PANews a rapporté le 9 mai que, selon CoinDesk, le jeton de blague Meme Boden, qui a délibérément mal orthographié le nom du président américain Joe Biden, a grimpé de 25% Jeton mercredi après que son adversaire républicain, l’ancien président Donald Trump, ait répondu aux questions des journalistes. « JE N’AIME PAS CET INVESTISSEMENT », A DÉCLARÉ M. TRUMP LORS D’UNE CONFÉRENCE DE PRESSE IMPROMPTUE AU DEALER MAR-A-LA-LAGO à Palm Beach, en Floride, après qu’un journaliste lui ait décrit BODEN et déclaré que le jeton avait une capitalisation boursière de 240 millions de dollars. Après avoir culminé à 0,42 $, le prix du BODEN Fluctuation et se négociait à 0,40 $ au moment de la mise sous presse, soit environ 15 % de plus qu’au moment des commentaires pump Trump (en réalité). Plus tôt dans la journée, Trump a annoncé qu’il acceptait les contributions de la campagne présidentielle américaine sous forme de cryptoactifs.

L’ancien président américain Donald Trump prévoit de dîner pendant son jour de congé avec des partisans qui ont acheté son NFT « Mugshot Edition ». Trump est rentré chez lui à Palm Beach, en Floride, mardi et dînera avec ses partisans au dealer Mar-a-Lago le lendemain soir. Une copie de l’invitation au dîner montre que les personnes invitées au dîner ont chacune acheté plus de 47 NFT pour 99 $ chacune. M. Trump s’est plaint à l’extérieur de la salle d’audience mardi qu’il préférerait être en campagne plutôt que d’être jugé pour ce qu’il a appelé un « canular ». Trump fait actuellement l’objet de son premier procès pénal à New York pour avoir falsifié des documents commerciaux et versé de l’argent à l’actrice de films pour adultes Stormy Daniels. (Crédit : Axios)

jeton Le milliardaire de l’immobilier Stephen Ross fait d’importants investissements dans le sud de la Floride pour étendre son influence dans divers secteurs tels que l’immobilier, l’éducation et les soins de santé. Ses efforts pour apporter sa réputation en matière d’éducation à la région ont été mis en évidence par un événement récent où il a organisé une collecte de fonds dans son manoir de Palm Beach pour l’Université Vanderbilt afin d’établir un campus dans la région. L’événement a attiré des personnalités éminentes des cercles politiques et financiers de l’État, dont le gouverneur Ron DeSantis et l’investisseur activiste Nelson Peltz.

Au cours des 20 jours de montée en flèche de Bitcoin, quel est l’argent de Satoshi qui achète sur la chaîne ? Au début de l’année du Dragon, le marché des crypto-monnaies est comme un dragon qui prend la mer, et c’est comme un bambou. Du 7 février à aujourd’hui, en seulement 20 jours, Bitcoin est passé de 43 000 à 61 555 $, soit une augmentation de plus de 30%, comme si le taureau était venu. Cependant, l’anxiété de la plupart des investisseurs Long a augmenté en tandem avec la montée en flèche du marché, car en ce moment, les mains de tout le monde sont plus Long Layer 2, Gamefi, mème, petites images et même des inscriptions...... Alors, au cours de ces 20 jours, comment Smart Money, qui s’est bien comporté sur la chaîne, s’est-il démarqué, et quelles pièces ont-ils achetées au cours de ces 20 jours, et ont-ils expédié et changé de position ? Tout d’abord, la liste des adresses Smart Money dans cet article est le Adresse que Scopescan surveille en termes de bénéfice net, de ROI et de taux de réussite au cours des 30 derniers jours. Dans ce cycle d’upcycling (du 7 au 27 février), les meilleures pièces avec le taux de victoire le plus élevé Smart Money sont classées comme suit : 1. MOBY (Community-Driven IC0 Platform) : Smart Money a un coût d’achat de 0,7335 $, le prix actuel est de 2,63 $ et un bénéfice de 4,04 millions de dollars. Au moment de mettre sous presse, le Jeton Smart Money avait encore un afflux net de 1 million de dollars. 2. WLD : Smart Money achète à un coût de 3,3 $, le prix actuel est de 8,1 $ et le profit est de 2,99 millions de dollars. Au moment de mettre sous presse, le Jeton Smart Money avait encore un afflux net de 1,94 million de dollars. 3. COTI (Enterprise Digital Financial Network Protocol) : Smart Money a un coût d’achat de 0,099 $, le prix actuel est de 0,2399 $ et un bénéfice de 1,24 million de dollars. Au moment de mettre sous presse, le Jeton Smart Money avait un afflux net de 463 000 $. 4. wBAI (Open Source Décentralisation AI Protocol) : Smart Money a un coût d’achat de 2,66 $, le prix actuel est de 9,77 $ et un bénéfice de 974 000 $. Au moment de mettre sous presse, le Jeton Smart Money avait un afflux net de 140 000 $. 5. PALM (bot de la plate-forme de chat Long basé sur la technologie Google AI) : Smart Money achète à un coût de 0,144 $, le prix actuel est de 0,595 $ et le bénéfice est de 923 000 $. Au moment de mettre sous presse, le Jeton Smart Money a affiché une sortie nette, avec une sortie de 12 800 $. 6. ORDS (Bitcoin ecological Decentralized Finance project Ordiswap) : Smart Money a un coût d’achat de 0,0776 $, le prix actuel est de 0,2293 $ et un bénéfice de 823 000 $. Au moment de mettre sous presse, le Jeton Smart Money avait un afflux net de 284 000 $. Combiné avec la liste ci-dessus, il n’est pas difficile de voir que le concept d’IA Jeton dans la liste occupe la moitié du pays, principalement parce que l’enthousiasme du marché causé par Sora s’étend au marché de la cryptographie, tandis que MOBY en tête de liste est un projet populaire dans la communauté, axé sur le « concept d’équité de distribution de jetons » « axé sur la communauté ». (Source : 0x711)

Selon un rapport d’IT House du 15 janvier, Google Research a récemment utilisé son propre benchmark BIG-Bench pour établir un ensemble de données « BIG-Bench Error », et a utilisé l’ensemble de données pertinent pour mener une série d’études d’évaluation sur la « probabilité d’erreur » et la « capacité de correction d’erreur » des modèles de langage populaires sur le marché. Les chercheurs de Google ont déclaré que, parce qu’il n’y avait pas d’ensemble de données permettant d’évaluer la « probabilité d’erreur » et la « capacité d’autocorrection » des grands modèles de langage dans le passé, ils ont créé un ensemble de données de référence dédié appelé « BIG-Bench Error » pour évaluer le test. Il est rapporté que les chercheurs ont d’abord utilisé le modèle de langage PaLM pour exécuter 5 tâches dans leur propre tâche BIG-Bench Benchmark, puis ont modifié la trajectoire « Chain-of-Thought » générée pour ajouter une section « erreur logique », puis l’ont renvoyée dans le modèle pour déterminer où il y avait des erreurs dans la trajectoire de la chaîne de pensée. Les chercheurs de Google affirment que l’ensemble de données BIG-Bench Mistake est bénéfique pour améliorer la capacité d’auto-correction d’erreur des modèles, et que les modèles affinés pour les tâches de test pertinentes « sont généralement plus performants que les grands modèles avec des invites zero-shot ».

Selon le « Science and Technology Innovation Board Daily » rapporté le 9 janvier, lors du salon CES 2024 aux États-Unis, NVIDIA a lancé une série de nouveaux produits, parmi lesquels les microservices NVIDIA ACE ont fait leurs débuts. Il est rapporté qu’il s’agit d’une plate-forme technologique qui utilise l’IA générative pour créer des humains numériques virtuels, et les partenaires actuels de ACE incluent miHoYo, NetEase Games, Palm Fun Technology, Tencent Games, Ubisoft et d’autres entreprises.

Selon un rapport d’IT Home du 15 décembre, DeepMind de Google a récemment annoncé une méthode d’entraînement modèle appelée « FunSearch », qui prétend être capable de calculer une série de « problèmes complexes impliquant les mathématiques et l’informatique », y compris les « problèmes au niveau du plafond » et les « problèmes de boxe ». Il est rapporté que la méthode d’entraînement du modèle FunSearch introduit principalement un système « évaluateur (_uator) » pour le modèle d’IA, le modèle d’IA produit une série de « méthodes créatives de résolution de problèmes », et « l’évaluateur » est responsable de juger la sortie des méthodes de résolution par le modèle, et après des itérations répétées, il peut entraîner un modèle d’IA avec des capacités mathématiques plus fortes. Google DeepMind a utilisé le modèle PaLM 2 pour les tests, et les chercheurs ont mis en place un « pool de code » dédié, ont introduit une série de questions dans le modèle sous forme de code et ont mis en place un processus d’évaluation, après quoi le modèle sélectionnerait automatiquement des questions dans le pool de code à chaque itération, générerait de « nouvelles solutions créatives » et les soumettrait à l’évaluateur pour évaluation, où la « meilleure solution » serait rajoutée au pool de code pour démarrer une autre itération.

Google a annoncé mercredi le lancement d’un nouvel ensemble de modèles d’intelligence artificielle spécifiques aux soins de santé, MedLM, conçus pour aider les cliniciens et les chercheurs à mener des études complexes, à résumer les interactions médecin-patient, etc., selon Sina Finance. Cette décision marque la dernière tentative de Google de monétiser les outils d’IA dans le secteur de la santé. La suite MedLM comprend un modèle d’IA de grande et de taille moyenne, tous deux construits sur Med-PaLM 2. Med-PaLM 2 est un grand modèle de langage annoncé pour la première fois par Google en mars de cette année, entraîné sur des données médicales.

PANews a rapporté le 23 novembre qu’Inflection AI a officiellement annoncé la sortie du modèle Inflection-2, affirmant que le modèle est le modèle de langage à grande échelle (LLM) de deuxième génération au monde, juste derrière GPT-4 d’OpenAI. Inflection AI affirme qu’Inflection-2 est entraîné sur 5 000 GPU NVIDIA H100 avec ~10²⁵ FLOP, ce qui le place dans la même catégorie de calcul d’entraînement que le modèle phare PaLM 2 Large de Google, et il surpasse PaLM 2 dans la plupart des benchmarks d’IA tels que MMLU, TriviaQA, HellaSwag et GSM8k. Auparavant, il a été rapporté en juin qu’Inflection AI avait réalisé un financement de 1,3 milliard de dollars, dirigé par Microsoft, Nvidia, etc.

Le 22 novembre, Inflection AI a annoncé la sortie d’Inflection-2, qui est officiellement considéré comme le deuxième modèle de langage (LLM) de deuxième génération après GPT-4 d’OpenAI et qui est le modèle de langage de deuxième génération au monde. L’IA d’inflexion signifie qu’Inflection-2 est entraîné sur 5000 GPU NVIDIA H100 avec 8 entraînements en précision mixte sur 8 GPU avec ~10²⁵ FLOP. Cela le place dans la même catégorie de calcul d’entraînement que le modèle phare PaLM 2 Large de Google, et il surpasse PaLM 2 dans la plupart des benchmarks d’IA tels que MMLU, TriviaQA, HellaSwag et GSM8k. Auparavant, il avait été rapporté en juin que la start-up d’IA Inflection AI avait levé 1,3 milliard de dollars, avec des investisseurs tels que Bill Gates et Nvidia.

Le 22 novembre, Inflection AI a officiellement annoncé la sortie du modèle Inflection-2, affirmant que le modèle est le modèle de langage large (LLM) de deuxième génération au monde, juste derrière GPT-4 d’OpenAI. Inflection AI affirme qu’Inflection-2 est entraîné sur 5000 GPU NVIDIA H100 avec ~10²⁵ FLOP pour FP8, ce qui le place dans la même catégorie de calcul d’entraînement que le modèle phare PaLM 2 Large de Google, et il surpasse PaLM 2 dans la plupart des benchmarks d’IA tels que MMLU, TriviaQA, HellaSwag et GSM8k. Auparavant, il avait été rapporté en juin que la start-up d’IA Inflection AI avait levé 1,3 milliard de dollars, avec des investisseurs tels que Bill Gates et Nvidia.

Selon un rapport de Webmaster’s Home du 21 novembre, dans le dernier rapport de recherche sur l’IA, Google DeepMind a lancé une technologie appelée « Optimization Through Prompts (OPRO) », qui utilise de grands modèles de langage (LLM) comme optimiseur pour ses propres invites. Cette approche est conçue pour améliorer les performances rapides en décrivant le problème en langage naturel, en guidant les LLM pour générer et améliorer des solutions. Les recherches de DeepMind montrent qu’OPRO peut guider les LLM pour optimiser leurs propres invites, c’est-à-dire trouver des invites qui maximisent la précision des réponses à des tâches spécifiques, telles que ChatGPT et PaLM. Les chercheurs ont évalué la technique à l’aide de plusieurs LLM des familles PaLM et GPT, et sur la base d’expériences, tous les modèles ont pu améliorer les performances de génération d’invites grâce à l’optimisation itérative.

PANews a rapporté le 2 novembre que la société d’infrastructure NFT Palm Network avait migré vers une chaîne de points de vente utilisant Polygon CDK. Après avoir franchi la première étape, le réseau Palm sera sur la bonne voie pour devenir une chaîne Polygon zkEVM d’ici la fin du premier trimestre 2024. GatewayFM a été sélectionné par Polygon, PalmFdn et ConsenSys en tant que responsable de la mise en œuvre de la migration POS et zkEVM.

Polygon Labs a déclaré sur les réseaux sociaux que Palm Network avait migré vers le kit de développement Polygon Chain (CDK) et qu’il serait construit à l’aide de Polygon CDK à l’avenir.