VLAs zijn nog steeds erg nieuw en veel mensen vinden het moeilijk om het verschil tussen VLAs en LLMs te begrijpen. Hier is een diepgaande analyse van hoe deze AI-systemen verschillen in redeneren, waarnemen en handelen. Deel 1. Laten we de belangrijkste onderscheidingen uiteenzetten en hoe AI-agenten die zijn verpakt rond een LLM verschillen van operatoragenten die VLA-modellen gebruiken: 1. Waarnemen: Hoe ze de wereld waarnemen Agent (LLM): Verwerkt tekst of gestructureerde gegevens, bijvoorbeeld JSON, API's en soms afbeeldingen. Het is als een brein dat werkt met schone, geabstraheerde invoer. Denk aan het lezen van een handleiding of het parseren van een spreadsheet. Geweldig voor gestructureerde omgevingen, maar beperkt door wat er aan wordt gevoed. Operator (VLA): Ziet ruwe, realtime pixels van camera's, plus sensorgegevens (bijv. aanraking, positie) en proprioceptie (zelfbewustzijn van beweging). Het is als navigeren door de wereld met ogen en zintuigen, gedijend in dynamische, rommelige omgevingen zoals UI's of fysieke ruimtes. 2. Handelen: Hoe ze interageren Agent: Handelt door functies, tools of API's aan te roepen. Stel je voor dat het een manager is die precieze instructies geeft zoals "boek een vlucht via de Expedia API." Het is doelbewust, maar afhankelijk van vooraf gebouwde tools en duidelijke interfaces. Operator: Voert continue, laagdrempelige acties uit, zoals het bewegen van een muiscursor, typen of het bedienen van robotgewrichten. Het is als een bekwame werknemer die direct de omgeving manipuleert, ideaal voor taken die real-time precisie vereisen. 3. Controle: Hoe ze beslissingen nemen Agent: Volgt een langzame, reflectieve cyclus: plannen, een tool aanroepen, het resultaat evalueren, herhalen. Het is token-gebonden (beperkt door tekstverwerking) en netwerk-gebonden (wachtend op API-responsen). Dit maakt het methodisch maar traag voor real-time taken. Operator: Werkt, neemt stapgewijze beslissingen in een strakke feedbacklus. Denk aan een gamer die onmiddellijk reageert op wat er op het scherm staat. Deze snelheid maakt vloeiende interactie mogelijk, maar vereist robuuste real-time verwerking. 4. Gegevens om te leren: Wat hun training aandrijft Agent: Getraind op enorme tekstcorpora, instructies, documentatie of RAG (Retrieval-Augmented Generation) datasets. Het leert van boeken, code of FAQ's, en excelleert in redeneren over gestructureerde kennis. Operator: Leert van demonstraties (bijv. video's van mensen die taken uitvoeren), teleoperatielogs of beloningssignalen. Het is als leren door te kijken en te oefenen, perfect voor taken waar expliciete instructies schaars zijn. 5. Faalmodi: Waar ze falen Agent: Gevoelig voor hallucinatie (het verzinnen van antwoorden) of broze langetermijnplannen die in elkaar storten als één stap faalt. Het is als een strateeg die te veel nadenkt of de situatie verkeerd inschat. Operator: Heeft te maken met covariate shift (wanneer trainingsgegevens niet overeenkomen met de echte wereldomstandigheden) of cumulatieve fouten in controle (kleine fouten die zich opstapelen). Het is als een bestuurder die de controle verliest op een onbekende weg. 6. Infra: De technologie erachter Agent: Vertrouwt op een prompt/router om te beslissen welke tools aan te roepen, een toolregister voor beschikbare functies, en geheugen/RAG voor context. Het is een modulaire opzet, als een commandocentrum dat taken coördineert. Operator: Heeft video-invoerpijplijnen nodig, een act server voor real-time controle, een veiligheidsbescherming om schadelijke acties te voorkomen, en een replaybuffer om ervaringen op te slaan. Het is een high-performance systeem dat is gebouwd voor dynamische omgevingen. 7. Waar elk uitblinkt: Hun sterke punten Agent: Dominant in workflows met schone API's (bijv. automatisering van bedrijfsprocessen), redeneren over documenten (bijv. samenvatten van rapporten) of codegeneratie. Het is je go-to voor gestructureerde, hoog-niveau taken. Operator: Uitblinkt in rommelige, API-loze omgevingen zoals het navigeren door onhandige UI's, het bedienen van robots of het aanpakken van game-achtige taken. Als het gaat om real-time interactie met onvoorspelbare systemen, is VLA koning. 8. Mentale Model: Planner + Doener Denk aan de LLM Agent als de planner: het breekt complexe taken op in duidelijke, logische doelen. De VLA Operator is de doener, die die doelen uitvoert door direct te interageren met pixels of fysieke systemen. Een controleur (een ander systeem of agent) monitort de uitkomsten om succes te waarborgen. $CODEC

Presalers zijn weg, tijd voor nieuwe hoogtes op $OMFG @omnipair Ik zal eerlijk zijn, ik dacht dat dit voorbij was, maar de ontwikkelaar heeft zijn vorige baan opgezegd en is nu fulltime bezig, bouwend en gefocust op @omnipair Voor degenen die het niet weten, OmniPair is een nieuwe DeFi-primitief dat toestemmingloze leningen en leveraged trading voor elk activum op Solana mogelijk maakt, zonder afhankelijk te zijn van externe orakels. Het wordt aangedreven door een Generalized Automated Market Maker (GAMM), dat de functionaliteit van een constant-product AMM combineert met geïsoleerde leenlogica. Dit betekent dat een enkele pool zowel spot trading als margin borrowing kan ondersteunen, zonder gecentraliseerde risicoconfiguraties of orakels. Zie het als een kruising tussen een AMM en een leenmarkt, maar voor alles wat niet op Aave staat. OmniPair heeft ook een gelaagd governance-model: 1⃣ Futarchy-voorstellen - open markten waar iedereen kan deelnemen met USDC, en protocolbeslissingen kan sturen door middel van prikkels. 2⃣ Stemgebaseerde governance - gereserveerd voor OMFG-houders, die fungeren als een regulerende laag voor protocolinstellingen. Het is nog vroeg, met veel te bouwen, maar @rakka_sol is nonstop aan het grind om alles aan de gang te krijgen...

Ik denk dat de perp DEX-markt groot genoeg is waar ten minste één nieuwe speler marktaandeel kan winnen. Hyperliquid is momenteel eigenlijk de hele markt, met meer dan 80% marktaandeel. EdgeX heeft de beste mobiele app, wat een niche is waar HL tot nu toe niet zoveel op heeft ingespeeld, en het werkt als een herschreven Binance VIP.

$CODEC is zich aan het voorbereiden om de beste optie te zijn als onchain spel voor Robotica Onderzoeksartikel over @codecopenflow is nu live op 🤖

Waarom Ethena vroeg DATs heeft aangenomen 1. Wat is er veranderd Ethena fuseert met de SPAC van TLGY, die als StablecoinX op Nasdaq (USDE) zal worden genoteerd. De deal bedraagt ongeveer $360 miljoen ($260 miljoen contant plus ongeveer $60 miljoen aan vergrendelde $ENA van de Stichting). Het contante bedrag is bestemd voor onmiddellijke spot $ENA aankopen; de $ENA die wordt bijgedragen, blijft permanent op de balans van het beursgenoteerde bedrijf staan, naast validator- en infrastructuuroperaties. 2. Waarom een DAT, volgens Guy Young Crypto-native kapitaal lijkt uitgeput. De marktkapitalisatie van alternatieven bereikte ongeveer hetzelfde niveau in 2021 en 2024, wat impliceert dat er beperkte extra retailvraag is voor de meeste tokens. De aandelenmarkten zijn daarentegen orders van grootte groter en jagen al op blootstelling aan stablecoins. Uiteindelijk is het doel een constante toegang tot een diepere investeerdersbasis tegen NAV. Ook kan aandelenkapitaal de structurele overhang van VC-unlocks compenseren die crypto alleen moeilijk kan absorberen. 3. Mechanica Bij ondertekening koopt ongeveer $260 miljoen spot ENA terwijl ongeveer $60 miljoen aan vergrendelde ENA naar StablecoinX gaat, wat de totale initiële controle op bijna ~9% van de voorraad brengt. Dit retireert tokens in een niet-handelsschathuis en zet de $ENA omhoog → StablecoinX NAV/aandeel omhoog → goedkopere vervolgtransacties → meer $ENA aankopen lus. Kwartaalrapportages zullen de holdings markeren op de markt, waardoor $ENA duidelijk op tradfi-schermen komt. 4. K-markt torque Koreaanse retail heeft al de aandelen van Circle nagejaagd. Upbit heeft $ENA op 11 juli genoteerd; de volumes stegen onmiddellijk. Dat geeft Korea directe token toegang voordat de Nasdaq-lijn live is—vruchtbare grond voor een CRCL-stijl rotatie naar $ENA als de SPAC-tijdlijn mijlpalen bereikt. Het behoeft geen betoog dat $ENA al een van de meest favoriete munten van Korea aan het worden is. 5. Staat van de kernactiviteit USDe is gestegen naar de nr. 3 plek onder stablecoins en blijft groeien ($11,3 miljard op 18 augustus); de macrovraag naar stablecoin rails is reëel (en breed behandeld in aandelenonderzoek na de IPO van Circle). $ENA blijft de hogere beta, token-native manier om dat thema uit te drukken. 6. Waarop te letten NAV-premies op DATs zullen waarschijnlijk mean revert; de meeste voertuigen zullen geen Saylor-stijl hefboomwerking genieten, dus onderschat geen aanhoudende premies. Let op de dagelijkse uitvoering van het $ENA-aankoopprogramma, de korting/premie van StablecoinX ten opzichte van zijn gemarkeerde ENA, de groei van de USDe-voorraad en het aandeel van Korea in de spotvolume. De thesis werkt met een aanhoudende 1.0x NAV en consistente instromen; een premie is fijn om te hebben, maar niet het doel. 7. Conclusie Ethena gebruikt publieke aandeleninfrastructuur om een veel grotere kapitaalbasis aan te boren, de unlock-overhang te neutraliseren en aandelenstromen om te zetten in permanente $ENA-vraag. Als de verhoging wordt uitgevoerd zoals beschreven en USDe blijft schalen, is ENA gepositioneerd als de liquide, hogere beta die inhaalt op de aandelenhandel van Circle, nu met een duidelijke rationale voor de DAT-structuur zelf.