Los VLAs todavía son muy nuevos y muchas personas encuentran difícil entender la diferencia entre los VLAs y los LLMs. Aquí hay un análisis profundo de cómo estos sistemas de IA difieren en razonamiento, percepción y acción. Parte 1. Desglosemos las principales distinciones y cómo los agentes de IA envueltos en un LLM difieren de los agentes operativos que utilizan modelos VLA: 1. Percepción: Cómo perciben el mundo Agente (LLM): Procesa texto o datos estructurados, por ejemplo, JSON, APIs y a veces imágenes. Es como un cerebro que trabaja con entradas limpias y abstractas. Piensa en leer un manual o analizar una hoja de cálculo. Genial para entornos estructurados, pero limitado por lo que se le alimenta. Operador (VLA): Ve píxeles en bruto y en tiempo real de cámaras, además de datos de sensores (por ejemplo, tacto, posición) y propriocepción (autoconciencia del movimiento). Es como navegar por el mundo con ojos y sentidos, prosperando en entornos dinámicos y desordenados como interfaces de usuario o espacios físicos. 2. Actuar: Cómo interactúan Agente: Actúa llamando funciones, herramientas o APIs. Imagínalo como un gerente que envía instrucciones precisas como “reserva un vuelo a través de la API de Expedia.” Es deliberado pero depende de herramientas preconstruidas e interfaces claras. Operador: Ejecuta acciones continuas y de bajo nivel, como mover un cursor de ratón, escribir o controlar las articulaciones de un robot. Es como un trabajador hábil manipulando directamente el entorno, ideal para tareas que requieren precisión en tiempo real. 3. Control: Cómo toman decisiones Agente: Sigue un ciclo lento y reflexivo: planificar, llamar a una herramienta, evaluar el resultado, repetir. Está limitado por tokens (limitado por el procesamiento de texto) y por la red (esperando respuestas de la API). Esto lo hace metódico pero lento para tareas en tiempo real. Operador: Opera, tomando decisiones paso a paso en un ciclo de retroalimentación ajustado. Piensa en un jugador reaccionando instantáneamente a lo que hay en la pantalla. Esta velocidad permite una interacción fluida pero exige un procesamiento robusto en tiempo real. 4. Datos para aprender: Qué alimenta su entrenamiento Agente: Entrenado en vastos corpus de texto, instrucciones, documentación o conjuntos de datos RAG (Generación Aumentada por Recuperación). Aprende de libros, código o preguntas frecuentes, destacándose en el razonamiento sobre conocimiento estructurado. Operador: Aprende de demostraciones (por ejemplo, videos de humanos realizando tareas), registros de teleoperación o señales de recompensa. Es como aprender observando y practicando, perfecto para tareas donde las instrucciones explícitas son escasas. 5. Modos de fallo: Dónde se rompen Agente: Propenso a la alucinación (inventar respuestas) o a planes de largo plazo frágiles que se desmoronan si un paso falla. Es como un estratega que sobrepiensa o malinterpreta la situación. Operador: Enfrenta un cambio de covariables (cuando los datos de entrenamiento no coinciden con las condiciones del mundo real) o errores acumulativos en el control (pequeños errores que se agravan). Es como un conductor perdiendo el control en una carretera desconocida. 6. Infraestructura: La tecnología detrás de ellos Agente: Depende de un prompt/router para decidir qué herramientas llamar, un registro de herramientas para funciones disponibles y memoria/RAG para contexto. Es una configuración modular, como un centro de comando orquestando tareas. Operador: Necesita tuberías de ingestión de video, un servidor de acciones para control en tiempo real, un escudo de seguridad para prevenir acciones dañinas y un búfer de reproducción para almacenar experiencias. Es un sistema de alto rendimiento construido para entornos dinámicos. 7. Dónde brilla cada uno: Sus puntos fuertes Agente: Domina en flujos de trabajo con APIs limpias (por ejemplo, automatización de procesos empresariales), razonamiento sobre documentos (por ejemplo, resumiendo informes) o generación de código. Es tu opción preferida para tareas estructuradas y de alto nivel. Operador: Destaca en entornos desordenados y sin APIs, como navegar por interfaces de usuario torpes, controlar robots o abordar tareas similares a juegos. Si implica interacción en tiempo real con sistemas impredecibles, el VLA es el rey. 8. Modelo mental: Planificador + Ejecutante Piensa en el Agente LLM como el planificador: descompone tareas complejas en objetivos claros y lógicos. El Operador VLA es el ejecutante, llevando a cabo esos objetivos interactuando directamente con píxeles o sistemas físicos. Un verificador (otro sistema o agente) monitorea los resultados para asegurar el éxito. $CODEC

Los preventas han terminado, es hora de nuevos máximos en $OMFG @omnipair Seré honesto, pensé que esto había terminado, pero el desarrollador dejó su trabajo anterior y ahora está completamente dedicado, construyendo y enfocado en @omnipair Para aquellos que no lo saben, OmniPair es un nuevo primitivo DeFi que permite el préstamo sin permisos y el comercio apalancado para cualquier activo en Solana, sin depender de oráculos externos Está impulsado por un Creadores de Mercado Automatizados Generalizados (GAMM), que combina la funcionalidad de AMM de producto constante con lógica de préstamo aislada Esto significa que un solo pool puede soportar tanto el comercio al contado como el préstamo de margen, sin configuraciones de riesgo centralizadas ni oráculos. Piénsalo como una combinación entre un AMM y un mercado de préstamos, pero para todo lo que no está listado en Aave OmniPair también tiene un modelo de gobernanza de dos capas: 1⃣ Propuestas de Futarchy - mercados abiertos donde cualquiera puede participar con USDC, dirigiendo las decisiones del protocolo a través de incentivos. 2⃣ Gobernanza basada en votos - reservada para los poseedores de OMFG, actuando como una capa reguladora para la configuración a nivel de protocolo. Aún es temprano, queda mucho por construir, pero @rakka_sol está trabajando sin parar para que las cosas funcionen...

Creo que el mercado de DEX de futuros es lo suficientemente grande como para que al menos un nuevo participante pueda ganar cuota. Hyperliquid en este momento es básicamente todo el mercado, con más del 80% de cuota. EdgeX tiene la mejor aplicación móvil, que es un nicho al que HL no ha atendido tanto hasta ahora, y funciona como una versión rediseñada de Binance VIP.

$CODEC se está preparando para ser la mejor opción como juego en cadena para la Robótica El artículo de investigación sobre @codecopenflow ya está disponible en 🤖

Por qué Ethena adoptó los DATs temprano 1. Qué cambió Ethena se está fusionando con el SPAC de TLGY, que se listará como StablecoinX en Nasdaq (USDE). El acuerdo se alinea con ~$360 millones ( ~$260 millones en efectivo más ~$60 millones de $ENA bloqueados de la Fundación). El efectivo está destinado a compras inmediatas de $ENA en el mercado; los $ENA contribuidos permanecen permanentemente en el balance de la empresa pública junto con las operaciones de validadores e infraestructura. 2. Por qué un DAT, según Guy Young El capital nativo de criptomonedas parece agotado. La capitalización del mercado alternativo alcanzó un pico aproximadamente al mismo nivel en 2021 y 2024, lo que implica una oferta minorista incremental limitada para la mayoría de los tokens. Los mercados de capitales, en contraste, son órdenes de magnitud más grandes y ya están persiguiendo la exposición a stablecoins. En última instancia, el objetivo es un acceso constante, al NAV, a una base de inversores más profunda. Además, el capital de acciones puede compensar la sobrecarga estructural de los desbloqueos de capital de riesgo que la criptografía por sí sola lucha por absorber. 3. Mecánica Al firmar, ~$260 millones compran ENA al contado mientras ~$60 millones de ENA bloqueados se trasladan a StablecoinX, tomando el control inicial total cerca del ~9% del suministro. Eso retira tokens a un tesorería no comercial y establece el ciclo de $ENA hacia arriba → StablecoinX NAV/acción hacia arriba → seguimientos más baratos → más compras de $ENA. Los informes trimestrales marcarán las tenencias al mercado, colocando a $ENA directamente en las pantallas de tradfi. 4. Torque del mercado K El minorista coreano ya persiguió la equidad de Circle. Upbit listó $ENA el 11 de julio; los volúmenes se dispararon de inmediato. Eso le da a Corea acceso directo al token antes de que la línea de Nasdaq esté activa—un terreno fértil para una rotación al estilo CRCL hacia $ENA si la línea de tiempo del SPAC alcanza hitos. No hace falta decir que $ENA ya se está convirtiendo en una de las monedas más favoritas de Corea. 5. Estado del negocio principal USDe ha escalado al puesto número 3 entre las stablecoins y sigue creciendo ($11.3 mil millones a partir del 18 de agosto); la oferta macro para las vías de stablecoin es real (y ampliamente cubierta en la investigación de capital después de la OPI de Circle). $ENA sigue siendo la forma nativa de mayor beta para expresar ese tema. 6. Qué observar Las primas de NAV en los DATs probablemente volverán a la media; la mayoría de los vehículos no disfrutarán de un apalancamiento al estilo Saylor, así que no subestimes las primas persistentes. Observa la ejecución diaria del programa de compra de $ENA, el descuento/prima de StablecoinX frente a su marcado ENA, el crecimiento de la oferta de USDe y la participación de Corea en el volumen al contado. La tesis funciona con un NAV sostenido de 1.0x y flujos consistentes; una prima es agradable de tener, no el objetivo. 7. Conclusión Ethena está utilizando la infraestructura de capital público para acceder a una base de capital mucho más grande, neutralizar la sobrecarga de desbloqueo y convertir los flujos de capital en demanda permanente de $ENA. Si la recaudación se ejecuta como se describe y USDe continúa escalando, ENA está posicionada como el líquido, mayor beta para alcanzar el comercio de acciones de Circle, ahora con una clara justificación para la estructura DAT en sí.