Tag: نوآوری فناوری

شرکت OpenAI در ماه گذشته با سرعتی پیوسته مدل‌های GPT-6 را عرضه کرده است. اکنون راهنمای استفاده از این مدل‌ها را منتشر کرده است.

انتشار راهنمای مدل‌های GPT-6

در تاریخ ۲ اکتبر ۲۰۲۶، این شرکت سندی با عنوان «راهنمای مدل برای خانواده GPT-6» منتشر کرد. این سند برای توسعه‌دهندگان و استارتاپ‌هایی طراحی شده است که نیاز دارند تصمیم بگیرند کدام مدل را انتخاب کنند، چه میزان پردازش از آن بخواهند و چگونه یک گردش کار را از مرحله نمونه اولیه به مرحله تولید منتقل کنند.

این راهنما، مدل‌های خانواده GPT-6 را بر اساس حجم کار و قابلیت استدلال دسته‌بندی می‌کند. در صدر این فهرست، مدل Astra قرار دارد که OpenAI آن را به عنوان پرچمدار خود برای استدلال پیچیده معرفی کرده و عملکردی پیشرفته در حوزه‌هایی مانند کدنویسی و علوم ارائه می‌دهد.

مدل Astra در تاریخ ۳ سپتامبر ۲۰۲۶ عرضه شد و امتیاز ۹۸ درصد را در FrontierMath Tier 4 و ۹۹.۹ درصد را در ARC-AGI-3 کسب کرد.

مدل‌های Sol و Luna با تمرکز بر قیمت

پس از آن، مدل‌های Sol و Luna قرار دارند که در تاریخ ۲۲ سپتامبر ۲۰۲۶ عرضه شدند. نقطه قوت اصلی این مدل‌ها، قیمت آن‌هاست. نرخ‌های API برای هر دو مدل ۵۰ درصد کمتر از نسل قبلی خود، یعنی GPT-5.6 است.

هزینه استفاده از Sol، ۲ دلار به ازای هر میلیون توکن ورودی و ۱۰ دلار به ازای هر میلیون توکن خروجی است. مدل Luna حتی ارزان‌تر است و هزینه آن ۰.۱۰ دلار به ازای هر میلیون توکن ورودی و ۰.۵۰ دلار به ازای هر میلیون توکن خروجی تعیین شده است.

مدل 6.1 Sol با عملکرد نزدیک به Astra و هزینه کمتر

سپس مدل 6.1 Sol قرار دارد که در تاریخ ۲۹ سپتامبر ۲۰۲۶ منتشر شد. OpenAI اعلام کرده است که این مدل عملکردی نزدیک به Astra را با یک پنجم هزینه آن ارائه می‌دهد.

ویژگی‌های مشترک و قابلیت‌های پیشرفته

تمامی مدل‌های GPT-6 از پنجره زمینه (context window) با ظرفیت ۱.۰۵ میلیون توکن و حداکثر خروجی ۱۲۸ هزار توکن برخوردارند.

انتخاب مدل تنها بخشی از این راهنما نیست. OpenAI همچنین به موضوعاتی مانند تنظیم میزان تلاش استدلالی، بهبود پرامپت‌ها، مهارت‌ها، هماهنگی ابزارها و آمادگی برای تولید پرداخته است.

این راهنما همچنین قابلیت فراخوانی ناهمگام ابزار (asynchronous tool calling) را برجسته می‌کند. با استفاده از این ویژگی، مدل می‌تواند در حین انتظار برای اتمام اجرای یک ابزار خارجی، بر روی بخش‌های دیگر یک وظیفه کار کند.

قابلیت کشینگ بهبودیافته (enhanced caching) نیز از دیگر ویژگی‌های کارایی است. این قابلیت در کنار استدلال قابل تنظیم، برای پشتیبانی از تکرار سریع و استقرار روان‌تر در صنایع مختلف طراحی شده است.

روند سریع عرضه و فشرده‌سازی قیمت

روند عرضه مدل‌های GPT-6 بسیار سریع بود. Astra ابتدا در ۳ سپتامبر، سپس Sol و Luna در ۲۲ سپتامبر و در نهایت 6.1 Sol در ۲۹ سپتامبر عرضه شدند.

نقطه مرجع در تمام این مقایسه‌ها، نسل GPT-5.6 است که مدل‌های Sol و Luna قیمت آن را به نصف کاهش داده‌اند.

واضح‌ترین نتیجه این عرضه، فشرده‌سازی قیمت است. کاهش ۵۰ درصدی در Sol و Luna، به همراه عملکردی نزدیک به مدل پرچمدار با یک پنجم هزینه Astra از طریق 6.1 Sol، هزینه اجرای قابلیت‌های هوش مصنوعی در مقیاس بزرگ را کاهش می‌دهد.

ملاحظات و چالش‌ها برای توسعه‌دهندگان

با این حال، باید به مصالحه‌ها و چالش‌های پیش رو نیز توجه داشت. نتایج بنچمارک‌ها مانند امتیاز ۹۸ درصدی Astra در FrontierMath Tier 4، عملکرد را بر روی مجموعه‌های آزمایشی خاص اندازه‌گیری می‌کنند، در حالی که حجم کارهای تولیدی معمولاً پیچیده‌تر هستند. توسعه‌دهندگان باید اطمینان حاصل کنند که عملکرد نزدیک به Astra مدل 6.1 Sol بر روی داده‌های خودشان نیز پایدار است، پیش از آنکه به طور کامل به آن متعهد شوند.

تتر، استیبل‌کوین پرچمدار خود را به ریشه‌هایش بازمی‌گرداند. USDT قرار است با قابلیت انتقال خصوصی، مبادلات مستقیم BTC-USDT و وام‌های مبتنی بر بیت‌کوین به شبکه بیت‌کوین بازگردد.

این راه‌اندازی مجدد برای اکتبر ۲۰۲۶ از طریق پروژه‌ای زیرساختی به نام Utexo برنامه‌ریزی شده است. پس از نزدیک به یک دهه که عمدتاً در شبکه‌های اتریوم و ترون سپری شد، شناخته‌شده‌ترین استیبل‌کوین جهان به خانه خود بازمی‌گردد.

پائولو آردینو، مدیرعامل تتر، این بازگشت را در سپتامبر ۲۰۲۶ در پلتفرم X با پیامی کوتاه اعلام کرد: «به خانه بازمی‌گردد.»

Utexo در سال ۲۰۲۵ تأسیس شد و مجوز تجاری از تتر برای صدور USDT بر بستر بیت‌کوین را داراست. این پروژه در اوایل سال ۲۰۲۶ مبلغ ۷.۵ میلیون دلار برای توسعه زیرساخت‌های خود جمع‌آوری کرد.

پایه فنی این پروژه از دو بخش تشکیل شده است: پروتکل RGB و مدل UTXO بیت‌کوین. UTXO مخفف “خروجی تراکنش استفاده نشده” (Unspent Transaction Output) است. این مدل را می‌توان به روشی تشبیه کرد که بیت‌کوین پول را به صورت اسکناس‌های مجزا در کیف پول ردیابی می‌کند، نه به صورت یک مانده کلی در حساب بانکی.

RGB پروتکلی است که به دارایی‌ها اجازه می‌دهد تا با استفاده از چیزی به نام “اعتبارسنجی سمت مشتری” (client-side validation) بر بستر بیت‌کوین اجرا شوند. به جای انتشار جزئیات هر تراکنش در یک دفتر کل عمومی، طرفین درگیر خودشان داده‌ها را بررسی می‌کنند، به این معنی که بخش عمده‌ای از اطلاعات تراکنش هرگز در بلاک‌چین عمومی ثبت نمی‌شود.

این طراحی، سه ویژگی کلیدی را ممکن می‌سازد. کاربران قادر خواهند بود USDT را به صورت خصوصی ارسال کنند، مستقیماً بین BTC و USDT بدون واسطه مبادله کنند و با استفاده از بیت‌کوین بومی به عنوان وثیقه، وام دریافت کنند.

راه‌اندازی اولیه برای شبکه اصلی بیت‌کوین (mainnet) برنامه‌ریزی شده است. انتظار می‌رود پشتیبانی از شبکه لایتنینگ (Lightning Network)، لایه پرداخت سریع‌تر بیت‌کوین، بعداً اضافه شود.

حریم خصوصی و مقابله با سوءاستفاده

ویژگی‌های حریم خصوصی در یک استیبل‌کوین، این پرسش بدیهی را مطرح می‌کند: با بازیگران مخرب چه می‌شود؟ پاسخ Utexo، ایجاد یک لیست سیاه از UTXOهای مرتبط با فعالیت‌های غیرقانونی است.

این رویکرد با نحوه عملکرد معمول مسدودسازی در بلاک‌چین‌های مبتنی بر حساب متفاوت است، جایی که کل یک آدرس قفل می‌شود. این بیشتر شبیه پرچم‌گذاری اسکناس‌های خاص است تا مسدود کردن کل حساب بانکی یک فرد.

تقاضای اولیه و موسسات بزرگ

به نظر می‌رسد تقاضای اولیه وجود دارد. بیش از ۴۵۰ کسب‌وکار، از جمله صرافی‌ها و کیف پول‌ها، علاقه اولیه خود را به پیشنهادات Utexo ابراز کرده‌اند.

همچنین بحث‌های بالقوه‌ای با موسسات بزرگ در جریان است و نام‌هایی مانند مورگان استنلی در میان شنیده‌ها دیده می‌شود. این گفتگوها هنوز قطعی نشده‌اند، بنابراین باید آن‌ها را به عنوان یک احتمال در نظر گرفت نه یک مشارکت رسمی.

ریشه‌های بیت‌کوین USDT

داستان پیدایش USDT در بیت‌کوین اغلب فراموش می‌شود. این استیبل‌کوین اولین بار در سال ۲۰۱۴ بر روی Omni Layer، پروتکلی که بر بستر بیت‌کوین ساخته شده بود، راه‌اندازی شد.

به مرور زمان، تتر صدور اصلی را به اتریوم و ترون منتقل کرد، جایی که کارمزدها و سرعت برای ترافیک استیبل‌کوین مناسب‌تر بود. صدور بر روی Omni در اوت ۲۰۲۳ به طور کامل متوقف شد.

در سال ۲۰۲۵، تتر اعلامیه‌هایی در مورد ادغام با RGB منتشر کرد و زمینه را برای آنچه Utexo اکنون قصد ارائه آن را دارد، فراهم ساخت.

اگر مبادلات BTC-USDT و وام‌های مبتنی بر بیت‌کوین بتوانند به صورت بومی بر روی بیت‌کوین انجام شوند، وابستگی به توکن‌های بسته‌بندی شده مانند WBTC می‌تواند کاهش یابد. توکن‌های بسته‌بندی شده، ریسک‌های مربوط به نگهداری و قراردادهای هوشمند را به معادله اضافه می‌کنند.

راه‌اندازی شبکه اصلی برای اکتبر ۲۰۲۶ برنامه‌ریزی شده است و پشتیبانی از شبکه لایتنینگ پس از آن اضافه خواهد شد، بنابراین چشم‌انداز کامل به تدریج و نه به یکباره اجرا خواهد شد.

برای بیش از ۴۵۰ کسب‌وکاری که در حال حاضر در صف انتظار هستند، ماه‌های آینده نشان خواهد داد که آیا این علاقه به ادغام‌های واقعی تبدیل خواهد شد یا خیر.

معرفی قابلیت جدید Claude Code: امکان شخصی‌سازی عمیق با «مادها»

سانفرانسیسکو – ۲ اکتبر ۲۰۲۶ – شرکت Anthropic روز گذشته از معرفی قابلیت جدیدی برای پلتفرم توسعه‌دهندگان خود، Claude Code، خبر داد که به کاربران اجازه می‌دهد تا رفتار، رابط کاربری و حتی قابلیت‌های داخلی این ابزار را با استفاده از چند خط کد TypeScript شخصی‌سازی کنند. این قابلیت جدید که «ماد» (mod) نام گرفته است، انعطاف‌پذیری بی‌سابقه‌ای را در اختیار توسعه‌دهندگان قرار می‌دهد.

تغییر رفتار، بازطراحی رابط کاربری و جایگزینی قابلیت‌ها

از این پس، کاربران Claude Code می‌توانند قابلیت‌های داخلی این پلتفرم را غیرفعال کرده و با نسخه‌های دلخواه خود جایگزین کنند. «مادها» که به صورت توابع کوچک نوشته شده با TypeScript عرضه می‌شوند، قادرند تا درخواست‌های ورودی (prompts) را تغییر دهند، رابط کاربری را بازطراحی کنند، فراخوانی ابزارها را مسدود یا اصلاح کنند و حتی قابلیت‌های داخلی را به طور کامل جایگزین نمایند.

این قابلیت جدید به کاربران امکان می‌دهد تا Claude Code را مطابق با سبک کاری منحصر به فرد خود تنظیم کنند. بوریس چرنی، یکی از توسعه‌دهندگان Anthropic، در پستی در شبکه اجتماعی X نوشت: «مادها فوق‌العاده هستند. اکنون می‌توانید با یک prompt ساده، Claude را وادار کنید تا به شکلی که می‌خواهید عمل کند و به شکلی که می‌خواهید ظاهر شود. هر کس روش کاری متفاوتی دارد و دلیلی ندارد که همه از یک نسخه یکسان Claude استفاده کنند.»

معماری جدید و سازگاری با قابلیت‌های پیشین

Anthropic اعلام کرده است که در آینده، بسیاری از قابلیت‌های داخلی Claude Code به صورت «ماد» عرضه خواهند شد. این رویکرد به کاربران اجازه می‌دهد تا Claude Code را به یک هسته کوچک تبدیل کرده و تنها قابلیت‌هایی را که نیاز دارند، به آن اضافه کنند.

Claude Code پیش از این نیز از مکانیزم «هوک» (hooks) پشتیبانی می‌کرد که به اجرای دستورات در نقاط خاصی از فرآیند اجازه می‌داد. با این حال، هوک‌ها قادر به بازنویسی رویدادها، ایجاد رابط کاربری جدید یا جایگزینی قابلیت‌ها نبودند؛ اما «مادها» هر سه این کارها را انجام می‌دهند.

نحوه کار «مادها» به این صورت است که Claude Code هنگام انجام هر عملی، رویدادی را صادر می‌کند؛ برای مثال، فراخوانی یک ابزار، درخواست دسترسی یا ترسیم بخشی از صفحه. «ماد» تابعی است که به این رویدادها متصل می‌شود و می‌تواند قبل، بعد یا به جای رویداد اصلی اجرا شود و حتی آن را در بر بگیرد.

قابلیت‌های عملیاتی «مادها»

قابلیت‌های ذکر شده توسط Anthropic شامل موارد زیر است:

• تغییر محتوا قبل از ارسال به مدل.
• مسدود کردن، اصلاح یا تکرار فراخوانی ابزارها.
• تأیید یا رد درخواست‌های دسترسی.
• پاک کردن کلیدهای حساس از خروجی ابزار قبل از نمایش به کاربر.

در صورت اتصال چندین «ماد» به یک رویداد، آن‌ها به ترتیب بارگذاری اجرا می‌شوند؛ «ماد» اول رویداد را مشاهده کرده و «ماد» آخر نتیجه نهایی را دریافت می‌کند.

حتی قابلیت داخلی /diff در Claude Code اکنون به صورت یک «ماد» پیاده‌سازی شده است و کاربران می‌توانند آن را از طریق /plugin غیرفعال کرده یا با نسخه سفارشی خود جایگزین کنند.

نمونه‌های کاربردی «مادها»

یک ویدیوی نمایشی ۷۱ ثانیه‌ای که توسط ClaudeDevs منتشر شده، سه نمونه از «مادها» را به نمایش می‌گذارد:

۱. Token Weather: این «ماد» یک نوار افقی بالای کادر ورودی متن اضافه می‌کند که میزان استفاده از پنجره زمینه (context window) مدل را نشان می‌دهد. این «ماد» حدود ۸۰ خط کد دارد و صرفاً اطلاعات را مشاهده می‌کند و هیچ تغییری در رفتار مدل ایجاد نمی‌کند.

۲. Blast Radius: این «ماد» مستقیماً در عملکرد Claude دخالت می‌کند. در این ویدئو، هنگامی که کاربر از Claude می‌خواهد خروجی build قدیمی را پاک کند و Claude دستور rm -rf build را اجرا می‌کند، این «ماد» جلوی آن را می‌گیرد. سپس پنل، لیستی از «۹ فایل (۴۹۸ کیلوبایت)» که قرار است حذف شوند را به همراه نام آن‌ها نمایش می‌دهد و تنها دو گزینه «Proceed» (ادامه) و «Cancel» (لغو) ارائه می‌دهد. با انتخاب «Cancel»، هیچ فایلی حذف نمی‌شود و Claude دلیل آن را توضیح می‌دهد. پس از تأیید صریح کاربر برای حذف، با انتخاب «Proceed»، دستور اجرا می‌شود.

۳. Replay Theater: این «ماد» وظیفه بازپخش وقایع را بر عهده دارد. در این مثال، Claude نام تابع greet را به welcome تغییر می‌دهد که در چهار فایل و شش ویرایش انجام می‌شود. پس از پایان دور، با فشردن کلید r، پنل هر مرحله از تغییرات (diff) را گام به گام بازپخش می‌کند.

سهولت استفاده و ریسک‌های امنیتی

Anthropic اعلام کرده است که کاربران می‌توانند «مادها» را خودشان بنویسند یا از Claude Code بخواهند تا آن‌ها را برایشان بنویسد. Claude کد TypeScript را نوشته، نصب می‌کند و آن را در همان جلسه کاری به صورت «hot reload» بارگذاری می‌کند؛ به این معنی که با ذخیره فایل، تغییرات بدون نیاز به راه‌اندازی مجدد نرم‌افزار اعمال می‌شوند.

برای استفاده از این قابلیت، نیاز به نسخه Claude Code 2.1.287 یا بالاتر است. «مادها» به طور پیش‌فرض فعال هستند و هم در نسخه خط فرمان (CLI) و هم در نسخه دسکتاپ پشتیبانی می‌شوند. آن‌ها در قالب پلاگین‌ها عرضه شده و با دستور /plugin نصب می‌شوند و مانند سایر پلاگین‌ها قابل اشتراک‌گذاری و ارسال به دایرکتوری Claude هستند.

با این حال، این سطح از آزادی با ریسک‌هایی همراه است. Anthropic به صراحت اعلام کرده است که «مادها» به همان میزان دسترسی به کامپیوتر شما را دارند که خود Claude Code دارد و هیچ «سندباکس» (sandbox) یا محیط ایزوله‌ای وجود ندارد. بنابراین، کاربران تنها باید «مادهایی» را از منابع مورد اعتماد نصب کنند، درست مانند نصب هر کد دیگری بر روی کامپیوتر.

رویکرد سازمانی و مدیریت ریسک

در محیط‌های سازمانی، برای طرح‌های Team و Enterprise و همچنین دستگاه‌هایی که از تنظیمات مدیریت شده (managed settings) استفاده می‌کنند، یک «ماد» داخلی به نام sec-default ابتدا بارگذاری می‌شود تا از اقدامات خطرناک «مادهای» نصب شده توسط کاربر جلوگیری کند؛ مانند بازنویسی قوانین رد دسترسی. مدیران سیستم نیز می‌توانند با قرار دادن sec-default در لیست بارگذاری، «مادهای» سفارشی خود را بارگذاری کنند و محدودیت‌های اصلی را حفظ نمایند.

به طور خلاصه، «مادها» Claude Code را از یک محصول به یک پلتفرم قابل بازسازی تبدیل می‌کنند، اما ریسک‌های ناشی از آن را به عهده هر کاربری می‌گذارند که دکمه نصب را فشار می‌دهد.

راه‌اندازی zkAPI توسط بنیاد اتریوم و پروژه Open Anonymity برای پرداخت ناشناس هزینه مدل‌های هوش مصنوعی

آمستردام – بنیاد اتریوم (Ethereum Foundation) روز پنجشنبه از راه‌اندازی zkAPI خبر داد؛ سیستمی که به کاربران امکان می‌دهد تا به صورت ناشناس هزینه استفاده از مدل‌های هوش مصنوعی و سایر APIهای پولی را پرداخت کنند. در این سیستم، کاربران وجوه خود را در یک خزانه (vault) مبتنی بر اتریوم واریز کرده و از اثبات‌های دانش صفر (Zero-Knowledge Proofs) برای مجوزدهی به هزینه‌ها استفاده می‌کنند. این امر مانع از آن می‌شود که ارائه‌دهندگان خدمات API بتوانند درخواست‌ها را به هویت پرداخت‌کننده مرتبط کنند.

این سیستم که با همکاری بنیاد اتریوم و پروژه Open Anonymity (OA) توسعه یافته است، بر روی شبکه اصلی اتریوم فعال شده است. بنیاد اتریوم در پست وبلاگ رسمی خود جزئیات این پروژه را شرح داده است.

بنیاد اتریوم اشاره کرد که در حال حاضر، هر فراخوانی API هوش مصنوعی با اطلاعات هویتی همراه است. “کلید API شما به یک حساب کاربری اشاره دارد که به روش پرداخت متصل است و هر پرامپتی که ارسال می‌کنید، سابقه ارتباط این دو را ثبت می‌کند. ارائه‌دهندگان خدمات می‌توانند رفتار استفاده سال‌ها را در یک پروفایل واحد ادغام کنند.”

کن لیو، دانشجوی دکتری علوم کامپیوتر در استنفورد و از پروژه Open Anonymity، در پلتفرم X اعلام کرد که zkAPI توسعه‌ای از مفهوم “استنتاج غیرقابل ردیابی” (unlinkable inference) پروژه OA است و لایه پرداخت را انتزاعی می‌کند. او افزود: “باید زیرساخت‌های بیشتری وجود داشته باشد که حریم خصوصی و حاکمیت را به عنوان پیش‌فرض‌های اساسی در نظر بگیرند تا مردم واقعاً بر داده‌های خود کنترل داشته باشند.”

روند استفاده از این سیستم به طور کلی شامل چهار مرحله است. ابتدا، کاربران توکن‌هایی مانند ETH یا USDC را به یک قرارداد خزانه در اتریوم واریز می‌کنند. این قرارداد موجودی را به صورت یک “یادداشت خصوصی” (private note) ثبت می‌کند. هنگام نیاز به هزینه کردن، نرم‌افزار سمت کاربر یک اثبات دانش صفر در سطح محلی تولید می‌کند که نشان می‌دهد درخواست از نظر مالی پشتیبانی می‌شود، اما هیچ اطلاعاتی در مورد اینکه کدام سپرده یا کدام یادداشت خاص مورد استفاده قرار گرفته است را فاش نمی‌کند.

سرور zkAPI پس از تأیید اثبات، یک کلید API موقت با سقف هزینه صادر می‌کند. سپس کاربر پرامپت را به همراه این کلید برای ارائه‌دهنده مدل هوش مصنوعی ارسال می‌کند. پس از انقضای کلید، سرور میزان استفاده را از موجودی خصوصی کاربر کسر می‌کند.

هر بار که هزینه‌ای پرداخت می‌شود، یک شناسه منحصر به فرد به نام “nullifier” نیز منتشر می‌شود. اگر کاربر تلاش کند همان موجودی را دوباره خرج کند، یک nullifier تکراری تولید می‌شود. “این سیستم این تلاش را افشا می‌کند، اما هیچ اطلاعات دیگری را فاش نمی‌کند.”

کلاینت zkAPI رابط‌های استاندارد OpenAI و Ollama API را بر روی دستگاه کاربر ارائه می‌دهد. این بدان معناست که کاربران می‌توانند برنامه‌ها، ویرایشگرها یا کلاینت‌های چت موجود خود را بدون تغییر عادات استفاده، به localhost هدایت کنند. مخزن GitHub zkAPI در حال حاضر این پروتکل را در مرحله آزمایشی (experimental) طبقه‌بندی کرده است.

zkAPI طرح “اعتبارات استفاده از API دانش صفر” (ZK API Usage Credits) را پیاده‌سازی می‌کند که در تاریخ ۱۱ فوریه توسط ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، و داویده کراپیس، رئیس تیم dAI بنیاد اتریوم، در انجمن Ethereum Research معرفی شد.

تیم dAI واحد پروژه‌ای است که توسط بنیاد اتریوم در سپتامبر ۲۰۲۵ تأسیس شد و هدف آن ارتقای اتریوم به عنوان لایه تسویه و هماهنگی برای اقتصاد هوش مصنوعی است. این تیم همچنین ERC-8004 را توسعه داده است؛ یک استاندارد هویت برای عامل‌های هوش مصنوعی که در ژانویه امسال بر روی شبکه اصلی راه‌اندازی شد.

اولین سناریوهای استفاده ذکر شده توسط این پروژه شامل چت‌بات‌های هوش مصنوعی و عامل‌ها (agents) است. سایر کاربردها شامل پرس‌وجوهای RPC بلاکچین، تولید تصویر و ویدئو، پهنای باند VPN و پرداخت‌های ماشین به ماشین (M2M) بین عامل‌های هوش مصنوعی می‌شود.

با این حال، zkAPI معادل ناشناس بودن در اینترنت نیست. این پروژه به صراحت اذعان دارد که گیت‌وی (gateway) همچنان ممکن است درخواست‌ها را از طریق IP ثابت مرتبط کند. کاربرانی که به دنبال حریم خصوصی بیشتری هستند، می‌توانند ترافیک خود را از طریق Tor مسیریابی کنند. علاوه بر این، محتوای خود پرامپت‌ها نیز می‌تواند به عنوان ویژگی‌های شناسایی‌کننده عمل کند؛ جزئیات شخصی، سبک نگارش و تاریخچه مکالمات همگی می‌توانند باعث شوند که یک جلسه مکالمه دوباره به یک فرد خاص مرتبط شود.

اهمیت این سیستم برای اکوسیستم رمزنگاری نه در “ارزان‌تر کردن هوش مصنوعی” بلکه در ایجاد زیرساختی است که امکان مصرف منابع محاسباتی را بدون واگذاری هویت فراهم می‌کند. ویتالیک بوترین در ماه فوریه هنگام ترسیم چشم‌انداز هوش مصنوعی اتریوم در X، این مکانیسم پرداخت رمزنگاری شده را یکی از قطعات کلیدی پازل در نظر گرفته بود.

برای کاربران در تایوان، این موضوع همچنین یک جهت‌گیری برای تفکر ارائه می‌دهد: هنگامی که اقتصاد عامل‌های هوش مصنوعی بالغ شود، آیا “خرید قدرت محاسباتی با پول” لزوماً باید با هویت واقعی گره خورده باشد؟ پاسخ zkAPI این است که “لزوماً نباید اینطور باشد.” این پروتکل در حال حاضر در مرحله آزمایشی طبقه‌بندی شده است و قابلیت استفاده واقعی و نرخ پذیرش آن ارزش پیگیری دارد.

شرکت Volantis با ۸۸ میلیون دلار سرمایه، راه‌حلی لیزری برای مشکل حافظه در هوش مصنوعی ارائه می‌دهد

سانفرانسیسکو – با افزایش روزافزون حجم مدل‌های هوش مصنوعی، تراشه‌های پردازشی با مشکل کندی دسترسی به حافظه مواجه شده‌اند. شرکت نوپای نیمه‌هادی Volantis با جذب ۸۸ میلیون دلار سرمایه، قصد دارد این چالش را با استفاده از فناوری لیزر برطرف کند.

دور سرمایه‌گذاری سری A

این استارتاپ مستقر در سانفرانسیسکو در تاریخ ۱ اکتبر ۲۰۲۶، دور سرمایه‌گذاری سری A خود را به پایان رساند و مجموع سرمایه‌های جذب شده خود را به ۹۷ میلیون دلار رساند. ایده اصلی Volantis جایگزینی بخشی از اتصالات الکتریکی بین تراشه‌های هوش مصنوعی و حافظه با اتصالات نوری است.

این دور سرمایه‌گذاری با رهبری مشترک Lachy Groom و Abstract Ventures انجام شد و John Doerr و VXI Capital نیز در آن مشارکت داشتند. این در حالی است که این شرکت پیش از این در سال ۲۰۲۵، ۹ میلیون دلار سرمایه اولیه (Seed Round) را با حمایت چهره‌هایی چون Alex Wang و Trevor Blackwell جذب کرده بود.

تیم متخصص و تجربه درخشان

تیم رهبری Volantis متشکل از متخصصانی با سابقه درخشان در حوزه نیمه‌هادی‌ها و فوتونیک از شرکت‌هایی چون NVIDIA، AMD، Broadcom و Ayar Labs است. مدیرعامل این شرکت Tapa Ghosh است.

گلوگاه حافظه در هوش مصنوعی

تراشه‌های پردازشی به طور چشمگیری سریع‌تر شده‌اند، اما تغذیه آن‌ها با داده از حافظه به عاملی محدودکننده برای استنتاج هوش مصنوعی (AI inference) تبدیل شده است. استنتاج مرحله‌ای است که در آن یک مدل آموزش‌دیده به درخواست‌های شما پاسخ می‌دهد.

راه‌حل Volantis: اتصالات فوتونیک

Volantis با استفاده از اتصالات فوتونیک به این مشکل پرداخته است. جزء اصلی این فناوری، میکرو-VCSEL سفارشی (micro-VCSEL) است که مخفف لیزر سطحی گسیلنده حفره عمودی (vertical-cavity surface-emitting laser) می‌باشد. این لیزرهای بسیار کوچک، نور را مستقیماً از سطح تراشه به سمت بالا پرتاب می‌کنند. Volantis از این لیزرها برای ایجاد پیوندهای نوری بین تراشه‌های پردازشی و حافظه استفاده می‌کند.

معماری این شرکت به گونه‌ای طراحی شده است که یک پردازنده گرافیکی (GPU) را به حداکثر ۲۲۰ تراشه حافظه متصل کند، در حالی که در سیستم‌های سنتی این تعداد حدود ۸ تراشه است.

فناوری VCSEL پیش از این در دستگاه‌های مصرفی مانند Face ID آیفون مورد استفاده قرار گرفته و کارایی خود را اثبات کرده است. Volantis در حال انطباق این فناوری با نیازهای مراکز داده است.

مزایای رویکرد Volantis

طبق رویکرد این شرکت، این فناوری می‌تواند امکان تجمیع کارآمدتر حافظه را بدون نیاز به تغییرات اساسی در بسته‌بندی یا فرآیندهای تولید فراهم کند.

Volantis در حال ساخت اولین سیستم خود به نام A-1 است که اهداف زیر را دنبال می‌کند:

• عملکرد: [جزئیات عملکرد در متن اصلی موجود نیست]
• مقیاس‌پذیری: [جزئیات مقیاس‌پذیری در متن اصلی موجود نیست]
• مصرف انرژی: [جزئیات مصرف انرژی در متن اصلی موجود نیست]

این شرکت قصد دارد تا سال ۲۰۲۷ موتورهای استنتاج یکپارچه A-1 را به مشتریان خود تحویل دهد.

پیشی گرفتن از محدودیت‌های حافظه

Volantis رویکرد نوری خود را به عنوان راهی برای غلبه بر محدودیت‌های حافظه که شتاب‌دهنده‌های سنتی از NVIDIA و AMD با آن روبرو هستند، معرفی می‌کند. چندین نفر از اعضای تیم Volantis پیش از این در همین شرکت‌ها مشغول به کار بوده‌اند.

این شرکت لزوماً در تلاش برای رقابت با بازیگران اصلی در زمینه قدرت پردازش خام نیست. تمرکز اصلی Volantis بر این نکته استوار است که دسترسی به حافظه، نه قدرت پردازش، کلید دستیابی به پیشرفت‌های بزرگ بعدی در حوزه استنتاج هوش مصنوعی خواهد بود.

توسعه‌دهندگان علاقه‌مند به GitHub Copilot که نگران ارسال کد خود به سرورهای دیگران هستند، اکنون گزینه‌ی جدیدی دارند. یک افزونه‌ی جدید برای VS Code به Copilot اجازه می‌دهد تا مدل‌های میزبانی شده بر روی NEAR AI Cloud را اجرا کند؛ خدماتی که بر پایه‌ی استنتاج خصوصی بنا شده است.

یکپارچه‌سازی با Copilot Chat

این یکپارچه‌سازی از طریق افزونه‌ی “More Providers” در VS Code انجام می‌شود که به GitHub Copilot Chat متصل می‌گردد. این افزونه از ۲۵۸ گزینه‌ی سازگار با OpenAI پشتیبانی می‌کند و NEAR AI Cloud یکی از آن‌هاست.

سازگاری با API OpenAI

NEAR AI Cloud به دلیل ارائه‌ی یک API سازگار با OpenAI، به خوبی در این اکوسیستم جای می‌گیرد. ابزارهایی که برای ارتباط با نقاط پایانی (endpoints) به سبک OpenAI ساخته شده‌اند، می‌توانند بدون نیاز به تغییرات اساسی در گردش کارهای موجود، به NEAR AI Cloud متصل شوند.

تسهیلات جدید VS Code

به‌روزرسانی ماه ژوئن ۲۰۲۶ در پشتیبانی VS Code از “Bring Your Own Key” (BYOK) این فرآیند را آسان‌تر کرده است. این تغییر، الزام ورود به حساب GitHub را برای نقاط پایانی سفارشی و سازگار با OpenAI حذف کرد.

ادعای حریم خصوصی با TEE

ادعای حریم خصوصی بر پایه‌ی “محیط‌های اجرای مورد اعتماد” (Trusted Execution Environments – TEEs) استوار است. NEAR AI Cloud این محیط‌ها را با استفاده از فناوری‌های Intel TDX و NVIDIA confidential computing ایجاد می‌کند.

در NEAR AI Cloud، این حفاظت سه بخش را پوشش می‌دهد: دستورات (prompts) ارسالی کاربران، وزن‌های مدل و خروجی‌های تولید شده توسط مدل. همه‌ی این موارد از ارائه‌دهندگان زیرساخت، صاحبان مدل و خود NEAR AI ایزوله می‌شوند.

هر درخواست همچنین با یک گواهی رمزنگاری شده که با سخت‌افزار امضا شده است، همراه است و تأیید می‌کند که عملیات در یک محیط امن واقعی انجام شده است.

رمزنگاری سمت کلاینت

کاربرانی که به اطمینان بیشتری نیاز دارند، می‌توانند رمزنگاری سمت کلاینت را فعال کنند. با این گزینه، داده‌ها برای NEAR AI نیز غیرقابل دسترس باقی می‌مانند. روش‌های تأیید مستقل نیز در دسترس هستند.

مدل‌های میزبانی شده و هزینه‌ها

NEAR AI Cloud میزبان مجموعه‌ای رو به رشد از مدل‌های متن‌باز (open-weight) است، از جمله GLM 5.3 Flash. هزینه‌ی ورودی از حدود ۰.۱۵ تا ۰.۵۰ دلار به ازای هر میلیون توکن متغیر است و هزینه‌ی خروجی بالاتر خواهد بود.

استیکینگ توکن NEAR

کاربران می‌توانند به جای پرداخت با کارت اعتباری، توکن‌های NEAR را استیک (stake) کنند. بازده حاصل از این استیک به اعتبار استنتاج (inference credits) تبدیل می‌شود و هنگام برداشت استیک (unstake)، اصل سرمایه دست‌نخورده باقی می‌ماند.

تاریخچه و ادغام‌ها

NEAR AI Cloud در دسامبر ۲۰۲۵ راه‌اندازی شد. در اوت ۲۰۲۶، این پلتفرم با گیت‌وی SayGm ادغام شد. در سپتامبر ۲۰۲۶ نیز ادغام با OpenRouter صورت گرفت که راه‌های دسترسی توسعه‌دهندگان به این سرویس را گسترش داد.

ارزش برای توسعه‌دهندگان

ارزش فوری برای توسعه‌دهندگان، انتخاب است. تیم‌هایی با سیاست‌های سخت‌گیرانه‌ی داده می‌توانند همچنان از Copilot Chat استفاده کنند و آن را به یک ارائه‌دهنده‌ی استنتاج متصل کنند که بر پایه‌ی ایزوله‌سازی سخت‌افزاری و تأییدیه‌های هر درخواست بنا شده است. چالش اصلی، انتخاب مدل است: NEAR AI Cloud مدل‌های متن‌باز را اجرا می‌کند، بنابراین تیم‌ها باید قضاوت کنند که آیا این مدل‌ها کیفیت خروجی مورد نظر آن‌ها را تأمین می‌کنند یا خیر.

تغییر ماهیت اعتماد

مسئله‌ی اعتماد نیز مطرح است؛ اعتماد به جای ناپدید شدن، تغییر ماهیت می‌دهد. TEEها وابستگی به اپراتور ابری را کاهش می‌دهند، اما اعتماد را به طرح‌های امنیتی فروشندگان تراشه منتقل می‌کنند. گواهی‌ها و گزینه‌های رمزنگاری سمت کلاینت دقیقاً برای فراهم کردن راه‌هایی برای تأیید توسط کاربران، به جای صرفاً اعتماد کردن، وجود دارند.

مزایا برای دارندگان توکن NEAR

برای دارندگان توکن NEAR، مدل استیکینگ، اعتبار استنتاج را به بازده استیکینگ گره می‌زند و به توکن نقش ملموسی در پلتفرم می‌بخشد.

کلودفلر از مدل‌های هوش مصنوعی اختصاصی خود رونمایی کرد

کلودفلر برای اولین بار مدل‌های هوش مصنوعی اختصاصی خود را آموزش داده است. این شرکت در تاریخ ۱ اکتبر ۲۰۲۶، دو مدل تصمیم‌گیری با وزن باز به نام‌های Clef و Clef-flash را معرفی کرد که اکنون بر روی پلتفرم Workers AI این شرکت در دسترس هستند.

این مدل‌ها برای انجام فراخوانی‌های سریع و ساختاریافته طراحی شده‌اند، مانند دسته‌بندی درخواست‌ها یا تعیین مسیر بعدی برای یک وظیفه.

Clef: مدل سنگین وزن

Clef مدل سنگین‌تر این دو است. این مدل دارای ۲۷ میلیارد پارامتر بوده و بر پایه Qwen3.8-27B ساخته شده است. همچنین، پنجره زمینه ۶۴ هزار توکنی را ارائه می‌دهد و انواع ورودی‌های مختلفی از جمله متن، JSON، تصاویر و ویدئو را می‌پذیرد.

Clef-flash: مدل سبک وزن

Clef-flash، خواهر کوچک‌تر آن، با ۹ میلیارد پارامتر و پایه‌ای از Qwen3.5-9B، برای مسیرهای حساس به تأخیر (latency-critical paths) در نظر گرفته شده است؛ بخش‌هایی از یک برنامه که حتی کسری از ثانیه تأخیر در آن‌ها نیز قابل قبول نیست.

هر دو مدل شامل یک رمزگذار بصری (vision encoder) هستند که قادر به پردازش حداکثر ۴ تصویر در هر درخواست است. کلودفلر اعلام کرده است که این مدل‌ها برای خروجی‌های سریع، دقیق و قطعی بهینه‌سازی شده‌اند.

وزن‌های این مدل‌ها به طور کامل در Hugging Face تحت مجوز Apache 2.0 به صورت متن‌باز منتشر شده‌اند.

قیمت‌گذاری

هزینه استفاده از این مدل‌ها به صورت ۰.۲۴ دلار به ازای هر میلیون توکن ورودی برای Clef و ۰.۰۹ دلار به ازای هر میلیون توکن ورودی برای Clef-flash تعیین شده است. توکن‌های خروجی هیچ هزینه‌ای نخواهند داشت.

دقت و سرعت

در زمینه دقت، کلودفلر به معیار دسته‌بندی BANKING77 اشاره می‌کند. Clef امتیاز macro-F1 معادل ۹۴.۲۰ را کسب کرده است، در حالی که Jev، محصولی از Typesafe، امتیاز ۷۹.۷۴ را به دست آورده است.

از نظر سرعت، Clef-flash میانگین تأخیر ۳۸.۸ میلی‌ثانیه را ثبت کرده است، در حالی که Jev با ۵۲۴.۱ میلی‌ثانیه در رتبه بعدی قرار گرفته است.

هر دو مدل با Jev-API سازگار هستند. این بدان معناست که تیم‌هایی که در حال حاضر از Jev استفاده می‌کنند، ممکن است بتوانند مدل‌های کلودفلر را بدون نیاز به بازنویسی یکپارچه‌سازی‌های خود، جایگزین کنند.

زمان‌بندی و زیرساخت

این رونمایی در طول “هفته تولد کلودفلر” (Cloudflare’s Birthday Week)، که زمان اعلام سالانه محصولات این شرکت است، صورت گرفت. پلتفرم Workers AI پیش از این نیز میزبان مدل‌های هوش مصنوعی بوده است، اما Clef و Clef-flash اولین مدل‌هایی هستند که کلودفلر به صورت داخلی آموزش داده است.

در کنار این مدل‌ها، کلودفلر در حال معرفی یک پلتفرم تنظیم دقیق با یادگیری تقویتی (reinforcement learning fine-tuning platform) است. این شرکت اعلام کرده است که این پلتفرم با پشتیبانی عملی از مشتریان راه‌اندازی خواهد شد.

این مدل‌ها همچنین بر روی منابع GPU لبه (edge GPU resources) کلودفلر اجرا می‌شوند. منظور از “لبه”، سرورهایی است که در نزدیکی کاربران نهایی قرار دارند و این امر باعث کاهش مسافت طی شده توسط داده‌ها و حفظ تأخیر پایین می‌شود.

بنیاد اتریوم و پروژه Open Anonymity، zkAPI را راه‌اندازی کردند؛ سیستمی در شبکه اصلی اتریوم که به کاربران امکان می‌دهد هزینه دسترسی به API را بدون برجای گذاشتن ردپایی از هویت خود پرداخت کنند.

راه‌اندازی zkAPI

این سیستم در تاریخ ۱ اکتبر ۲۰۲۶ راه‌اندازی شد. ساختار اصلی آن بر یک قرارداد هوشمند خزانه (vault) متمرکز است که بر روی شبکه اصلی اتریوم مستقر شده است. کاربران می‌توانند اتریوم (ETH) یا USDC را به این خزانه واریز کنند. این واریزی‌ها به اعتبار تبدیل شده و قرارداد خزانه آن‌ها را به صورت اعتبار USDC نگهداری می‌کند.

هنگامی که کاربر قصد فراخوانی یک API، مانند مدل‌های هوش مصنوعی، را دارد، یک اثبات رمزنگاری شده برای مجوز پرداخت تولید می‌کند. پس از آن، سرویس‌دهنده هزینه خود را دریافت کرده و کاربر پاسخ مورد نظرش را دریافت می‌کند. این مجوز به گونه‌ای طراحی شده است که قابل پیوند دادن به هیچ واریزی یا هویت خاصی نباشد.

در لایه‌های زیرین، zkAPI بر سه بلوک سازنده رمزنگاری تکیه دارد.

امنیت و استقلال وجوه

وجوه کاربران در قراردادهایی که مستقیماً بر روی خود اتریوم کنترل می‌شوند، نگهداری می‌شوند و نه بر روی سرورهای یک شرکت. این بدان معناست که کاربران می‌توانند وجوه خود را به طور مستقل برداشت کنند و نیازی به همکاری هیچ سروری ندارند.

ریشه‌های ایده

این طرح ریشه در یک پست تحقیقاتی مورخ ۱۱ فوریه ۲۰۲۶ از سوی ویتالیک بوترین و داویده کراپیس دارد. این امر، بازه زمانی از ایده تا استقرار در شبکه اصلی را کمتر از هشت ماه نشان می‌دهد.

پروژه Open Anonymity، شریک بنیاد اتریوم در این راه‌اندازی، تا ماه مه ۲۰۲۶ بیش از ۱۰۰,۰۰۰ دلار گرنت از بنیاد اتریوم و بنیاد حقوق بشر دریافت کرده بود.

محققان مایکروسافت روشی نوین برای بهینه‌سازی پرامپت‌های عامل‌های هوش مصنوعی معرفی کردند

محققان مایکروسافت در مقاله‌ای با عنوان «عامل‌های کدنویس، بهینه‌سازهای قوی پرامپت هستند» که در تاریخ ۲۳ سپتامبر ۲۰۲۶ منتشر شد، روشی به نام «تقطیر مهارت عامل کدنویس» (Coding-Agent Skill Distillation) یا به اختصار CASD را معرفی کرده‌اند. این روش قادر است پرامپت‌های سیستمی بهبودیافته را مستقیماً از مجموعه‌ای ایستا از گزارش‌های ذخیره‌شده عامل‌ها استخراج کند و این کار را با هزینه‌ای حدود ۱.۶۰ دلار برای هر بار اجرا انجام می‌دهد.

اهمیت این قیمت‌گذاری زمانی مشخص می‌شود که بدانیم رقابت در این حوزه ارزان نیست. طبق این مقاله، CASD بیش از ۲۲ برابر ارزان‌تر از روش‌های تکرارشونده مبتنی بر اعتبارسنجی (validation-gated iterative methods) است؛ رویکرد آزمون و خطا که به استاندارد رایج برای تنظیم پرامپت‌های عامل‌ها تبدیل شده است.

CASD نیازی به جستجوی تکرارشونده، تعامل زنده با محیط، و یا مجموعه داده اعتبارسنجی مجزا ندارد. در عوض، یک عامل کدنویس کل مجموعه داده‌های ذخیره‌شده (trajectories) را که شامل سوابق اقدامات عامل در وظایف گذشته است، دریافت می‌کند. این عامل یک تحلیل آماری واحد در سطح کل مجموعه داده انجام می‌دهد و آمار تجمیعی، الگوهای شکست مکرر، و نمونه‌های نماینده را استخراج می‌کند. از این تحلیل، قوانین رفتاری را تقطیر کرده و آن‌ها را در قالب یک پرامپت بهینه‌شده می‌نویسد.

محققان این رویکرد را به «مطالعه کل مجموعه داده» تشبیه می‌کنند، در مقابل «پردازش دسته‌های کوچک داده» (minibatches). بهینه‌سازهای تکرارشونده معمولاً داده‌ها را در قطعات کوچک بررسی می‌کنند که این امر شناسایی الگوهایی را که تنها در تعداد زیادی از اپیزودها ظاهر می‌شوند، دشوار می‌سازد.

نتیجه برجسته این روش، میانگین افزایش ۱۶.۶ درصدی نسبت به خط پایه بدون بهینه‌سازی است. CASD همچنین در معیارهای مختلف، از جستجوی بازتابی مبتنی بر اعتبارسنجی به سبک SkillOpt پیشی گرفت.

در مقایسه با GEPA، یک بهینه‌ساز پرامپت بازتابی پرکاربرد، CASD در سه مورد از چهار معیار عامل‌محور پیروز شد.

این مقاله همچنین بیان می‌کند که CASD حتی زمانی که رقبای آن دارای داده‌های اعتبارسنجی اضافی و دسترسی نامحدود به محیط بودند، برتری خود را نسبت به روش‌های رقیب حفظ کرد.

این تحقیق، GEPA را به عنوان روشی که به طور گسترده در شرکت‌هایی از جمله Databricks، Shopify، Dropbox و OpenAI مورد استفاده قرار می‌گیرد، توصیف کرده و موفقیت‌های قابل توجهی را در کارهای متن‌باز به آن نسبت می‌دهد.

این مقاله توسط محققان مایکروسافت، آگام‌دیپ سینگ، سریشتی گوتام، پریانشو گوپتا، نیکیت
ا مهروترا، تانمای باکشی و سومیت گولوانی تهیه شده است. این تحقیق بر پایه کار مرتبط مایکروسافت به نام SkillOpt بنا شده است که در آن مهارت‌های عامل به عنوان پارامترهای متنی قابل آموزش در نظر گرفته می‌شوند و در مقاله‌ای که در ژوئن ۲۰۲۶ منتشر شد، معرفی گردید.

SkillOpt نماینده رویکرد تکرارشونده مبتنی بر اعتبارسنجی است. CASD در واقع استدلالی از سوی مایکروسافت است که در بسیاری از موارد، رویکرد قبلی خودشان کار بیشتری نسبت به حد لازم می‌طلبد.

اگر یک بار تحلیل واحد با هزینه تقریبی ۱.۶۰ دلار بتواند در اکثر وظایف آزمایش‌شده با بهینه‌سازی تکرارشونده برابری کند یا از آن پیشی بگیرد، استدلال برای حلقه‌های تنظیم پرهزینه دشوارتر می‌شود.

حذف نیاز به داده‌های اعتبارسنجی مجزا، بار آماده‌سازی قابل توجهی را از بین می‌برد. همچنین، عدم نیاز به تعامل زنده با محیط، ریسک را کاهش می‌دهد، زیرا بهینه‌سازهای تکرارشونده‌ای که پرامپت‌ها را در برابر سیستم‌های واقعی آزمایش می‌کنند، می‌توانند اقدامات واقعی را در صورت رسیدگی عامل به حساب‌های مشتریان یا ابزارهای تولیدی، آغاز کنند.

نتیجه SpreadsheetBench-Verified، که در آن GEPA با اختلاف ۹.۴ امتیاز پیشتاز بود، نشان می‌دهد که یک بهینه‌ساز تکرارشونده بازتابی همچنان می‌تواند در وظایف ساختاریافته خاصی پیروز شود. این روش همچنین به کیفیت گزارش‌های ذخیره‌شده بستگی دارد، بنابراین مجموعه‌ای پر از اپیزودهای محدود یا غیرنماینده می‌تواند قوانینی تولید کند که قابل تعمیم نباشند.

Deribit با موتور معاملاتی جدید Starbase، سرعت خود را بیش از ۵۰۰ برابر افزایش داد

صرافی ارز دیجیتال Deribit از راه‌اندازی سیستم معاملاتی جدید خود با نام Starbase خبر داد که منجر به کاهش چشمگیر تأخیر در پردازش درخواست‌ها شده است. این ارتقاء، که جایگزین موتور قدیمی Classic شده، سرعت پاسخگویی به درخواست‌ها را تا حدود ۶۱ برابر و تأخیر در بدترین سناریوها (۱ درصد کندترین درخواست‌ها) را تا بیش از ۵۳۱ برابر بهبود بخشیده است.

بهبود چشمگیر در سرعت پردازش

موتور جدید Starbase قادر است بیش از ۱۰۰,۰۰۰ سفارش را در ثانیه پردازش کند و تطابق سفارش‌ها را در کسری از میلی‌ثانیه انجام دهد. تأخیر میانه (median latency) از ۴.۷ میلی‌ثانیه به ۷۶ میکروثانیه کاهش یافته است. یک میکروثانیه برابر با یک هزارم میلی‌ثانیه است، بنابراین سفارش‌های معمول اکنون در کسری ناچیز از زمان گذشته، چرخه کامل خود را طی می‌کنند.

نکته قابل توجه‌تر، بهبود در تأخیرهای انتهایی (tail latency) است. این معیار که کندترین ۱ درصد درخواست‌ها را در بر می‌گیرد، از ۱۲۴ میلی‌ثانیه به ۲۳۴ میکروثانیه رسیده است. این بدان معناست که در سیستم قدیمی Classic، کندترین سفارش‌های معامله‌گران می‌توانستند بیش از یک دهم ثانیه طول بکشند، اما با Starbase، حتی این سفارش‌ها نیز در کمتر از یک میلی‌ثانیه تکمیل می‌شوند.

ویژگی‌های جدید Starbase

داده‌های پس از راه‌اندازی نشان می‌دهد که Starbase در یک ثانیه اوج، ۲۳,۸۳۶ درخواست را پردازش کرده است. این موتور جدید، نظم سخت‌گیرانه‌تری را بر اساس “اولین ورود، اولین خروج” (FIFO) اعمال می‌کند، به این معنی که سفارش‌ها با قیمت یکسان، به ترتیبی که به صرافی رسیده‌اند، اجرا می‌شوند. همچنین، Starbase دسترسی برابر را برای معامله‌گرانی که در مرکز داده LD4 مستقر هستند، فراهم می‌کند.

در بخش اتصال، Starbase از رابط‌های برنامه‌نویسی کاربردی (API) با تأخیر کم با استفاده از SBE (Simple Binary Encoding) بر روی TCP و UDP multicast بهره می‌برد. SBE یک فرمت پیام فشرده است که برای سرعت طراحی شده و multicast به صرافی اجازه می‌دهد تا داده‌های بازار را به طور همزمان به چندین گیرنده ارسال کند.

ادغام با Coinbase

راه‌اندازی Starbase پس از ادغام Deribit با Coinbase صورت گرفته است. این اقدام بخشی از استراتژی ادغام عمیق‌تر Deribit با Coinbase International Exchange برای بهبود عملکرد و مقیاس‌پذیری است.

یک نسخه آزمایشی (testnet) در آوریل ۲۰۲۶ راه‌اندازی شد تا معامله‌گران بتوانند سیستم‌های خود را پیش از درگیر شدن پول واقعی، با موتور جدید آزمایش کنند. استقرار نهایی در اوایل ژوئیه ۲۰۲۶ انجام شد و Deribit در تاریخ ۲۱ سپتامبر ۲۰۲۶ معیارهای دقیق عملکرد را منتشر کرد.