Incontra i Yappers di questa settimana! Presentiamo i Yappers costanti di questa settimana: @Mackypeee, @KunalxWeb3, @dheeraj_805, @BitImmortal, @0xACR, @Wangsamuels, @Gocdrop, @0xfolajimmy_, @ove2e e @its_theday. I nostri Yappers più educativi hanno aiutato gli utenti a esplorare i casi d'uso di Allora, a comprendere come funziona la rete Allora e a conoscere le recenti performance del testnet. Un grande grazie a @gremlin0x, @i_am_scray e @Sizeo2004 per il loro contributo. Nel frattempo, i nostri talentuosi creatori di meme hanno messo in evidenza i casi d'uso della rete e hanno creato meme ispirati alle tendenze della comunità di Allora. Un enorme grazie ai nostri contributori eccezionali @milt_78, @lifeb85 e @cryptocarthaen per le loro creazioni solide. Se sei stato menzionato negli Yapper Highlights di questa settimana, vai a verificare il tuo handle X e sblocca un ruolo speciale su Discord con accesso al canale esclusivo degli Allora Yappers.

Le personalità AI possono essere stabili senza essere robotiche. @Apollo11_Allora mostra come i LLM mantengano un profilo Big Five programmato con coerenza, ma si spostino leggermente da un prompt all'altro. Quella variazione simile a quella umana sembra naturale e aiuta a costruire la fiducia degli utenti piuttosto che eroderla.

Nei sistemi decentralizzati, come possiamo selezionare i partecipanti in modo equo ottimizzando al contempo le prestazioni? La selezione casuale, o sortizione, è stata a lungo utilizzata per garantire equità e rappresentanza. Tuttavia, molti sistemi decentralizzati oggi, dalle reti di inferenza agli oracoli, sono progettati con risultati misurabili in mente. Quando le prestazioni sono un obiettivo fondamentale, un processo puramente casuale potrebbe non soddisfare le esigenze della rete. Nel lavoro "Merit-Based Sortition in Decentralized Systems", un team di ricerca guidato dal Responsabile della Ricerca di @AlloraLabsHQ @Apollo11_Allora introduce un nuovo metodo che consente alla selezione di essere influenzata dalle prestazioni precedenti, senza escludere partecipanti meno attivi o più recenti da future considerazioni. Il meccanismo centrale utilizza una metrica di qualità smussata esponenzialmente per classificare i partecipanti. I contributori attivi vengono selezionati in base alle loro prestazioni recenti, mentre quelli inattivi vengono comunque considerati per la promozione aggiornando le loro metriche di qualità con un proxy basato su percentili tratto dall'insieme attivo. Questo design mantiene il sistema flessibile e inclusivo, elevando costantemente i partecipanti ad alte prestazioni nel pool attivo. Attraverso una serie di esperimenti numerici, lo studio dimostra che questo metodo porta a un chiaro e statisticamente significativo miglioramento nella qualità dell'insieme attivo rispetto alla sortizione casuale. L'equilibrio ottimale si verifica quando i punteggi dei partecipanti inattivi vengono aggiornati utilizzando il 25° percentile dei punteggi dei partecipanti attivi (mettendo a rischio il 25% inferiore dei partecipanti attivi di diventare inattivi), ma il sistema rimane regolabile per adattarsi a diversi design di rete e livelli di turnover dei partecipanti. Per i sistemi che devono coordinare intelligenza decentralizzata, adattarsi a condizioni in cambiamento e mantenere l'equità senza sacrificare l'efficacia, questo lavoro offre una soluzione pratica, ben fondata e generalmente applicabile. Leggi lo studio completo: