Nillion примет участие в Korea Blockchain Week 2025 23 сентября

Заявление Grayscale о стратегическом опровержении траста Ethereum вызывает вопросы Согласно заявке, поданной в Комиссию по ценным бумагам и биржам США (SEC), Grayscale отозвала свою заявку 19b-4 на листинг и торговлю своим эфирным трастом, известным как ETHE. Это развитие событий разворачивается в тот момент, когда общий консенсус среди сообщества заключается в том, что перспективы того, что SEC даст зеленый свет ETF на основе ETH, довольно низкие. Аналитики и рынки предсказаний оценили минимальную вероятность одобрения SEC, а некоторые даже предположили, что вероятность равна нулю. После выхода Джеймс Сейффарт, аналитик ETF в Bloomberg, обратился к опровержению в сообщении на платформе социальных сетей X. «Это интересно», — сказал Сейффарт. «Grayscale только что отозвала свою заявку 19b-4 на ETF фьючерсов на Ethereum. На мой взгляд, это был, на мой взгляд, троянский конь, направленный на создание тех же ордеров, которые позволили Grayscale выиграть иск GBTC (одобрить фьючерс, отказать в спот)» [Я не знаю], почему они делают это честно. На мой взгляд, может быть, с таким же успехом можно заставить SEC написать одобрение или отказ для фьючерсного ETF ETF и двигаться оттуда? Может быть, SEC говорила с Grayscale об этом... И что бы ни было сказано, убедило Grayscale уйти? (Это полная догадка). Хотя причины этого решения остаются неясными, спекуляции продолжаются, и вероятность одобрения еще больше уменьшилась. По мере того, как криптосообщество размышляет о последствиях, этот вывод может ознаменовать полную перекалибровку ожиданий в отношении ETF на основе Ethereum с физическими расчетами. #BTC #HotTopicDiscussion #GateioBountyCreator

Доказательство вывода модели машинного обучения (ML) с помощью zkSNARKs обещает стать одним из самых важных достижений в области смарт-контрактов в этом десятилетии. Эта разработка открывает невероятно большое пространство для проектирования, позволяя приложениям и инфраструктуре развиваться в более сложные и интеллектуальные системы. Добавляя возможности машинного обучения, смарт-контракты могут стать более автономными и динамичными, что позволит им принимать решения на основе данных в сети в реальном времени, а не статических правил. Смарт-контракты будут гибкими и могут учитывать различные сценарии, в том числе те, которые, возможно, не предполагались при первоначальном создании контракта. Короче говоря, возможности машинного обучения повысят автоматизацию, точность, эффективность и гибкость любого смарт-контракта, который мы размещаем в сети. Машинное обучение широко используется в большинстве приложений за пределами web3, а его применение в смарт-контрактах почти нулевое. В основном это связано с высокими вычислительными затратами на запуск этих моделей в сети. Например, Ф...

О производительности виртуальной машины Ethereum (EVM) Каждая операция в основной сети Ethereum стоит определенное количество газа.Если мы поместим все расчеты, необходимые для запуска базового приложения в цепочку, либо приложение выйдет из строя, либо пользователь обанкротится. Это породило L2: OPRU представляет сопоставитель для объединения множества транзакций перед фиксацией в основной сети. Это не только помогает приложению обеспечить безопасность Ethereum, но и дает пользователям лучший опыт. Пользователи могут отправлять транзакции быстрее, а сборы дешевле. Хотя операции стали дешевле, он по-прежнему использует собственный EVM в качестве уровня выполнения. Подобно ZK Rollups, Scroll, Polygon, zkEVM использует или будет использовать схемы zk на основе EVM, а zk Proof будет генерировать...

zkML — это богатая и растущая экосистема, предназначенная для расширения возможностей блокчейнов и смарт-контрактов, делая их более гибкими, адаптируемыми и интеллектуальными.

Рынок криптовалют сталкивается с более чем $566 миллиономом разблокировок токенов на этой неделе (29 декабря 2025 – 4 января 2026), согласно данным Token Unlocks. Hyperliquid (HYPE) лидирует по крупнейшему отдельному выпуску, в то время как Solana (SUI) доминирует в линейных ежедневных распределениях.