Seen on X
Demos, games, ports and benchmarks posted on X, picked by hand. Each one links back to the original post and, where there is one, to the project in the directory.
Ha salido Laya un modelo Open Source que compite contra el modelo Jev. Laya lo puedes instalar y correr en tu computadora de manera GRATIS, y en este video te muestro paso a paso como hacerlo. →
Swiping is exhausting. Laya doesn’t mind. With our demo, the AI is in charge of every left and right for your next match. Live on a single Acurast phone. No server farm needed. Try it out, explore the other demos, or create your own Laya instance 👉
Sarvam Prism vs. Laya / Vega-U decision model series. We don't need the 105B model for typed decisions. Period. I created the Laya and Vega series to be able to run on edge devices and be computationally less expensive during inference. Replicate the results at Add the HF token and sarvam api key as HF_TOKEN and PRISM_API in Kaggle secrets if you wanna try. Btw, I usually try to share the notebook for benchmarks as much as I can; I urge every company to do the same!!! #sarvam #prism #sarvamprism
⚔️决策模型比拼：RTX 4090 上四个本地决策模型 Laya 实测最佳 ！ 扫维基百科，专挑“蜈蚣相关词”： 🟣Laya：3.9 ms/词，准确率 ~97%，速度断层第一 🔵Liquid d1 3B：6.0 ms/词，准确率 ~96%，紧追其后 🟠Clef-Flash：24 ms/词，准确率 ~98%，稳但慢 6 倍 ⚪️Lev：51 ms/词，准确率 ~98%，准却最慢 本地决策模型已经能做到毫秒级抽实体，云端 API 在这种高频扫描面前直接被甩开。 #LocalAI #决策模型 #Laya #RTX4090 #开源模型 #Clef #d1 #Lev
🔥超友好！最全 Jev 中文教程+优化配方，Datawhale 这一份直接补上空白！ 11 章可运行 Notebook，从三种问题原语写到 18 篇实战配方、语音 3D 智能家居、Laya vs Jev 四维评测、RLCD 本地微调，再到 Pi / DSH Agent，官方文档中译和 500+ 文件知识库也收在同一套里。 教程本身就这几块： 🔹第 1–3 章打底：认识 Jev、三种原语 Choice / Score / Noul、扇出 / 门控 / 路由。 🔹第 4 章 18 篇配方：重排序、语义搜索、结构恢复、函数调用、引用核查、防护栏，篇尾附工程坑。 🔹第 5 章语音驱动 3D 智能家居，第 7 章再收 12 个可运行应用。 🔹第 6 章评测纪律，第 10 章 Laya 全流程：数据集、微调、本地兼容服务。 🔹零 API Key 先跑离线示例，配 Key 后同一套代码直连真实模型。 四步上手： 1️⃣克隆仓库，进 main/，跑 ./setup_env.sh。 2️⃣按序过第 1–3 章，把原语和架构模式跑通。 3️⃣第 4 章挑配方改输入重跑；第 5 章在浏览器里说话指挥房间。 4️⃣要接 Agent 看第 9 章，要本地模型看第 10 章。 查看： #Jev #Datawhale #最全中文教程 #Jupyter #大模型 #深度学习 #AI工具 #howto入门 #Laya #Agent
Project: jev-cookbook→
On the fastest phones, some short Laya decisions come back in around 0.2 seconds. That’s fast enough that I’d probably read the answer first and the probability second. Laya runs the same System One model across nine live demos on Android phones in the Acurast network. It returns probabilities, and a short decision usually takes around 0.2–1 second. The uncertainty is visible. The speed just makes it easy to ignore. Acurast’s mail sorter got 144 out of 160 letters right in one test. They also openly point out that tricky inputs can fool the model and describe Laya as a fast first filter, not the final word. I keep thinking about that gap. A model can effectively say “I’m 72% sure” and still answer before I’ve decided whether 72% is good enough. The system never had to claim certainty. My brain can add that part on its own. @Acurast
AI-powered crypto scams are becoming harder to spot, and @Acurast is exploring an interesting way to fight back. Its latest Laya demo runs an AI model directly on a smartphone through its decentralized network. It can identify phishing messages, suspicious headlines, and scam-like community activity. AI doesn't always need another centralized server to be useful.
The Snake demo makes it easy to watch the AI make a move. But which phone actually made that call? That’s what caught my attention about @Acurast Laya. Its System One model takes a situation, picks from fixed options, and runs that decision on an Android phone’s CPU in the Acurast network. Snake is one example. Sorting emails into inbox, spam or phishing is another. The demos also show the phone’s country, chip information when available, decisions served, and a “verify on-chain” link. That gives me something concrete to inspect behind the words “AI powered by phones.” Of course, seeing where a decision ran doesn’t tell me whether the model made the right choice. And a verification link alone isn’t a complete audit of every request. Still, I like having somewhere to start. A country and chip are useful clues. How much of the actual execution does that on-chain link let me verify? #Acurast
With just 2.5GB VRAM, you can train your own Decision Model using small models like Laya. Training is simply done through a UI interface. Video tutorial and analysis are in our guide. GitHub repo:
I published the full write-up: how I cut Grok Bot costs by moving simple decisions to Laya. The picture that unlocked it for my clients: you walk into a busy office and hand a short note to two people. The careful writer hands back a paragraph. The clerk marks boxes on a form. For years we handed every ticket to the writer. Laya is the clerk. 421 million parameters. Apache-2.0. It runs on the same computer Grok Bot already owns. On November 1, Elon said the cost of serving Grok Bot was unsustainably high relative to revenue. This is one way the token volume that reaches the generative model actually falls. Read the Article:
🤯卧槽？！用本地免费笔记本训自己的决策模型的时代来了！ Unsloth 刚放出免费 Notebook，把普通 LLM（比如 Qwen3.5-4B）直接变成 Jev / Laya / Clef 风格的决策模型，不吐文本，只吐选项 + 置信概率。 关键亮点： 🔹免费 Colab/Kaggle Notebook，点开就能跑，Qwen3.5-4B 本地 8GB VRAM 就能训；更小的 0.8B 只要 4GB。 🔹准确率暴涨：从随机瞎猜的 ~30% → 74%~81%（typed-decisions / BANKING77 / CLINC150 等基准），一 epoch 就起飞。 🔹支持三种决策类型：choice（多选一）、noul（是/否）、score（打分），一次 forward 全评完，带校准概率。 🔹数据格式超简单：state（输入）+ questions（问题定义）+ gold（标准答案），和 Laya/Clef 完全兼容。 🔹训完直接本地部署，支持 Unsloth Desktop 的 Decision API，或者自己 serve，数据全在本地，隐私拉满。 5分钟上手： 1️⃣打开免费 Notebook： 2️⃣准备数据：state + 问题字典（choice/noul/score）+ gold 答案，用 一键处理。 3️⃣加载模型 + LoRA（推荐 r=16，lr=2e-4），用 DecisionTrainer 跑 1-2 epoch（T4 也能飞）。 4️⃣校准 + 推理：FastDecisionModel.predict(输入, 问题字典) 直接拿决策和概率。 5️⃣保存 / 合并模型，丢进 Unsloth Desktop 的 Decision API 或自己 serve。 官方指南： 小模型本地就能变成会做决定的 AI，客服路由、内容审核、工单分派、风险判断……全都能自己训一遍。 #Unsloth #DecisionModel #本地AI #Qwen #LLM #免费训练 #AIAgent #FineTuning #OpenSource #决策模型 #Laya #Jev
what if your phone could do more than just run apps, but actually help power AI? @Acurast recently showed a demo of Laya running an AI-powered Tetris game directly on a real Android phone. Using the lightweight System One model, the AI evaluates five possible moves and chooses one in around 0.2 to 1 second. No massive server setup needed for this particular demo. That’s a practical example of Edge AI, where computation happens closer to the user instead of relying entirely on centralized infrastructure. With smartphone hardware and Trusted Execution Environments (TEEs), @Acurast is exploring how everyday devices can contribute to a more decentralized and privacy-conscious computing network. Tetris is a simple starting point, but the bigger question is whether this model can support more demanding tasks, including crypto agents and other AI applications. #Acurast #DePIN
Jev-style decisions now run locally in a 678MB model on CPU. Unsloth added Laya to Desktop. You send text + a menu of choices. It gives you probabilities / scores back — without generating the answer token-by-token like a normal LLM. In Unsloth's example: 🚫 0 generated output tokens It runs on Windows / Mac / Linux, CPU or GPU, and exposes a Jev-compatible local API. After the first load, Unsloth says requests are well under a second on most CPUs. Existing Jev clients can point at the local Unsloth server. 🔗 Link in ALT
From playing Tetris to powering crypto agents, System One models are opening new possibilities for AI. Acurast’s latest demos show what this looks like in practice with Laya. ✅ 5 candidate moves. One decision. ✅ AI choosing the next move ✅ Running on a real Android phone ✅ ~0.2–1 second per decision The bigger idea? AI doesn’t always need massive centralized infrastructure. Sometimes, a small model running on a phone is enough. 🎮 Try the demos: Learn more:
Self-host Laya here, and ask your agent to finally clean up your desktop for you:
توی این تست، Laya بهصورت لوکال روی یه MacBook Air با 16GB RAM اجرا شده و زمان تصمیمگیریش حدود 51ms بوده؛ درحالیکه Jev از طریق Cloud حدود 326ms ثبت کرده GitHub: دموی لوکال و Playground: دوست داشتید یه سر به کانال تلگراممون هم بزنید 🧑🏻🩰🙄 :
Project: laya→
宝子们聊到AI算力大家第一反应都是GPU、机房，仿佛设备不够高级就没资格接活。 但其实有很多任务没那么吃算力，也不需要那么大的机器——比如邮件分类、聊天审核这类小活，重复执行、输出范围明确，让闲置的手机来干，反而更合适。 @Acurast做的就是把分散的手机接进一个去中心化计算网络，让开发者把任务部署到这些设备上。 举Laya演示里的例子：应用提交邮件内容和预设选项，Android 手机本地跑模型，再把判断结果返回给应用。 聊天审核、提示注入识别也有对应的演示。 说白了，手机不用联网到中心服务器，本地就能完成一部分推理。 这类任务适合从手机算力起步，是有原因的：反复执行、结果范围可控、单个任务算力需求不高。 先从这里试，才知道手机到底能承担多少。 但"算完了"和"算对了"是两回事。 模型能不能理解具体语境，要单独测试。 更现实的问题是，把任务交给别人的手机，涉及数据保护和设备可信度。 Acurast 的做法是结合手机的硬件可信执行环境（TEE）和设备证明，保护计算中的敏感信息、核验执行环境。 开发者需要的不仅是有人提供算力，还要知道程序跑在什么环境里。 更值得注意的，是 Acurast 最近把手机算力和 AI Agent 接在了一起。 通过 Deploy Agent，AI Agent 可以直接调用 HTTP API，用 x402 支付协议在 Base 上以 USDC 支付费用，再把任务部署到 Acurast 网络——整个过程不用专门准备 $ACU 账户，后台脚本、API 服务、支持 SSH 的 Ubuntu VPS 都有对应的部署方式。 也就是说，Agent 自己找算力、自己付钱、自己部署任务这条链路，已经跑得越来越顺了。 规模上也有数据支撑。 主网 2026 年 1 月上线，按 10 月 14 日公布的数据：接入手机超过 33.5 万台，算力提供者分布在超过 175 个国家和地区。 $ACU 承担网络费用、算力提供者激励、质押和治理，把代币用途和网络运行绑在一起。 接下来团队还规划了两个方向：Cray 想把数百部手机组合成计算集群，承接更大的 LLM 工作负载；Bazaar 准备做开放式算力市场。 这两步如果推进下去，手机算力的想象空间会明显变大。 对普通用户来说，最直观的参与方式还是闲置手机。 按官方流程下载 Hub、扫码绑定、开工作配置文件，几分钟就能跑起来；晚上插着电连着 Wi-Fi 就行，日常使用影响不大。 但要把话说清楚：奖励是按设备性能和在线情况来的，匹配到真实任务才有加成，没人能保证固定收益；设备型号、系统环境、网络稳定性都会影响实际参与。 手机算力也有自己的边界，替代不了大型 GPU 集群。 说到底，这条线的价值不在"旧手机能赚钱"，而在能不能形成持续的真实需求。 哪怕先做好一项消息筛查服务，只要运行稳定、成本合适，能替使用者省掉重复操作，就有继续采用它的理由。 让手机接到适合自己的活，才是这条路线最值得展开的地方。 参与入口 👉
The Laya decision model is free on AI Gateway via @BoundlessHQ through Oct 31. Use it to route agent work, triage support, and check guardrails. 𝚌𝚘𝚗𝚟𝚊𝚒𝚒𝚗𝚗𝚘𝚟𝚊𝚝𝚒𝚘𝚗𝚜/𝚕𝚊𝚢𝚊
Laya plays Plants vs Zombies on CPU 🧟 We patched the llama.cpp engine to run Laya natively so it works on a regular CPU with no GPU and here a fine-tuned Laya makes every move until it beats the Plants vs Zombies pool level Run decision models locally->
一個 DePIN 項目發展到什麼階段，我覺得可以先看三件事 網路規模有多大、產品實際做出了什麼，以及有沒有持續增加的使用需求 最近看 @Acurast 的官方資料，有幾組數據和產品進展值得關注 1⃣網路規模已經累積到什麼程度？ 🔹 335,000+ 台接入手機 代表已有大量手機加入 Acurast 的分散式運算網路，讓閒置或專用裝置有機會成為 Compute Provider 🔹175+ 個國家 代表網路上的 Compute Provider 分布在不同地區，呈現出一定程度的全球覆蓋範圍 🔹 1B+ 筆鏈上交易 顯示協議累積處理了大量鏈上活動。不過，交易數量不等於實際執行的 Compute 任務，也不代表每一筆都是付費使用 🔹695K+ 次 Compute Deployments 呈現累積部署規模，但部署數與成功完成的工作量仍然是不同的指標，需要搭配其他數據一起觀察 2⃣產品方面有哪些具體進展？ 除了網路規模，我也會關注 Acurast 到底能拿這些手機算力來做什麼 🔹AI 模型執行：官方分享 Laya 在手機上執行模型的示範，探索行動裝置承接 AI 工作的可能性 🔹AI Agent 部署：官方介紹透過 Cargo 部署 OpenClaw 個人 AI 助理的方式，讓 Compute 的用途延伸到自動化任務 🔹分散式 Compute：透過不同地區的裝置提供運算資源，探索雲端運算以外的另一種基礎設施模式。 這些進展讓我覺得，Acurast 的觀察重點已經可以從手機接入規模，延伸到實際應用的發展 3⃣接下來最值得追蹤的是什麼？ 我自己會特別留意以下幾個指標 🔹開發者數量：是否有更多人願意使用 Acurast 部署應用 🔹實際運算需求：Compute 任務是否持續增加，部署是否能轉化為穩定使用 🔹網路活躍程度：接入的手機有多少持續提供算力，而非只有累積接入紀錄 🔹 $ACU 的實際用途：Compute 費用、質押、獎勵與治理機制，是否隨著網路使用而發揮作用 🔹服務穩定性與安全性：能否滿足開發者對執行效率、資料保護和可靠性的要求 我認為這些指標比單看一個漂亮的數字更有參考價值 4⃣我對 Acurast 現階段的看法 目前的網路規模和產品展示，確實讓 Acurast 有不少值得研究的地方 但我也會把幾件事分開看 🔹 手機數量增加，不一定代表實際算力需求同步增加 🔹 部署數量增加，也不一定代表所有部署都有持續的商業價值 🔹網路使用成長，更不能直接等同於 $ACU 價格上漲 這些都需要更多實際數據來驗證 對我來說，Acurast 接下來最關鍵的問題，是能不能把已經接入的手機資源，轉化成開發者願意持續使用的 Compute 服務 如果未來能看到更多實際應用、持續增加的運算需求，以及清楚的網路使用數據，那麼這些成果才會更有說服力 我會繼續關注它的發展，尤其是 AI 模型與 Agent 能否在這個網路上找到真正適合的使用場景 規模是起點，產品是過程，能不能建立持續的真實需求，才是我接下來最想觀察的部分
这个国庆节基本没怎么出去玩。前两天露营回来之后就开始拉肚子，折腾了好几天，今天才算缓过来😂 人躺了几天，项目倒是没闲着。刚好这轮 @Acurast × @EchoHunt_ai 的 XHunt Creator Campaign 还在跑，我今天重新翻了一遍 Acurast 这周的新东西，看到一个挺有意思的：它现在已经开始让手机直接跑 AI 决策模型了，而且已经有 Demo 可以自己进去玩。 / Acurast @Acurast 这周把 Laya 的 System One 模型做成了一套可以直接体验的 Demo，目前一共 9 个 Demo + 1 个 API，里面有 Snake、邮件分类、新闻标题判断、聊天审核、Prompt Injection 防护这些。 Laya 这类模型更偏快速决策。比如 Snake 下一步往哪走，一封邮件是 Inbox、Spam 还是 Phishing，一条 Prompt 要不要拦，模型会根据当前状态直接给出选择和对应概率。 这些判断最后都跑在 Acurast 网络里的手机上。 / 拿 Snake 来说，手机上的 Laya 会根据当前局面自己判断下一步，官方最近的演示大概 0.37 秒一步。邮件分类这种稍微复杂一点的任务，大部分也能压在 1 秒以内。 这个速度当然没法拿去和大型 GPU 拼重模型，但邮件分类、内容审核、路由、Agent 下一步判断，包括一些风控和过滤任务，本身更看重的是够快、成本低、随时能调用。 这种活交给手机来跑，我觉得就开始有点意思了。 / 所以 Acurast 现在这 320,000+ 部手机，我觉得也可以换个角度看。 前面大家更多关注闲置手机能不能提供 Compute，现在这一步又往前走了一点，手机已经开始真正接 workload，甚至直接跑一部分 AI inference。 每个 Laya Demo 里还能看到这次任务是哪个国家的手机执行、用了什么芯片、已经处理过多少次决策，对应记录也能去链上验证。 “手机能跑 AI”这句话谁都能讲，真正有价值的还是哪台设备跑了、跑了什么、结果能不能验证。 / Acurast 联创这几天在 KBW 现场讲了一句话： “The vast majority of compute lies in smartphones.” 以前听这句话，感觉更偏愿景。现在看完这些 Demo，至少已经能看到他们准备怎么把这部分 Compute 真正用起来了。 后面我更想继续盯一个数据：Agent 真正大规模跑起来以后，会有多少这种“小而高频”的决策任务，被拆到手机上执行。 这块如果跑通，30 多万台手机才是真的有活干。 顺便把我刚生成的 Rebel Card 也晒一下。 这张卡是在 Cloud Rebellion Dashboard 里生成的，算是自己在 Acurast 这条线上的身份卡。 想自己接个 Processor 跑跑的： #depin #acurast
Acurast 这次把 Laya 做成可以直接玩的东西后，我反而更容易理解“手机跑 AI”到底能干什么了。 以前一听这个概念，我想到的还是旧手机挂任务，或者拿手机跟 GPU 比性能。但 Laya 这次走的路不太一样，它不是让手机去干特别重的活，而是处理一些很短、很频繁的判断。 像邮件是不是钓鱼、内容要不要拦、prompt 要不要放行，甚至游戏下一步怎么走，本质上都是一次很小的决定。 我觉得这个方向有意思的地方，反而不是一台手机有多强，而是这种小任务够不够多，能不能分给很多设备一起做。 当然，Demo 能跑不代表已经有真实需求。分类会出错，一台手机能处理的任务也有限，所以我更想看的是，后面有没有开发者愿意真的把审核、过滤、自动化这些需求接进来。 如果只是拿来试玩，热度过去也就过去了。 但如果这些东西开始有人持续用、持续付费，那手机算力这件事才不只是一个概念。 想自己试一下可以看： @Acurast
🔥炸裂实测！魔方竞速，Opus 5.5 三步之内击败 GPT-6 Sol、Jev和Laya ！ 同一规则：20步或5分钟，每步=1次API调用。 1️⃣Opus 5.5：3步完美复原，1分12.87秒 2️⃣GPT-6 Sol：第一步走错，4步后超时 3️⃣Jev：20秒打满20步，步数耗尽未复原 4️⃣Laya：9.5秒打满20步，同样未复原 最快的在空转，最贵的在想。一步错，后面全废。 #Opus55 #GPT6Sol #Jev #Laya #Claude #AI
When I am creating Laya architecture, I didn't think about this particular problem, where sometimes the model should not generate any response, that is NOTHING!!. How does a decision model decide, and when should it refuse to? Create your decision api and calibration file at
Acurast × @EchoHunt_ai 活动还有3天就结束了。 说实话，我自己成绩目前不太理想，排名一直在掉，应该是有效邀请拉垮了。 内容再好，40%权重若拉不动，整体Impact Share容易被有获客能力的人拉开。 web3纯线上活跃用户确实稀缺，具备线下推广、社群组织或真实用户转化能力的人在这类会越来越占优。这是新一轮InfoFi类活动的核心变化之一。 好在 $ACU 价格稳在了0.1附近，这在一定程度上反映网络有真实使用支撑，而非纯叙事。 @Acurast 网络已接入335,000+手机，覆盖175+国家，累计处理超10亿笔链上交易、68万+次部署，主网已运行，支持TEE机密计算。 最近，Acurast官方也在推出一系列活动和合作，证明自身真的有用。 近期官方活动与合作（证明实用价值）： ✳️ Binance Alpha ACU交易竞赛 日期从2026年10月16日13:00至10月23日13:00 UTC 通过Binance Wallet 或Alpha买入ACU，前2000名按有效买入量平分约111.2万枚ACU。有早鸟倍数和新锐交易者加成，仅买入计入。结束后按规则领取。 这个参与也不晚，2000个名额，竞争也不算激烈，大家可以赶个末班车，去领个低保。 ✳️ Laya AI演示与任务 Laya 是来自 ConvAI Innovations 的开源 System One 决策模型，专门做结构化选择，从固定选项中挑一个并给出概率，不生成长文本。 它跑在 Acurast 网络的真实 Android 手机 CPU 上（TEE 环境），单次决策约 0.2–1 秒，无需数据中心。 手机网络上实时跑决策类AI（Snake、Tetris、Doom决策、聊天审核等），延迟低（约0.2-1秒），无需账号即可体验。 Cloud Rebellion 任务，奖励 5000 MIST： 1.打开 体验任意演示。 2.在 X 上分享体验感受（建议 @Acurast，描述具体演示和观察）。 3.登录 Cloud Rebellion（Hub），找到 Laya Quest，提交帖子链接完成验证后领取 5000 MIST。 我自己也体验了一下，我自己也体验了一下Laya Demo ，贪吃蛇小小游戏，感觉手机端AI真的有一定推理和判断能力了。 虽然都是些小游戏，但方向是对的。 ✳️ $ACU登陆Bithumb韩元市场 可惜不是Upbit，希望下一步就是它吧。 最后几天了，大家加油!
果然有些营销号不能全信，Jev 和 Laya 还是得自己跑一遍才知道区别。 我用最简单的方式测了一下，结果其实挺直观： Laya 确实快，但它是本地部署，本身就没有云端网络延迟。拿这个速度直接跟 Jev 比，多少有点玩文字游戏。 所以我觉得 Laya 更适合本地、低延迟、需要快速响应的场景。 Jev 云端调用慢一点很正常，但我自己这轮测试下来，判断准确度还是明显比 Laya 高一些。 一个偏速度，一个偏准确度，适用场景其实不太一样。 不过我现在最好奇的还是之前看到的那个“俄罗斯方块”Demo。 按我目前对 Jev 的理解，我还真没搞明白那个效果到底是怎么做出来的 有知道的兄弟指点一下🤣
手机凑GPU？这个问题本身就问偏了 最近看 AI×DePIN，最大的感受是： 大部分日常调用，根本不需要 H100 垃圾邮件拦不拦、提示词注入防不防、内容审核过不过、路由怎么走…… 这些更像 System One 式判断：小、无状态、一次请求一次结论。 要的是快、私、可验证，不是堆集群。 @Acurast 在做的事，一句话： 把全球闲置手机的 TEE，变成可验证的无服务器计算节点。 过去 DePIN 算力总绕不开矿机、机房、GPU 但很多轻量 AI 任务，并不值得进中心云；敏感原文，也不该先交到别人机房。 Acurast 换了个供给思路： 不新建基础设施，直接组织已经出厂、已经通电、已经分散在全球的手机。 ######## 怎么跑？ - 开发者提交 Deployment，链上 Matcher 匹配 Processor - 任务在手机 TEE 里跑，硬件证明代码没被篡改、设备是厂商认证真机，机主也看不到机密输入 - 日常手机可用 Lite 模式，充电闲时贡献；旧机可 Core 模式锁定专供 - 报酬以 ACU 结算 数据上，官方/项目账号近期口径在约 30 万部手机量级，覆盖 175+ 国家和地区；链上交易 9 亿到 10 亿+，部署 36 万到 67 万+，支持 Android、iOS、Solana Mobile。 Base 上也有约 22.5 万手机节点接入，AI agent 调算力可走 x402、USDC 结算。 数字会浮动，但方向清楚：供给是已分发的消费级硬件。 轻量 AI 已经能跑 Laya 约 800MB，跑手机 CPU，短问题约 0.2 秒，整理邮件通常不到 1 秒。 它不替代大模型，但邮件分拣、聊天审核、标题党识别、提示词注入防护这类任务够用。 官方举例里，这类部署日成本可压到 1 ACU 以下。 ######## 代币方面： ACU 初始供应 10 亿，用于支付、激励、质押和治理；年通胀 5%，其中 70% 进质押计算池，10% 计算池，15% 金库，5% 给 collators；早期支持者分配约 6.5%，费用侧有销毁设计。 我不只看市值，更看有没有持续付费 workload。 活动催化剂： @EchoHunt_ai × @Acurast 创作者活动 9/30—10/25（UTC+8），20 万枚 ACU 奖池，按当时推文口径约 2.5 万美元，前 150 名合规创作者分。 内容约 60%、有效邀请约 40%，同步币安广场有加成，每人每周最多 2 篇有效 X 作品。 有推文提到当前榜单参与账号约 106，前 150 有奖，参与度不算高。但规则以官方为准。 ######## 值得注意的点： 手机不会替代训练集群。单机算力、持续供电、网络抖动都是约束 ACU 价格、活动规则、接入规模都可能变 它补的是“已经足够轻、但又需要可信和规模”的那段市场。 来谈谈我的个人观点： Acurast 最值得看的，不是“手机变矿机”，而是把最普及的安全硬件变成可验证计算层。 中心继续发光，边缘开始呼吸。 能否跑通更多付费任务，比节点数字更重要。 活动入口： 注意：闲置安卓机可以研究接入；别用存钱包或加密资产的设备。 非投资建议，DYOR。 #Acurast #DePIN #AI #ACU #EchoHunt
Five possible moves. One decision model. An Android phone choosing where the next Tetris piece goes. @Acurast’s Laya Tetris demo shows how software and AI can share a narrowly defined task. The game calculates candidate placements, then sends the board state, the new piece and five options to Laya, an open System One model from ConvAI Innovations. The division of work is clear: ▸ The game generates and describes the candidate moves ▸ Laya selects from the supplied options ▸ An Android phone on Acurast runs the inference ▸ The game applies the choice and repeats the process Instructions can influence the strategy, such as keeping the stack flat or prioritizing completed rows, without changing the available candidates. This gives developers something specific to explore: prepare a limited set of actions, provide the relevant context, and test whether a compact model can choose effectively. The demo illustrates a bounded inference task, not a benchmark for every AI workload. Decision quality still needs testing, including whether different instructions produce the intended behavior. Acurast supplies the phone-based execution infrastructure behind the model’s response. The useful lesson is how the workload is structured: software prepares the choices, while a compact model running on Acurast selects the next action.
Acurast 这次放出来的 Laya Demo，让我第一次比较直观地看到手机算力到底能干什么。 以前听手机跑 AI，总觉得是个很大的概念。好像要么拿来和 GPU 比，要么就是把设备挂着等奖励。 但 Laya 做的事情更小一点。 贪吃蛇下一步怎么走，邮件是正常还是钓鱼，提示词要不要拦下来。这些不是特别重的任务，但又需要不停做判断。 我觉得手机算力比较适合的，可能就是这种场景。 不用硬拼大模型，也不一定要替代数据中心。大量手机如果能把这些短任务分掉，处理速度和成本也许会有自己的优势。 当然，Demo 好玩不等于有人会真的来用。 我后面更想看的是，有没有开发者愿意把真实的自动化、审核、分类任务放进来。设备再多只是开始，能不能接到真实需求才更重要。 想自己试一下的可以看看 @Acurast
🚨 YOUR MAC CAN MAKE AI DECISIONS IN 7.4 MS. A new Apple Silicon port brings Laya’s typed-decision AI to MLX — fully local. This is Laya-MLX. Instead of generating paragraphs token by token, it makes typed decisions directly. → `choice` → probabilities across options → `score` → probabilities across rubric levels → `noul` → probability of true/false → 0 output tokens → Runs natively on Apple Silicon → No PyTorch, Transformers runtime, or cloud API → 7.4 ms median on the multilingual checkpoint → 13.4 ms median on the English checkpoint And there’s a seriously cool demo: Laya plays Snake locally. Every move is a real model decision. The project reports 75.40 moves/second across 2,400 moves, with zero deaths in its paired M3 Max test. Basically: State → typed decision → action. No giant generated answer. Just the decision your software actually needs. One important detail: this is an independent MLX port, not an official Convai Innovations release. 🔗 #AI #AppleSilicon #MLX #LLM #MachineLearning #LocalAI #OpenSource #Python #AIAgents #Developers
Project: laya-mlx→Posted a Laya demo on X? Mention “Laya” and it gets picked up automatically, or submit the project.
