IronClaw 1.0 только что дал стейкингу $NEAR реальный сценарий применения, выходящий за рамки доходности. Вот полный разбор того, что изменилось, почему архитектура выдерживает нагрузку и что это значит, если вы держите.
Проблема большинства #AI агентов
Каждая созданная на данный момент агентская framework-система страдает от одной и той же структурной слабости. Модель, которая решает, что делать, напрямую связана с учетными данными, которыми она располагает, инструментами, которые она может вызывать, и памятью, которую она хранит, — все это объединено в одну систему без какого-либо разделения между компонентами. Это означает, что одно неверное решение, один скомпрометированный инструмент или одно потерянное соединение могут уничтожить прогресс или раскрыть доступ, которого у нее вообще не должно было быть.
@NEAR Protocol построили IronClaw 1.0 специально, чтобы убрать этот риск. Вместо одной запутанной системы архитектура разделяет то, что агент решает, и то, что ему на самом деле разрешено выполнять: каждый запрос на действие проходит через единый слой координации, который NEAR называет guard. Ничто не попадает во внешний мир, пока не пройдёт этот чекпойнт, а чувствительные действия требуют явного одобрения до выполнения, а не после. Данные для доступа (учётные данные) также никогда не передаются напрямую инструментам: они выдаются один раз, ограничиваются узко по назначению и сразу же очищаются из логов, как только выполняют свою роль.
Числа бенчмарков и почему они важны
Работая на той же базовой модели при всех тестах, deepseek-v4-flash, #IronClaw сейчас приводит к трём отдельным бенчмаркам, каждый из которых испытывает разный тип задач:
PinchBench: 93,5% — на 147 реальных задачах, охватывающих планирование, программирование и исследования
ClawBench: 88,6% — протестировано на более чем 140 действующих веб-сайтах, а не в песочницах
OfficeQA: 76,4% — построено независимо Databricks для проверки рассуждений примерно на 89 000 страницах плотных финансовых документов
На чём стоит задержаться — так это на деталях, что сама базовая модель ничем особенным не является. IronClaw побеждает не потому, что NEAR обучил под ней более острое (сильное) ядро-моделирование; IronClaw выигрывает потому, что архитектура вокруг обычной модели выполняет всю тяжёлую работу. Это куда сложнее подделать и это гораздо более долговечное преимущество, чем преимущество в виде бенчмарк-оценки, «подбитой» под кастомный файн-тюн.
Где именно стейкинг вписывается в эту картину
Вот та часть, которую большинство материалов полностью обходят стороной: стейкинг трактуют как некий туманный жест в сторону сетевой безопасности, но никогда не объясняют, что именно эта безопасность даёт кому-либо. #NEARAI сделал связь конкретной. Размещённые $NEAR не просто лежат и накапливают доход — они напрямую конвертируются в ежемесячные вычислительные кредит(ы) в соотношении, где примерно каждые 100 размещённых NEAR разблокируют около пяти долларов в виде доступных кредитов. Эти кредиты оплачивают хостинг IronClaw и конфиденциальные выводы (inference) без кредитной карты и без какого-либо третьестороннего аккаунта для биллинга. Разстейкни в любой момент — твой исходный NEAR возвращается полностью неповреждённым, потому что механизм конвертирует доход и лимит, а не трогает основной капитал.
Это переосмысливает стейкинг: из пассивного положения — в буквально уровень дозирования (метеринга) вычислений для децентрализованного ИИ. Каждый агент, который добавляет этот экосистеме, IronClaw сегодня, OpenClaw по мере того как пространство будет созревать, формирует реальный спрос на тот же размещённый (staked) капитал, который удерживает цепочку снизу. Чем больше агентов будет построено на этой инфраструктуре, тем более стейкинг становится несущим нагрузку механизмом, а не опциональной добавкой.
Что это значит дальше
Агент, который ставит чекпойнты сквозь прерывания вместо того, чтобы терять прогресс; который требует явного одобрения до того, как произойдёт что-то чувствительное; и который хранит ту же память в CLI, Slack, Telegram и web — это рабочий продукт, а не демонстрационный ролик. Если соединить это с моделью стейкинга, которая связывает реальное использование с сетевой безопасностью, у этой экосистемы появляется цикл роста, которому не нужны периоды хайпа, чтобы продолжать работать: само внедрение создаёт спрос.
Меняет ли привязка стейкинга напрямую к спросу на вычисления то, как вы думаете о долгосрочной тезисе NEAR, или же для полной доказанности этого кейса нужны ещё больше живых агентов в продуктиве?