Temui Allora Yappers minggu ini! Menyajikan Yappers yang konsisten minggu ini: @Mackypeee, @KunalxWeb3, @dheeraj_805, @BitImmortal, @0xACR, @Wangsamuels, @Gocdrop, @0xfolajimmy_, @ove2e dan @its_theday. Yappers kami yang paling mendidik membantu pengguna menjelajahi kasus penggunaan Allora, memahami cara kerja Jaringan Allora, dan mempelajari tentang kinerja testnet terbaru. Teriakan kepada @gremlin0x, @i_am_scray dan @Sizeo2004 atas peran mereka di sini. Sementara itu, pembuat meme kami yang berbakat menyoroti kasus penggunaan jaringan dan membuat meme yang terinspirasi oleh tren komunitas Allora. Terima kasih banyak kepada kontributor kami yang menonjol @milt_78, @lifeb85, dan @cryptocarthaen atas kreasi mereka yang solid. Jika Anda ditampilkan dalam Yapper Highlights minggu ini, pergilah untuk memverifikasi pegangan X Anda dan buka kunci peran Discord khusus dengan akses ke saluran eksklusif Allora Yappers.

Kepribadian AI bisa stabil tanpa robotik. @Apollo11_Allora menunjukkan bagaimana LLM memegang profil Lima Besar yang diprogram dengan konsistensi, namun masih sedikit bergeser dari prompt ke prompt. Varians seperti manusia itu terasa alami dan membantu membangun kepercayaan pengguna daripada mengikisnya.

Dalam sistem terdesentralisasi, bagaimana kita bisa memilih peserta secara adil sambil tetap mengoptimalkan kinerja? Seleksi acak, atau sortisi, telah lama digunakan untuk memastikan keadilan dan representasi. Namun, banyak sistem terdesentralisasi saat ini, dari jaringan inferensi hingga oracle, dirancang dengan mempertimbangkan hasil yang terukur. Ketika kinerja adalah tujuan inti, proses acak murni mungkin tidak melayani kebutuhan jaringan. Dalam Sortition Berbasis Merit dalam Sistem Terdesentralisasi, tim peneliti yang dipimpin oleh Kepala Riset @AlloraLabsHQ @Apollo11_Allora memperkenalkan metode baru yang memungkinkan seleksi dipengaruhi oleh kinerja sebelumnya, tanpa mengecualikan peserta yang kurang aktif atau lebih baru dari pertimbangan di masa depan. Mekanisme inti menggunakan metrik kualitas yang dihaluskan secara eksponensial untuk memberi peringkat peserta. Kontributor aktif dipilih berdasarkan performa terbarunya, sedangkan kontributor yang tidak aktif masih dipertimbangkan untuk promosi dengan memperbarui metrik kualitasnya dengan proxy berbasis persentil yang diambil dari kumpulan aktif. Desain ini membuat sistem tetap fleksibel dan inklusif, namun secara konsisten mengangkat peserta berkinerja lebih tinggi ke dalam kumpulan aktif. Melalui serangkaian eksperimen numerik, penelitian ini menunjukkan bahwa metode ini mengarah pada peningkatan yang jelas dan signifikan secara statistik dalam kualitas himpunan aktif dibandingkan dengan sortitasi acak. Keseimbangan optimal terjadi ketika skor peserta yang tidak aktif diperbarui menggunakan persentil ke-25 dari skor peserta aktif (menempatkan 25% terbawah dari peserta aktif berisiko menjadi tidak aktif), tetapi sistem tetap tidak dapat disetel agar sesuai dengan desain jaringan dan tingkat churn peserta yang berbeda. Untuk sistem yang harus mengoordinasikan kecerdasan terdesentralisasi, beradaptasi dengan perubahan kondisi, dan menjunjung tinggi keadilan tanpa mengorbankan efektivitas, pekerjaan ini menawarkan solusi yang praktis, beralasan, dan dapat diterapkan secara umum. Baca studi lengkapnya: