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.
People still have doubts about who came first. A year before Jev, in Oct 2025, I shipped HalluNox: it scores an LLM's confidence before generation and routes on that, with a calibrated decision first and generation only if needed. Also supports images, even one year back!!! That grew into Laya, fully open source. pip install hallunox
AI × DePIN 的新机会：Acurast 如何释放手机算力的潜力 谈到 AI 算力，市场最先想到的往往是英伟达 GPU、数据中心和大模型训练 但我认为，AI × DePIN 真正容易被忽略的机会，并不是让手机替代 GPU，而是把 AI 任务拆开：重训练继续交给数据中心，大量轻量、分散、低延迟且涉及隐私的数据处理，则交给遍布全球的智能手机 @Acurast 想占据的，正是这一层 1/ AI 需要的不只是 GPU 真实的 AI 应用，并不只有训练和长文本推理 人话翻译一下： Acurast 不是想用手机训练下一个 GPT，而是让几十万台手机共同处理那些根本用不上高端 GPU 的 AI 工作 2/ Acurast 如何把手机变成计算节点 用户在支持的手机上运行 Processor，设备便可以向网络提供算力；开发者提交任务后，网络根据价格、硬件能力和任务要求完成资源匹配，再由手机执行工作 但去中心化计算最麻烦的，从来不是「有没有机器」，而是「凭什么相信一台陌生人的手机」 Acurast 的核心解法是 TEE，也就是手机芯片中的可信执行环境。任务在硬件隔离区域内运行，配合硬件证明，网络能够验证设备与执行环境的真实性，同时降低节点运营者接触输入、模型参数和输出结果的可能 所以 Acurast 卖的并不只是分布式算力，而是三件东西： 全球分散的手机计算资源 基于规则的任务与算力匹配 经过硬件证明的可验证执行 此外，Cargo 为任务提供接近服务器和容器的 Linux 环境，开发者可以部署 Node.js 服务、API、自动化脚本、LLM、Agent 后端和数据处理程序，不需要专门为手机重写整套应用 这一步很重要，因为 DePIN 最怕的就是设备很多，开发者却没法真正使用 3/ 从接入设备到实际任务，Acurast 已经走到哪一步 Acurast 于 2026 年 1 月 20 日上线 Mainnet 和 TGE，当时官方披露的数据是： 169,000+ 台手机接入 364,000+ 个 deployments 589M+ 笔链上交易 这意味着网络已经从激励测试阶段进入无需许可的生产网络，开发者可以正式部署 AI、Web3 和企业任务。Acurast Mainnet 官方公告 更值得关注的是，Acurast 没有停留在「手机数量」的叙事上 截至 2026 年 10 月 2 日，官方最新页面显示，已有 320,000+ 台手机接入，累计链上交易超过 10 亿笔；其 Laya 示例包含 9 个在线 Demo 和一个 API，任务由真实 Android 手机执行。Laya Demo 官方介绍 Laya 是一个约 800MB 的开放 System One 模型，它不负责生成长篇内容，而是根据固定选项快速做出判断 在官方测试中，手机处理一次简短决策大约需要 0.2—1 秒，可以用于邮件分类、实时聊天审核、Prompt Injection 防护，也能在 Snake、Tetris 和 Doom 中连续决定下一步动作； 开发者通过 Cargo 部署一个示例实例，官方给出的成本低于每天 1 ACU。System One 模型说明 这些案例当然不能证明手机可以替代数据中心，也不能直接证明已经形成大规模商业收入 但它至少验证了一件事： 部分 AI 工作负载确实可以在经过硬件证明的手机上运行，而且开发者已经拥有相对完整的部署路径 4/ $ACU 如何承接这套网络的价值 如果把 Acurast 看作一个手机算力市场，$ACU 就不是单纯的节点奖励代币，而是连接任务、算力和网络安全的协调资产 它目前主要承担四层用途： 第一层是网络与计算费用 开发者提交 deployment、调用网络和执行计算需要支付费用。官方文档显示，任务成功执行后的 deployment cost 会被销毁，从而把真实使用与代币消耗连接起来。Acurast 网络架构 第二层是算力供给激励 手机运营者贡献硬件并保持在线，可以获得 Base Benchmark Rewards；实际执行任务的设备还能获得额外权重，提高其在奖励池中的份额 第三层是 Staked Compute 处理器运营者质押 $ACU，并承诺提供一定水平的算力和在线时间；普通持币者即使没有硬件，也可以把 $ACU 委托给处理器参与网络 这让质押不再只是「锁币拿币」，而是与设备性能、质押规模、承诺期限和履约情况挂钩的经济安全机制 第四层是治理和生态资源分配 $ACU 持有者可以参与治理，决定协议参数与社区金库的使用方向。 官方代币模型显示，$ACU 初始供应量为 10 亿枚，目前设定每年固定通胀 5%，其中 70% 分配给 Staked Compute Pool、15% 进入 Treasury、10% 用于基础 Benchmark 奖励、5% 分配给 Collators。Acurast Tokenomics 这套机制的理想飞轮很清楚： 开发者部署任务 → 计算需求增加 → 更多处理器接入并质押 $ACU → 网络容量和可靠性提高 → 更多 AI 与 Agent 应用进入 → 计算费用、销毁和质押需求增加 所以判断 $ACU 的长期价值，我不会只看手机数量，而会持续观察四个指标： 真实付费任务和开发者数量 计算费用及 $ACU 实际销毁规模 参与 Staked Compute 的设备、质押量与履约率 通胀、代币解锁和新增网络需求之间的关系 最后的判断 Acurast 最值得看的地方，不是又做了一个「AI + DePIN」叙事，而是它选了一条相对务实的路线： 不和数据中心争夺大模型训练，而是把已经广泛存在的手机，组织成低成本、分布式、隐私友好且能够验证执行的 AI 计算层。 继续重点保持关注，等惊喜。 @EchoHunt_ai
AI 都快能替你管钱了，可你想过没有，它到底在谁的机器上做决定？？？ 最近看 @Acurast 的 Laya Demo，发现一件挺有意思的事。 乍一看就是个复古小游戏网站，贪吃蛇、俄罗斯方块、DOOM，甚至还有帮你筛选约会对象的小游戏。 但往下看，事情没那么简单。这些游戏里的 AI 决策，背后不是某个大型 GPU 集群，而是 Acurast 网络中的普通安卓手机。 就拿 DOOM 来说，AI 要决定什么时候开枪、往哪走、要不要捡东西。这些判断会交给手机 CPU 上运行的 Laya 模型处理。 邮件分类、聊天内容审核、提示词攻击拦截也是类似的原理。 官方给出的单次简单决策耗时，大概在 0.2～1 秒。更有意思的是，你还能查看处理任务的设备信息，找到对应的链上验证入口。 因为它让我重新想了一下：我们是不是把 AI 算力这件事想得太单一了？？？ 现在一聊 AI，大家都盯着 GPU。英伟达卖得怎么样？数据中心又扩建了多少？谁拿到了更多算力？ 这些当然重要，但 AI 真正进入日常生活以后，未必每件事都需要大型模型来处理。 比如判断一封邮件是不是钓鱼邮件，检查一段输入是否存在攻击风险，或者让 Agent 决定下一步调用哪个工具。 很多时候，要的不是一台性能恐怖的机器，而是一个能稳定处理任务、又不随便泄露数据的地方。Acurast 就在尝试做这个。它把分散在世界各地的手机连接起来，让开发者能够调用这些设备完成计算任务。 不过，单纯把手机凑在一起还不算特别难理解。真正让我觉得值得研究的，是它想解决“陌生人的手机能不能被信任”这个问题。 手机毕竟不是你的。你把任务交给地球另一边的陌生设备，凭什么相信它没偷看数据、没改代码？ Acurast 用手机硬件里的 TEE（可信执行环境）以及设备认证机制，来降低这种信任成本。 简单理解，就是尽量把执行过程锁在受保护的环境里，让外部能够核验设备和代码，同时减少设备主人接触敏感数据的机会。当然，TEE 不是无敌的，硬件漏洞和设备故障依然存在。 但这个思路确实有意义。尤其是 AI Agent 开始接触钱包、私钥、支付和链上自动化的时候。 我可以接受 AI 帮我写错一句话。但如果它替我签错一笔交易，我肯定想弄清楚：代码到底在哪里运行，中间有没有被人动过手脚。 再回头看 Acurast 的进展。 2026 年 1 月 20 日主网正式上线。 目前官网显示： 📱 超过 33.5 万部手机接入 ⚙️ 超过 68.6 万次累计计算部署 🌐 超过 11 亿笔链上交易处理记录 这些数字已经不小了。但我也不想光看数字就下结论。接入的手机不等于全部同时在线，累计部署不等于真实付费客户，链上交易更不能直接算成 AI 推理次数。 DePIN 项目有个老问题：靠激励把供给端做大相对容易，难的是找到持续愿意掏钱的需求方。 Acurast 最终也绕不开这个问题。 这就说到 $ACU 了。它有网络手续费、Staked Compute 质押、治理等用途，计算费用也设计了代币销毁机制。 开发者还能通过 USDC 等方式购买计算服务，降低接入门槛。从设计上看，网络使用量和 $ACU 之间确实存在联系。 但我不会直接把它理解成“手机越多，币价就越高”。毕竟还有代币增发、解锁和实际付费规模的问题。 半年或者一年后，有多少开发者还在持续部署任务？有多少人真的愿意为了隐私和可验证执行付费？ 如果这些数据能跑出来，$ACU 的逻辑才会更有说服力。 至于 Acurast 能不能挑战传统数据中心，我觉得现在聊这个还太早。 手机有性能、内存、散热和网络稳定性的限制。大型模型训练和重型推理，依然是 GPU 集群更擅长的事。 况且传统云厂商也有自己的机密计算方案。 Acurast 真正需要证明的，是分散在不同人手里的手机，能不能在某些场景下，提供更合适的成本、隐私和信任保障。 它不需要打败 GPU，也不需要让所有 AI 都搬到手机上。 只要在轻量决策、隐私计算和 Agent 自动化里找到足够多的真实用户，这条路就值得继续走。 而是另一个问题：以后 AI 帮我们做越来越多的决定时，我们究竟要不要知道，这些决定是在哪里、由谁的设备执行的？ 这个问题可能比手机算力本身更值得讨论。如果有一天 AI Agent 真能帮你管理钱包，你会放心交给传统云服务器，还是更愿意尝试 Acurast 这种可验证的去中心化执行网络。 #Acurast #ACU #DePIN #AIagents
DePIN 这几年我参与过不少，最后留下来还在跑的，没几个。 回头想想，大部分死在同一个地方：得先买硬件。矿机、硬盘、显卡，钱先砸进去，回本全看币价，币价一跌设备就成了摆设。 所以看到 @Acurast 用手机做算力网络的时候，我第一反应是，这东西门槛也太低了。 手机谁都有，抽屉里还躺着换下来的旧机。晚上插着充电，屏幕一黑，它就闲着。全世界几十亿台，散在各个国家，天然就是分布式的。 另一头是 AI。推理调用越来越多，算力基本攥在几家云厂商手里，价格人家说了算。 手机能干什么？大模型训练肯定不行，这个得认。可日常里大量 AI 任务是小模型推理，判断一封邮件是不是垃圾、审一条评论、做一次路由决策。单次计算量不大，要的是便宜、快、够分散，手机刚好对得上。 我最在意的是信任问题。一台陌生人的手机，凭什么相信它算出来的结果？ Acurast 的做法是用手机自带的安全芯片，TEE 可信执行环境。任务在芯片里单独跑，机主看不到数据，Acurast 官方也看不到。芯片还能证明这是一台真手机、代码没被动过，结果可以上链验证。 角色就两种：贡献手机的人跑 Processor app，开发者部署任务，用 ACU 或 USDC 付钱。 进度我只用官方公开的数字。 主网和 $ACU 是 2026 年 1 月 20 日一起上线的，当时官方给的是 16.9 万台手机、36.4 万次部署。现在官网写的是 33.8 万台以上手机、69.9 万次以上部署，计算提供者分布在 175 个以上国家，手机数量比上线时多了差不多一倍。 应用这边，官方最近在推 Laya 系列 AI demo。我觉得最好玩的是让 AI 在世界各地的安卓手机上玩 Doom，每一步决策大约 0.7 秒。还有一个按需租 VPS 的服务，用 Base 上的 USDC 付款，几分钟就能拿到一台跑在手机上的 Ubuntu。 $ACU 的用途是付算力费、奖励 Processor、质押和治理。我比较喜欢它的质押设计：节点管理者要为承诺的算力押 ACU，大约每 90 分钟考核一次，没达标的部分按比例罚没，罚没的 ACU 有 90% 直接销毁。干活不达标就要真金白银地赔。 融资方面，官方去年 11 月披露累计 1100 万美元，其中 CoinList 公售 540 万美元，Gavin Wood 在支持者名单里。 想上手的话提醒几句： 一定用闲置手机，别用存着钱包和助记词的主力机。 安卓 12 以上、没 root、bootloader 锁着的手机，可以装 Processor Core，恢复出厂后专门当节点用。日常用的手机可以装 Lite 版，iPhone 6S、iOS 15 以上也支持，充电的时候顺手跑。 装好后按 app 里的指引注册，有问题直接去官方 Discord 问。 个人研究，不构成投资建议，DYOR。
Classifying emails, routing support tickets and moderating chat are recurring AI tasks. With a small model and independent requests, this work can spread across available smartphones. Laya offers a concrete example on @Acurast. The roughly 800 MB decision model has live demos for email classification and chat moderation, showing how phone hardware can serve a specific AI workload. Acurast connects developers to that capacity through a coordinated process: ➟ Developers define the workload, resource requirements and execution schedule. ➟ The network matches deployments with suitable smartphone Processors. ➟ Processors execute the workload and return results. Cargo provides a Linux runtime on supported Android devices. Hardware attestation helps verify the execution environment, while model accuracy requires separate testing. The network has also grown beyond its early deployments. Acurast launched mainnet in January and reported 318,000+ onboarded phones across 175+ countries on September 29. That gives developers a broad hardware base to draw from, though onboarding figures alone do not establish available capacity or paid usage. $ACU connects to this activity through network and deployment fees. Its utility gives compute demand a direct role in the network’s economy. The practical test is consistent service. Device availability, network latency and hardware differences affect execution; Laya’s calibration and adversarial-input limitations also matter for application design. I would track execution success, latency under sustained load and repeat paid deployments. Those measurements would show how effectively Acurast turns distributed phone resources into compute developers keep using.
这几天写 @Acurast ，手机接入、积分和 $ACU 用途都聊过了。 今天换个能直接点开玩的。 Acurast 最近上线了一组 Laya Demo。背后的 AI 模型没有跑在传统云服务器里，而是跑在 Acurast 网络中的一台 Android 手机上。 页面里有贪吃蛇、俄罗斯方块、Doom、邮件分类、直播评论审核和提示词注入拦截等 9 个演示，另外还开放了 API。 不用注册，打开就能试： Laya 不是聊天机器人 Laya 属于 System One 模型。 它不会像 ChatGPT 一样写一大段回复。你给它一段内容和几个固定选项，它会直接作出选择，并返回各个选项的概率。 比如： 邮件属于收件箱、垃圾邮件还是钓鱼邮件 一条评论是否包含诈骗或恶意内容 这次提示词注入应该放行还是拦截 游戏角色下一步往哪里走 同一个模型可以处理这些看起来完全不同的任务，因为底层都是同一件事：读取当前状态，然后从给定选项里选一个。 一台手机是怎么跑的 Laya 由 ConvAI Innovations 开源，采用 Apache 2.0 许可，模型大约 800MB。 为了放到手机上运行，它被转换成 ONNX，并量化到 8 bit。整个推理过程只用手机 CPU，不需要显卡。 用户在网页里提交一次选择，页面会向 Acurast 网络中的手机发送一个 HTTP 请求。手机运行模型，再把结果传回来。 官方给出的速度大约是每次判断 0.2 到 1 秒。 玩贪吃蛇时，手机决定下一步转向；运行邮件分类时，手机判断邮件应该放进哪个类别。页面上还能看到设备所在国家、芯片信息、已经处理的决策数量，以及对应的链上记录。 这就比单纯写“手机可以提供 AI 算力”直观多了。任务发出去，手机计算，结果返回，整个过程都能实际操作。 为什么这类 AI 适合手机网络 最大的语言模型还是需要大量 GPU，单台手机替代不了数据中心。 但实际产品里，并不是所有 AI 请求都需要大模型。 客服工单分类、内容审核、垃圾邮件识别、风险标签和 Agent 的第一层判断，处理的都是短任务。每次请求彼此独立，也不需要保留很长的上下文。 这类任务可以分给不同手机同时处理。 一台手机每秒只能完成有限的判断，那就增加设备数量。Acurast 目前已经接入 33.5 万台以上的手机，覆盖 175 个以上的国家，这种分散的小任务正好能把设备数量用起来。 而且这些内容往往带有隐私。 邮件、聊天记录、客服信息和 Agent 指令不一定适合全部发给中心化 API。Acurast 会把任务交给经过硬件认证的手机，并在 TEE 环境中执行。提供设备的人不能直接读取任务里的原始数据。 这和 $ACU 有什么关系 Laya Demo 展示的不只是手机性能，也展示了 Acurast 里的计算需求从哪里来。 开发者部署模型，需要购买计算资源；手机提供任务执行能力，获得相应奖励；$ACU 用于支付网络计算、激励 Compute Provider、质押和治理。 官方在此前的 Laya 部署示例里给出的成本是每天不到 1 ACU，实际价格会跟设备、任务和当前报价变化。 单次费用不高，但这类模型处理的是连续请求。 邮件不断进入，评论不断刷新，Agent 也会重复调用判断接口。真正能形成需求的不是展示页面，而是这些模型被接入产品以后产生的长期调用。 它也有明显限制 Laya 适合做快速判断，不适合替人作最终决定。 官方测试中，邮件分类正确了 160 封里的 144 封，大约是 90%。选项超过约 20 个以后，准确率会下降。面对复杂文本和专门设计的攻击内容，它也可能判断错误。 单台手机的吞吐量同样有限。请求突然变多时，队列会开始堆积。 所以它更适合放在第一层，先完成分类、过滤和分流，再把少量复杂内容交给更大的模型或人工处理。 先让手机干它能干的活 Acurast 没有用这次 Demo 证明手机可以取代 GPU。 它证明的是另一件更具体的事：一部分真实 AI 请求不需要昂贵的大模型，也不需要一直放在中心化服务器里。 一个开放模型、一台真实手机、一次可以查到的计算任务，这条链路已经跑起来了。 接下来要看的，是开发者愿不愿意把邮件分类、内容审核、Agent 后端这些长期任务真正部署进来。设备规模已经有了，计算需求能不能跟上，才是后面更重要的数据。
gun icinde gonderecegim dedigim ollama ve ollaya karsilastirmasi geldi 🔥 ollaya 0.8.0 ve ollama 0.35.0'i ayni rtx 5090'da kosturdum, bespoke labs'in public benchmark'i ile: 3880 insan etiketli soru, 13 alt set. skorlamayi bespoke'un kendi kodu yapiyor, sorular tek tek http uzerinden gidiyor
看腻了 DePIN 天天吹“全球 30 万节点”，@Acurast 这次总算干了件事非常硬核的事：把跑手机上的 AI 模型 Laya 挂网页上了，贪吃蛇、邮件挑刺、拦提示词注入，都能现场测。 说点实在的： 手机芯片硬刚大模型写小说纯属自讨苦吃，但 Laya 只做选择题。丢几个选项给某台在线安卓机，CPU 算个概率直接返回。快的 0.2 秒，慢的 1 秒左右。网页上还写着你刚调了哪个国家、什么芯片的手机，链上也能翻记录。 我最看好的是 Prompt 拦截和邮件分类。现在 AI Agent 太多，一堆机械小判断要是全走大模型 API，光 Token 费就能把项目方拖死。拿这套小模型当外围保安，脏活垃圾请求先让闲置手机 CPU 过滤，复杂的再惊动大模型，经济账算得明白。 测试 160 封邮件会漏十来封，遇到老油条钓鱼还得交学费，但至少让人看懂了手机算力能干嘛。比画一张全是小红点的全球地图务实多了。 #Acurast #ACU #DePIN
前两篇聊了 @Acurast 的项目和代币，这次想往下追一步。 手机接进网络以后，到底能干什么活？ 官方最近放出的 Laya 演示，给了几个具体例子。邮件来了，判断该进收件箱还是垃圾箱；聊天消息来了，识别垃圾信息和诈骗内容。连贪吃蛇下一步往哪走，也可以交给手机上的模型决定。 这类任务很适合从程序员的角度理解。应用发出一次 HTTP 请求，手机用 CPU 跑模型，再返回一个选项。官方给出的单次判断耗时约 0.2 到 1 秒。 看到这里，手机算力的用途就具体了。很多应用每天都要处理大量小判断，未必每次都需要生成一大段文字。 当然，演示跑得通，离开发者长期掏钱用还有距离。官方也提醒，模型可能判断错，消息来得太快，审核队列会积压。 我接下来会继续看这些任务有没有人反复用，以及响应速度能不能满足实际业务。$ACU 的需求能走多远，得有持续使用来托住。 感兴趣的可以先看演示，不用注册，也不用为了体验先买币。 @EchoHunt_ai
An open-source Jev-like model is playing Flappy Bird in real time on a standard CPU. Laya is a 421M-parameter System-1 decision model running on a 12th-gen Intel i7 with OpenVINO INT8. No GPU. No token-by-token generation. It receives the game state and chooses an action in a single forward pass. LLMs can handle planning and reasoning. Small decision models can provide the fast reflexes. The best agent stack may not be one giant model. It may be a slow brain paired with fast reflexes.
Hey @railsworld! As usual I've got FOMO, and as usual I'm releasing something into the #ruby wild! Introducing: ruby-laya It's a #Ruby port of the open-weight System 1 decision engine Laya. Now you can get all your agent questions answered at blazing speed (33ms!) on your CPU at zero cost 🎉
Project: ruby-laya→
New PHP/Laravel package! marcreichel/laya-php: Laravel-ready SDK for Laya, a Jev AI alternative, to classify text in PHP
Project: laya-php→
我书桌抽屉里躺着一部三年前的旧手机。 屏幕上一道裂纹，电池一天两充，挂二手不够付邮费。 它现在唯一的工作是当闹钟。 但把它插上电、连上 WiFi、装一个 app，它就能变成 @Acurast 网络里的一个计算节点。我白白扔掉的其实是它的算力——这事我想了挺久。 AI 喊缺算力喊了三年了 缺吗？缺。缺的是贵得要命的卡，和能塞进这种卡的数据中心。 但"算力"这个词被聊窄了。抓网页、跑预言机、发链上交易、做分布式渲染、给模型做推理——这些活的算力单位小得多，也更分散，犯不着都往最贵的硬件上堆。 而全世界几十亿部手机，大部分时间正插着充电器待着，什么也不干。 Acurast 干的就是把这批机器接起来这件事。它的定位一句话说完：用手机跑的去中心化算力网（Real Decentralized Compute Network）。 官方现在挂出来的数字：接入手机 320,000+ 台，链上交易破 10 亿，已完成部署 672,000+ 次，支持 Android、iOS，最近还加上了 Solana Mobile。 这些手机到底在算什么 不是概念演示。机密计算这条线上，它在给企业数据跑保密的大模型推理，也在跑分布式数据分析和数据库对接。带宽与算力这条线，抓网页、做区块链索引、跑预言机、做社媒监控、组去中心化 VPN 都有。还有一摊是链上自动化和密钥管理——AI 驱动的 CEX/DEX 交易策略、跨链资产管理、大模型钱包。再往上，是拼低成本的算力集群、托管抗压网站、批量生成 zk 证明。 方向不少，共同点是：这些活不需要一台超级计算机，需要的是一群随时在线、成本够低的普通设备。 手机刚好符合。 $ACU 在这套网络里不是装饰 我觉得这才是最该讲清楚的地方。Acurast 的质押计算机制里，通胀的 70% 分配给 Staked Compute。 接入方式有两个点值得注意。提供手机算力不用先买代币，没有准入门槛；而手里没有硬件的人也能拿奖励——把自己的质押委托给算力提供者就行，接受委托的提供者还能多拿一份。质押进去的算力还支持再质押。 这样一来，有闲置手机的人和握着代币但没设备的人，被接到了同一张网里。算力被真实调用，代币跟着网络内部的需求转，而不是靠讲故事撑着。 过去这一个月他们放了什么 9 月 4 日安全协议升级；9 月 8 日发了教程，教怎么在 Acurast Processor 上跑 OpenClaw；9 月 25 日公开了 ACU 代币透明度披露文件；9 月 29 日界面支持到 9 种语言；10 月 2 日，Laya 演示了在一部手机上跑 System One 模型。 最后这条我想单独说一句。"手机能跑模型"这话一年前还是句宣传语，现在他们放出来的是演示。 至于这条路能走多远，我不急着下结论——你可以自己去跑一遍看。 想参与的话 Acurast 和 XHunt 的创作者活动从 9 月 30 日开到 10 月 25 日，奖池 200,000 ACU，按 Impact Share 分给前 150 名。细节以官方活动页为准，我只提醒一个最容易漏的：生成个人邀请码是参与门槛，少了这步作品不计分。 还有一条官方反复强调、我也认同的：接入 Processor 请用闲置手机，别拿存着钱包或加密资产的设备去跑。 我抽屉里那部旧手机还没处理。换屏幕不划算，让它当个计算节点——好像刚好。 @Acurast
𝗪𝗵𝗮𝘁 𝗶𝗳 𝘆𝗼𝘂𝗿 𝗽𝗵𝗼𝗻𝗲 𝗰𝗼𝘂𝗹𝗱 𝗱𝗼 𝘁𝗵𝗲 𝘄𝗼𝗿𝗸 𝗼𝗳 𝗮 𝗰𝗹𝗼𝘂𝗱 𝘀𝗲𝗿𝘃𝗲𝗿? I spent some time exploring Acurast to understand what 𝗰𝗼𝗺𝗽𝘂𝘁𝗲 𝗼𝗻 𝗽𝗵𝗼𝗻𝗲𝘀 actually looks like. Acurast takes a different approach to cloud computing. Instead of relying only on centralized data centers, it uses smartphones as compute providers. 🔺 325,000+ phones | 1B+ transactions | 679K+ deployments ➤ Two ways to participate: ‣ Provide compute through the Processor app and earn rewards. ‣Deploy applications and AI workloads on the network. 🔺Security is a key part of the idea: ➤Jobs use secure hardware environments designed for confidential execution. ➤ Cryptographic attestations help verify the execution environment. Meet Laya, an AI decision model running on a phone through Acurast. 🔺 Snake — chooses moves 🔺 Tetris — selects placements 🔺 Doom — decides actions 🔺Mail sorter — classifies emails 🔺 Newsroom — categorizes headlines 🔺Jailbreak guard — tests prompt-injection defenses 🔺 Chat moderator — flags spam and toxic messages ➤ Laya reports decision times of around 0.2–1 second on CPU. Its demo also says an instance can run on a single phone for a few ACU per day. Can you earn rewards? Yes, eligible phones can receive ACU rewards for completed compute jobs. But rewards aren’t guaranteed. They depend on the jobs your phone completes. A spare iPhone connected to Wi-Fi and a charger may be a convenient setup, subject to device and app requirements. You can explore working demos and see phone based AI decisions in action. IOS: Android:
Acurast 值得琢磨的地方，我认为不是“手机能挖矿” 最开始让我停下来想的一件事，不是 0.2 秒跑完一个决策有多快，而是一个更根本的问题：把私钥交给一台陌生人的手机去执行 AI 决策，凭什么？ 答案不在软件层，在芯片里 手机 SoC 中的 TEE（可信执行环境） 是一个硬件级黑盒——机主看得见“有任务在跑”，但看不见跑的是什么，也改不了执行过程。Acurast 更进一步，要求安全芯片生成由 OEM 签发的硬件认证，把“这台手机确实在隔离环境中执行了任务”变成可密码学验证的事实，而不是一句承诺。去中心化算力真正的门槛从来不是“便宜”，而是“看不见也改不了”这件事，只有物理隔离能给。 目前网络里 31.9 万+ 台手机、10 亿级链上交易、66.9 万+ 次部署，这些数字如果只当作“规模”来看，就错过了重点。它们堆出来的是一个可被验证的算力池，而不是一堆连在一起的旧设备。最近 Laya 决策模型在手机端跑出 0.2–1 秒的亚秒级推理，说明这个池子开始接真实的结构化决策任务了，而不只是停留在 demo。 但我也得把话说回来：节点数不等于持续有任务。$ACU 的价值最终锚定在开发者愿不愿意付费部署上——Deploy Agent 已经支持 AI Agent 直接用 Base 上的 USDC 通过 x402 付款提交任务，这条路是通的，但需求侧的真实厚度，才是接下来最值得盯的指标。 实操层面，我拿旧手机跑了一阵，踩的坑比想象中具体： 选机：旧红米的散热和温控底子好，挂着省心；老三星充电效率跟不上，边充边掉电基本是电池老化的锅，设置救不回来。 散热是分水岭：不装散热器，41–42°C，屏幕卡、反应慢；加一个百元级散热背夹，直接压到 30°C 上下，边充边烫的问题也基本消失。这 100 块花得比换手机值。 摆放：放路由器旁边，别隔墙；设备定位之后就别天天挪，反复插拔和信号波动比温度更容易把节点搞掉线。掉电先换线，再换头，还掉就该让那块电池退休了。 Lite 模式不用恢复出厂，适合手头还在日常用的 iPhone 或安卓机先挂着试水；真要跑 Cargo 才需要 64 位 aarch64、Android 12+ 并清空设备。 这些东西单看都是小事，但几十万台设备能不能稳定接住真实任务，恰恰是由这些“小事”决定的。如果你手边也有闲置手机，先拿一台跑 Lite 试试，边跑边看这个网络能不能从“能接任务”走到“持续有任务”。 @Acurast 这条从设备规模走向实际需求的路，值得跟一段时间。
🚨🚨 Can You Trust Jev???? (Or Kev, or Laya) -- Tricking Decision APIs...🚨🚨
🔥炸裂实测！四个决策模型比拼，同一页维基百科「Spider」，谁先撕出“点名蜘蛛”的链接？ 本地 Laya 直接开启碾压模式： 🔵Laya（本地 / M5 Max）：23 finds，约 34ms/条，检查量约云端 3 倍 ⚪️OpenAI Decisions（云端）：9 finds 🟣Jev（云端）：9 finds 🟠Clef-Flash（本地）：5 finds 窄决策不必等云，CPU 本地跑，延迟和吞吐都在自己设备上。 本地跑决策模型 → #LocalAI #DecisionModels #Laya #OpenAI #Jev #AtomicChat #Clef
Pi 权限控制不用装太多，有这三个就够了🔥 官方安全文档写得很清楚：Pi 不会在每次工具调用前请求批准，想要类似 Claude Code 自动模式的体验，目前有 3 种思路 1、官方示例：permission-gate 官方示例扩展，遇到 rm -rf、sudo、chmod 777 这类危险 bash 命令会弹窗让你确认，没界面直接拦截，想自己改规则从它开始最简单 2、pi-automode-classifier：规则加本地小模型 先用规则判断，认不出的命令再交给分类模型，Kev 或 Laya 放在本地 CPU 跑就行，全程离线，风险高的会弹窗让你确认 安装：pi install npm:pi-automode-classifier 需要 2026 年 10 月 2 日之后的 llama.cpp，作者用的 Kev-0.8B 量化版是 774 MB 3、pi-jev：用 Jev 做判断层 每次 bash、write、edit 之前先判断是不是破坏性操作、会不会把数据发出去，不过它要 API Key，不是本地模型 安装：pi install npm:y0usaf/pi-jev 这也是最近火的 JEV 模型，我还做过一些测评，其实就是一个作为判断的模型 这些都是帮你审批的插件，不是沙箱，只是帮你的 PI 加上了一个权限控制的入口，但不要以为有了这个就可以肆意妄为 它和沙箱还是有本质的区别的，所以这里需要注意
每天邮箱里一堆垃圾邮件，群聊里时不时冒出广告，甚至 AI Agent 收到的指令，也得先判断有没有问题。 这些活，现在居然可以交给一部手机来干了。 最近 @Acurast 展示的 Laya，我觉得还挺值得关注的。 之前只看它玩俄罗斯方块，感觉挺有意思。这次仔细了解才发现，原来这玩意还能干这么多事。 Acurast @Acurast 目前展示了 9 个 Laya Demo，除了贪吃蛇、俄罗斯方块、Doom，还有邮件分类、新闻判断、聊天审核，甚至连 AI 提示注入防护都能尝试。 我专门了解了一下，Laya 是一个拥有约 4.21 亿参数的开源决策模型。 它不需要像 ChatGPT 那样生成一大段文字，只需要根据输入的信息做出选择。 比如判断邮件是不是诈骗、聊天内容有没有恶意信息，这些都能交给它处理。 最有意思的是，整个过程直接在真实 Android 手机的 CPU 上运行，短决策大约只需要 0.2–1 秒，还能查看手机所在国家、芯片型号以及链上验证记录。 看到这里，再回头看看 Acurast 的网络规模，目前已经接入超过 34 万部手机，覆盖 175 多个国家，链上交易超过 11 亿笔。 以前看这些数据，只觉得规模挺大，现在结合 Laya 的演示，才真正看到这些手机能干些什么。 当然，演示归演示，后面能有多少真实的商业任务跑起来，还得继续观察。 另外，Cloud Rebellion 还有个 Laya Quest，体验 Demo 后在 X 分享并提交链接，按照活动规则可以获得 5,000 MIST 积分。 MIST 是活动积分，别和 $ACU 搞混了。 说起来，我们平时换下来的旧手机，很多都是往抽屉里一扔。 如果以后真能通过 Acurast 跑一些 AI 任务，让闲置算力发挥价值，那还挺值得期待的。
this is pure f*cking treasure 20 production Jev repositories that stop agent context rot and turn-25 memory collapse forcing frontier LLMs through sequential autoregressive decode loops just to route tools burns 38% of token budgets an enterprise cluster burned $48,600 across 50 agents on 14M LOC before turn 25 broke their memory Claude Opus 5.5 and GPT-6 Astra write the code, Jev makes the fast System-1 decisions before paying for an expensive call CORE ADAPTERS & TYPESAFE SDKS → sub-50ms deterministic gates 01 skills ▸ 02 system-one-adapter-python ▸ 03 typesafe-sdk-js ▸ 04 typesafe-sdk-python ▸ 05 kev ▸ RUNTIME HARNESS & STATE MACHINES → bounded action branching without transcript bloat 06 jev-ultrafast ▸ 07 jev-chat-jarvis ▸ 08 laya ▸ 09 jev-state-machine ▸ 10 jev-agent-framework ▸ CONTEXT GC & LOSSLESS COMPACTION → anti-aging context hygiene and memory SSD 11 fast-jev-compaction ▸ 12 jev-pipeline ▸ 13 jev-automation ▸ 14 jev-templates ▸ 15 jev-sandbox ▸ QUANTITATIVE LOOPS & ECOSYSTEM → risk-gated execution and production patterns 16 awesome-jev ▸ 17 QuantDinger ▸ 18 jev-trader ▸ 19 jev-examples ▸ 20 jev-community ▸ the loop: filter notes before injection → route mechanical steps to Astra → execute tools in sandbox → purge stale state upon mutation → halt when evidence hits s_d ≥ 0.85 the architecture: LLMs write → Jev decides → code enforces the generator changes, but the decision layer stays deterministic save this, then combine it with opus 5.5 or gpt-6 astra ⭣
FYI - LAYA is based on BERT like architecture and offers similar service like JEV. 2/2
今天想写一下 @Acurast 刚放出来的 Laya 演示。 这次终于不是拿“全球有多少节点”让我自己脑补用途，而是把运行在手机上的 AI 模型直接摆到网页上，贪吃蛇、邮件分类、聊天审核、提示词攻击拦截都能现场试。 我原本以为手机跑 AI，多少会有点表演性质。看完 Laya 的工作方式，反而觉得这类小模型和手机算力挺搭。 它不负责陪你聊天，也不生成一大段文字。应用把当前情况和几个固定选项发过去，它返回每个选项的概率，再选一个执行。 贪吃蛇该往左还是往右，邮件该进收件箱、垃圾箱还是钓鱼分类，某段提示词该放行还是拦截，走的都是这套流程。 一次判断就是向 Acurast 网络里某台 Android 手机发起一次请求，由手机 CPU 跑完模型再返回结果。按照官方演示，快的设备处理一次短决策大约需要0.2秒，普通情况在1秒左右。 页面还会显示这次回答来自哪个国家、用了什么芯片、这台设备已经处理过多少次请求，对应记录也能继续到链上核对。 这比单纯展示“我有32万多台手机节点”更有说服力，因为用户能看到算力到底在干什么。 我比较喜欢提示词守卫和邮件分类这两个演示。现在很多 AI Agent 每天要处理大量小判断，并不是每一步都需要调用昂贵的大模型。先由轻量模型做筛选、分类和拦截，复杂任务再交给后面的模型，成本会好算很多。 Laya也没有被包装成万能模型。官方测试中，邮件分类160封只判断对144封；碰到诱导性文字仍然可能出错，单台手机请求太多也会排队。它更适合做第一层过滤，不能直接拿来当最终裁判。 这次演示让我对 Acurast 的理解具体了不少。 一张由手机组成的计算网络，价值不能只靠在线设备数量证明。开发者愿不愿意把任务放上去，任务跑完要花多久、多少钱，结果能不能核对，这些才会决定手机算力最后是产品，还是一张很大的节点地图。 Laya至少把其中一类任务跑出来了：不用机房，也不需要高配显卡，一台普通手机就能替应用完成连续的小型 AI 决策。
Laya now live on OpenMayhem Fast JEV model, structured decision-making model perfect for games, chats, support and moderation. Our endpoint is basically free ($0.0081 per million input) Claim your $5 free credits and build cool stuff like this 👉
laya-php: Typed text decisions for PHP
Muhtar olarak bir şeyler anlattık yine Jev ve Laya gibi modelleri kullanarak karar veren bir agentic model geliştirdik. Şirketler için risk yönetimi ve portföy yönetimi yapan bir agent olarak okx demo hesabını bir şirket portföyü olarak konumlandırıp, kimlik ve ödeme sistemi olarak Avalanche ağını kullandık. Emeği geçen herkese teşekkürler @OKXTurkiye @AvaxTeam1 Build with @arfdao
Experimenting with Laya, the open weights Jev-style decision model on a use case that I think could actually fit these models: agents selecting which skills to load I'm using my real agent sessions and the skills that frontier models picked Jev picked the right skill 59% of the time. Untrained Laya picked it 18% of the time, with a fine-tuned version boosting that to 35% I'm now training the Laya model on ALL of my sessions to see just how high I can get that number! I don't think these models can pick the skills alone, but perhaps they can create a shortlist of 10 skills, then the main model can pick from those instead of 120+
有闲置手机的兄弟们有福了，闲置手机也能变成去中心化算力节点。 @Acurast 把全球手机接成一张可验证计算网：任务跑在手机 TEE 里，代码和数据对机主不可见，开发者拿来跑 API、机密计算和轻量 AI 决策，提供者按官方规则拿 $ACU 这个项目 不是空叙事。它要付网络手续费、给算力结算、做 Staked Compute 质押，也用来治理。主网通胀目前按 5% 设计，其中约 70% 进质押算力池、10% 给基准奖励，谁提供稳定算力、谁质押并承诺在线，谁就更贴近真实需求。 最近官方已经把 Laya 这类 System One 决策模型部署到手机网上：单次决策最快约 0.2 秒，不需要机房 GPU。AI 要的是大量、分散、靠近边缘的小决策，手机正好对口。普通人怎么参与：点开邀请卡先了解并进入活动： Processor（日常机可用 Lite，专用机用 Core） 保持联网、按官方指引完成接入 继续提供算力拿基准奖励； 有 $ACU 可再质押或委托 奖励、锁仓、冷却期和设备要求以官网最新文档为准。官网：
Same Tetris harness with @liquidai's d1-omni-600M on ANE, ~4 ms per decision on an M4 Max. Same speed. Same pieces for both. Laya (@Nandakishorm1) is done after 350. d1 places 22,832 and clears 9,118 lines before it tops out. Try out yourself:
Project: d1-ane→
上次发了一篇关于 @Acurast 限制手机的利用，看了下在10月的 Laya，Acurast 上线了九种交互式演示，很详细的教程了。 官方演示通过请求调用运行在 Acurast 网络 Android 手机上的模型，最快设备的单次短决策约 0.2 秒。 体验直达入口： 紧接着Acurast 进一步解释了 Processor 的 Attestation 机制，Acurast 使用 Android 侧的 Google Key Attestation 和 iPhone 侧的 Apple App Attest 验证设备，并持续检查被撤销的证明密钥。 这么看节点是不能单纯的靠数量，还要依赖设备验证和持续安全检查，DePIN 的长期价值，最终还是要回到供需关系和产品使用上。 AI 需要算力，Agent 需要持续运行的后端，而涉及敏感数据和链上资产时，执行过程还需要更强的安全保障，Acurast 尝试用分布式手机算力、硬件可信执行环境和可验证执行来解决其中一部分问题。 它的应用方向不只包括模型推理，也包括 REST API、定时任务、Agent 后端和机密 AI 服务。 官方还介绍了通过 USDC 在 Base 上使用 Deploy Agent 的路径，这条路线值得研究，但能支持某种工作负载，与已经形成大规模付费需求，是两回事。
谁能想到，现在连俄罗斯方块，都可以交给一部安卓手机上的 AI 来玩了。 @Acurast 又展示了一个挺有意思的 Demo，让开源 AI 模型 Laya 在真实手机上运行，自己判断俄罗斯方块应该往哪里放。 一开始觉得就是个小游戏，仔细研究后才发现，背后涉及的其实是小模型决策、手机算力，以及 Crypto Agent 的去中心化执行。 / 先说说这个 Laya。 它属于 System One 决策模型，和我们平时使用的大语言模型有些区别。 比如玩俄罗斯方块，游戏会提前生成 5 个候选落点，Laya 根据当前局面选择一个，并返回对应概率。 整个决策过程只需要约 0.2–1 秒，而且直接运行在手机 CPU 上。 不需要昂贵的 GPU，也不必每次都调用大型云端模型。 这就挺有意思了。 / 更值得关注的，是 Acurast @Acurast 把这套能力放进了自己的去中心化计算网络。 按照近期官方数据： • 340,000+ 部接入手机 • 覆盖 175+ 个国家 • 11 亿+ 笔链上交易 • 70 万+ 次计算部署 结合 TEE 安全执行环境，Acurast 希望让手机提供的不仅是算力，还有可验证的 AI 决策能力。 这件事放到 Crypto Agent 领域，想象空间就更大了。 比如钱包交易审核、DEX 兑换路径选择、链上任务调度。 程序先生成合法选项，AI 根据策略快速做出选择，再由系统验证执行。 当然，涉及资金安全的操作，还需要额外的风控机制。 / 以前关注 Acurast，更多还是想着手机能不能挂机赚点奖励。 现在看到 Laya 真正在手机上跑起来，我反而更好奇，后面还能接入多少实际任务。 毕竟手机数量已经不少了，接下来就看这些算力能不能真正派上用场了。 #Acurast #DePIN #AI
Posted a Laya demo on X? Mention “Laya” and it gets picked up automatically, or submit the project.
