月度归档： 2025 年 12 月

深潮 TechFlow 消息，12 月 23 日，据慢雾科技首席信息安全官 23pds 披露，信息窃取恶意软件 MacSync 出现新变种，可成功绕过 macOS Gatekeeper 安全机制，已有用户资产被盗。

该恶意软件采用多种技术逃避检测，包括文件膨胀、网络连接验证及执行后自毁脚本等。攻击者可通过此软件窃取受害者的 iCloud 钥匙串、浏览器密码以及加密货币钱包等敏感数据。

用户应提高警惕，避免从不明来源下载软件，及时更新操作系统安全补丁，并采取额外措施保护加密资产安全。

深潮 TechFlow 消息，12 月 23 日，据 CoinDesk 报道，比特币价格虽近期反弹至 88,000 美元附近，但分析师们几乎不认为这是一个有意义的转折点。根据 CoinGlass 数据，比特币在第四季度已下跌超过 22%，使 2025 年成为主要熊市之外表现最弱的年末期之一。

目前比特币仍较 2025 年峰值下跌约 30%，且交易价格低于年初水平。FxPro 首席市场分析师 Alex Kuptsikevich 表示：”加密市场正在尝试增长，但这还不是复苏。”他指出，短期动能可能具有误导性。尽管加密市场总市值重回 3 万亿美元上方，但分析师警告这种反弹反映的是疲惫而非重新建立的信心。

恐惧与贪婪指数已攀升至 24 ，表明交易者可能正从极度悲观情绪中缓和，但尚未重拾风险偏好。市场仍易受剧烈反转影响，特别是在美国交易时段。

深潮 TechFlow 消息，12 月 23 日，据 CoinDesk 报道，比特币价格虽近期反弹至 88,000 美元附近，但分析师们几乎不认为这是一个有意义的转折点。根据 CoinGlass 数据，比特币在第四季度已下跌超过 22%，使 2025 年成为主要熊市之外表现最弱的年末期之一。

目前比特币仍较 2025 年峰值下跌约 30%，且交易价格低于年初水平。FxPro 首席市场分析师 Alex Kuptsikevich 表示：”加密市场正在尝试增长，但这还不是复苏。”他指出，短期动能可能具有误导性。尽管加密市场总市值重回 3 万亿美元上方，但分析师警告这种反弹反映的是疲惫而非重新建立的信心。

恐惧与贪婪指数已攀升至 24 ，表明交易者可能正从极度悲观情绪中缓和，但尚未重拾风险偏好。市场仍易受剧烈反转影响，特别是在美国交易时段。

深潮 TechFlow 消息，12 月 23 日，据韩联社报道，韩国央行在最新发布的《下半年金融稳定报告》中指出，随着全球虚拟资产市场制度化的推进，虚拟资产与传统金融市场之间的联系正在加强。报告分析称，法人和机构投资者参与度提高以及交易所交易基金（ETF）的推出，已在全球范围内形成了虚拟资产与传统金融市场之间的连接通道。

韩国央行表示，虚拟资产价格波动主要通过股票市场向传统金融市场传导，特别是在宏观经济冲击或货币政策转向时期，这种传导效应更为明显。相比之下，由于严格的监管环境限制了法人参与和金融产品发行，韩国国内虚拟资产市场的传导效应指数相对较低。韩国央行建议，在推进虚拟资产制度化过程中，需要建立有效的管理体系，将传统金融市场与虚拟资产市场之间的潜在风险控制在可承受范围内。

作者：Jacob Zhao @IOSG

人工智能正从以“模式拟合”为主的统计学习，迈向以“结构化推理”为核心的能力体系，后训练（Post-training）的重要性快速上升。DeepSeek-R1的出现标志着强化学习在大模型时代的范式级翻身，行业共识形成：预训练构建模型的通用能力基座，强化学习不再只是价值对齐工具，而被证明能够系统提升推理链质量与复杂决策能力，正逐步演化为持续提升智能水平的技术路径。

与此同时，Web3正通过去中心化算力网络与加密激励体系重构 AI 的生产关系，而强化学习对 rollout 采样、奖励信号与可验证训练的结构性需求，恰与区块链的算力协作、激励分配与可验证执行天然契合。本研报将系统拆解 AI 训练范式与强化学习技术原理，论证强化学习 × Web3 的结构优势，并对 Prime Intellect、Gensyn、Nous Research、Gradient、Grail 和 Fraction AI 等项目进行分析。

AI 训练的三阶段：预训练、指令微调与后训练对齐

现代大语言模型（LLM）训练全生命周期通常被划分为三个核心阶段：预训练（Pre-training）、监督微调（SFT）和后训练（Post-training/RL）。三者分别承担“构建世界模型—注入任务能力—塑造推理与价值观”的功能，其计算结构、数据要求与验证难度决定了去中心化的匹配程度。

• 预训练（Pre-training）通过大规模自监督学习（Self-supervised Learning）构建模型的语言统计结构与跨模态世界模型，是 LLM 能力的根基。此阶段需在万亿级语料上以全局同步方式训练，依赖数千至数万张 H100 的同构集群，成本占比高达 80–95%，对带宽与数据版权极度敏感，因此必须在高度集中式环境中完成。

• 微调（Supervised Fine-tuning）用于注入任务能力与指令格式，数据量小、成本占比约 5–15%，微调既可以进行全参训练，也可以采用参数高效微调（PEFT）方法，其中LoRA、Q-LoRA与 Adapter是工业界主流。但仍需同步梯度，使其去中心化潜力有限。

• 后训练（Post-training）由多个迭代子阶段构成，决定模型的推理能力、价值观与安全边界，其方法既包括强化学习体系（RLHF、RLAIF、GRPO）也包括无 RL 的偏好优化方法（DPO），以及过程奖励模型（PRM）等。该阶段数据量与成本较低（5–10%），主要集中在 Rollout 与策略更新；其天然支持异步与分布式执行，节点无需持有完整权重，结合可验证计算与链上激励可形成开放的去中心化训练网络，是最适配 Web3 的训练环节。

强化学习技术全景：架构、框架与应用

强化学习的系统架构与核心环节

强化学习（Reinforcement Learning, RL）通过“环境交互—奖励反馈—策略更新”驱动模型自主改进决策能力，其核心结构可视为由状态、动作、奖励与策略构成的反馈闭环。一个完整的 RL 系统通常包含三类组件：Policy（策略网络）、Rollout（经验采样）与 Learner（策略更新器）。策略与环境交互生成轨迹，Learner 根据奖励信号更新策略，从而形成持续迭代、不断优化的学习过程：

1. 策略网络（Policy）：从环境状态生成动作，是系统的决策核心。训练时需集中式反向传播维持一致性；推理时可分发至不同节点并行运行。

2. 经验采样（Rollout）：节点根据策略执行环境交互，生成状态—动作—奖励等轨迹。该过程高度并行、通信极低，对硬件差异不敏感是最适合在去中心化中扩展的环节。

3. 学习器（Learner）：聚合全部 Rollout 轨迹并执行策略梯度更新，是唯一对算力、带宽要求最高的模块，因此通常保持中心化或轻中心化部署以确保收敛稳定性。

强化学习阶段框架（RLHF → RLAIF → PRM → GRPO）

强化学习通常可分为五个阶段，整体流程如下所述：

#数据生成阶段（Policy Exploration）

在给定输入提示的条件下，策略模型 πθ 生成多条候选推理链或完整轨迹，为后续偏好评估与奖励建模提供样本基础，决定了策略探索的广度。

#偏好反馈阶段（RLHF / RLAIF）

• RLHF（Reinforcement Learning from Human Feedback）通过多候选回答、人工偏好标注、训练奖励模型（RM）并用 PPO 优化策略，使模型输出更符合人类价值观，是 GPT-3.5 → GPT-4 的关键一环

• RLAIF（Reinforcement Learning from AI Feedback）以 AI Judge 或宪法式规则替代人工标注，实现偏好获取自动化，显著降低成本并具备规模化特性，已成为 Anthropic、OpenAI、DeepSeek 等的主流对齐范式。

#奖励建模阶段（Reward Modeling）

偏好对输入奖励模型，学习将输出映射为奖励。RM 教模型“什么是正确答案”，PRM 教模型“如何进行正确推理”。

• RM（Reward Model）用于评估最终答案的好坏，仅对输出打分：

• 过程奖励模型PRM（Process Reward Model）它不再只评估最终答案，而是为每一步推理、每个 token、每个逻辑段打分，也是 OpenAI o1 与 DeepSeek-R1 的关键技术，本质上是在“教模型如何思考”。

#奖励验证阶段（RLVR / Reward Verifiability）

在奖励信号生成与使用过程中引入“可验证约束”，使奖励尽可能来自可复现的规则、事实或共识，从而降低 reward hacking 与偏差风险，并提升在开放环境中的可审计性与可扩展性。

#策略优化阶段（Policy Optimization）

是在奖励模型给出的信号指导下更新策略参数 θ，以得到更强推理能力、更高安全性与更稳定行为模式的策略 πθ′。主流优化方式包括：

• PPO（Proximal Policy Optimization）： RLHF 的传统优化器，以稳定性见长，但在复杂推理任务中往往面临收敛慢、稳定性不足等局限。

• GRPO（Group Relative Policy Optimization）：是 DeepSeek-R1 的核心创新，通过对候选答案组内优势分布进行建模以估计期望价值，而非简单排序。该方法保留了奖励幅度信息，更适合推理链优化，训练过程更稳定，被视为继 PPO 之后面向深度推理场景的重要强化学习优化框架。

• DPO（Direct Preference Optimization）：非强化学习的后训练方法：不生成轨迹、不建奖励模型，而是直接在偏好对上做优化，成本低、效果稳定，因而被广泛用于 Llama、Gemma 等开源模型的对齐，但不提升推理能力。

#新策略部署阶段（New Policy Deployment）

经过优化后的模型表现为：更强的推理链生成能力（System-2 Reasoning）、更符合人类或 AI 偏好的行为、更低的幻觉率、更高的安全性。模型在持续迭代中不断学习偏好、优化过程、提升决策质量，形成闭环。

强化学习的产业应用五大分类

强化学习（Reinforcement Learning）已从早期的博弈智能演进为跨产业的自主决策核心框架，其应用场景按照技术成熟度与产业落地程度，可归纳为五大类别，并在各自方向推动了关键突破。

• 博弈与策略系统（Game & Strategy）：是 RL 最早被验证的方向，在 AlphaGo、AlphaZero、AlphaStar、OpenAI Five 等“完美信息 + 明确奖励”的环境中，RL 展示了可与人类专家比肩甚至超越的决策智能，为现代 RL 算法奠定基础。

• 机器人与具身智能（Embodied AI）：RL 通过连续控制、动力学建模与环境交互，使机器人学习操控、运动控制和跨模态任务（如 RT-2、RT-X），正快速迈向产业化，是现实世界机器人落地的关键技术路线。

• 数字推理（Digital Reasoning / LLM System-2）：RL + PRM 推动大模型从“语言模仿”走向“结构化推理”，代表成果包括 DeepSeek-R1、OpenAI o1/o3、Anthropic Claude 及 AlphaGeometry，其本质是在推理链层面进行奖励优化，而非仅评估最终答案。

• 自动化科学发现与数学优化（Scientific Discovery）：RL 在无标签、复杂奖励与巨大搜索空间中寻找最优结构或策略，已实现 AlphaTensor、AlphaDev、Fusion RL 等基础突破，展现出超越人类直觉的探索能力。

• 经济决策与交易系统（Economic Decision-making & Trading）：RL 被用于策略优化、高维风险控制与自适应交易系统生成，相较传统量化模型更能在不确定环境中持续学习，是智能金融的重要构成部分。

强化学习与 Web3 的天然匹配

强化学习（RL）与 Web3 的高度契合，源于二者本质上都是“激励驱动系统”。RL 依赖奖励信号优化策略，区块链依靠经济激励协调参与者行为，使两者在机制层面天然一致。RL 的核心需求——大规模异构 Rollout、奖励分配与真实性验证——正是 Web3 的结构优势所在。

#推理与训练解耦

强化学习的训练过程可明确拆分为两个阶段：

• Rollout (探索采样)：模型基于当前策略生成大量数据，计算密集型但通信稀疏型的任务。它不需要节点间频繁通信，适合在全球分布的消费级 GPU 上并行生成。

• Update (参数更新)：基于收集到的数据更新模型权重，需高带宽中心化节点完成。

“推理—训练解耦”天然契合去中心化的异构算力结构：Rollout 可外包给开放网络，通过代币机制按贡献结算，而模型更新保持集中化以确保稳定性。

#可验证性 (Verifiability)

ZK 与 Proof-of-Learning 提供了验证节点是否真实执行推理的手段，解决了开放网络中的诚实性问题。在代码、数学推理等确定性任务中，验证者只需检查答案即可确认工作量，大幅提升去中心化 RL 系统的可信度。

#激励层，基于代币经济的反馈生产机制

Web3 的代币机制可直接奖励 RLHF/RLAIF 的偏好反馈贡献者，使偏好数据生成具备透明、可结算、无需许可的激励结构；质押与削减（Staking/Slashing）进一步约束反馈质量，形成比传统众包更高效且对齐的反馈市场。

#多智能体强化学习（MARL）潜力

区块链本质上是公开、透明、持续演化的多智能体环境，账户、合约与智能体不断在激励驱动下调整策略，使其天然具备构建大规模 MARL 实验场的潜力。尽管仍在早期，但其状态公开、执行可验证、激励可编程的特性，为未来 MARL 的发展提供了原则性优势。

经典 Web3 + 强化学习项目解析

基于上述理论框架，我们将对当前生态中最具代表性的项目进行简要分析：

Prime Intellect: 异步强化学习范式 prime-rl

Prime Intellect 致力于构建全球开放算力市场，降低训练门槛、推动协作式去中心化训练，并发展完整的开源超级智能技术栈。其体系包括：Prime Compute（统一云/分布式算力环境）、INTELLECT 模型家族（10B–100B+）、开放强化学习环境中心（Environments Hub）、以及大规模合成数据引擎（SYNTHETIC-1/2）。

Prime Intellect 核心基础设施组件 prime-rl框架专为异步分布式环境设计与强化学习高度相关，其余包括突破带宽瓶颈的 OpenDiLoCo 通信协议、保障计算完整性的TopLoc 验证机制等。

#Prime Intellect 核心基础设施组件一览

#技术基石：prime-rl 异步强化学习框架

prime-rl 是 Prime Intellect 的核心训练引擎，专为大规模异步去中心化环境设计，通过 Actor–Learner 完全解耦实现高吞吐推理与稳定更新。执行者 (Rollout Worker) 与学习者(Trainer)不再同步阻塞，节点可随时加入或退出，只需持续拉取最新策略并上传生成数据即可：

• 执行者 Actor (Rollout Workers)：负责模型推理和数据生成。Prime Intellect 创新性地在 Actor 端集成了 vLLM 推理引擎 。vLLM 的 PagedAttention 技术和连续批处理（Continuous Batching）能力，使得 Actor 能够以极高的吞吐量生成推理轨迹。

• 学习者 Learner (Trainer)：负责策略优化。Learner 从共享的经验回放缓冲区（Experience Buffer）中异步拉取数据进行梯度更新，无需等待所有 Actor 完成当前批次。

• 协调器 (Orchestrator)：负责调度模型权重与数据流。

#prime-rl 的关键创新点

• 完全异步（True Asynchrony）：prime-rl 摒弃传统 PPO 的同步范式，不等待慢节点、无需批次对齐，使任意数量与性能的 GPU 都能随时接入，奠定去中心化 RL 的可行性。

• 深度集成 FSDP2 与 MoE：通过 FSDP2 参数切片与 MoE 稀疏激活，prime-rl 让百亿级模型在分布式环境中高效训练，Actor 仅运行活跃专家，大幅降低显存与推理成本。

• GRPO+（Group Relative Policy Optimization）：GRPO 免除 Critic 网络，显著减少计算与显存开销，天然适配异步环境，prime-rl 的 GRPO+ 更通过稳定化机制确保高延迟条件下的可靠收敛。

#INTELLECT 模型家族：去中心化 RL 技术成熟度的标志

• INTELLECT-1（10B，2024年10月）首次证明 OpenDiLoCo 能在跨三大洲的异构网络中高效训练（通信占比 <2%、算力利用率 98%），打破跨地域训练的物理认知；

• INTELLECT-2（32B，2025年4月）作为首个 Permissionless RL 模型，验证 prime-rl 与 GRPO+ 在多步延迟、异步环境中的稳定收敛能力，实现全球开放算力参与的去中心化 RL；

• INTELLECT-3（106B MoE，2025年11月）采用仅激活 12B 参数的稀疏架构，在 512×H200 上训练并实现旗舰级推理性能（AIME 90.8%、GPQA 74.4%、MMLU-Pro 81.9% 等），整体表现已逼近甚至超越规模远大于自身的中心化闭源模型。

Prime Intellect 此外还构建了数个支撑性基础设施：OpenDiLoCo 通过时间稀疏通信与量化权重差，将跨地域训练的通信量降低数百倍，使 INTELLECT-1 在跨三洲网络仍保持 98% 利用率；TopLoc + Verifiers 形成去中心化可信执行层，以激活指纹与沙箱验证确保推理与奖励数据的真实性；SYNTHETIC 数据引擎则生产大规模高质量推理链，并通过流水线并行让 671B 模型在消费级 GPU 集群上高效运行。这些组件为去中心化 RL 的数据生成、验证与推理吞吐提供了关键的工程底座。INTELLECT 系列证明了这一技术栈可产生成熟的世界级模型，标志着去中心化训练体系从概念阶段进入实用阶段。

Gensyn： 强化学习核心栈RL Swarm与SAPO

Gensyn 的目标是将全球闲置算力汇聚成一个开放、无需信任、可无限扩展的 AI 训练基础设施。其核心包括跨设备标准化执行层、点对点协调网络与无需信任的任务验证系统，并通过智能合约自动分配任务与奖励。围绕强化学习的特点，Gensyn 引入 RL Swarm、SAPO与SkipPipe 等核心机制等机制，将生成、评估、更新三个环节解耦，利用全球异构 GPU 组成的“蜂群”实现集体进化。其最终交付的不是单纯的算力，而是可验证的智能（Verifiable Intelligence）。

#Gensyn 堆栈的强化学习应用

#RL Swarm：去中心化的协作式强化学习引擎

RL Swarm展示了一种全新的协作模式。它不再是简单的任务分发，而是一个模拟人类社会学习的去中心化的“生成—评估—更新”循环，类比协作式学习过程，无限循环：

• Solvers（执行者）： 负责本地模型推理与 Rollout 生成，节点异构无碍。Gensyn 在本地集成高吞吐推理引擎（如 CodeZero），可输出完整轨迹而非仅答案。

• Proposers（出题者）： 动态生成任务（数学题、代码问题等），支持任务多样性与类 Curriculum Learning 的难度自适应。

• Evaluators（评估者）： 使用冻结的“裁判模型”或规则对本地 Rollout 进行评估，生成本地奖励信号。评估过程可被审计，减少作恶空间。

三者共同组成一个 P2P 的 RL 组织结构，无需中心化调度即可完成大规模协作学习。

#SAPO：为去中心化重构的策略优化算法

SAPO（Swarm Sampling Policy Optimization）以“共享 Rollout 并过滤无梯度信号样本，而非共享梯度”为核心，通过大规模去中心化的 Rollout 采样，并将接收的 Rollout 视为本地生成，从而在无中心协调、节点延迟差异显著的环境中保持稳定收敛。相较依赖 Critic 网络、计算成本较高的 PPO，或基于组内优势估计的 GRPO，SAPO 以极低带宽使消费级 GPU 也能有效参与大规模强化学习优化。

通过 RL Swarm 与 SAPO，Gensyn 证明了强化学习（尤其是后训练阶段的 RLVR）天然适配去中心化架构——因为其更依赖于大规模、多样化的探索（Rollout），而非高频参数同步。结合 PoL 与 Verde 的验证体系，Gensyn 为万亿级参数模型的训练提供了一条不再依赖单一科技巨头的替代路径：一个由全球数百万异构 GPU 组成的、自我演化的超级智能网络。

Nous Research：可验证强化学习环境 Atropos

Nous Research 在构建一套去中心化、可自我进化的认知基础设施。其核心组件——Hermes、Atropos、DisTrO、Psyche 与 World Sim 被组织成一个持续闭环的智能演化系统。不同于传统“预训练—后训练—推理”线性流程，Nous 采用 DPO、GRPO、拒绝采样等强化学习技术，将数据生成、验证、学习与推理统一为连续反馈回路，打造持续自我改进的闭环 AI 生态。

#Nous Research 组件总览

#模型层：Hermes 与推理能力的演进

Hermes 系列是 Nous Research 面向用户的主要模型接口，其演进清晰展示了行业从传统 SFT/DPO 对齐向推理强化学习（Reasoning RL）迁移的路径：

• Hermes 1–3：指令对齐与早期代理能力：Hermes 1–3 依靠低成本 DPO 完成稳健指令对齐，并在 Hermes 3 借助合成数据与首次引入的 Atropos 验证机制。

• Hermes 4 / DeepHermes：通过思维链将 System-2 式慢思考写入权重，以 Test-Time Scaling 提升数学与代码性能，并依赖“拒绝采样 + Atropos 验证”构建高纯度推理数据。

• DeepHermes 进一步采用 GRPO 替代难以分布式落地的 PPO，使推理 RL 能在 Psyche 去中心化 GPU 网络上运行，为开源推理 RL 的可扩展化奠定工程基础。

#Atropos：可验证奖励驱动的强化学习环境

Atropos 是 Nous RL 体系的真正枢纽。它将提示、工具调用、代码执行和多轮交互封装成标准化 RL 环境，可直接验证输出是否正确，从而提供确定性奖励信号，替代昂贵且不可扩展的人类标注。更重要的是，在去中心化训练网络 Psyche 中，Atropos 充当“裁判”，用于验证节点是否真实提升策略，支持可审计的 Proof-of-Learning，从根本上解决分布式 RL 中的奖励可信性问题。

#DisTrO 与 Psyche：去中心化强化学习的优化器层

传统 RLF（RLHF/RLAIF）训练依赖中心化高带宽集群，这是开源无法复制的核心壁垒。DisTrO 通过动量解耦与梯度压缩，将 RL 的通信成本降低几个数量级，使训练能够在互联网带宽上运行；Psyche 则将这一训练机制部署在链上网络，使节点可以在本地完成推理、验证、奖励评估与权重更新，形成完整的 RL 闭环。

在 Nous 的体系中， Atropos 验证思维链；DisTrO 压缩训练通信；Psyche 运行 RL 循环；World Sim 提供复杂环境；Forge 采集真实推理；Hermes 将所有学习写入权重。强化学习不仅是一个训练阶段，而是 Nous 架构中 连接数据、环境、模型与基础设施的核心协议，让 Hermes成为一个 能在开源算力网络上持续自我改进的活体系统。

Gradient Network：强化学习架构 Echo

Gradient Network 核心愿景是通过“开放智能协议栈”（Open Intelligence Stack）重构 AI 的计算范式。Gradient 的技术栈由一组可独立演化、又异构协同的核心协议组成。其体系从底层通信到上层智能协作依次包括：Parallax（分布式推理）、Echo（去中心化 RL 训练）、Lattica（P2P 网络）、SEDM / Massgen / Symphony / CUAHarm（记忆、协作、安全）、VeriLLM（可信验证）、Mirage（高保真仿真），共同构成持续演化的去中心化智能基础设施。

Echo — 强化学习训练架构

Echo 是 Gradient 的强化学习框架，其核心设计理念在于解耦强化学习中的训练、推理与数据（奖励）路径，使 Rollout 生成、策略优化与奖励评估能够在异构环境中独立扩展与调度。在由推理侧与训练侧节点组成的异构网络中协同运行，以轻量同步机制在广域异构环境中维持训练稳定性，有效缓解传统 DeepSpeed RLHF / VERL 中推理与训练混跑导致的 SPMD 失效与 GPU 利用率瓶颈。

Echo 采用“推理–训练双群架构”实现算力利用最大化，双群各自独立运行，互不阻塞：

• 最大化采样吞吐：推理群 Inference Swarm由消费级 GPU 与边缘设备组成，通过 Parallax 以 pipeline‐parallel 构建高吞吐采样器，专注于轨迹生成；

• 最大化梯度算力：训练群 Training Swarm由可运行于中心化集群或全球多地的消费级 GPU 网络，负责梯度更新、参数同步与 LoRA 微调，专注于学习过程。

为维持策略与数据的一致性，Echo 提供顺序（Sequential）与异步（Asynchronous）两类轻量级同步协议，实现策略权重与轨迹的双向一致性管理：

• 顺序拉取（Pull）模式｜精度优先：训练侧在拉取新轨迹前强制推理节点刷新模型版本，从而确保轨迹新鲜度，适合对策略陈旧高度敏感的任务；

• 异步推拉（Push–Pull）模式｜效率优先：推理侧持续生成带版本标签的轨迹，训练侧依自身节奏消费，协调器监控版本偏差并触发权重刷新，最大化设备利用率。

在底层，Echo 构建于 Parallax（低带宽环境下的异构推理）与轻量化分布式训练组件（如 VERL)之上，依赖 LoRA 降低跨节点同步成本，使强化学习可在全球异构网络上稳定运行。

Grail：Bittensor 生态的强化学习

Bittensor 通过其独特的 Yuma 共识机制，构建了一个巨大的、稀疏的、非平稳的奖励函数网络。

Bittensor 生态中的 Covenant AI 则通过 SN3 Templar、SN39 Basilica 与 SN81 Grail 构建了从预训练到 RL 后训练的垂直一体化流水线。其中，SN3 Templar 负责基础模型的预训练，SN39 Basilica 提供分布式算力市场，SN81 Grail 则作为面向 RL 后训练的“可验证推理层”，承载 RLHF / RLAIF 的核心流程，完成从基础模型到对齐策略的闭环优化。

GRAIL目标是以密码学方式证明每条强化学习 rollout 的真实性与模型身份绑定，确保 RLHF 能够在无需信任的环境中被安全执行。协议通过三层机制建立可信链条：

1. 确定性挑战生成：利用 drand 随机信标与区块哈希生成不可预测但可复现的挑战任务（如 SAT、GSM8K），杜绝预计算作弊；

2. 通过 PRF 索引采样与 sketch commitments，使验证者以极低成本抽检 token-level logprob 与推理链，确认 rollout 确由声明模型生成；

3. 模型身份绑定：将推理过程与模型权重指纹及 token 分布的结构性签名绑定，确保替换模型或结果重放都会被立即识别。由此，为 RL 中推理轨迹（rollout）提供了真实性根基。

在此机制上，Grail 子网实现了 GRPO 风格的可验证后训练流程：矿工为同一题目生成多条推理路径，验证者依据正确性、推理链质量与 SAT 满足度评分，并将归一化结果写入链上，作为 TAO 权重。公开实验显示，该框架已将 Qwen2.5-1.5B 的 MATH 准确率从 12.7% 提升至 47.6%，证明其既能防作弊，也能显著强化模型能力。在 Covenant AI 的训练栈中，Grail 是去中心化 RLVR/RLAIF 的信任与执行基石，目前尚未正式主网上线。

Fraction AI：基于竞争的强化学习 RLFC

Fraction AI 的架构明确围绕竞争强化学习（Reinforcement Learning from Competition, RLFC）和游戏化数据标注构建 ，将传统 RLHF 的静态奖励与人工标注替换为开放、动态的竞争环境。代理在不同 Spaces 中对抗，其相对排名与 AI 法官评分共同构成实时奖励，使对齐过程演变为持续在线的多智能体博弈系统。

传统 RLHF 与 Fraction AI 的 RLFC 之间的核心差异：

RLFC 的核心价值在于奖励不再来自单一模型，而来自不断演化的对手与评估者，避免奖励模型被利用，并通过策略多样性防止生态陷入局部最优。Spaces 的结构决定博弈性质（零和或正和），在对抗与协作中推动复杂行为涌现。

在系统架构上，Fraction AI 将训练过程拆解为四个关键组件：

• Agents：基于开源 LLM 的轻量策略单元，通过 QLoRA 以差分权重扩展，低成本更新；

• Spaces：隔离的任务域环境，代理付费进入并以胜负获得奖励；

• AI Judges：以 RLAIF 构建的即时奖励层，提供可扩展、去中心化的评估；

• Proof-of-Learning：将策略更新绑定到具体竞争结果，确保训练过程可验证、防作弊。

Fraction AI 的本质是构建了一个人机协同的进化引擎”。用户作为策略层的“元优化者” (Meta-optimizer)，通过提示工程（Prompt Engineering）和超参配置引导探索方向；而代理在微观的竞争中自动生成海量的高质量偏好数据对 (Preference Pairs)。这种模式让数据标注通过“去信任化微调” (Trustless Fine-tuning) 实现了商业闭环 。

强化学习 Web3 项目架构比较

总结与展望：强化学习 × Web3 的路径与机会

基于对上述前沿项目的解构分析，我们观察到：尽管各团队的切入点（算法、工程或市场）各异，但当强化学习（RL）与 Web3 结合时，其底层架构逻辑皆收敛为一个高度一致的“解耦-验证-激励”范式。这不仅是技术上的巧合，更是去中心化网络适配强化学习独特属性的必然结果。

强化学习通用架构特征：解决核心的物理限制与信任问题

1. 推训物理分离 (Decoupling of Rollouts & Learning) —— 默认计算拓扑

   通信稀疏、可并行的 Rollout 外包给全球消费级 GPU，高带宽的参数更新集中于少量训练节点，从 Prime Intellect 的异步 Actor–Learner 到 Gradient Echo 的双群架构皆如此。

2. 验证驱动的信任层 (Verification-Driven Trust) —— 基础设施化

   在无需许可的网络中，计算真实性必须通过数学与机制设计强制保障，代表实现包括 Gensyn 的 PoL、Prime Intellect 的 TOPLOC 与 Grail 的密码学验证。

3. 代币化的激励闭环 (Tokenized Incentive Loop) —— 市场自我调节

   算力供给、数据生成、验证排序与奖励分配形成闭环，通过奖励驱动参与、通过 Slash 抑制作弊，使网络在开放环境中依然保持稳定与持续演进。

差异化技术路径：一致架构下的不同“突破点”

尽管架构趋同，但各项目根据自身基因选择了不同的技术护城河：

• 算法突破派 (Nous Research)：试图从数学底层解决分布式训练的根本矛盾（带宽瓶颈）。其 DisTrO 优化器旨在将梯度通信量压缩数千倍，目标是让家庭宽带也能跑得动大模型训练，这是对物理限制的“降维打击”。

• 系统工程派 (Prime Intellect, Gensyn, Gradient)：侧重于构建下一代的“AI 运行时系统”。Prime Intellect的ShardCast和 Gradient 的 Parallax 都是为了在现有的网络条件下，通过极致的工程手段压榨出最高的异构集群效率。

• 市场博弈派 (Bittensor, Fraction AI)：专注奖励函数（Reward Function）的设计。通过设计精妙的评分机制，引导矿工自发寻找最优策略，来加速智能涌现。

优势、挑战与终局展望

在强化学习与 Web3 结合的范式下，系统级优势首先体现在成本结构与治理结构的重写。

• 成本重塑：RL 后训练（Post-training）对采样（Rollout）的需求是无限的，Web3 能以极低成本调动全球长尾算力，这是中心化云厂商难以比拟的成本优势。

• 主权对齐 (Sovereign Alignment)：打破大厂对 AI 价值观（Alignment）的垄断，社区可以通过 Token 投票决定模型“什么是好的回答”，实现 AI 治理的民主化。

与此同时，这一体系也面临两大结构性约束。

• 带宽墙 (Bandwidth Wall)：尽管有 DisTrO 等创新，物理延迟仍限制了超大参数模型（70B+）的全量训练，目前 Web3 AI 更多局限于微调和推理。

• 古德哈特定律 (Reward Hacking)：在高度激励的网络中，矿工极易“过拟合”奖励规则（刷分）而非提升真实智能。设计防作弊的鲁棒奖励函数是永恒的博弈。

• 恶意拜占庭式节点攻击 (BYZANTINE worker)：通过对训练信号的主动操纵与投毒破坏模型收敛。核心不在于持续设计防作弊的奖励函数，而在于构建具备对抗性鲁棒性的机制。

强化学习与 Web3 的结合，本质是在重写“智能是如何被生产、对齐并分配价值”的机制。其演进路径可概括为三条互补方向：

1. 去中心化推训网络：从算力矿机到策略网络，将并行且可验证的 Rollout 外包给全球长尾 GPU，短期聚焦可验证推理市场，中期演化为按任务聚类的强化学习子网；

2. 偏好与奖励的资产化：从标注劳工到数据股权。 实现偏好与奖励的资产化，将高质量反馈与 Reward Model 变为可治理、可分配的数据资产，从“标注劳工”升级为“数据股权”

3. 垂直领域的“小而美”进化：在结果可验证、收益可量化的垂直场景中孕育小而强的专用 RL Agents，如 DeFi 策略执行、代码生成，使策略改进与价值捕获直接绑定并有望跑赢通用闭源模型。

总体来看，强化学习 × Web3 的真正机会不在于复制一个去中心化版 OpenAI，而在于重写“智能生产关系”：让训练执行成为开放算力市场，让奖励与偏好成为可治理的链上资产，让智能带来的价值不再集中于平台，而在训练者、对齐者与使用者之间重新分配。

深潮 TechFlow 消息，12 月 23 日，据 Bybit TradFi 最新数据显示，黄金今日最高触及 4,497.79，白银上涨至 69.978，齐创历史新高，贵金属行情持续走强，市场关注度迅速升温。

当前 Bybit 新用户活动火热进行中，入金并交易最高可赢取 10,000 体验金，活动将于 12 月 30 日 截止。

深潮 TechFlow 消息，12 月 23 日，据链上分析师 Murphy（@Murphychen888）监测，BTC 现货价格 5% 范围内的”筹码集中度”已达 13.3%，超过警戒线。数据显示，当该指标超过 13% 时，比特币价格可能出现较大波动，尤其是当指标高于 15% 后将进入”高风险区”。

深潮 TechFlow 消息，12 月 23 日，据 Cointelegraph 报道，加密支付公司 MoonPay 总裁 Keith Grossman 表示，代币化将比数字技术对传统媒体的冲击更快地改造金融行业。他指出，RWA 将迫使传统金融机构进行适应，这已不再是理论设想，贝莱德和富兰克林邓普顿等机构已在区块链上提供代币化基金。

目前 RWA 领域市值（不含稳定币）接近 190 亿美元，绝大多数代币化资产已落户以太坊网络。代币化资产优势包括实现全天候市场访问、资产全球化、降低交易成本及缩短结算时间。

此前消息，存管信托与清算公司（DTCC）获美国证券交易委员会批准，开始提供代币化金融工具，计划于 2026 年下半年推出首批包括美国国债和股票指数的代币化资产。

 

撰文：June，深潮 TechFlow

2025年1月，meme 币市场正处于狂热的巅峰。随着美国总统特朗普发布 TRUMP 币，一场前所未有的投机狂潮席卷而来，“百倍币”的造富神话吞噬了市场的注意力。

同一时间，一起针对 Pump.fun 平台的诉讼也正悄然启动。

时间快进到近日。

Pump.fun 联合创始人兼首席运营官 Alon Cohen，已经超过一个月没有在社交媒体上发声。对于一向活跃、总是在线“冲浪吃瓜”的 Alon 而言，这种沉默显得格外引人注目。数据显示，Pump.fun 的周交易量已从 1 月高峰期的 33 亿美元，暴跌至目前的 4.81 亿美元，跌幅超过 80%。与此同时，PUMP 价格跌至 0.0019 美元，较历史高点回撤约 78%。

回溯到几个月前的7月12日，情况截然不同。Pump.fun 公售以每枚 0.004 美元的统一价格发行，12 分钟内售罄，募集约 6 亿美元，情绪一度被推向高潮。

从年初的热闹，再到如今的冷清，市场态度形成了鲜明对比。

在这一切变化中，唯一没有停下来的是回购计划。Pump.fun 团队仍在按部就班地执行每日回购计划。截至目前，累计回购金额达 2.16 亿美元，消化了约 15.16% 的流通供应。

与此同时，那场在市场狂热中被忽视的诉讼，如今正在悄然膨胀。

一切，从 $PNUT 的亏损开始

故事要从2025年1月说起。

1月16日，投资者 Kendall Carnahan 率先在纽约南区法院提起诉讼(案件编号：Carnahan v. Baton Corp.)，将矛头直指 Pump.fun 及其三位创始人。Carnahan 的诉求很明确，他在平台上购买了 $PNUT 代币后遭受了损失，并指控 Pump.fun 销售的是未经注册的证券，违反了美国《1933年证券法》。

根据诉讼文件披露，这名投资者的实际亏损金额仅为 231 美元。

仅仅两周后的1月30日，另一位投资者 Diego Aguilar 也提起了类似的诉讼(案件编号：Aguilar v. Baton Corp.)。与 Carnahan 不同的是，Aguilar 购买的代币种类更多，包括 $FRED、$FWOG、$GRIFFAIN 等多个在 Pump.fun 平台上发行的meme币。他的诉讼范围更广，代表的是所有在该平台购买了未注册代币的投资者。

此时，两起案件各自独立进行，被告都是同一批人：

Pump.fun 运营公司 Baton Corporation Ltd 及其三位创始人，Alon Cohen (首席运营官)、Dylan Kerler (首席技术官)和 Noah Bernhard Hugo Tweedale (首席执行官)。

两案合并，亏损24万美元者成为首席原告

两起独立的诉讼很快引起了法院的注意。负责审理此案的纽约南区法院法官 Colleen McMahon 发现了一个问题，两起案件针对的是同一批被告、同一个平台、同样的违法行为，为什么要分开审理？

2025年6月18日，McMahon 法官直接向原告律师团队提出质疑：

为什么会存在两起针对同一问题的独立诉讼？她要求律师们解释为何不应该将这两个案件合并。

原告律师最初试图辩护，声称可以保留两个独立的案件，一个专门针对 $PNUT 代币，另一个针对 Pump.fun 平台上的所有代币，并建议分别任命两位首席原告。

但法官显然不买账。这种“分而治之”的策略不仅会造成司法资源的浪费，还可能导致不同案件出现相互矛盾的判决结果。重点在于，所有原告面临的核心问题一致，他们都指控 Pump.fun 销售未注册证券，并认为自己是同一个欺诈系统的受害者。

6月26日，McMahon 法官做出裁决，将两起案件正式合并。同时，法官根据《私人证券诉讼改革法案》(PSLRA)的规定，正式任命损失最大的 Michael Okafor 为首席原告（根据法庭记录，Okafor 在 Pump.fun 的交易中损失了约 24.2 万美元，远超其他原告）。

至此，原本各自为战的投资者们形成了统一战线。

矛头转向 Solana Labs 与 Jito

案件合并后仅一个月，原告方就抛出了一枚重磅炸弹。

2025年7月23日，原告提交了《合并修订诉状》，被告名单发生了戏剧性的扩大。这一次，矛头不再仅仅指向 Pump.fun 及其三位创始人，而是直接瞄准了整个 Solana 生态系统的核心参与者。

新增的被告包括：

• Solana Labs，Solana Foundation 及其高管 （Solana 被告方）: 原告指控 Solana 不仅仅是提供了区块链技术那么简单。根据诉讼文件，Pump.fun 与 Solana Labs 之间存在密切的技术协调和沟通，远超普通的开发者-平台关系。

• Jito Labs 及其高管（Jito 被告方）: 原告认为，正是 Jito 的 MEV 技术使得内部人士可以支付额外费用来确保自己的交易优先执行，从而在普通用户之前买入代币，实现无风险套利。

原告的策略明确，他们试图证明，Pump.fun、Solana 和 Jito，不是各自独立运作，而是形成了一个紧密的利益共同体。Solana 提供区块链基础，Jito 提供 MEV 工具，Pump.fun 运营平台，三者共同构建了一个看似去中心化、实则被操纵的系统。

核心指控，不只是“亏钱”那么简单

许多人可能会认为，这只是一群投资者因为炒币亏钱而恼羞成怒的维权行动。但如果仔细阅读长达数百页的法庭文件，就会发现原告的指控，指向的是一个精心设计的欺诈体系。

第一项指控：销售未注册证券

这是整个案件的法律基础。

原告认为，Pump.fun 平台上发行的所有 meme 代币本质上都是投资合同，根据*豪威测试，这些代币符合证券的定义。然而，被告从未向美国证券交易委员会提交任何注册声明，就公开向公众销售这些代币，这违反了《1933年证券法》的第5条、第12(a)(1)条和第15条。

平台通过 “联合曲线”(bonding curve) 机制销售代币时，也完全没有向投资者披露必要的风险信息、财务状况或项目背景，而这些都是注册证券发行时必须提供的信息。

注：豪威测试 (Howey Test) 是美国最高法院在 1946 年 SEC v. W.J. Howey Co. 案中确立的一项法律标准，用于判断某种特定的交易或计划是否构成“投资合同”（Investment Contract）。如果符合该测试标准，该资产就被视为“证券”（Security），必须受美国证券交易委员会（SEC）的监管，并遵守《1933年证券法》和《1934年证券交易法》的注册和披露要求。

第二项指控：运营非法赌博企业

原告将 Pump.fun 定义为一个“Meme币赌场”(Meme Coin Casino)。他们指出，用户投入SOL购买代币的行为，本质上就是在“下注”，其结果主要取决于运气和市场投机，而非代币的实际效用。平台作为“庄家”，从每笔交易中抽取1%的费用，就像赌场抽水一样。

第三项指控：电信欺诈与虚假宣传

Pump.fun表面上宣传“公平启动”(Fair Launch)、“无预售”(No Presale)、“防跑路”(Rug-proof)，给人一种所有参与者都站在同一起跑线上的印象。但实际上，这是一个彻头彻尾的谎言。

诉讼文件指出，Pump.fun 秘密整合了 Jito Labs 提供的 MEV 技术。这意味着，那些知道“内幕”并愿意支付额外“小费”的内部人士，可以通过“Jito 捆绑包”(Jito bundles)在普通用户的交易执行之前抢先买入代币，然后在价格上涨后立即卖出获利，这就是所谓的抢先交易。

第四项指控：洗钱与无牌照汇款

原告指控 Pump.fun 在没有获得任何汇款许可证的情况下，接收和转移大量资金。诉讼文件声称，该平台甚至协助朝鲜黑客组织 Lazarus Group 清洗赃款。具体案例，黑客在 Pump.fun 上发行了一个名为 “QinShihuang” (秦始皇) 的 Meme 代币，利用 Pump.fun 平台的高流量和流动性，将“脏钱”与普通散户的合法交易资金混合。

第五项指控：完全缺乏投资者保护

与传统金融平台不同，Pump.fun 没有任何“了解你的客户”(KYC)流程、反洗钱(AML)协议，甚至连最基本的年龄验证都没有。

原告的核心论点可以总结为一句话：这不是一个被市场波动影响的正常投资，而是一个从设计之初就注定让散户亏损、让内部人士获利的欺诈系统。

这一扩展意味着诉讼的性质发生了根本性转变。原告不再满足于指控Pump.fun单独作案，而是将其描述为一个更庞大的“犯罪网络”的一部分。

一个月后的8月21日，原告进一步提交了《RICO案件陈述》，正式指控所有被告共同构成了一个“敲诈勒索集团”，通过Pump.fun这个表面上的“公平启动平台”，实际运营着一个被操纵的“Meme 币赌场”。

原告的逻辑很清晰，Pump.fun 不是独立运作的，它的背后有 Solana 提供区块链基础设施，有 Jito 提供 MEV 技术工具。三方形成了一个紧密的利益共同体，共同欺诈普通投资者。

但原告手中究竟有什么证据支撑这些指控？答案在几个月后揭晓。

关键证据，神秘线人与聊天记录

2025年9月之后，案件的性质发生了根本性的转变。

因为原告拿到了实锤证据。

一位“机密线人”(confidential informant) 向原告律师团队提供了第一批内部聊天记录，数量约为 5000 条。这些聊天记录据称来自 Pump.fun、Solana Labs 和 Jito Labs 内部的沟通渠道，记录了三方之间的技术协调和业务往来。

这批证据的出现，让原告方如获至宝。因为此前所有的指控，关于技术勾结、MEV操纵、内部人士优先交易，都还停留在推测层面，缺乏直接证据。

而这些内部聊天记录，据称能够证明三方之间的“共谋关系”。

一个月后的10月21日，这位神秘线人又提供了第二批文件，这次的数量更加惊人，超过1万条聊天记录和相关文档。这些材料据称详细记录了：

• Pump.fun 如何与 Solana Labs 协调技术集成

• Jito 的 MEV 工具如何被嵌入到 Pump.fun 的交易系统中

• 三方如何讨论如何“优化”交易流程(原告认为这是操纵市场的委婉说法)

• 内部人员如何利用信息优势进行交易

原告律师在法庭文件中表示，这些聊天记录“揭示了一个精心设计的欺诈网络”，证明了 Pump.fun、Solana 和 Jito之间的关系远不止表面上的“技术合作伙伴”那么简单。

二次修订诉状的申请

面对如此庞大的新证据，原告需要时间来整理和分析。2025年12月9日，法院批准了原告提交《第二次修订诉状》的请求，允许他们将这些新证据纳入诉讼。

但问题来了，超过1.5万条聊天记录需要逐一审阅、筛选、翻译(部分可能是非英语内容)、分析其法律意义，这是一个巨大的工作量。加上即将到来的圣诞节和新年假期，原告律师团队明显时间不够用。

12月10日，原告向法院提交动议，请求延长提交《第二次修订诉状》的期限。

仅仅一天后，12月11日，McMahon 法官批准了延期请求。新的截止日期被定为2026年1月7日。这意味着，在新年之后，一份可能包含更多爆炸性指控的《第二次修订诉状》将会呈现在法庭上。

案件现状

截至目前，这起诉讼已经进行了将近一年，但真正的较量才刚刚开始。

2026年1月7日，原告将提交包含所有新证据的《第二次修订诉状》，届时我们将看到那1.5万条聊天记录究竟揭示了什么。与此同时，被告方面却出奇地安静。Pump.fun 的联合创始人 Alon Cohen 已经一个多月没有在社交媒体发声，Solana 和 Jito 的高管们也没有对诉讼做出任何公开回应。

有趣的是，尽管这起诉讼的规模和影响力不断扩大，加密货币市场似乎并不太在意。Solana 的价格并未因为诉讼而出现剧烈波动，$PUMP 代币虽然价格持续下跌，但更多是因为 meme 币整体叙事的崩塌，而非诉讼本身的影响。

尾声

这起因交易 meme 币亏损而引起的诉讼已演变成一场针对整个 Solana 生态的集体诉讼。

案件也已经超越了“几个投资者亏钱维权”的范畴。它触及了加密货币行业最核心的问题：去中心化是真实的，还是一个精心包装的幻象？公平启动是否真的公平？

然而，许多关键问题仍然悬而未决：

• 那位神秘线人究竟是谁？是前员工？竞争对手？还是监管机构的卧底？

• 1.5万条聊天记录中究竟有什么内容？是确凿的共谋证据，还是被断章取义的正常业务沟通？

• 被告方会如何辩护？

2026年，随着《第二次修订诉状》的提交和案件审理的推进，我们或许会得到一些答案。

深潮 TechFlow 消息，12 月 23 日，Messari 近期发布了一份深度报告，深入分析了 Mantle 的网络设计、生态系统结构和近期里程碑，重点阐述了该协议如何演进为链上金融提供协调的分布式支付层。

报告着重于 Mantle 不断深化与交易所的集成、扩展的现实世界资产基础设施，以及涵盖资本、应用和用户访问的模块化金融堆栈的出现。

报告最后指出，从与 Bybit 的深度分发协同，到 Tokenization-as-a-Service 的持续落地，再到由 Succinct 驱动的 OP-Succinct ZK 升级，Mantle 正逐步成型为一个 高度协同的分发层（Distribution Layer），其角色已不再局限于单一的执行层。

深潮 TechFlow 消息，12 月 23 日，据链上分析师 The Data Nerd（@OnchainDataNerd）监测，7 小时前，一个疑似属于 Ethena 团队的钱包提取了 2.68万 枚 AAVE（约合 403 万美元），随后将其中 1.79万枚 AAVE（约合 268 万美元）分别存入币安和 Bybit 交易所。

深潮 TechFlow 消息，12 月 23 日，据加密分析师 Trader T 监测，昨日美国以太坊现货 ETF 净流入 8459 万美元。

ETHE（Grayscale）：净流入 5370 万美元；

ETH（Grayscale mini）：净流入 3089 万美元。

深潮 TechFlow 消息，12 月 23 日，据加密分析师 Trader T 监测，昨日美国比特币现货 ETF 总净流出 1.4209 亿美元。

深潮 TechFlow 消息，12 月 23 日，据港媒香港01报道，一家经营虚拟货币及名牌手袋的日本公司在香港上环遭遇抢劫，损失 10 亿日元（约合 5000 万港元）。事发于 12 月 18 日上午，4 名持刀匪徒仅用 30 秒就抢走了装有现金的 4 个行李箱。

香港警方已拘捕 15 人，部分嫌犯有黑社会背景，其中 7 人已被落案起诉”串谋行劫”罪。警方表示已将涉案人士一网打尽，包括主谋在内，但赃款下落仍在追查中。

据了解，被抢劫的 39 岁男事主为内地人，持双程证来港，当时与一名司机协助拖运行李。两人原计划将从日本带来的营业额通过香港找换店兑换成虚拟货币和港币，却在前往目的地途中遭遇抢劫。

深潮 TechFlow 消息，12 月 23 日，Nano Labs 创始人孔剑平在社交媒体发文表示，“量子计算威胁比特币的讨论又热了起来。核心不是”会不会”，而是”什么时候”。

170万枚早期BTC因地址结构问题可能首当其冲，社区将面临冻结资产还是放任被盗的两难选择。

更现实的问题是，即便现在开始抗量子升级，从技术方案到社区共识再到完成迁移，可能需要数年时间。

而其他公链已经在测试网和账户层面开始防御演练了。”

深潮 TechFlow 消息，12 月 23 日，据金十数据报道，现货白银突破70美元/盎司大关，今年迄今涨幅达142%。

深潮 TechFlow 消息，12 月 23 日，根据 SoSoValue 数据，昨日（美东时间 12 月 22 日）Solana 现货 ETF 总净流入 747 万美元。

昨日（美东时间 12 月 22 日）单日净流入最多的 SOL 现货 ETF 为 Fidelity SOL ETF FSOL，单日净流入 585 万美元，历史总净流入达 1.10 亿美元。

其次为 VanEck SOL ETF VSOL，单日净流入为 162 万美元，历史总净流入达 1738 万美元。

截至发稿前，Solana 现货 ETF 总资产净值为 9.38 亿美元，Solana 净资产比率 1.34%，历史累计净流入已达 7.50 亿美元。

深潮 TechFlow 消息，12 月 23 日，据金十数据报道，周二，日元在十国集团货币中表现领先。日本财务大臣片山皋月在接受采访时表示，如果日元汇率波动脱离基本面，政府拥有“自由裁量权”采取大胆行动，这一发言随后推动了日元走强。机构策略师认为，在财务大臣片山皋月发表强力言论仅小幅压低美元兑日元汇率后，外汇交易员将对日本干预手段的下一阶段保持警惕，届时可能会出现突击性的利率检查。虽然美元本周兑欧元、英镑和澳元有所走软，这有助于抑制美元兑日元的涨势，但如果日本央行不加快加息步伐，日元在十国集团的交叉汇率交易中仍将是备受青睐的做空对象。

撰文：Cookie

本月初，CZ 与 Peter Schiff 在 Binance 区块链周上进行了一场有趣的「比特币 VS 黄金」的辩论。在看完这场辩论的视频后，我又在 X 上浏览关于辩论的相关讨论推文，看着看着，我忽然间发现了一个问题…

在 YouTube 上，Binance 的官方账号有着 122 万名订阅者，但辩论的视频仅仅只收获了 16 万次观看，以及 5358 次点赞：

而随便在 X 上搜索相关话题推文，比如下面图中的这条，这个 X 账号只有约 25 万粉丝，但浏览量却达到了 51.7 万，被点赞超过 4100 次：

这样的数据差距不可谓不大，那么，是推特（X）在制造「虚假流量」吗？

浏览量计算「浮夸」了？

和我们想象中的浏览量计算方式有些差异，X 的浏览量计算比想象中要宽松许多——每条推文只要出现在登录用户的设备屏幕上时，都会被计为 1 次浏览。也就是说，哪怕用户压根没注意到有某条推文，只要这条推文被 X 的算法推荐到了你的时间线上，你就算是看都没看直接向下划走了，也算作 1 次浏览。

不单单是推荐内容的时间线，在搜索结果、查看某个 X 账号的所有历史推文等场景下，这种「划走 +1」的浏览量计入都是成立的。

同时，这种计数并不是「唯一」的，即对于同一用户，如果屏幕上多次出现某条相同的推文，浏览量都会被累计。

所以，如果点开 X 账号的创作者中心，你会发现浏览量的用词并不是「views」而是「impressions」，X 的浏览量计算主要用于衡量帖子的曝光度，而不是实际 engagement（如点赞、转发或评论），尽管后者更能反映真实的互动情况。

那么，这样算「浮夸」吗？确实有点，但不太好说。

我们来横向对比一下其它的社媒平台。Threads 的浏览量计算方式几乎和 X 一致，主要都侧重于体现帖子的曝光度而非实际交互。

而主打视频的 YouTube 和 Tiktok，门槛就瞬间提了起来。对于传统的长视频，YouTube 要求观看时长超过 30 秒才算有效浏览。长视频这种内容形式的规模和简短的推文比起来显然要庞大很多，因此需要观看超过 30 秒也算合理。而到了短视频的 Tiktok，就又和 X 差不了多少了，尤其是自动播放的推荐页，和 X 一样——只要视频出现在了用户的设备屏幕上，浏览量就 +1 了，哪怕用户看都没看就划走了。

「浮夸」的目的，是为了更好地体现内容的「曝光度」，那为什么要如此呢？

其实，所有人都能查看某条推文的浏览量，是马斯克收购推特之后带来的更新。此前，只有发帖者本人能够查看推文的浏览量。而马斯克本人亲自发推说明过如此进行更新的原因：

「Twitter 远比看上去要活跃，因为 90% 的 Twitter 用户只看却不发推、不点赞或不评论」

马斯克在上面这条推文中还提到，「对于视频来说，这只不过是正常操作」。彼时，Twitter 刚被马斯克收购不久，紧接着就是大规模的裁员以及推特的「蓝 V 付费订阅」争议，「Twitter is dead」的嘲讽在当时此起彼伏。

很难说马斯克在当时选择开放浏览量数据没有「回击」的心态在，毕竟，连他自家的 AI Grok 都这么说：

而这种「浮夸」其实可能并不只是我们的个体体感。根据雅虎的一篇新闻报导，此前有推特员工表示，不开放浏览量数据的原因是，「很难判断一条推文是被真正阅读过，还是仅仅被用户滑动屏幕略过」。

可见，要如何去界定一条推文「是否被有效地阅读了」，本身也是困难的。马斯克固然有「回击」的目的在，但他说的也是实话。对于推文来说，这种浏览量指标的简化其实也是必要的，因为许多推文（比如 meme 类型等）并不需要多么深度的用户触达，而是注重于漏斗最宽最广的那层顶端——尽可能多地去吸引用户就好了。

优先曝光而非深度互动，高可见性而非深触达性，才是 X 和马斯克优先需要的。

在「浮夸」中寻找「真实」

当然了，如果只追求高可见性，那创作者们又很可能陷入另一种极端——求数量而不求质量。如果是这样的话，久而久之，推特也会因为内容的低质量而陷入衰亡。

因此，浏览量并不是创作者们所要追求的唯一核心指标。绝大多数的创作者辛辛苦苦做内容，也是要追求变现的。对于创作者来说，收入是可衡量的回报，能激励高质量内容创作，浏览量很像马拉松途中的休息站——恭喜你，你已经跑过了这么多的路程领先了不少人了，继续努力吧。

要能够有商业变现的能量，把浏览量做起来是第一步，但即使浏览量很高，如果内容不吸引广告，比如靠吸引特定人群的敏感话题，或是短期的蹭热点，收入一样还是只能为 0。

在推特上，「创作者收入分成」显然是那个在「浮夸」中寻找「真实」的指南针。要衡量一个账号的影响力，创作者收入分成比浏览量要重要太多了，因为想要拿到推特的创作者收入分成，浏览量只是一个门槛，以及辅助创作者更好地出产爆款内容的指标之一。

推特的创作者收入分成（Ads Revenue Sharing）是于 2023 年 7 月推出的，前推特 CEO Linda Yaccarino 在 2024 年 5 月时曾透露，已经支付了超过 5000 万美元的创作者收入分成。

要拿到创作者收入分成，首先要满足门槛——认证身份、开通推特 Premium 会员、拥有 500 名 Premium 会员粉丝以及在 3 个月内浏览量累计至少 500 万。

但正如我们上面提到的，浏览量做起来仅仅只是开始。创作者收入分成是依据根据推文的已验证（Premium 会员）互动量（例如点赞和回复）计算，同时会考虑不同内容类型的影响力，例如文章、视频、Space 和直播。

因此，在推特上，我们既可以看到 33 万粉丝的创作者一个月收入 2000 多美元：

也可以看到只有 1.3 万粉丝的创作者一个月收入 1000 多美元：

在去年 10 月时，推特官方宣布，创作者收入分成的来源不再基于出现在评论区中的广告收入，而是基于推特 Premium 会员的订阅收入。此举意在鼓励更多的优质创作者出现——一起把蛋糕做大吧，越多人给推特付钱，我们就给创作者们付更多钱。

今年 11 月，推特又推出了一个名为「Bangers」的新功能，依据推文的真实互动量，不定期由官方评选出一些优质推文，并授予创作者账号「Bangers」附属勋章。这种「推文名人堂」一样的功能，为我们在「浮夸」中寻找「真实」提供了又一个依据。

结语

可能我们所处的当下，是最能够证明「勇敢是成功最重要的品质」这一观点的。创作者的第一步，正是「勇敢地去表达自己」，而这也是一个合格创作者的核心品质。

在直播带货、自媒体已经悄然改变工作生态多年的当下，我们都会说，「流量就是钱」。但来钱的第一步，正是屏幕背后 +1、+1 再 +1 的浏览量，而勇敢表达自我的你，就已经站到了起跑线上。

现在，你已经看清了推特是如何制造「虚假流量」的，那么你会从今天开始，制造属于你自己的真实流量吗？

深潮 TechFlow 消息，12 月 23 日，据链上分析师余烬（@EmberCN）监测，某鲸鱼地址在过去一小时内售出 10,006 枚 ETH（约合 3005 万美元），其中最近一笔交易为 4700 枚 ETH（约合 1405 万美元）。

该地址在过去一周内累计抛售 30,605 枚 ETH（约合 8914 万美元），平均售价为 2913 美元。

深潮 TechFlow 消息，12 月 23 日，据 Arkham 监测，贝莱德已于今日凌晨增持总价值 1764 万美元的 BTC 和 ETH。

通过 ETHA 增持 4534 枚 ETH，价值约合 1362 万美元；通过 IBIT 增持 45.379 枚 BTC，价值 402 万美元。

深潮 TechFlow 消息，12 月 23 日，据官方公告，Bithumb 将上线 THQ 韩元交易对。

深潮 TechFlow 消息，12 月 23 日，Matrixport 发布今日图表称，“黄金价格屡创新高，过去一年相对比特币取得近80%的超额收益，阶段性表现相当突出。

从宏观环境看，美元走弱、资产多元化配置以及对价值储藏资产的需求，仍是当前市场的几条主线。但在本轮行情中，超额收益更多集中在黄金等传统对冲资产上，背后对应利率回落、通胀走低，以及市场对美联储在2026年转向更鸽派的预期升温。

在央行层面的选择上也能看到类似取向。尽管贝莱德近几年不断强化比特币“数字黄金”的叙事，但各国央行在储备资产配置上仍以黄金为主。比特币由于波动大、曝光度高且带有一定政治敏感性，目前难以被大规模纳入官方储备资产

从中长期看，美国政策走向仍是最关键的不确定因素:特朗普政府理论上可能选择重估黄金价格、抛售部分黄金储备，或将部分储备在边际上多元化配置到比特币上。此类情形在短期内出现的概率并不高，但不排除在2026年被市场放大演变为新的讨论焦点。”

深潮 TechFlow 消息，12 月 23 日，据 Onchain Lens（@OnchainLens）监测，Bitmine（@BitMNR）进一步从 BitGo 和 Kraken 购入了总计 29,463 枚以太坊，价值约 8820 万美元。

具体交易详情显示，新创建的钱包地址”0xecA”从 BitGo 接收了 18,454 枚以太坊，价值约 5561 万美元；而钱包地址”0x1b6″则从 Kraken 提取了额外的 11,009 枚以太坊，价值约 3314 万美元。该钱包目前持有 24,421 枚以太坊，总价值约 7312 万美元。

撰文：Sanqing，Foresight News

在法兰克福 Sibos 2025 大会期间，Swift 首席业务官 Thierry Chilosi 与标准渣打银行交易银行部全球负责人 Michael Spiegel 共同探讨了全球金融的重大转型。随着代币化从试点走向现实，Swift 正式宣布在其基础设施中增加一个基于区块链的共享账本，旨在实现全球规模下可信且互操作的数字金融。该账本将作为金融机构之间安全、实时的交易记录，通过智能合约验证交易序列并执行商定规则，旨在补充现有系统并将传统金融与代币化资产无缝衔接。

图源：Swift 官网

尽管 Swift 在最初面向银行业发布这一重大新闻时并未直接说明技术平台，但 Consensys 首席执行官 Joe Lubin 在新加坡 Token2049 大会上透露，Swift 正在利用以太坊 Layer 2 网络 Linea 来构建其新的支付结算平台。通过采用 Linea 的 zk-EVM 汇总技术，Swift 能够在显著降低成本和延迟的同时，满足金融行业对 24/7 实时结算及安全性的严苛要求。目前，包括摩根大通、美国银行和花旗银行在内的 30 多家全球顶级金融机构已准备参与这一基于 Linea 的新区块链支付轨道试点。

Ripple 的深耕与现状

在探讨 Swift 之前，我们必须回顾那个挑战了旧体制十余年的先行者：Ripple。

2012 年 Ripple 带着 XRP Ledger（XRPL）横空出世，核心目标是取代效率低下的 Swift 代理行模式。在此期间，Ripple 成功构建了全球支付网络 RippleNet，连接了 300 多家金融机构，并在东南亚等碎片化市场通过按需流动性（ODL）服务，证明了 XRP 作为桥梁货币可将跨境清算时间从数日缩短至 3 至 5 秒。

进入 2020 年，受美国 SEC 诉讼案影响，Ripple 在美国市场因证券指控而遭遇封锁并陷入停滞，但其在全球范围内的规模反而持续扩大。到 2022 年，其业务已触达超过 40 个支付市场，支付总额翻倍至约 300 亿美元。

2023 年 Ripple 迎来转机，法院裁定 XRP 本身不属于证券，为 Ripple 和行业带来了里程碑式的胜利。

直到 2025 年 8 月，随着 SEC 彻底放弃上诉，这场耗时五年的法律拉锯战宣告终结，法律地位的完全明朗化促使 XRP 现货 ETF 获批，标志着其正式进入主流机构的资产配置名单。

如今，Ripple 已在多个真实场景中开展跨境收付业务，涉及 To C 零售汇款到 To B 企业级支付。

在零售领域，日本的 SBI Remit 利用 XRP 桥接了通往菲律宾、越南和印尼的实时汇款渠道，极大降低了海外劳工的预存资金成本；桑坦德银行（Santander）则通过 One Pay FX 应用为客户提供透明的实时转账。同时，东南亚支付平台 Tranglo 在 Ripple ODL 的支持下显著提升了比索与泰铢的兑付效率。

在企业层面，美国运通（American Express）与 PNC 银行分别利用 RippleNet 优化了 B2B 贸易结算与国际收款体验。

并且在国家基建中，Ripple 也与帕劳、黑山、不丹等 20 多个国家合作开发 CBDC 平台，将区块链技术应用于主权货币的发行与清算体系。

为何 Swift 选择了 Linea？

巨头在布局以太坊生态时，展现出了对 Layer 2 技术的高度一致性：Coinbase 的 Base 链基于 OP Stack 构建，而 Robinhood 也在今年宣布推出基于 Arbitrum 技术的 Robinhood Chain，用于支持 RWA 的代币化与 24/7 交易。

这种偏好源于 L2 既能利用以太坊的安全性，又能通过模块化架构满足高性能需求。Swift 选择 Linea 而非 OP 或 Arbitrum，其核心差异在于底层验证逻辑。

OP 和 Arbitrum 采用的是 Optimistic Rollup，其逻辑是默认交易有效，仅在有人质疑时才进行验证，资产提取通常需要多日的挑战期，对于追求流动性的金融清算而言，无疑是巨大的时间成本。

而 Linea 采用的是 zk-EVM，它通过数学方式提供即时的有效性证明。对于需要处理海量价值结算的 Swift 及其合作银行而言，zk-EVM 不仅能更快提供最终确认，还能在保护交易隐私的同时确保合规验证。

Swift 选择 Linea 蕴含着资本运行的第一性原理：流动速率最大化。

资本将像流体一样，从低流速（需在 Nostro/Vostro 账户预存大量沉淀准备金）、高摩擦（代理行层层抽成）、慢结算（数日结算）的电报指令传统系统，迁移到高流速、低摩擦、快结算的区块链数字化系统。

Swift 每年处理约 150 万亿美元的巨额全球支付，如果能通过 Linea 的技术栈实现原子级对账和 24/7 实时结算，意味着全球金融体系中原本为了对冲清算延迟而积压的数万亿美元准备金将被释放，重新注入实体经济。

正如 Consensys 首席执行官 Joe Lubin 在新加坡 Token 2049 大会所言，这不仅仅是技术的更迭，更是 TradFi 与 DeFi 两个流派的真正合流，标志着全球价值传输协议从「电报指令时代」正式迈入了「数学验证时代」 。

Swift 拥抱区块链的意义

作为每年处理约 150 万亿美元交易量的全球金融骨干网络，Swift 决定在 Linea 这一以太坊 Layer 2 上构建账本，意味着区块链技术将成为主流金融的心脏。

Swift 将通过统一的技术标准消除不同代币化网络间的碎片，捅破 TradFi 与 DeFi 之间长久以来的隔膜，将去中心化金融的效率基因植入传统清算体系。

通过 24/7 全天候运行的实时共享账本，全球金融机构将不再受限于代理行模式下繁琐的手动对账与时差延迟，原本为了对冲清算风险而积压在代理行账户中的巨额沉淀资本将被有效释放，使得资金流动的速度能够真正匹配现代经济的需求，从而开启一个更透明、更低成本且更具互操作性的全球价值传输新纪元。

Ripple 奋斗十年试图在旧体制外建立一座基于 XRP Ledger 的新城，但其目前连接的金融机构规模在 Swift 覆盖全球 200 多个国家、超过 11,000 家机构的存量网络面前显得势单力薄。

来自 Swift 的核心威胁在于「资产中立」，不同于高度依赖 XRP 作为桥梁货币的 Ripple ODL 模式，Swift 的区块链账本被设计为支持包括法定货币、稳定币及 CBDC 在内的多种资产。

处于 Swift 体系内的万家银行无需承担单一资产的波动风险，即可通过升级现有轨道实现即时结算。这种「存量优势 + 技术合规」的组合，正让 Ripple 面临诞生以来最透骨的寒意。

深潮 TechFlow 消息，12 月 23 日，据链上分析师 Ai姨（@ai_9684xtpa）监测，地址 0x72F…97e6e 于 7 小时前将全部 1685 万枚 ENA 代币转入 Coinbase 交易所。

该地址曾在 2024 年 12 月以均价 $1.099 购入这些代币，总价值约 1852 万美元。目前 ENA 价格已跌至 $0.2079，若全部卖出，该地址将亏损约 1502 万美元，持仓价值一年内缩水 82%。

深潮 TechFlow 消息，12 月 23 日，据链上分析师余烬（@EmberCN）监测，通过循环贷做多以太坊的巨鲸地址 0xa339 在过去 20 分钟内售出 5,230 枚以太坊（约 1575 万美元），出售均价为 3,013 美元。

该地址过去一周共售出 25,829 枚以太坊（约 7485 万美元），平均售价 2,898 美元。根据数据显示，该巨鲸的以太坊成本价为 2,545 美元，实现约 911 万美元盈利。

目前，该地址仍持有 2.47 万枚以太坊（约 7448 万美元）。

撰文：深潮 TechFlow

引言

你有没有注意到？「看广告免费领会员」模式已经在各大音乐、视频平台全面铺开：

观看 30s 广告，就能免费获得 1 小时 VIP 资格。

在互联网广告投放与用户增长越来越低效的当下，「看广告免费领会员」模式的在用户、平台与广告主之间，上演了一场更巧妙的「价值分配」：

• 对于用户而言：从「买会员跳过广告」到「看广告领会员」，实现从单纯消费者到「View to Earn」的转变；

• 对于平台而言：获得了更高广告收入；触达了更多低付费意愿用户；与用户、广告主之间建立了更紧密的连接；

• 对于广告主而言：用户的看广告行为从被动接受到主动选择，实现了更广泛、精准的用户触达以及更高的投放完成率和转化率。

而这种更高明的价值分配，也在很大程度上获得了市场的认可，举个例子：

2023 年 8 月，字节跳动踩着短句风口推出红果短剧独立 App，高质量内容输出 + 抖音流量导入的同时，「免费看剧+看广告领金币/提现」模式也成为红果火箭式增长的核心动力：上线两年多时间，月活用户突破 2 亿，2025 年 3 月单月广告分账收入突破 5 亿。

通过「看广告免费领会员」，我们看到了更有效价值分配所能撬动的巨大经济效应，但同时也更深刻的感受到，中心化模式下的「价值再分配」的隔靴搔痒：

毕竟，平台仍是规则的制定者和价值的攫取者，用户被剥削注意力，广告主被剥削投放成本，难以构建真正多方共赢的长期机制。

此时，敏锐的你一定想到了 Web3：借去中心化之力，引入更公平、透明、有效的激励模型，成为协调各方参与者权益的核心增长引擎。

事实上，早在 2023 年，就已经有人在率先在游戏领域开启 Web2 广告投放机制与 Web3 激励模型的深度融合，并在两年多的赛道深耕中取得非常亮眼的成绩：Google Play 下载量超 1000 万；游戏合作伙伴超 200 家；累计创造 20 亿条游戏数据记录；2024 年实现超 2200 万美元营收流水。

它就是 XWorld，一个以「Use to Earn」为核心，致力于将数字世界每一个行为都转化为真正收入的平台。

在绝大多数 Web3 项目都在「先发 Token、再寻求盈利」的当下，XWorld 的实绩已足够让人侧目。

而在商业逻辑得到充分验证后的下一阶段，在更需要真实用户参与、真实测试反馈的 AI 场景，XWorld 朝着AI Agent Economy Network 全速前进，进一步确保价值共创共享在链上更好的发生。

从 Web2 广告起家，到 Web3 价值重构

XWorld 的本质是什么？

一个融合 Web3 激励机制的分发平台，致力于在用户与项目之间实现更有效的连接和更高效的需求撮合。

在 Web2，这是一个历经数百年发展验证的成熟商业模型：尤其是身处信息大爆炸时代，每一名用户的需求需要更精准的「被识别」，每一个品牌需要更好的「被看见」。

以奢侈品巨头 LVMH 为例，根据财报显示，2024 年 LVMH 市场营销与销售费用超 310 亿欧元。同时作为掌握大规模用户的平台，Google 财报显示其 2024 年广告收入总额超 2650 亿美元。

在正式开启 Web3 探索之前，XWorld 深耕广告分发行业多年，掌握了核心资源：用户以及合作方。

通过多年的 App 矩阵建设，XWorld 在全球范围内累积了超过一亿的用户规模，辐射东南亚、东亚、南美等主要地区，涉足的领域包括新闻资讯、游戏、金融以及生活工具类的产品，合作项目囊括爱奇艺、Bilibili、TikTok、欧莱雅等各领域巨头。

作为广告平台公司在 Web2 取得亮眼成绩的同时，活跃在行业一线的 XWorld 逐渐意识到，这个集用户、项目方、现金流于一身的成熟商业模型，正在走进「死胡同」：

中心化体系下，平台掌控者话语权与分配权，用户抱怨越来越多的垃圾广告，也越来越难以在琳琅满目的宣传中找到匹配需求的产品，广告主支付的费用越来越高昂，但却更难走进目标用户。

因此，引入 Web3 激励机制，是 XWorld 引传统分发走出困境的核心思路：

• 紧扣「Use to Earn」核心概念吸引用户，让每一份「参与」都变得有价值、可定价；

• 一方面，记录用户的行为，并根据行为贡献发放奖励；另一方面获得更准确的用户画像，在项目与用户之间实现更精准的撮合；

• 用户角度的收益激励，以及项目角度更低成本高效的投放，吸引更多用户及项目加入生态，创造持续的正向反馈循环。

在 Web2 成熟业务逻辑基础之上，借 Web3 之力，重构价值分配底层逻辑，将用户从被动消费者转变为主动参与者和利益共享者。

2023 年，XWorld 宣布在保持 Web2 业务营收的同时，正式开启 Web3 模式探索，致力于将 Web3 激励模型嫁接到成熟的 Web2 商业模型之中，一方面破除 Web3「空谈技术、没有落地」的固有印象，促进 Web3 的大规模采用，另一方面赋予 Web2 用户全新的参与体验，打造更可持续的生态价值循环。

这时，还未真正走进 XWorld 的用户可能会觉得：

「XX to Earn」的叙事未免老套，从最初 GameFi 的「Play to Earn」到去年 TON 生态爆火的「Tap to Earn」，行业见证了太多昙花一现，XWorld 如何实现可持续？

成熟商业模型下，由真正的代币效用所驱动的真实用户和真实收入，是 XWorld 给出的答案。

1500 万用户与 2200 万收入：XWorld 的用户、项目、平台三方共赢

在探索 Web3 的早期阶段，XWorld 将自己定位为 Web2.5 应用商店，并推出应用奖励平台 XWorld App，旨在通过无感的体验以及 Web3 激励模型下的用户收益，吸引更广泛的 Web2 用户参与，建立起 Web2 用户感受 Web3 魅力的桥梁。

在 XWorld App，用户能够更快速探索新应用/游戏/去中心化应用，同时还将通过互动获得实打实的收益。

奖励主要来源两方面：一方面，用户可参与应用测试或交互，获得应用独家折扣；另一方面，用户在充值或参与测试时可获得额外积分，积分可根据市场汇率兑换成现金或 USDT，实现即时奖励。此外，用户还可通过铸造 NFT 解锁更多生态权益。

通过引入 Web3 激励机制，XWorld 实现了用户、项目、平台的三方共赢：

• 用户：赋予「参与」价值，体验项目获得奖励；

• 项目：以更低成本获得更精准的用户匹配，带来更高转化与留存；

• 平台：通过将更多权益返还给价值创造者（用户），不断拉新促活，并通过用户在不同的游戏和 App上的忠诚度和行为数据，建立更清晰的用户画像，实现更高效分发。

以用户基数大、投放需求强、资产交互频繁、与「Use to Earn」理念高度契合的游戏场景为例，紧扣「Web3 激励模型下更公平的价值分配」主题，XWorld App 作为平台的游戏收入分成比例更低：

在传统 Web2 平台，比如 Google Play，游戏发行商必须分享至少 30% 的收入，而 XWorld 仅收取 15%–20%，其中差额不仅有效降低了游戏项目的成本，同时为用户收益创造更大空间。

而推出两年多时间里 XWorld App 所取得的一系列成就，也充分展现了 Web2 商业模型与 Web3 激励机制的适配度：

在用户体量方面，根据 Google Play 显示，截至目前 XWorld App 下载量超过 1000 万次。依托 XWorld 在 Web2 传统行业多年深耕所累积的庞大用户群体转化，XWorld App 目前拥有超 1500 万注册用户，日活超过 50 万，累计产生超 20 亿条数据记录，用户规模和用户活跃甚至超过多数头部 Web3 项目。

庞大用户体量之外，XWorld 同时拥有产品体验所带来的多社媒矩阵用户口碑：在 TikTok 搜索 XWorld，超 2.11 万用户围绕产品创作作品，累计曝光量超过 1 亿次；在 YouTube，超过 1500 个频道发布7000+ XWorld 相关视频，累计曝光量超过 5000 万次；而在 Facebook，XWorld 拥有超过 500 个用户驱动的社群，覆盖超过 100 万用户。

在生态合作方面， XWorld App 与超过 200 家广告客户建立合作关系，共同构建了一个多元、繁荣的内容生态。

而在收入方面，XWorld App 同样斩获了令无数 Web3 项目艳羡的数据。

2024 年，XWorld App 收入超过 2200 万美元，而细究这 2200 万美元收入背后的用户分布与收益去向，我们可以发现 XWorld 在新兴市场展现出了强大的社会影响力：

在越南、印尼、菲律宾等发展较为落后的东南亚国家，许多普通用户通过 XWorld App 获得了远超当地收入水平的报酬。你可以是一名越南在校大学生，或者是印尼的全职宝妈，通过 XWorld App 参与硅谷、新加坡、香港等地 AI Agent 与 DApp 项目的测试任务，仅凭手机日常操作，便能为欧美顶级 AI 团队贡献真实世界的使用反馈，同时获得媲美欧美收入水平的奖励。据统计，不少活跃用户已通过 XWorld App 获得数千美元收入。

这种广泛而深入的用户参与与价值再分配，再一次有力验证了 XWorld 的核心价值主张：它早已超越传统意义上的游戏与应用分发平台，而演变为一个高效的全球价值再分配引擎，在这个模式里，地理位置不再决定报酬水平，贡献价值才是定价依据。

通过 Web3 激励与链上透明机制，平台将发达地区的创新红利与资本优势，精准导流至全球亿万普通用户尤其是发展中国家用户手中，这种模式不仅推动了产品的快速迭代与全球化落地，更在实质层面促进了金融平权与数字包容，带动更多人成为全球 AI 与数字经济的积极贡献者和直接受益者。

核心价值引擎 $WORLD：$WORLD 的多重效用与通缩未来

在了解了 XWorld 的市场数据之后，一个绕不开的话题便是 XWorld 的原生代币 $WORLD。

作为原生代币，$WORLD 在 XWorld 生态中具有多重效用：

• 支付工具：开发者用 $World 支付服务费

• 测试激励：用户完成任务赚取 $World

• 质押权益：提升测试优先级、获取治理权

• AI Launchpad 支付层

• AI 数据市场结算代币

• 广告投放与增长激励

• 会员与高级功能解锁

• 治理：持有者共同塑造生态未来等。

此外，我们知道，当下的 Web3，真实用户和协议收入是衡量项目可持续发展的核心指标。

而站在这一维度，大家可以很快抓住 $WORLD 的不同，在正式走向市场之前，$WORLD 已拥有：

• 一套被验证的商业模型：通过 Web3 激励构建的全球价值再分配引擎；

• 可观的收入：年营收超过 2200 万美元；

• 一个庞大活跃的用户群体：1500 万注册用户；50 万日活；产生数据超 20 亿条。

结合 $WORLD 的丰富效用，$WORLD 并不是先有 Token、再找需求，而是反过来，先有了真实需求、真实场景、真实用户，才催生了 $WORLD，这赋予了 $WORLD 价值想象更高的天花板。

同时，随着越来越多用户、策展人、开发者加入生态，生态内的交互越来越活跃，作为底层撮合平台的 XWorld 拥有更强的价值捕获能力。

基于此，XWorld 为 $WORLD 设计的销毁机制也将更大程度的发挥作用：部分已支出代币将根据生态发展需求被销毁，推动 $WORLD 进入长期通缩模型，进一步维护 $WORLD 的价值。

下一站：AI Agent 经济生态进化

XWorld 早期阶段的成功，不仅验证「Web2 商业模式 + Web3 激励模型」这条路径的可行性，更赋予了 XWorld 全方位探索 Web3 的信心。

理论上而言，XWorld 这套撮合逻辑适应任何分发场景：只要供需关系在，分发和匹配就存在。

而在 AI 浪潮不可阻挡的当下，XWorld 的下一阶段，在 AI 应用的初始启动、测试反馈、优化迭代的全流程中，快速找到 PMF。

在 AI 门槛一降再降，个人开发者、小团队、初创公司都能做 AI 应用的当下，AI 在测试和增长层面却还处于基建缺失的真空地带。这样一个已经拥有足够多尝试者和创新者的赛道里，更大挑战在于应用如何快速脱颖而出，并更好的活下去。

• AI 特性：需要大量来自真实世界的数据，不断校正产品的「认知」。

• AI 的「起步难、试错贵、路径长」现状：无法在启动初期有效触达用户；无法获得足够多、足够真实的用户参与体验反馈，持续推动产品优化；很多时候 AI 产品往往要烧很久的钱才能看清前路。

• 此时，XWorld 在过去两年不断被 1000 万用户验证的「供给 ⇌ 需求」高效撮合逻辑，再次在撮合 AI 应用与 AI 用户之间，发挥巨大作用。

那么，XWorld 具体如何赋能 AI 呢？

具体而言，XWorld 生态存在三大关键角色：

开发者可以通过 XWorld 生态提供的一系列 AI 开发工具及套件，快速构建自己的 AI 应用，并获得：

• 在启动阶段快速找到第一批种子用户；

• 真实用户与策展人的高质量测试反馈，实现快速、正确的迭代优化；

• 产品获得更广泛的调用或集成，开发者获得奖励。

策展人是推动生态从「中心化运营」转向「去中心化策展」的关键：

• 策展人可以主动挖掘并推荐高潜力应用接入测试网络，当推荐通过社区验证后，对应策展人将获得额外奖励；

• 策展人可撰写评测、分享洞察、组织或引导社区讨论，帮助用户对应用建立认知，并通过贡献扩大生态声誉，并获得代币奖励；

• 策展人还可以质押代币参与平台治理，共建网络的未来发展方向，同时获得额外奖励。

用户参与体验 AI 产品并提交反馈，能够获得：

• 更优质的 AI 服务；

• 代币奖励与 AI 应用专属优惠：系统会根据反馈质量、测试深度与整体活跃度自动评估用户声誉，更高的声誉等级将解锁更高的奖励倍数；

通过实现 AI 开发者与 AI 用户的高效精准撮合，XWorld 为 AI 应用提供一套标准化的「参与 → 测试 → 反馈 → 激励 → 分发 → 增长」基础设施。

在赋能 AI 的具体实现路径上， XWorld 也从 AI 项目启动、AI 测试、AI 价值创造三阶段实现层层递进的三大闭环。

第一阶段价值闭环在于 AI 应用分发网络，当 AI 项目初始启动时，XWorld 旨在帮助项目在最短时间内找到第一批真实用户。

第二阶段价值闭环在于 AI 应用测试网络，通过吸引更多真实用户参与交互测试，XWorld 旨在帮助 AI 项目完成从「有人用」到系统性、高质量的「测试 → 反馈 → 迭代」的演进。

最终，XWorld 致力于打造一个繁荣的 AI 应用经济网络：Web3 激励与去中心化治理模式下，越来越多用户 / 策展人从加入生态，而在真实用户、真实反馈、真实收益的激励下，开发者有动力创建更多 AI 产品，发布更多测试任务，并持续推进产品优化。随着生态进入「更多用户加入、更高质量反馈、更优质 AI 产品涌现」的正向循环中，XWorld AI 生态进入快速繁荣期。

结语

从 Web2 到 Web3，从游戏分发到 AI 应用生态，XWorld 用自身每一次的尝试布局，为我们勾勒出一条清晰的互联网价值分配体系变革趋势：

用 Web3 的去中心化理念重构价值链条，让每一个参与者都能成为价值创造的主体。

而在具体实现路径上，XWorld 也很大程度上规避了「为了 Web3 而 Web3」的模式陷阱，始终立足于真实需求，走出一条独立发展路径：

先把模式跑通，并用 Web3 去放大模式运转势能，再在各场景中应用，让价值被有效捕获及合理定价，并真正属于贡献价值的人，把增长写进生态运作的底层逻辑。

当然，目前 XWorld 仍处于全面拥抱 Web3 的初期阶段，未来，随着 2025 年的主网 Beta 落地、千万级用户接入 AI 应用测试网络，以及更多功能上线、更丰富的生态扩张举措落地，XWorld 能否真正成为连接用户与项目、甚至 Web2 与 Web3的超级枢纽？

在多项路线图即将落地的前夕，共同见证「Use to Earn」的下一章。

深潮 TechFlow 消息，12 月 23 日，据金十数据报道，截至2025年12月22日，A股今年总成交额超过405万亿元，这是A股历史上首次年成交额超过400万亿元。A股整体换手率也明显向好，年内平均换手率接近1.74%，有望创出2016年来新高。从个股来看，多达19只个股今年成交额超过万亿元，中际旭创、东方财富、新易盛等个股年内成交额均超两万亿元；寒武纪-U、宁德时代、胜宏科技等个股年内成交额均超1.8万亿元。

深潮 TechFlow 消息，12 月 23 日，据官方公告，币安钱包推出「安全自动签名」（Secure Auto Sign）服务：现已支持助记词 / 私钥钱包在币安钱包（网页版）进行交易。

通过币安钱包 App 或浏览器插件连接钱包，一键开启 SAS，可实现下单自动签名、使用限价单。无需迁移资产，也无需更换钱包地址。

深潮 TechFlow 消息，12 月 23 日，据 SolanaFloor 监测，一个钱包地址约 10 分钟前质押了 1,173,614 枚 SOL，按当前价格计算价值约 1.48 亿美元。

深潮 TechFlow 消息，12 月 23 日，据链上分析师 Ai 姨（@ai_9684xtpa）监测，一位以太坊巨鲸于 7 小时前从 Bybit 和 OKX 交易所提取了 3,365.5 ETH（约 1,020 万美元）。

该地址在 12 月 5 日至 12 月 22 日期间以平均价格 3,167 美元累计提取了 30,210 ETH，总价值约 9,567 万美元。

其中主要地址 0xce9…57c69 已在 Spark 和 Aave 协议质押了 29,103.1 ETH，并借出 4,112 万枚 USDT。

深潮 TechFlow 消息，12 月 23 日，根据 SoSoValue 数据，昨日（美东时间 12 月 22 日）XRP 现货 ETF 总净流入 4389 万美元。

昨日（美东时间 12 月 22 日）单日净流入最多的 XRP 现货 ETF 为 Bitwise XRP ETF XRP，单日净流入 1912 万美元，历史累计净流入达 2.48 亿美元。

其次为 Franklin XRP ETF XRPZ，单日净流入为 927 万美元，历史总净流入达 2.11 亿美元。

截至发稿前，XRP 现货 ETF 总资产净值为 12.5 亿美元，XRP 净资产比率 0.98%，历史累计净流入已达 11.2 亿美元。

深潮 TechFlow 消息，12 月 23 日，据 Cointelegraph 报道，一名独立矿工（solo miner）成功挖出了比特币区块 928985，获得了 3.128 BTC 的奖励，价值约 28.1 万美元。

 

深潮 TechFlow 消息，12 月 23 日，Bitget Wallet 宣布与支付基础设施平台 Alchemy Pay 合作，上线 0 手续费 USDC 入金功能，面向亚太、拉美及非洲等新兴市场开放。香港、台湾等非大陆地区用户可通过 Apple Pay、Google Pay、Visa、Mastercard 及本地银行转账等方式，一键购买 USDC，享受 0 交易手续费、0 网络费，结算汇率参考市场实时汇率，小额交易可即时到账。

据介绍，此次 0 手续费机制由 Alchemy Pay 的稳定币补贴计划支持，并与 Coinbase 合作推进，旨在降低用户获取数字美元的成本，扩大 USDC 在高增长市场的使用覆盖面。该入金方案同时支持多种本地支付通道，提升日常、小额、高频入金体验。

深潮 TechFlow 消息，12 月 23 日，据金十数据报道，现货黄金突破4490美元/盎司，日内涨1.05%。

深潮TechFlow消息，12月23日，财新发布《2026新年特辑回顾与前瞻》，其中指出2025年“特朗普交易”发威，金价虚拟币争辉折，3月签署行政命令将联邦政府持有的约21万枚比特币纳入国家战略储备，基于稳定币、数字货币的各种交易在2025年大量落地，上市公司转型为专门囤积数字货币的财库公司并引发炒作。不过陈志电信诈骗集团的150亿美元比特币被美国查没让交易安全问题备受重视，比特币在年底也从历史高位跌落。转入2026年，当特朗普开始备战11月的中期选举时，其政策会针对哪些领域的反馈做出调整，又将如何影响各种大类资产的表现，成为2026年需要持续关注的主题。

深潮 TechFlow 消息，12 月 23 日，据 a16z 普通合伙人 Ali Yahya 发文指出，隐私将成为加密货币领域最重要的护城河。Ali 表示，由于秘密信息难以迁移，隐私功能足以使新链与其他链区分开来，并创造链上锁定效应。当用户在公共区块链上时，可以轻松与其他链上的用户交易，但在私有区块链上，用户选择的链更为重要，因为一旦加入某条链，用户不太可能冒险暴露自己而转移到其他链。

Ali 认为，这将创造赢家通吃的局面，由于隐私对大多数现实世界用例至关重要，少数隐私链将占据加密货币生态的大部分市场。

文章作者：Prathik Desai

文章编译：Block unicorn

每当看到有人因为一条关于 X 的推文就押注加密货币，让资金流动起来时，我都会觉得好笑。我也曾有过这样的经历。我记得五年前，我把一个月的大部分积蓄都投进了狗狗币，因为，嗯，埃隆·马斯克在推特上提到了它。那时候我甚至都不知道加密货币到底是什么。

但有些资金进入加密货币领域并非靠一条推文、一期播客或一次会议主题演讲就能实现。它需要更多东西。或许是一份联邦监管机构的备忘录、一份风险评估以及一个值得信赖的平台会有所帮助。

美国商品期货交易委员会 (CFTC) 的最新声明允许在 CFTC 注册的交易所交易现货加密货币产品，这正是该声明的内容。

美国商品期货交易委员会（CFTC）的默许可能会促使美国最正规的衍生品交易市场——芝加哥商品交易所（CME）——上市加密货币。如果这种情况发生，将会打开加密货币市场的大门，吸引大量资金从传统市场涌入加密货币领域。

在今天的深度分析中，我将解释此举如何能让加密货币流入美国存放最受信任资产的同一栋大楼，以及这为什么这很重要。

让我们开始吧。

在如今无缝衔接的金融市场出现之前很久，人们并不愿意进行金融产品交易。问题不在于缺乏买卖双方；市场上的买卖双方数量充足。问题在于缺乏信任，每个人都担心“如果对方无法付款怎么办？”

如今，你无需再为此担忧。这要归功于现代证券交易所这项常被低估的发明。它通过规范合约、强制披露和监管行为来建立信任。这些成熟的市场将所有这些都纳入“清算”和“保证金”机制，从而避免结算风险每天都阻碍交易者的积极性。

尽管人们都在谈论“无需信任”的系统，但在加密货币市场中，信任却难以建立。美国商品期货交易委员会（CFTC）的最新公告或许能够弥补这一缺口。

美国商品期货交易委员会（CFTC）代理主席卡罗琳·范表示，“……上市现货加密货币产品将首次在美国联邦监管的 CFTC 注册期货交易所开始交易。”范预计此举将为美国民众提供“更多选择，并让他们更容易进入安全、受监管的美国市场”。

此次更新重新划定了加密货币重心可能移动的界限，因为监管机构正努力将数字资产融入全球最大经济体的主流市场。

只需看一下芝加哥商品交易所 (CME) 的数据，你就能明白它对加密货币现货市场可能有多重要。

11 月 21 日，芝加哥商品交易所 (CME) 的加密货币期货和期权单日成交量创下历史新高，达到 794,903 份合约，超过了今年 8 月 22 日创下的 728,475 份合约的纪录。

该市场还公布了今年以来已有多少交易活动转移到其受监管的框架内。其年初至今（YTD）的日均交易量为 270,900 份合约，名义价值约为 120 亿美元，同比增长 132%。与此同时，年初至今的平均未平仓合约量为 299,700 份合约，名义价值为 266 亿美元，同比增长 82%。

即使在设情况下，如果芝加哥商品交易所（CME）仅将名义成交额的 5% 转化为现货交易，那也相当于每天 6 亿美元。如果达到 15%，这个数字可能接近每天 20 亿美元。

但芝加哥商品交易所 (CME) 将现货加密货币和衍生品放在同一屋檐下有什么优势呢？

首先，它缩短了交易者持仓与对冲之间的距离。目前，许多交易者将加密货币敞口放在一个地方，而将对冲头寸放在另一个地方。他们可能在芝加哥商品交易所 (CME) 交易加密货币期货，因为 CME 受监管且清算，但他们的现货敞口可能来自 ETF、主经纪商或加密货币交易所。每次在不同交易场所之间跳转未必会增加货币成本，但会带来非货币摩擦。例如，需要与更多交易对手打交道，承担更多运营成本，并面临更多风险点。

如果一个受监管的市场同时容纳现货市场和衍生品市场，套期保值将更加便捷，展期持仓也将更加高效。交易者押注的两部分都可以纳入同一合规体系，保证金、报告和监控等环节均已包含在内。

那些同时运营现货和衍生品的加密原生平台——Coinbase（旗下Deribit）、Kraken和Robinhood——已经因为“一站式”服务而受益。

第二个优势是，它改变了大额交易者对“现货”的定义。

作为散户交易者，在加密货币交易所购买现货时，你考虑的是资产的价格。而基金购买现货时，则会考虑托管、结算、报告以及市场承压时的稳定性。

像芝加哥商品交易所 (CME) 这样的衍生品交易所已经建立了一套能够增强市场信心的系统。CME 提供的清算所、保证金系统和监控措施，可以为大型基金公司提供一个受监管的安全港湾，让他们在不确定时期能够安全地将资金投入波动性相对较大的加密货币市场。

数百亿美元的资金可能从大型基金公司流入。仅美国现货比特币 ETF 发行商就持有超过 1120 亿美元的资产。自 2024 年 1 月成立以来，这些发行商已累计获得超过 570 亿美元的资金流入。

现货和衍生品相结合的生态系统可能会促使部分投资者从“通过基金持有”转向“在市场上交易”。对于基金公司而言，这可以带来成本优势和更好的控制力。

ETF 会收取费用，其目的是持有标的资产。虽然它们的交易方式与股票类似，但在交易时段内，它们仍然依赖于股票市场的基础设施运行。对于需要管理风险并利用市场低效机会的基金公司而言，它们更倾向于选择能够提供全天候对冲、严格基差执行、频繁再平衡或做市等功能的平台。

第三个优势是运营方面的。

美国商品期货交易委员会（CFTC）将此举解释为对“近期离岸交易所事件”的回应，并辩称美国民众理应享有消费者权益保护和市场诚信保障的市场准入权。而这背后隐藏的关键在于杠杆交易。Pham 明确指出，早在金融危机后，国会就已启动相关改革，并表示国会原本希望零售商品杠杆交易能在期货交易所进行，但多年来一直未能明确相关规定。

杠杆交易是加密货币领域最糟糕事件的温床。无需回顾太久，10 月 10 日加密货币史上最严重的清算事件就导致 190 亿美元化为乌有。如果杠杆交易能够转移到以监控、保证金纪律和清算为核心的平台上，至少可以提高透明度。届时，你将不再面临黑箱式的离岸清算，而是拥有公开透明的保证金、已知的交易对手以及不会随意更改的规则。

此次更新甚至促使加密货币平台承诺公平对待散户和大型交易者。

不久，受美国监管的衍生品交易所 Bitnomial声称，将对零售和机构订单提供“平等和公平的待遇”，不会进行优先路由。

综合所有因素来看，CFTC 的这一举措似乎很有前景，因为它可能会使现货加密货币交易变得容易和值得信赖，而此前只有大型资本的流动交易才能做到这一点。

美国商品期货交易委员会（CFTC）的声明不会让芝加哥商品交易所（CME）明天就变成一家成熟的现货加密货币交易所。即使市场朝着这个方向发展，最初的版本也可能出于设计上的考虑而较为保守，交易品种较少，杠杆条款定义严格，并且交易渠道将通过 CME 生态系统中已有的中介机构进行。

这是因为信任的建立向来缓慢而渐进的。即使从历史上看，信任也是先通过设置各种保障措施才建立起来的，而不是通过一条关于 X 的随机推文就能实现的。

本次深度分析到此结束，我们下一篇文章再见。

深潮TechFlow消息，12月23日，据Globenewswire报道，纳斯达克已向比特币财库上市公司ZOOZ Strategy发布通知函，警告该公司未达到维持每股1.00美元最低竞价的要求，如果其普通股收盘价未能在2026年6月15日前重新符合连续至少10个交易日达到或超过1.00美元的要求，可能面临退市。

据悉，ZOOZ已将比特币作为战略资产持有，目前持仓量为1036枚。