的细节,比如那个多账本架构,有人把Submit Ledger和Publish Ledger的区别做成流程图分享,这种讨论技术的感觉,真的像早期玩链上项目时的氛围。团队给我的感觉是 闷声干大事型。去年种子轮融了890万刀,但从没见过他们拿融资额炒作,反而默默上了测试网,优化了好几次数据验证速度。 前阵子试了下他们的SDK确实不孬,三行代码就能搞定链上数据上传,对开发者太友好了, CEO Josh在AMA里被问到技术瓶颈时,直接打开编辑器现场演示解决方案,这种懂技术的老板比只会念稿子的强多了。 最让我觉得靠谱的是他们的落地节奏。不是那种光发合作通稿的项目,最近真的看到好几个AI项目和DePIN项目在官推提了和Irys的集成。而且他们的定位很清晰,就是做AI和数据密集型应用的基础设施,这种专注度在现在乱糟糟的市场里太难得。 现在每天刷他们的测试网任务成了习惯,Irys Arcade里的小游戏既能练手又能熟悉功能,听说活跃用户可能有机会拿未来的代币分配。中文社区的运营也很用心,有人扒他们的Provenance Toolkit组件,团队看到了还会出来补充使用技巧,这种互动感真的很圈粉,记得关注一下中文区官推Irys中文(✧ᴗ✧) 。 说实话,玩过不少测试网,但像Irys (✧ᴗ✧) 这样把技术、社区、开发者体验都打磨得这么细的不多。他们的动漫风格品牌看着轻松,但内核一点不含糊——IrysVM兼容EVM,混合共识机制兼顾安全和效率,还有那个反虚假信息的数据溯源功能,越研究越觉得这个方向有潜力。 最近把测试网的任务都清完了,顺手在GitHub上扒了他们的开发文档,打算试着用SDK做点小工具。这种从用户慢慢变成参与者的感觉,大概就是早期项目最吸引人的地方吧。 做个视频送给Irys (✧ᴗ✧) 告诉我喜不喜欢?

JM 火龙果

19,187 Aufrufe • vor 1 Jahr

Distil-Whisper:让语音识别的速度提高 5.8 倍,参数减少 51%,准确度保持在 99%。 Whisper 在语音识别方面表现卓著,但是它有一个明显的缺点:训练出来的小模型支持的语言比较少,而大模型推理速度又很慢。如果你有海量的数据需要处理,或者对实时性要求略高,那使用 Whisper 可能会让你比较头疼。 你可以使用工程手段来加速推理,例如将语音分片后并发处理然后合并结果,但这里涉及到本地计算资源瓶颈的问题,以及合并分片时容错处理的问题,工程复杂度比较高。 《Distil-Whisper: Robust Knowledge Distillation via Large-Scale Pseudo Labelling 》, Whisper 的 Large-v2 model 生成了一系列的 soft targets(也就是概率分布),然后复制 Whisper 网络的第一层和最后一层解码器,最后生成了一个更小、更快效果更好的蒸馏模型 Distil-Whisper。论文数据写的是:速度提高了 5.8 倍,参数减少了 51%,准确度保持在 99%。 这个模型的效果之所以不错,主要还是得益于训练数据的完备,它结合了九个公开可用的语音识别数据集,合并后包含 21170 小时的语音数据,涵盖超过 18260 名说话者和 10 个不同的领域;自从 Whisper 大力出奇迹(它从互联网爬取了 68w 小时的数据,未公开)以后,相信后续语音领域的论文都会配置更庞大的数据集。 Distil-Whisper 目前开源在 Hugging Face 上,模型地址: Demo: Demo 会把模型下载到本地,然后通过 WebGPU 直接在网页上跑起来,测试了下效果,还是挺不错的。 目前仅支持英文,如果想让它支持中文,需要使用同样海量的中文语料数据,重新做一次知识蒸馏,但我觉得即便是这样做,效果也不一定好,因为 Whisper 本身对中文、韩语等支持就不太优秀,这个信息可以从 Whisper 的论文中找到数据支撑。 下面这个视频是 Whisper 和 Distil-Whisper 的对比效果:

Barret李靖

124,227 Aufrufe • vor 2 Jahren