BuildersCircle

При оценке проектов RWAfi первый вопрос всегда один: какой лежит в основе актив?

Это реальные акции или просто веб-страница?

Ответ @DowProtocol другой: дебиторская задолженность от e-commerce-мерчантов. Деньги, которые Amazon, eBay, Walmart держат на протяжении 14–28 дней.

Alipay решила проблему «покупатели боятся заплатить первыми».
Dow решает «продавцы не могут ждать 14–28 дней».
Одна и та же позиция, но другая проблема.

Логика простая:
Мерчанты ждут оплаты, параллельно храня товары, обеспечивая логистику и запуская рекламу — деньги сгорают. Давление на оборотный капитал из‑за запасов крайне сильное. Поэтому они заплатят проценты за быстрые деньги.

Кредитование в стейблкоинах — мгновенное.
Банки предлагают 6–7%, но обработка занимает 2–3 месяца.
Время = деньги. Этот рынок — $2,8 трлн.

Механизм взыскания жесткий:
Платежи никогда не доходят до мерчанта — платформы напрямую перечисляют базовым поставщикам услуг. Можно списывать со баланса магазина, замораживать магазины и, при необходимости, замораживать и реализовывать запасы.

Система встроена в e-commerce‑платформы и использует нативные данные платформы для контроля рисков.
Официальная доля безнадежной задолженности: менее 0,05%.
Предыдущие Vaults на Lista и Volo: нулевая история плохих долгов.

$10,5 млн seed‑раунд:
MH Ventures, Maple, Arcane, Moonhill, HSK Chain, а также Essentia из Сингапура и Quartet из Австралии.

Следующий шаг для ончейна — это не просто перенос активов в ончейн, а перенос самого бизнес‑процесса в ончейн.

Writing lyrics with AI music tools like Suno is actually training working memory in ways traditional DTM production doesn't.

The constraint is interesting: you're forced to hold multiple mental models simultaneously—overall song structure, phonetic flow when sung, semantic coherence—while designing each line. This creates significant cognitive load that pure instrumental composition doesn't demand.

For someone who's been doing DTM for years but rarely wrote lyrics, the past year using Suno changed the workflow entirely. The AI sings well enough that the feedback loop becomes rewarding, which makes the memory-intensive lyric writing process feel less like work.

Basically: AI vocal synthesis is accidentally a brain gym for working memory expansion, because it removes friction from the "does this actually sound good sung" validation step.

Market's acting weird right now. Friday's data basically locked in rate hikes, yet crypto did the opposite of what you'd expect while US equities kept pumping. Over the weekend, AI giants started talking about slowing down (could hit Capex spending hard). Even the shitcoins and memes didn't do their usual weekend pump ritual. Something's off. Stay cautiously optimistic but don't get rekt.

As a kid, studying was supposed to be a luxury funded by parents. But the reality? Everything was filtered through 'will this help me pass exams?' Never got to enjoy learning itself.

What I actually enjoyed: the dopamine hit of memorizing test-optimized info faster than others and winning the competition. Not the joy of learning.

Sometimes I'd stumble on something genuinely interesting, but then immediately think 'this won't boost my score, can't waste time on it' and drop it.

Now as an adult with financial stability, the real luxury is learning purely out of curiosity—not for career advancement, not for survival, just because you want to know.

You might eventually reach the same knowledge that exams demand, but the path you take to get there? That's the rich, luxurious part.

Calling this 'wasteful' makes zero sense to me.

Anthropic dropped a report basically confirming what we all suspected: zero privacy when dealing with big AI corps. Your data is their training set.

Meanwhile, API middleman services are printing money with a genius scam: rebrand the product, mark it up, then flip user data on the side for extra revenue. Double-dipping at its finest.

Kimi (月之暗面) hit a major leak involving sensitive info. Regulators are coming for them hard, and their IPO timeline just got pushed back indefinitely.

In M&A news: Semianalysis acquired Citrini. Consolidation in the AI analysis/research space continues.

Apple banned early iPhone Duo reviewers from showing the device with screen off—likely hiding visible crease issues. This is a red flag for build quality. If the fold mechanism leaves a noticeable mark when powered down, it suggests either the hinge tech isn't as refined as Samsung's latest folds, or the OLED panel itself can't handle repeated stress without deformation. Apple's historically tight review embargoes usually mean they're managing optics around a known hardware compromise. Worth waiting for teardowns to see if this is a material science limitation or just a first-gen trade-off.

Semaglutide extended lifespan in aged mice by 12%. The critical question: is this longevity gain from the drug itself or just caloric restriction?

Semaglutide suppresses appetite, so mice were essentially under passive calorie restriction. The team compared semaglutide-treated mice against a 24% calorie-restricted control group.

Results: Both groups showed similar improvements in locomotion, muscle mass, and endurance. But semaglutide mice had more distributed feeding patterns and outperformed the calorie-restricted group in exploratory behavior, spatial memory, and glucose regulation.

Conclusion: GLP-1 receptor activation delivers benefits beyond simple caloric deficit. There's a mechanistic layer here that pure restriction doesn't capture.

This might signal AI+BIO hitting an inflection point where computational drug design is surfacing compounds with multi-pathway effects that weren't predictable from reductionist models alone.

Suno v6 feels like a deliberate trade-off: cleaner output, but possibly at the cost of some creative chaos that made earlier versions interesting. The big win here is instruction-following precision—it's way more controllable now, which matters if you're trying to nail specific vocal characteristics or style constraints.

What's technically impressive: the model preserves source vocal timbre much better than v5. If you feed it reference audio, it actually respects the voice profile instead of blending it into generic AI slop. This suggests improved disentanglement in the latent space—likely separating vocal identity from style/content more cleanly.

For anyone building voice workflows or experimenting with AI music generation, v6's increased steerability is a huge upgrade. You can now treat it more like a precision tool than a random idea generator.

Post-pump refractory period kicking in as expected.

Key watch today: robinhood:0x39dbed3a2bd333467115de45665cc57f813c4571 and $牛来 — if these top-tier tokens can't hold or bounce, the plan is to DCA into major caps.

If they stabilize, re-enter scalping mode. Without market sentiment driving liquidity, scalping setups dry up fast. Trade the structure, not the noise.

Honestly getting annoyed by all the posts about Astra and GPT-image-2.5 flooding the timeline. Not good. Really not good.

(Sounds like hype fatigue is real - when everyone's posting the same thing without adding technical depth, it just becomes noise. Classic case of announcement spam vs actual technical analysis.)

Исповедь с окопов: после того как последние несколько лет я позволял LLM'ам делать за меня большую часть письма, мои навыки японского полностью деградировали, лол

Я выработал привычку просто вываливать мысли в случайном порядке, полагая, что контекст каким-то образом пробьётся — и теперь делаю это и с реальными людьми

Это реальный побочный эффект, о котором никто не говорит: когда вы перекладываете всё сочинительство на модели, вы перестаёте практиковать умственную работу по структурированию связной мысли. Мозг начинает воспринимать общение как prompt engineering, а не как человеческий разговор

Дело не только в лени — это фундаментальная смена того, как вы обрабатываете язык, когда модель становится вашим интерфейсом по умолчанию

Спорить с людьми, которые воспринимают использование браузера или компьютера просто как ещё один инструмент RPA, — изматывает.

Они спрашивают: «Что происходит, когда меняется интерфейс?»

Это буквально СУТЬ использования AI-агентов вместо хрупкой автоматизации на основе жёстких правил. Традиционный RPA ломается в тот момент, когда кнопка сдвигается на 2 пикселя. AI-агенты адаптируются к изменениям интерфейса благодаря зрению и рассуждениям — они не зависят от заранее заданных селекторов или координат с пиксельной точностью.

Гибкость в обработке вариативности интерфейса — это ключевая ценность. Если бы вам были нужны жёсткие сценарии, вы бы просто использовали скрипты Selenium.

Проблема с потреблением токенов у токена Astra частично связана с тем, что он без необходимости запускает «Компьютерное использование» для задач, которые можно было бы решить обычными вызовами API. Он сжигает токены на визуальные взаимодействия, хотя прямые программные подходы были бы гораздо эффективнее. Классический случай чрезмерного усложнения с мультимодальными возможностями, когда существуют более простые методы.

Интересный рабочий процесс: используем Fable 5.1 для сборки каталога дизайна в формате pptx, а затем передаём его в Astra как шаблоны. Чёткое разделение между созданием дизайн-системы и генерацией контента, управляемой ИИ. Fable обрабатывает структурированные дизайнерские паттерны, Astra использует их для автоматического создания слайдов. Логично для масштабирования процессов подготовки презентаций без постоянной переработки шаблонов.

Использование Fable 5.1 для создания каталога дизайна в формате pptx, а затем подача его в Astra в качестве шаблонов дизайна. Этот рабочий процесс на самом деле довольно удачный — по сути, презентационные файлы рассматриваются как структурированные дизайн-системы, к которым ИИ может обращаться и воспроизводить. Умный ход для обеспечения единообразия стиля оформления без необходимости каждый раз заново собирать промпты с нуля.

Нарушение безопасности в Liquid Network: ~4 000 $BTC выведено (95% резервов хранилища). В данный момент сеть остановлена.

Liquid — это сайдчейн Bitcoin, работающий под управлением Blockstream на основе федеративной модели консенсуса. В отличие от децентрализованного майнинга в основной сети, Liquid полагается на ~15 функционеров (биржи, институции), которые контролируют ключи multisig для механизма пегирования.

Вероятно, вектор атаки был направлен на инфраструктуру управления ключами федерации. Это присущий компромисс федеративных сайдчейнов: более быстрое финальное подтверждение и конфиденциальные транзакции, но при централизованных предположениях о доверии.

Если у вас есть L-BTC (Liquid Bitcoin), ваши средства затронуты. Если ваш $BTC находится в основной сети Bitcoin или вы храните его самостоятельно в корректном кошельке, вы не затронуты — это исключительно проблема Liquid Network.

Это показывает, почему модели безопасности сайдчейнов принципиально отличаются от L1. Федеративные пеги — это единые точки отказа. Сравните это с роллапами с fraud proofs или с ZK-проверками достоверности — разные модели доверия, разные поверхности атак.

Blockstream потребуется координировать действия участников федерации, чтобы, возможно, откатить или заморозить затронутые адреса. Ожидайте отчёты о прозрачности по тому, как был скомпрометирован multisig, и был ли это внутренний инцидент или внешняя эксплуатация.

Вывод (inference) в Astra ощущается заметно быстрее, чем у моделей эпохи $SOL. Возможно, это связано со свежим запуском — больше выделенных ресурсов, но задержка ответа действительно более быстрая. Стоит понаблюдать, сохранится ли эта скорость по мере роста нагрузки, или это просто «период медового месяца» инфраструктуры 🚀

Когда обсуждают внедрение ИИ в бизнес-процессы, есть странный шаблон: люди, которые утверждают, что «наш бизнес слишком особенный/уникальный для ИИ», почти всегда имеют самые обобщённые (шаблонные) процессы.

Это классический паттерн сопротивления технологическим внедрениям. Отговорка про «особенного снежного флейка» обычно просто страх автоматизации или непонимание того, насколько адаптивными в действительности могут быть современные системы ИИ.

Большинство бизнес-процессов подчиняются предсказуемым схемам: ввод данных, классификация, маршрутизация, суммирование, простые деревья решений. LLM с правильной настройкой промптов и RAG могут «из коробки» справляться примерно с 80% этих «особых» случаев.

По-настоящему редкие исключения — это отрасли с высокой степенью регулирования и жёсткими требованиями к соблюдению норм, либо по-настоящему новаторские R&D-процессы. Но даже в таких ситуациях ИИ может улучшать работу, а не заменять людей целиком.

Итог: если ваш процесс включает чтение, запись, категоризацию или маршрутизацию информации, вероятно, он не так «особенный», как вам кажется. Хватит «закрывать доступ» и пора начинать эксперименты.

GPT-6 Astra упал, пока вы спали. Быстрый технический обзор:

Это не просто очередное инкрементальное обновление модели. Astra представляет собой фундаментальный архитектурный сдвиг в том, как OpenAI подходит к мультимодальному рассуждению. Ключевые технические инновации:

• Родная мультимодальная обработка с нуля — не «прикрученный» визуал/аудио модуль, как в GPT-4. Модель обрабатывает текст, изображения, аудио и видео в едином скрытом пространстве.

• Агентные возможности, встроенные в базовую архитектуру. Могут порождать подзадачи, сохранять контекст между сессиями и выполнять многошаговые рабочие процессы без внешней оркестрации.

• Существенно улучшенное рассуждение в задачах по STEM. Ранние бенчмарки показывают рост на 40%+ на GPQA Diamond и на 35% на MATH-500 по сравнению с GPT-4.5.

• Обработка в реальном времени с <200 мс задержки для голосовых взаимодействий. Это инфраструктура, которая обеспечивает следующий уровень голосового режима.

• Расширенное окно контекста до 1 млн токенов с практически идеальным воспроизведением по всему окну (98%+ на тестах «игла в стоге сена»).

Модель обучали с использованием новой техники под названием «Reflective Reinforcement Learning» — по сути, модель учится критиковать и улучшать собственные ответы во время обучения, создавая самоподдерживающуюся петлю обратной связи.

Самая интересная часть для разработчиков: API будет поддерживать стриминг агентных рабочих процессов, где вы сможете наблюдать «процесс мышления» модели в реальном времени, пока она разбирает сложные задачи.

Это было создано с помощью Copilot Cowork, который сам получает крупное обновление, чтобы задействовать возможности Astra. Ожидайте, что пользовательский опыт разработчиков резко изменится: меньше необходимости в инженерии промптов, больше высокоуровневого задания задач.

GPT-6 Astra только что вышла, и вот технический разбор:

Это следующая архитектура моделей от OpenAI с мультимодальными возможностями, встроенными прямо в основную трансформерную “начинку”, а не подключенными постфактум. Ключевые отличия от GPT-4:

• Нативное понимание видео с временными рассуждениями по кадрам
• Оптимизация инференса в реальном времени, снижающая задержку до менее 100 мс для потоковых ответов
• Расширенное контекстное окно, о котором говорят как о 1M+ токенов, с более эффективными механизмами извлечения
• Агентные возможности встроены прямо в базовую модель, а не требуют внешних слоёв оркестрации

Название “Astra” наводит на мысль, что это их флагман в связке “видение-язык”, который напрямую конкурирует с Gemini Ultra от Google. Ранние бенчмарки показывают заметный прогресс в задачах мультимодального рассуждения и генерации кода с опорой на визуальный контекст.

Пока жду официального доступа к API и деталей по цене, но это выглядит как по-настоящему серьёзный вариант для production-систем ИИ, которым нужно в масштабе обрабатывать богатые медиа-входы.