Neugestaltung des On-Chain-Spiels: Wie das führende Projekt von Monad, aPriori, die Handelsrevolution mit KI anführte und der Datenbeitragsplan gleichzeitig eingeführt wurde

Originalquelle: aPriori

Mit hohen Wetten von Top-Institutionen wie Pantera Capital, YZi Lab, OKX Ventures und anderen rekonstruiert aPriori die zugrunde liegenden Überzeugungen des dezentralen Handels. Die Kernmitglieder des Projekts kommen von Jump, Coinbase, Citadel Securities und dYdX und kombinieren native On-Chain-Technologie mit praktischer Erfahrung im Hochfrequenzhandel an der Wall Street. aPriori baut ein Transaktionsausführungssystem der nächsten Generation auf leistungsstarken öffentlichen Chains auf und bringt eine wirklich wettbewerbsfähige Handelsinfrastruktur in DeFi.

aPriori schreibt den On-Chain-Transaktionsprozess komplett neu: Durch KI-gestützte DEX-Aggregatoren und MEV-gestützte Liquiditätseinsatzmodule integriert aPriori Orders von der Orderplatzierung über das Matching bis hin zum Yield Closed-Loop in ein nachhaltiges Produktsystem.

Nach der Einführung des KI-gestützten DEX-Aggregators Swapr durch das Team in der vergangenen Woche hat aPriori das "Erkennungsgehirn" von On-Chain-Transaktionen ins Visier genommen, das als Order Flow Segmentation System bekannt ist. Dieses System kombiniert Verhaltenskennzeichnung, Wallet-Clustering, KI-Analyse und On-Chain-Feedback-Mechanismen mit dem Ziel, jede Transaktion intelligenter und fairer zu machen, "toxische Ströme" wie Arbitrage-Slippage zu vermeiden und Liquidität dorthin zu schicken, wo sie am meisten hingehen sollte. Es macht nicht nur Transaktionen intelligenter, sondern macht auch den Fluss des gesamten On-Chain-Marktes geordneter und vertrauensvoller.

"Jede Transaktion zu verstehen, ist der Ausgangspunkt für eine faire Ausführung."

Die Orderflow-Erkennung ist eine der Kerntechnologien von aPriori, die das Transaktionsverhalten, die Wallet-Historie und die Marktreaktion analysiert, um festzustellen, ob es sich bei einer Transaktion um eine normale Benutzeroperation oder einen "toxischen Fluss" wie Arbitrage oder Pinching handelt. Im Vergleich zu herkömmlichen Transaktionen, bei denen nur geprüft wird, ob die Transaktion ausgeführt wird, kann diese Identifizierungsmethode potenzielle Risiken früher filtern, LPs eine sicherere Gegenpartei bieten und die Pfadauswahl und die Fairness der Ausführung verbessern.

"Technologie + Ökologie: Die perfekte Zeit, um zur Monade zu gehören"

Die Datenmerkmale variieren zwischen den verschiedenen Public-Chain-Ökosystemen: Solana verfügt über Hochgeschwindigkeitstransaktionen und aktive Nutzer, aber aufgrund einer großen Anzahl von Verträgen, die aus geschlossenen Quellen stammen, sind die für das Training verfügbaren Daten begrenzt. Obwohl Ethereum und andere EVM-Chains über offene Daten verfügen, sind sie durch Performance-Engpässe eingeschränkt, und das Transaktionsverhalten ist insgesamt konservativ und die Datendichte gering.

Monad erreicht ein seltenes Gleichgewicht zwischen Leistung und Transparenz - es kombiniert einen hohen Durchsatz im Solana-Stil mit einem aggressiven Handelsstil, während die Lesbarkeit und Offenheit der EVM-Architektur beibehalten wird. Dies bietet aPriori den idealen Boden, um die nächste Generation von Modellen zur Erkennung von Auftragsflüssen zu erstellen.

"Bei Nutzerdaten geht es nicht nur um Engagement, sondern auch um das Training der nächsten Generation von Trading-Intelligence."

Community Data Contribution Program: Um KI so zu trainieren, dass sie Transaktionsverhalten intelligenter erkennt, hat aPriori ein Community-engagiertes Datenbeitragsprogramm ins Leben gerufen. Jeder Benutzer kann dem Modell helfen, die On-Chain-Welt besser zu "verstehen", indem er die folgenden einfachen Aktionen ausführt.

· Bindung von Wallets: Verbinden Sie die häufig verwendeten Wallet-Adressen der Benutzer, um einen vollständigeren Überblick über das Verhalten zu erhalten.

· Stützkette:Ethereum, BNB Chain, Monad Testnet;

· Synchronisierte soziale Konten: Verknüpfen Sie optional Twitter, Discord usw., um weitere Identitätshinweise hinzuzufügen;

· Check-in und Aufgabenverfolgung: Das spezielle Fenster zeigt die Anmeldedatensätze der Benutzer, das Transaktionsverhalten und den Fortschritt der Beiträge an.

Anhand dieser Daten kann das System feststellen, welche Adressen demselben Benutzer gehören und ob es kollaborative Vorgänge gibt, wodurch die Fähigkeit der KI verbessert wird, Transaktionstypen und Risiken zu identifizieren.

"Woran erkennt man, ob eine Transaktion toxischen Fluss enthält?"

In der Kern-Engine von Swapr wird jede Transaktion von einem KI-Modell bewertet, bevor sie bestätigt wird, wobei sie sich hauptsächlich auf die folgenden Punkte bezieht:

· Die Transaktion selbst: Kauf- und Verkaufsrichtung, Währungspfad, Gas, Bearbeitungsgebühren, Slippage usw.;

· Adresshistorie: Transaktionshäufigkeit, Verhalten in der Vergangenheit, Asset-Änderungen;

· Marktreaktion: Preisbewegung innerhalb von 1 Sekunde bis 24 Stunden nach dem Handel;

· Gewinnurteil: Ob die Transaktion zu verschiedenen Zeitpunkten rentabel ist und ob sie der LP schaden könnte.

Das Modell identifiziert, ob jede Transaktion zu einem "toxischen Fluss" wie Arbitrage oder Pinching gehört, und bestimmt ihre potenzielle Bedrohung für die Fairness des Systems.

"Je komplexer das Modell, desto besser, aber je mehr man den Handel versteht, desto wertvoller ist er."

Von der Rule Engine zum KI-Neuronalen Netzwerk: aPriori ist nicht auf einen einzigen Algorithmus beschränkt, sondern verbindet traditionelle Modelle (XGBoost, LightGBM) mit Timing-Modellen (RNN, Transformer). Ersteres ist effizient bei der Interpretation strukturierter Daten, während letzteres gut darin ist, Verhaltensänderungen in Zeitreihen zu erfassen.

Swapr verwendet letztendlich eine Ensemble-Architektur, bei der verschiedene Untermodelle aus ihren jeweiligen Datendimensionen und Zeitfenstern lernen und nach den Fusionsbewertungen genauer auf komplexes Handelsverhalten reagieren können.

"Wer steckt hinter einer Transaktion, um Arbitrage zu betreiben?"

Arbitrage-Verhalten wird in der Regel nicht von einer einzelnen Wallet durchgeführt, sondern ist das Ergebnis der Zusammenarbeit mehrerer Adressen. Durch die Identifizierung dieser "Verhaltensgruppen" kann das System potenzielle Arbitragegruppen vorhersagen und verhindern, dass sich der "toxische Fluss" auf LPs konzentriert.

"KI zu einem Teil der Handelsausführung machen"

Mit der Fülle an Trainingsdaten wird das Identifikationssystem von Swapr zu einem zentralen Unterschied im DeFi-Routing. Es bringt nicht nur bessere Notierungen, sondern passt auch die Richtung der Liquidität dynamisch an und schützt so die Interessen sowohl der Nutzer als auch der LPs.

Gründer Ray betonte: "Eine echte DeFi-Ausführungsmaschine kann das System verstehen, beurteilen und wissen, wie es geschützt werden kann. Wir hoffen, dass Swapr der erste Einstiegspunkt für den Handel sein wird, der 'denken' kann."

Dieser Artikel stammt aus einem Beitrag und gibt nicht die Ansichten von BlockBeats wieder.