Preço de Yearn.finance

👀 Vi o @Ryuzaki_SEI a lucrar com os rendimentos do @YeiFinance e já está a preparar-se para trocar de MacBook! Esta jogada foi incrível, é simplesmente o código da riqueza do ecossistema #Sei O potencial de rendimento do #DeFi da Sei é realmente máximo, a mineração de liquidez do #YeiFinance faz com que os ativos cresçam facilmente como uma bola de neve. Agora o Airdrop arc também está a chegar, é preciso aproveitar esta onda 👇 Vamos conversar: Qual projeto você mais acredita atualmente no ecossistema Sei? Além do YeiFinance, que outras estratégias de rendimento te atraem? Compartilhe suas dicas para ganhar dinheiro na seção de comentários e veja quem será o próximo caçador de riquezas do ecossistema Sei! Não fique só a admirar, aja rápido! O próximo a trocar de dispositivo pode ser você! Justo agora meu Macbook💻 também está um pouco lento, está na hora de ganhar dinheiro para trocar por um novo! #Airdrop #Web3 #RWAonSei #InstitutionalAdoption #SeiNetwork #YeiFinance @SeiNetwork @KaitoAI #kaito #yap

O torneio de negociação de AI foi vencido pelo Qwen3 Max (通义千问), enquanto o GPT-5 perdeu 62% do capital, ficando em último lugar. O torneio de negociação de AI finalmente chegou ao fim. Os organizadores deram a seis dos melhores modelos globais 10.000 dólares em dinheiro real, permitindo que competissem em um mercado de negociação real por 17 dias. O resultado final foi surpreendente, com os modelos chineses Qwen3 Max (通义千问) e DeepSeek V3.1 (深度求索) conquistando o primeiro e o segundo lugar, obtendo lucros. Em contraste, os modelos americanos, como o GPT-5 e o Gemini 2.5 Pro, sofreram grandes perdas, com o GPT-5 perdendo mais de 62% do capital, terminando em uma posição desastrosa. Isso não foi apenas uma competição sobre taxas de retorno, mas uma profunda avaliação das verdadeiras capacidades da AI. Isso nos mostra que, em um mundo real, dinâmico e cheio de incertezas, o desempenho da AI pode ser completamente diferente de suas pontuações em um banco de questões estáticas. ++ Dois tipos de traders: caçadores calmos e ervilhas em pânico ++ A descoberta mais interessante deste torneio foi a diferença de personalidade de negociação exibida pelos diferentes modelos de AI. Os modelos chineses, representados pelo Qwen3 e DeepSeek, se comportaram como caçadores calmos. Eles realizaram um número relativamente menor de transações durante todo o torneio (43 e 41, respectivamente), mantendo suas posições por mais tempo e tendendo a apostar de forma rápida e precisa quando viam uma oportunidade. Esse estilo cauteloso permitiu que eles mantivessem os frutos da vitória em um mercado turbulento. Em contraste, os modelos americanos, liderados pelo Gemini e GPT-5, replicaram perfeitamente a mentalidade típica de um trader inexperiente. O Gemini fez 238 transações loucas em 17 dias, quase nunca parando de comprar e vender, com a transação mais curta durando apenas 1 minuto, perdendo 7 dólares antes de sair apressadamente. O GPT-5 também fez 116 transações, mas com uma taxa de sucesso miserável de apenas 26,7%. Eles operaram com frequência, seguindo tendências e acabaram sendo repetidamente derrotados pelo mercado. Mais interessante ainda foi a diferença em suas mentalidades. Quando o DeepSeek alcançou uma taxa de retorno de 115%, ele se mostrava confiante ao apreciar seus resultados em conversas. Por outro lado, o GPT-5, ao sofrer perdas, se comportava como um gestor de fundos experiente, capaz de fornecer análises abrangentes, mas incapaz de converter isso em lucros, frequentemente encontrando desculpas para suas perdas. Essa comparação marcante expõe a enorme diferença que os grandes modelos enfrentam ao tomar decisões complexas no mundo real. O conhecimento estático e a capacidade de raciocínio não são equivalentes à capacidade de decisão e gestão de riscos em um jogo dinâmico. ++ Além das respostas padrão: o mundo real é o exame final da AI ++ Os fundadores disseram que o objetivo de realizar este torneio era tirar a AI de um ambiente de teste estático e com respostas padrão e colocá-la em um verdadeiro campo de batalha. No passado, avaliávamos a qualidade de um modelo com base em suas pontuações em vários testes de referência acadêmicos. Mas esses bancos de questões logo são aprendidos e até memorizados pelos modelos, perdendo seu significado de avaliação. É como um estudante que só sabe fazer provas, mas pode não ter sucesso no mundo real dos negócios. E o mercado financeiro é, de fato, o cenário perfeito para testar as verdadeiras capacidades da AI. Ele é suficientemente dinâmico, cheio de antagonismo, aberto e imprevisível. Aqui, não há respostas padrão, e cada decisão vem acompanhada de riscos e retornos reais. A AI precisa lidar com uma enorme quantidade de dados, tomar decisões de longo prazo e arcar com as consequências de cada uma de suas ações. Sob essa perspectiva, o Alpha Arena tem um significado que vai além do mero entretenimento. Ele inaugurou um novo paradigma de avaliação de AI, baseado em testes de referência que são resultantes, em ambientes reais e dinâmicos. Claro, a primeira temporada do Alpha Arena ainda tem muitas imperfeições, como ciclos de avaliação curtos, amostras pequenas e possíveis preconceitos nas palavras-chave. Mas, sem dúvida, deu um bom começo. Ele nos mostrou o potencial e as limitações dos grandes modelos de linguagem como traders quantitativos, além de revelar as enormes diferenças de personalidade e mentalidade entre os diferentes modelos. Afinal, a AI não tem apenas QI, mas também QF e QE. Com a chegada da Temporada 1.5, temos razões para esperar que este jogo do polvo sobre a AI se torne cada vez mais emocionante. Como isso impulsionará a AI em direção a uma direção mais geral e poderosa? Vamos aguardar.

O BTC nativo não conseguia gerar rendimento, escalar com L2s ou conectar-se a dApps EVM até agora. O protocolo omnichain da @beyond__tech move os ativos BTC livremente enquanto mantém a segurança total do Bitcoin. Os desenvolvedores podem acessar instantaneamente o pool de liquidez mais profundo do cripto. A onda DeFi do BTC começa aqui.