Techonsapevole Crypto
1.91K subscribers
1.1K photos
84 videos
58 files
2.5K links
Techonsapevole Crypto
Download Telegram
Monero > Litecoin
👍7
Primo ramsonware per Linux installato via .deb / PPA
(ovviamente se eseguite un binario come amministratore non c'è sistema operativo che tenga)
https://s.grigio.org/i6xyK
👍6
Nonostante i vari delist da exchange centralizzati, Monero supera i 430$ per la terza volta
👍6
Molti ancora non hanno capito a cosa serviva il greenpass, chatcontrol,.. ma ora é sotto gli occhi di tutti. Dal 2027 vogliono identificare tutte le persone che fanno transazioni crypto o non-crypto
👍10
TOON è un'alternativa a JSON per dati strutturati, per risparmiare spazio nel contesto/prompt
https://s.grigio.org/FiodW
👍3
🎉 Nuovo tutorial di approfondimento

Come insegnare a opencode delle skill riutilizzazibili
Utile per migliorare le risposte della AI senza far crescere troppo il contesto e per avere dei prompt facilmente personalizzati riutilizzabili

🧿 ACCEDI a Techonsapevole Academy
👍1
Techonsapevole Crypto
https://youtu.be/D3lr-p5cInU?si=QAHl8VsndwIzsy7W
GOOGLE WOKE costretta a pagare per aver censurato erroneamente un sito per "odio online" messainlatino
https://s.grigio.org/DBeqw
👍4
Techonsapevole Crypto
Alpha Arena Le AI LLM si sfidano nel trading, attualmente sta vincendo Qwen https://s.grigio.org/nQd6Q
Limiti degli LLM come Trader Quantitativi
Il post di Nof1.ai esplora un esperimento innovativo per testare le capacità decisionali reali dei Large Language Models (LLM) nel trading finanziario. Sei modelli avanzati (GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5, Grok 4, DeepSeek v3.1 e Qwen3-Max) ricevono ciascuno 10.000 dollari per fare trading autonomo su Hyperliquid, una piattaforma di criptovalute, utilizzando solo dati numerici di mercato (prezzi, indicatori tecnici come EMA, MACD, RSI, volume) senza intervento umano o accesso a notizie.
Punti Principali:
- Obiettivo: Verificare se gli LLM possono funzionare come modelli di trading sistematico zero-shot in ambienti dinamici e rischiosi, spostando il focus dai benchmark statici a test reali per rivelare lacune operative.
- Metodologia: I modelli operano in un "arena" con azioni limitate (long, short, hold, close) su futures perpetui di cripto (BTC, ETH, SOL, BNB, DOGE, XRP). Ricevono dati in tempo reale ogni 2-3 minuti, devono gestire rischio, leverage e piani di uscita (target profit, stop-loss, condizioni di invalidazione). L'esperimento dura fino al 3 novembre 2025, con trading live per evitare simulazioni irreali.
- Risultati Preliminari: Emergono differenze comportamentali significative:
- Bias direzionali: Alcuni modelli (es. Grok 4, GPT-5) sono più short-oriented, altri (es. Claude) raramente shortano.
- Frequenza e durata: Gemini è il più attivo; Grok detiene posizioni più lunghe.
- Rischio e dimensione: Qwen3-Max prende posizioni più grandi; Claude mantiene poche posizioni simultanee.
- Confidenza e piani: Variazioni in confidenza auto-riferita e strettezza dei piani di uscita.
- Problemi comuni: Sensibilità a cambiamenti minimi nel prompt, errori di lettura dati, over-trading che erode profitti per commissioni, difficoltà nel seguire regole proprie.
- Implicazioni: L'esperimento evidenzia limiti operativi degli LLM (es. mancanza di apprendimento da storia passata, fragilità a ambiguità) e promuove benchmark reali per avanzare l'AI. Non mira a dichiarare un "miglior" modello, ma a capire comportamenti di base e rischi.
https://s.grigio.org/0Ndb9
👍3