PANews informó el 9 de mayo que, según CoinDesk, la moneda meme de broma Boden, que deliberadamente escribió mal el nombre del presidente estadounidense Joe Biden, se disparó un 25% token el miércoles después de que su rival republicano, el ex presidente Donald Trump, respondiera preguntas de los periodistas. "NO ME GUSTA ESTA INVERSIÓN", DIJO TRUMP EN UNA CONFERENCIA DE PRENSA IMPROVISADA EN EL DISTRIBUIDOR MAR-A-LA-LAGO en Palm Beach, Florida, después de que un reportero le describió BODEN y dijo que el token tenía una capitalización de mercado de $ 240 millones. Después de alcanzar un máximo de 0,42 dólares, el precio de BODEN Fluctuación y cotizaba a 0,40 dólares al cierre de esta edición, todavía un 15% más alto que en el momento de pump comentarios de Trump (en realidad). Hoy temprano, Trump anunció que estaba aceptando contribuciones a la campaña presidencial de los Estados Unidos en forma de activos cripto.

El ex presidente de los Estados Unidos, Donald Trump, planea cenar en su día libre con los partidarios que compraron su NFT "Mugshot Edition". Trump voló de regreso a su casa en Palm Beach, Florida, el martes y cenará con sus partidarios en el distribuidor de Mar-a-Lago la noche siguiente. Una copia de la invitación a la cena muestra que las personas invitadas a la cena compraron cada una más de 47 NFT por 99 dólares cada una. Trump se quejó afuera de la sala del tribunal el martes de que preferiría estar en la campaña electoral que ser juzgado por lo que llamó un "engaño". Trump se encuentra actualmente en su primer juicio penal en Nueva York por cargos de falsificación de registros comerciales y pago de dinero para silenciar a la actriz de cine para adultos Stormy Daniels. (Axios)

moneda El multimillonario de bienes raíces Stephen Ross está realizando importantes inversiones en el sur de la Florida para expandir su influencia en varios sectores, como bienes raíces, educación y atención médica. Sus esfuerzos por llevar su reputación educativa a la región se destacaron en un evento reciente en el que organizó una recaudación de fondos en su mansión en Palm Beach para que la Universidad de Vanderbilt estableciera un campus en la región. El evento atrajo a figuras prominentes de los círculos políticos y financieros del estado, incluido el gobernador Ron DeSantis y el inversor activista Nelson Peltz.

En los 20 días de la subida vertiginosa de Bitcoin, ¿cuál es el dinero que Satoshi está comprando en la cadena? Al comienzo del Año del Dragón, el mercado de criptomonedas es como un dragón que va al mar, y es como un bambú. Desde el 7 de febrero hasta la actualidad, en tan solo 20 días, Bitcoin se ha disparado de 43.000 a 61.555 dólares, un incremento de más del 30%, como si hubiera llegado el toro. Sin embargo, la ansiedad de la mayoría de los inversores largos ha aumentado junto con el mercado que se dispara, porque en este momento, las manos de todos son más Long Layer 2, Gamefi, memes, imágenes pequeñas e incluso inscripciones...... Entonces, en estos 20 días, ¿cómo se destacó Smart Money, que tuvo un buen desempeño en la cadena, y qué monedas compraron en estos 20 días, y se enviaron y cambiaron de posición? En primer lugar, la lista de direcciones de dinero inteligente de este artículo es la dirección que Scopescan supervisa en términos de beneficio neto, ROI y tasa de ganancia en los últimos 30 días. En este ciclo de upcycling (del 7 al 27 de febrero), las principales monedas con la tasa de ganancias más alta de Smart Money se clasifican de la siguiente manera: 1. MOBY (Community-Driven IC0 Platform): Smart Money tiene un costo de compra de $0.7335, el precio actual es de $2.63 y una ganancia de $4.04 millones. Al cierre de esta edición, el Coin Smart Money todavía tenía una entrada neta de USD 1 millón. 2. WLD: Smart Money compra a un costo de $3.3, el precio actual es de $8.1 y la ganancia es de $2.99 millones. Al cierre de esta edición, Coin Smart Money todavía tenía una entrada neta de USD 1.94 millones. 3. COTI (Enterprise Digital Financial Network Protocol): Smart Money tiene un costo de compra de $0.099, el precio actual es de $0.2399 y una ganancia de $1.24 millones. Al cierre de esta edición, el Coin Smart Money tenía una entrada neta de USD 463,000. 4. wBAI (Protocolo de IA de descentralización de código abierto): Smart Money tiene un costo de compra de $ 2.66, el precio actual es de $ 9.77 y una ganancia de $ 974,000. Al cierre de esta edición, el Coin Smart Money tenía una entrada neta de USD 140,000. 5. PALM (bot de plataforma larga de chat basado en la tecnología de IA de Google): Smart Money compra a un costo de $ 0.144, el precio actual es de $ 0.595 y la ganancia es de $ 923,000. Al cierre de esta edición, Coin Smart Money ha mostrado una salida neta, con una salida de USD 12,800. 6. ORDS (proyecto de finanzas descentralizadas ecológicas de Bitcoin Ordiswap): Smart Money tiene un coste de compra de 0,0776 dólares, el precio actual es de 0,2293 dólares y un beneficio de 823.000 dólares. Al cierre de esta edición, el Coin Smart Money tenía una entrada neta de USD 284,000. Combinado con la lista anterior, no es difícil ver que el concepto de IA Token en la lista ocupa la mitad del país, principalmente porque el entusiasmo del mercado causado por Sora se extiende al mercado de criptomonedas, mientras que MOBY en la parte superior de la lista es un proyecto popular en la comunidad, que se centra en "impulsado por la comunidad" y "Concepto de equidad en la distribución de tokens". (Fuente: 0x711)

Según un informe de IT House del 15 de enero, Google Research utilizó recientemente su propio BIG-Bench Benchmark para establecer un conjunto de datos de "error BIG-Bench", y utilizó el conjunto de datos relevante para realizar una serie de estudios de evaluación sobre la "probabilidad de error" y la "capacidad de corrección de errores" de los modelos de lenguaje populares en el mercado. Los investigadores de Google dijeron que debido a que no había un conjunto de datos que pudiera evaluar la "probabilidad de error" y la "capacidad de autocorrección" de los grandes modelos de lenguaje en el pasado, crearon un conjunto de datos de referencia dedicado llamado "BIG-Bench Error" para evaluar la prueba. Se informa que los investigadores primero utilizaron el modelo de lenguaje PaLM para ejecutar 5 tareas en su propia tarea BIG-Bench Benchmark, y luego modificaron la trayectoria de "Cadena de pensamiento" generada para agregar una sección de "error lógico", y luego la volvieron a lanzar al modelo para determinar dónde había errores en la trayectoria de la cadena de pensamiento. Los investigadores de Google afirman que el conjunto de datos BIG-Bench Mistake es beneficioso para mejorar la capacidad de autocorrección de errores de los modelos, y que los modelos ajustados para tareas de prueba relevantes "generalmente funcionan mejor que los modelos grandes con indicaciones de disparo cero".

De acuerdo con el "Science and Technology Innovation Board Daily" reportado el 9 de enero, en la exposición CES 2024 en Estados Unidos, NVIDIA lanzó una serie de nuevos productos, entre los que debutaron NVIDIA ACE microservicios. Se informa que se trata de una plataforma tecnológica que utiliza IA generativa para crear humanos digitales virtuales, y los socios actuales con ACE incluyen miHoYo, NetEase Games, Palm Fun Technology, Tencent Games, Ubisoft y otras empresas.

Según un informe de IT Home del 15 de diciembre, DeepMind de Google anunció recientemente un método de entrenamiento de modelos llamado "FunSearch", que afirma ser capaz de calcular una serie de "problemas complejos que involucran matemáticas y ciencias de la computación", incluidos "problemas de nivel de techo" y "problemas de boxeo". Se informa que el método de entrenamiento del modelo FunSearch introduce principalmente un sistema de "evaluador (_uator)" para el modelo de IA, el modelo de IA genera una serie de "métodos creativos de resolución de problemas" y el "evaluador" es responsable de juzgar los métodos de solución generados por el modelo, y después de iteraciones repetidas, puede entrenar un modelo de IA con una capacidad matemática más fuerte. Google DeepMind utilizó el modelo PaLM 2 para las pruebas, y los investigadores establecieron un "grupo de código" dedicado, introdujeron una serie de preguntas en el modelo en forma de código y establecieron un proceso de evaluación, después del cual el modelo seleccionaría automáticamente preguntas del grupo de código en cada iteración, generaría "nuevas soluciones creativas" y las enviaría al evaluador para su evaluación, donde la "mejor solución" se volvería a agregar al grupo de código para comenzar otra iteración.

Google anunció el miércoles el lanzamiento de un nuevo conjunto de modelos de inteligencia artificial específicos para la atención médica, MedLM, diseñados para ayudar a los médicos e investigadores a realizar estudios complejos, resumir las interacciones médico-paciente y más, según Sina Finance. La medida marca el último intento de Google de monetizar las herramientas de IA en la industria de la salud. La suite MedLM incluye un modelo de IA grande y mediano, ambos basados en Med-PaLM 2. Med-PaLM 2 es un gran modelo de lenguaje anunciado por primera vez por Google en marzo de este año, entrenado con datos médicos.

PANews informó el 23 de noviembre que Inflection AI anunció oficialmente el lanzamiento del modelo Inflection-2, diciendo que el modelo es el modelo de lenguaje grande (LLM) de segunda generación del mundo, solo superado por GPT-4 de OpenAI. Inflection AI dice que Inflection-2 está entrenado en 5,000 GPU NVIDIA H100 con ~ 10 ² ⁵ FLOP, lo que lo coloca en la misma categoría de computación de entrenamiento que el modelo insignia PaLM 2 Large de Google, y supera a PaLM 2 en la mayoría de los puntos de referencia de IA como MMLU, TriviaQA, HellaSwag y GSM8k. Anteriormente, se informó en junio que Inflection AI completó una financiación de $ 1.3 mil millones, liderada por Microsoft, Nvidia, etc.

El 22 de noviembre, Inflection AI anunció oficialmente el lanzamiento del modelo Inflection-2, diciendo que el modelo es el modelo de lenguaje grande (LLM) de segunda generación del mundo, solo superado por GPT-4 de OpenAI. Inflection AI dice que Inflection-2 está entrenado en 5000 GPU NVIDIA H100 con ~10²⁵ FLOP para FP8, lo que lo coloca en la misma categoría de cómputo de entrenamiento que el modelo insignia PaLM 2 Large de Google, y supera a PaLM 2 en la mayoría de los puntos de referencia de IA como MMLU, TriviaQA, HellaSwag y GSM8k. Anteriormente, se informó en junio que la startup de IA Inflection AI había recaudado 1.300 millones de dólares, con inversores como Bill Gates y Nvidia.

El 22 de noviembre, Inflection AI anunció el lanzamiento de Inflection-2, que oficialmente se afirma que es el segundo modelo de lenguaje grande (LLM) de segunda generación del mundo. La IA de inflexión significa que Inflection-2 se entrena en 5000 GPU NVIDIA H100 con 8 entrenamientos de precisión mixta en 8 GPU con ~10²⁵ FLOP. Esto lo coloca en la misma categoría de cómputo de entrenamiento que el modelo insignia PaLM 2 Large de Google, y supera a PaLM 2 en la mayoría de los puntos de referencia de IA, como MMLU, TriviaQA, HellaSwag y GSM8k. Anteriormente, se informó en junio que la startup de IA Inflection AI había recaudado 1.300 millones de dólares, con inversores como Bill Gates y Nvidia.

Según un informe de Webmaster's Home del 21 de noviembre, en el último informe de investigación de IA, Google DeepMind lanzó una tecnología llamada "Optimización a través de indicaciones (OPRO)", que utiliza grandes modelos de lenguaje (LLM) como optimizador para sus propias indicaciones. Este enfoque está diseñado para mejorar el rendimiento rápido mediante la descripción del problema a través del lenguaje natural, guiando a los LLM para generar y mejorar soluciones. La investigación de DeepMind muestra que OPRO puede guiar a los LLM para optimizar sus propias indicaciones, es decir, encontrar indicaciones que maximicen la precisión de las respuestas a tareas específicas, como ChatGPT y PaLM. Los investigadores evaluaron la técnica utilizando múltiples LLM de las familias PaLM y GPT y, basándose en los experimentos, todos los modelos pudieron mejorar el rendimiento de la generación de indicaciones a través de la optimización iterativa.

PANews informó el 2 de noviembre que la empresa de infraestructura NFT Palm Network ha migrado a una cadena POS utilizando Polygon CDK. Después de completar el primer paso, la red Palm estará en una vía rápida para convertirse en una cadena Polygon zkEVM a finales del primer trimestre de 2024. GatewayFM fue seleccionado por Polygon, PalmFdn y ConsenSys como líder de implementación de la migración de POS y zkEVM.

Polygon Labs dijo en las redes sociales que Palm Network ha migrado al Polygon Chain Development Kit (CDK) y se construirá con Polygon CDK en el futuro.

Según IT House informó el 20 de octubre, la Universidad de Stanford lanzó recientemente el "indicador de transparencia" del modelo básico de IA, del cual el indicador más alto es Lama 2 de Meta, pero la "transparencia" relevante es solo del 54%, por lo que los investigadores creen que casi todos los modelos de IA en el mercado "carecen de transparencia". Se informa que la investigación fue dirigida por Rishi Bommasani, jefe del Centro de Investigación de Modelos Básicos (CRFM) de HAI, e investigó los 10 modelos básicos más populares en el extranjero. Rishi Bommasani cree que la "falta de transparencia" siempre ha sido un problema al que se ha enfrentado la industria de la IA, y en términos de "indicadores de transparencia" específicos del modelo, IT House descubrió que el contenido de la evaluación relevante gira principalmente en torno a "los derechos de autor del conjunto de datos de entrenamiento del modelo", "los recursos informáticos utilizados para entrenar el modelo", "la credibilidad del contenido generado por el modelo", "la capacidad del modelo en sí", "el riesgo de que el modelo sea inducido a generar contenido dañino", "la privacidad de los usuarios que utilizan el modelo", etc., un total de 100 elementos. La encuesta final mostró que Lama 2 de Meta encabezó con un 54% de transparencia, mientras que la transparencia GPT-4 de OpenAI fue solo del 48%, y PaLM 2 de Google ocupó el quinto lugar con un 40%.

Según un informe de Webmaster Home del 10 de octubre, investigadores de la Academia de Ciencias de China y la Universidad de Yale propusieron conjuntamente un nuevo marco llamado "propagación del pensamiento", con el objetivo de mejorar los modelos de redes neuronales a gran escala (como GPT-4, PaLM). capacidad de razonamiento, lo que le permite pensar analógicamente más como los humanos. Este marco está inspirado en la cognición humana, es decir, cuando las personas enfrentan nuevos problemas, a menudo los comparan con problemas similares que ya han sido resueltos para derivar estrategias de solución.