Vegas12

#lunc 正在走热 👏

#98 再来一遍……也不算差。

昨日的硬件钱包披露或许只是冰山一角。
在 Coldcard 的种子生成中发现了一个严重的熵（entropy）漏洞。受影响的 Mk2 和 Mk3 固件在 2021 年至 2023 年期间生成的种子，其熵可能只有约 40 比特；而 Mk4、Mk5 和 Q 生成的种子熵可能最低只有 72 比特，远低于预期的安全等级。
用更直白的话说，恢复短语（recovery phrases）是从比用户预期要小得多的可能性池中生成的。这可能会使部分种子变得可被重现或被暴力破解，而不再是实际上不可能被猜中。
不过，这可能才刚开始。
确切的 Coldcard 漏洞与其固件有关，但更广泛的问题是：旧钱包可能会用弱随机性生成种子，这或许会影响其他硬件钱包、软件钱包和 Web3 钱包。
弱熵的种子永远都是弱的。更新固件、将短语导入到另一个钱包，或在不同区块链上使用它，都无法修复原始熵。相同的恢复短语可能会在多个链、地址和应用中暴露账号。
我们可能正面对冰山一角，还有更多易受攻击的钱包以及历史上的种子生成方法仍在等待被发现。
安全建议：如果你的恢复短语是在受影响的 Coldcard 上生成的，或是在 2021–2023 期间由旧钱包生成的，而且你不确定其安全性，请立即展开调查。
使用更新且可信的软件或硬件创建一个全新的钱包，生成一条全新的恢复短语，并仔细转移你的资产。不要只是把旧种子导入到新设备中。
设备可以更换。

燃烧税？

成交量，什么成交量？

AI 泡沫是真实存在的

随着新的加密货币法律和监管规定生效，更多的中心化交易所（CEXs）可能会在某些市场减少业务或停止运营。
这可能引发一连串的流动性离开系统。做市商仍将是合法的，但那些依赖市场操纵、洗钱交易或虚假交易量的人将难以运作得多。合规所需的适当许可、透明的账目记录、遵守规定以及报告将变得至关重要。
DeFi 在这里既有真正的机会，但也存在重大风险。
如果流动性从中心化交易所消失且不转移到链上，许多生态系统可能在缺乏流动性的情况下面临沉重的代币抛售压力。
DeFi 的下一阶段将不会轻松。拥有真正效用、深度链上流动性和可持续代币经济模型的链条将得以生存。其余部分可能会非常艰难。

DeFi 面临的担忧不止是未来的量子攻击。
量子计算确实是一个现实威胁，但在国家级行为体之外，广泛可被获取的情况很可能仍要好几年。我们有时间通过后量子签名、钱包迁移、密钥轮换以及精心计划的协议升级等方式做好准备
...
眼下的威胁正在此刻发生。
太多的公链和 DeFi 协议在安全、审计和开发方面资金不足。今天，几乎任何人只要能够访问一个强大的本地 AI 模型，就可以通过喂给它足够的数据来分析公开代码、识别弱点，并设计潜在的攻击路径。
这不再是未来的攻击情景。
它正在今天发生。
项目必须停止把安全当作一项开支，并开始把安全当作核心基础设施。
#DeFi #AI

Luna 升级进展得非常顺利！🚀
✅ Vegas 节点已经完成更新
✅ 链正在正常出块
✅ 链停机时间：零
升级很顺利，参与其中的每个人都做得很棒。👏

去年你是律师，今年你是经济专家……哈哈哈，真难过有些人看不出来这个 😢 lol

⟦ŁƲ₦₡Λł⟧ꙮ̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅ·ŁƲ₦Λ⸸̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅŦЯIX⟧ϟ̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅ

比特币正在讨论诸如 BIP-360 和 BIP-361 之类的提案，以保护网络免受未来量子攻击，包括如何处理存在风险且处于闲置状态的钱包。
迈克尔·赛勒已经分享了他的立场。
你的看法是什么？必要的防护，还是危险的先例？
#Bitcoin #BTC #QuantumComputing #BitcoinSecurity #Crypto

Cmp170 真的还是炒作？

这是一场很棒的比赛。

让大型 AI 模型更易于家庭电脑使用
超过三个月以来，我一直在低调研究降低运行超大型 AI 模型所需的硬件与内存负载的方法——尤其是诸如 GLM-5.2 这类的混合专家（mixture-of-experts）模型，在普通家用电脑上运行。
这项工作是我计算机科学硕士学位的一部分，早期结果令人鼓舞。
我现在已经有了一个可运行的原型，计划很快分享更多细节。
目标并不仅仅是创建模型的更小版本，或者声称数千亿参数能够神奇地塞进消费级 GPU。
完整模型仍然可用，但系统会尝试只加载、保留并传输推理当前阶段所需的组件。
我的研究涉及以下领域：
动态专家驻留
预测性专家预取
在 VRAM、系统内存和 NVMe 存储之间进行分层加载
具备缓存感知的路由
减少不必要的参数移动
根据可用硬件调整执行路径
我最近看到另一个项目在探索类似方向，这也促使我把自己的工作公开出来。
不过，我认为一些当前做法可能低估了真实的推理负载。
仅计算分配给活动专家的参数，并不能代表推理的完整成本。共享层、注意力状态、KV cache、路由决策、专家切换、内存带宽、页故障以及 CPU 到 GPU 的同步，都可能成为主要瓶颈。
当只用活动参数来衡量时，一个系统可能看起来很高效，但在真实的端到端推理中仍可能表现很差，因为它会反复在存储、RAM 和 VRAM 之间传输数据。
因此，我的方法并不仅仅聚焦于选择更少的专家。
它还会考虑