> Source de l'article : Axis Axis Robotics restructure la diversité des données et les méthodes de production à grande échelle de l'intelligence incarnée en adoptant une stratégie Simulation-First. En 2025, plusieurs trajectoires technologiques du secteur robotique convergent rapidement : la modernisation commerciale de la chaîne d'approvisionnement du matériel incarné ouvre pour la première fois des possibilités réalistes de déploiement à grande échelle pour les prototypes autrefois coûteux ; les modèles Vision-Langage-Action (VLA) dotent les robots d'un « cerveau » capable de comprendre la sémantique, de raisonner et de planifier ; et la pyramide de données multi-niveaux, allant du préalable vidéo aux synthèses simulées, alimente continuellement l'évolution constante de l'intelligence incarnée. Cependant, le secteur fait toujours face à un goulot d'étranglement fondamental : les données. Comparée aux grands modèles de langage et à la conduite autonome, l'intelligence incarnée souffre toujours d'une pénurie massive de données lors de la phase de préentraînement.

Gate News - Le 26 mars, le taux central du yuan par rapport au dollar américain a baissé de 145 points de base à 6,9056 par rapport au jour de bourse précédent, la baisse la plus importante depuis le 11 novembre 2024.

BlockBeats news: On March 26, former Base design lead Benji Taylor announced that he has joined the X platform and will lead the design team, looking forward to working closely with Elon Musk, Nikita Bier, and other team members.

Gate News, le 26 mars, l'ancien responsable du design de Base, Benji Taylor, a annoncé qu'il avait rejoint la plateforme X en tant que chef principal du design, et qu'il dirigerait l'équipe de conception de la plateforme. Benji Taylor a déclaré qu'il était impatient de collaborer avec Elon Musk, Nikita

La société M1X Global, opérant un programme de revenu de base aux îles Marshall, a levé 3 millions de dollars, principalement auprès de cadres supérieurs du secteur crypto et financier. Les fonds seront utilisés pour développer le bon de dette numérique USDM1, soutenant la participation des résidents locaux au programme UBI, qui sera lancé sur la blockchain Stellar en décembre 2025.

Kairos Labs a levé 2,4 millions de dollars en financement de série d'amorçage, lançant un protocole d'échange de taux d'intérêt non-custodial sans permission basé sur l'EVM, avec des plans pour le déploiement sur le mainnet Ethereum et Base. Le protocole optimisera la gestion du risque de taux d'intérêt du marché DeFi et stimulera le développement des produits de revenu fixe.

Le protocole d'échange de taux d'intérêt de l'écosystème Ethereum Kairos Labs a complété un tour de financement d'amorçage de 2,4 millions de dollars le 25 mars, avec 6th Man Ventures en tant que leader d'investissement et Lattice participant. Le projet a obtenu son diplôme de l'Alliance Accelerator et devrait être lancé sur le réseau principal d'Ethereum et le réseau Base prochainement.

La société mère de l'échange décentralisé Balancer, Balancer Labs, a annoncé sa fermeture en raison de pertes massives causées par une attaque de pirates informatiques l'année dernière. Néanmoins, le protocole Balancer continuera d'être exploité par Balancer DAO et la fondation, générant des revenus. L'équipe de base sera intégrée dans une nouvelle entité, aucun nouveau jeton BAL ne sera émis, et tous les frais seront utilisés pour racheter les jetons existants, offrant aux investisseurs une opportunité de sortie équitable. Le secteur DeFi fait actuellement face à une restructuration, et les 12 prochains mois constitueront un test important pour la reprise du secteur.

Cursor a publié un rapport technique sur Composer 2, présentant son plan d'entraînement complet pour l'architecture Kimi K2.5 MoE, incluant l'entraînement en deux phases et le benchmark maison CursorBench. Après l'entraînement, les performances de Composer 2 ont considérablement augmenté, surpassant les autres modèles de pointe en termes de coût d'inférence.

Cursor a publié le 25 mars un rapport technique sur Composer 2, révélant le schéma d'entraînement du modèle Kimi K2.5, qui adopte une architecture MoE avec 1,04 trillion de paramètres. L'entraînement se déroule en deux phases, utilisant la simulation de scénarios réels pour l'apprentissage par renforcement, atteignant finalement un score de 61,3 sur le benchmark CursorBench, soit une amélioration de 70%, avec un coût d'inférence inférieur à celui des autres API de grands modèles.