مستكشف نماذج البيانات التفاعلية للبدء في استكشاف نموذج البيانات، توجه إلى مستكشف نماذج البيانات التفاعلية (روابط لسلاسل محددة أدناه) وانقر على "مجموعات البيانات" في القائمة العلوية. من هناك يمكنك النقر فوق نماذج بيانات blockchain المختلفة، أو مجموعات البيانات الخاصة بك، أو البيانات المشتركة في المجتمع.

للبحث عن عنصر بيانات داخل النموذج، استخدم شريط "بحث" في الجزء العلوي الأيسر من المستكشف:

نماذج بيانات Blockchain ستنقلك الروابط أدناه مباشرةً إلى صفحات نماذج بيانات blockchain المختلفة:

• Bitcoin

• Ethereum

• zkSync

• Polygon

• Sui

• Aptos

• Sei

Coming Soon:

• Avalanche

• BNB Chain

• Base

• Arbitrum

• Optimism

ماذا عن البيانات خارج السلسلة؟ يمكنك أيضًا تحميل بياناتك الخاصة خارج السلسلة إلى المكان والزمان. يتيح لك ذلك الانضمام إلى البيانات التي أنشأها التطبيق مع بيانات blockchain وإنشاء خيارات DeFi أو NFTs الديناميكية للعبتك في استعلام واحد.

قبل عام 2022، إذا كنت تريد أن تتذكر بسرعة مقطعًا معينًا من كتابك المفضل أو اقتباسًا من فيلم شاهدته للتو دون أن يكون العمل نفسه أمامك، فمن المحتمل أن تلجأ إلى محرك بحث. ستطلب ذلك باستخدام مدخلات بحث جيدة الصياغة، وتحليل النتائج التي تم إرجاعها، وزيارة رابط SparkNotes أو IMDB الذي يبدو أنه يحتوي على إجابتك، والعثور على النص الذي تبحث عنه على الصفحة في غضون بضع دقائق. الآن، ما عليك سوى فتح ChatGPT، واكتب "ما هو أشهر اقتباس لـ Terminator؟" أو "اكتب المقطع الافتتاحي لقصة مدينتين" واحصل على إجابتك الحرفية في ثوانٍ.

أحد أبسط الاستخدامات لنموذج اللغة الكبير (LLM) هو استخدامه كقاعدة بيانات للمعرفة. لقد تم تدريب حاملي شهادات الماجستير في إدارة الأعمال على مجموعات كبيرة من البيانات الغنية بالمعلومات، والتي سهلت واجهات مثل ChatGPT استرجاعها. عندما تطلب من ChatGPT إرجاع محتوى من فيلم أو كتاب، على سبيل المثال، فإنك ببساطة تستفيد من قدرة النموذج على تذكر المعلومات التي تعرض لها أثناء التدريب. لكن ماذا لو لم يتم تدريبها على نص "المدمر"، أو إذا كانت أوزانها لا تعطي أهمية لأعمال ديكنز؟ من أجل تقديم النتائج الأكثر دقة وملاءمة حتى لأبسط حالات الاستخدام، مثل استرجاع المعلومات الأساسية، تحتاج LLMs إلى آليات فهرسة واسترجاع متطورة يمكنها الوصول إلى مجموعة واسعة من المعلومات بدقة.

فهم إنشاء محتوى LLM والتدريب يتم إنشاء محتوى LLM من خلال عملية تعرف باسم التنبؤ بالرمز التالي، والتي تضمن أن تكون الاستجابات مناسبة للسياق ومتنوعة وتعكس إلى حد ما الفهم الشبيه بالإنسان. إليك كيفية عمل التنبؤ بالرمز المميز التالي، خطوة بخطوة:

معالجة الإدخال: عندما تكتب مطالبة أو سؤالاً، يتم تحويل هذا الإدخال إلى رموز مميزة: كلمات أو أجزاء من الكلمات. فهم السياق: ينظر النموذج إلى الرموز المميزة التي قدمتها له، ويحاول، بناءً على تدريبه، فهم السياق، الذي يتضمن كل شيء بدءًا من الموضوع المطروح وحتى النغمة التي قد تستخدمها. التنبؤ بالرمز التالي: باستخدام السياق المفهوم، يتنبأ النموذج بعد ذلك بالرمز المميز التالي الأكثر احتمالاً. إنه ليس مجرد تخمين بناءً على الكلمة السابقة مباشرة؛ إنها تأخذ في الاعتبار السياق الكامل للمحادثة حتى تلك اللحظة. اختيار الرمز المميز: بمجرد التنبؤ بمجموعة من الرموز المميزة التالية المحتملة، فإنه يختار واحدًا. يعتمد هذا التحديد على الاحتمالية - الرمز المميز الذي من المرجح أن يأتي بعد ذلك بناءً على البيانات التي تم تدريب النموذج عليها. ومع ذلك، تجدر الإشارة إلى أن هناك بعض العشوائية هنا أيضًا، مما يساعد في توليد استجابات أكثر تنوعًا وطبيعية. إنشاء المخرجات: يتم بعد ذلك تحويل الرمز المميز المحدد مرة أخرى إلى نص يمكن قراءته بواسطة الإنسان. إذا لم تكن الاستجابة كاملة (وهو ما لا يحدث غالبًا بعد رمز مميز واحد فقط)، فسيتم تكرار العملية. تتم إضافة الرمز المميز الجديد إلى التسلسل، ويتنبأ النموذج بالرمز المميز التالي بناءً على هذا السياق المحدث. التحسين التكراري: تتكرر عملية التنبؤ بالرمز التالي وإضافته إلى التسلسل حتى يصل النموذج إلى نقطة التوقف. يمكن أن يحدث هذا عندما تصل الاستجابة إلى طول معين، ويتنبأ النموذج برمز يشير إلى نهاية الجملة أو المقطع، أو عندما يفي بالتعليمات المضمنة في الموجه. حدود الضغط في تدريب LLM عندما تتنبأ LLM برمز مميز، فإنها تسترد بشكل فعال وتستخدم المعرفة المضغوطة المضمنة في أوزانها لإنتاج مخرجات مناسبة للسياق. بهذه الطريقة، يعكس تدريب LLM ضغط قاعدة البيانات. مثلما تم تحسين قاعدة البيانات لاستدعاء البيانات التي يتم الوصول إليها بشكل متكرر بسرعة، تم تصميم LLM لاسترداد المعلومات - ذكريات محرفة محددة - من أوزانها. تسمح هذه الإمكانية له بإنتاج استجابات دقيقة للاستفسارات حول المواد المألوفة التي واجهها أثناء تدريبه، تمامًا مثل الاستعلام عن قاعدة بيانات للحصول على معلومات مفهرسة جيدًا. ومع ذلك، تنشأ القيود عندما يواجه النموذج محتوى أقل شهرة أو غموضًا. على سبيل المثال، عندما تطلب من ماجستير الحقوق فقرات محددة في الكتاب المقدس، فإنها تقتبسها كلمة بكلمة، لكنها لا تستطيع أن تقتبس كلمة بكلمة لأي مفهوم لم "تشهده" بشكل متكرر أثناء التدريب، حيث أن الأوزان المرتبطة بهذا المفهوم كثيرة جدًا تافهة. وبهذا المعنى أيضًا، فإن LLM يشبه قاعدة البيانات. مثلما قد تقوم قاعدة البيانات بإرجاع البيانات التي تم تخزينها بشكل صريح داخلها فقط، يمكن أن تواجه ماجستير إدارة الأعمال صعوبة في إنشاء محتوى حول موضوعات لم تطلع عليها على نطاق واسع أثناء التدريب.

وبطبيعة الحال، فإن حاملي شهادات الماجستير خارج نطاق هذا القياس، حيث أن لديهم نموذجًا عالميًا داخليًا يسمح لهم "بفهم" الأشياء بشكل يتجاوز مجرد عمليات البحث. ومع ذلك، فإن هذا التبسيط المفرط يساعدنا على فهم بعض القيود الرئيسية في الطريقة التي يتم بها تدريب حاملي شهادة الماجستير في القانون على إنشاء المحتوى.

مزيد من القيود على تدريب LLM علاوة على ذلك، فإن نظام التنبؤ بالرمز التالي له قيود متأصلة أخرى تنبع من نهجه الأساسي في إنشاء النص:

حجم نافذة السياق: أحد العناصر الأساسية

Raints هو حجم نافذة سياق النموذج — الحد الأقصى لمقدار النص (بالرموز المميزة) الذي يمكن للنموذج مراعاته عند إجراء التنبؤ. بالنسبة للعديد من النماذج، بما في ذلك الإصدارات السابقة من GPT، فإن هذه النافذة ليست كبيرة بما يكفي للحفاظ على السياق خلال المحادثات أو المستندات الطويلة، مما قد يؤدي إلى فقدان التماسك في النصوص الأطول أو المناقشات المعقدة التي تتطلب الحفاظ على السياق بما يتجاوز الرموز المميزة السابقة المباشرة. التعميم مقابل الخصوصية: في حين يتم تدريب هذه النماذج على مجموعات بيانات واسعة، فإن قدرتها على التعميم من هذا التدريب يمكن أن تؤدي في بعض الأحيان إلى إنتاج محتوى عام أو غامض ذي صلة. وقد يخطئون في توليد استجابات محددة للغاية أو دقيقة تتطلب فهمًا تفصيليًا أو معرفة حديثة خارج بيانات التدريب الخاصة بهم. الافتقار إلى الوصول إلى المعرفة الخارجية: تقتصر نماذج التنبؤ بالرموز المميزة التالية على المعلومات الواردة في مجموعات بيانات التدريب الخاصة بها. لا يمكنهم الوصول إلى معلومات جديدة أو دمجها بعد التدريب، مما يعني أنها يمكن أن تصبح قديمة بسرعة أو تفتقر إلى السياق الحالي، مثل الأحداث الأخيرة أو الاكتشافات أو المواضيع الشائعة. التكرار والقدرة على التنبؤ: قد تؤدي الطبيعة الخوارزمية للتنبؤ بالرمز التالي في بعض الأحيان إلى إنشاء نص متكرر أو يمكن التنبؤ به. نظرًا لأن النموذج غالبًا ما يفضل الرموز المميزة التي من المرجح أن تتبعها إحصائيًا في ضوء السياق، فإنه يمكن أن يقع في حلقات أو يفضل العبارات الشائعة، مما يقلل من تباين المخرجات. شرح الجيل المعزز للاسترجاع (RAG). كما ذكرنا سابقًا، يقوم طلاب LLM بإنشاء استجابات بناءً على الأوزان التي خصصوها لجوانب مختلفة من البيانات أثناء التدريب. تعكس هذه الأوزان مدى أهمية أو أهمية العناصر المختلفة لبيانات الإدخال بواسطة النموذج. إذا تضمنت مطالبة المستخدم عناصر لم يتم تمثيلها بشكل ملحوظ في بيانات التدريب، فقد يفشل النموذج في إنشاء استجابة دقيقة أو ذات صلة.

عندما تتجاوز المحادثة نافذة سياق LLM، أو عندما يتجاوز الموجه حد الأوزان المهمة في مجموعة بيانات التدريب الخاصة بـ LLM (بمعنى أنه لا يمكنه تذكر الإجابة التي يبحث عنها المستخدم بالضبط)، يعتمد النموذج عادةً على قاعدة بيانات بحث متجهة خارجية ، والذي يسمح له بالبحث عن السياق ذي الصلة أو البيانات الجديدة التي يمكن إلحاقها بمطالبة من المستخدم. تُعرف هذه العملية باسم الجيل المعزز للاسترجاع (RAG).

"البحث عن المتجهات لتحقيق النجاح" أصبحت عملية RAG ممكنة من خلال قاعدة بيانات بحث المتجهات: نوع متقدم من قواعد البيانات يقوم بتخزين البيانات وإدارتها كمتجهات. تمثل هذه المتجهات البيانات في مساحة عالية الأبعاد، حيث يلتقط كل بُعد بعض جوانب معنى البيانات، مما يسمح بتمثيل العلاقات والسمات المعقدة. في سياق النص واللغة، تستخدم قواعد بيانات بحث المتجهات تقنيات مثل التضمين لتحويل النص إلى متجهات رقمية. يمكّن هذا التحويل النظام من قياس أوجه التشابه الدلالية بين أجزاء مختلفة من النص عن طريق حساب المسافات بين المتجهات المقابلة لها في هذا الفضاء متعدد الأبعاد.

أثناء RAG، يتم تحويل كل من الاستعلام (أي إدخال المستخدم إلى LLM) والبيانات المخزنة (مثل المقالات أو المستندات أو الجمل) إلى متجهات باستخدام تضمينات النص. تقوم هذه التضمينات بتحويل البيانات النصية إلى متجهات رقمية حيث يتم تعيين معاني مماثلة لنقاط تقريبية في الفضاء المتجه. تقوم قاعدة البيانات بعد ذلك بحساب المسافات بين متجه الاستعلام ومتجهات البيانات المخزنة لتحديد مدى ارتباط معاني النصوص. تقوم قاعدة البيانات باسترداد نقاط البيانات (المحتوى النصي) التي تكون متجهاتها الأقرب إلى متجه الاستعلام، أي تلك الأكثر تشابهًا مع المدخلات من الناحية الدلالية. تعتبر نقاط البيانات هذه "أقرب الجيران" من حيث السياق والمعنى.

يوفر هؤلاء الجيران الأقرب معلومات إضافية ذات صلة بالسياق ربما لم تتمكن LLM الأساسية من الوصول إليها ضمن بيانات التدريب الخاصة بها، والتي يمكن أن تحسن بشكل كبير دقة مخرجات LLM وملاءمتها وثرائها وتنوعها. وقد دعا سام ألتمان، من بين آخرين، إلى نهج "البحث عن المتجهات لتحقيق النجاح" - الاعتماد على RAG لتطوير الوكلاء، بدلاً من الضبط الدقيق للنموذج وحده.

RAG كبديل للضبط الدقيق يتضمن الضبط الدقيق لـ LLM ضبط أوزان النموذج بناءً على تدريب إضافي على مجموعة بيانات محددة لتعزيز الأداء لمهام معينة أو تحسين الفهم في مجالات معينة. هذه العملية ليست فقط أبطأ من وتيرة الابتكار، مما يعني أن النماذج المضبوطة بدقة تصبح قديمة بنفس سرعة تحديثها تقريبًا، كما أنها لا تعالج مشكلة البيانات الجديدة.

في المقابل، يمكّن RAG النموذج من الوصول إلى قواعد البيانات الخارجية في الوقت الفعلي لاسترداد أحدث المعلومات ذات الصلة بالاستعلام المطروح. حتى لو لم يتم تحديث النموذج الأساسي أو تحسينه مؤخرًا، فلا يزال بإمكانه إنشاء استجابات تتضمن أحدث البيانات. تظل النماذج ذات صلة لفترة أطول لأنها يمكن أن تتكيف مع البيانات الجديدة والتغيرات

概述 Houston 使用户能够利用其 Prompt-to SQL 功能生成 SQL 查询并通过图表和仪表板立即可视化结果。 借助 Houston，您可以使用 OpenAI 支持的聊天机器人在几秒钟内构建数据管道。

主要特征： 提示 SQL 休斯顿的 OpenAI 支持的聊天机器人可以生成 SQL 查询来响应自然语言输入。 您可以简单地要求休斯顿“显示 xyz”或“为 xyz 编写查询”，它将生成并运行相应的 SQL 代码。

提示Python脚本 休斯顿的 OpenAI 支持的聊天机器人还可以生成 Python 代码来响应自然语言输入。 您可以要求休斯顿“为 xyz 编写代码”或“给我一个 Python 脚本来执行 xyz”，它会生成相应的 Python 脚本并让您在我们的在线 Python 编辑器中进行编辑。

文本到 Chainlink 作业 Houston 允许您创建 Chainlink 作业，该作业获取查询结果并将该查询结果发送到链上的智能合约。 您可以使用 Houston 的聊天机器人功能轻松与 Chainlink 集成。

探索数据集 您可以使用 Houston 探索各种数据集，例如 Aave 或以太坊数据。 只需要求休斯顿“向我显示 Aave 数据”或“向我显示 ETH 数据”，它就会为您提供相关信息。

文本到文档 如果您需要休斯顿文档方面的帮助，您可以向休斯顿寻求帮助。 只需提供“休斯顿文档需求”之类的提示，它就会引导您找到相关的文档资源。

自动图表和数据可视化 Houston 会自动为您的查询结果生成图表和数据可视化。 您可以轻松地将查询发布到 API、仪表板、应用程序和其他数据库。

提示示例： “显示所有已在链上进行至少 10 笔交易且余额至少为 1 ETH 的 Polygon 钱包。” “按交易数量显示以太坊上排名前 10 的地址。” “生成一个 Python 代码来计算比特币区块链上的平均交易价值。” “编写一个 Python 脚本，使用 Twitter API 密钥 xyz 来获取围绕‘比特币’的 Twitter 情绪数据……” “创建一个 Chainlink 作业以从外部 API 获取以太坊的当前价格。” “探索 Aave 贷款利率的历史数据。” “如何自定义休斯顿仪表板的外观？” “休斯顿有哪些可用的数据可视化选项？” “您能给我展示一个根据特定日期范围过滤数据的 SQL 查询示例吗？” “将休斯顿的查询结果发布到 API 的步骤是什么？” “如何将 Houston 与我现有的 ML/AI 模型集成？”

Space and Time 旨在将从 Snowflake 或 Postgres 等源系统加载的链下数据与我们的索引数据结合起来。 将数据加载到 Space and Time 中的方法有多种，您需要根据加载的体积、速度和频率来选择方法。

您可以加载自己的数据的方法 SxT REST API - 用于插入、更新和事务。 当您的数据较小时，这是一个不错的选择。 例如，您的 dapp 可以发出 API 请求，以根据用户活动添加（或更新或删除）少量数据。 您可以直接连接到网络并使用带有 DML API 的饼干将数据插入到私有表中，也可以通过 API 密钥连接到网关（Secrets Proxy）并通过标准代理 SQL API 发送插入语句。 Kakfa 流 - 适用于大容量或仅附加。 Space and Time 可让您轻松设置自己的流并配置数据的摄取方式。 JDBC 驱动程序 - 用于批量插入和批量上传。 您可以使用 Space and Time JDBC 驱动程序将 Space and Time 与您最喜欢的 BI 工具结合使用。 ETL 工具 - 使用 Fivetran、Airbyte 或您选择的任何 ETL 工具从任何源数据库加载数据。 您可以加载的来源 从云对象存储（例如 AWS、S3 或 Azure blob）批量加载数据。 从 HDFS/Hadoop/Hive 加载 从游戏服务器插入或流式传输 从 Playfab 等游戏平台插入或流式传输 来自 TradFi 市场的流媒体 Space and Time 提供区块链索引作为服务，因此区块链数据在平台中随时可用。 关于表授权的注意事项 请记住，写入表需要权限，这是使用饼干授权来处理的。 当您连接到网关（秘密代理）时，创建的资源和权限以及上传到网关的饼干将自动提供给 SxT 网络，以代表您授权您的请求。 您还可以手动提供饼干作为请求正文的一部分，它们将被转发到 SxT 网络。

当您直接连接到网络时，DML API 需要显式配置 cookies。 要了解有关创建和管理饼干的更多信息，请参阅本节。

我们很高兴地宣布发布智能合约索引：我们区块链索引服务的一项新功能，允许您通过简单地提供合约地址，从您自己的智能合约事件中生成一组新的自定义空间和时间表。

它是什么以及我们为何构建它 当您使用 Space and Time 进行构建时，您可以免费访问我们从主要链实时进行 ZK 索引的全面区块链数据。 与其他索引解决方案相比，我们采取的方法更快、更成熟、可扩展、兼容 ZK，最重要的是具有对整个链进行索引的能力。 因为我们正在运行相当大的数据仓库集群（不仅仅是单服务器 PostgreSQL 实例），所以每个集群可以容纳数十 TB 的数据。 仅以太坊每年就会产生约 2TB 的重要数据，并且以太坊是迄今为止数据量最小的流行链。

我们的索引服务提供存储在“核心”表中的链级数据（即钱包、交易、合约、区块、代币传输等表——一旦链的索引完成，来自创世块的完整链状态），如 以及来自 Aave、Uniswap、Opensea、dYdX 或价格源等协议的特定于协议的语义数据集。 但我们也理解，有时开发人员需要访问他们自己的智能合约发出的事件相关的数据，我们希望抽象出必须对核心表进行排序才能获取数据的复杂性。

今天，我们很高兴地宣布 SxT 索引服务新增一项功能：智能合约索引。 现在，用户可以提交智能合约列表进行索引，Space and Time 将创建一组新的自定义表，其中包含来自这些特定智能合约的事件。 我们将发出的事件写入新表中，然后可以查询该表，与其他索引数据或链下数据连接，并在亚秒内经过 ZK 验证。 这使得开发人员能够创建高度定制、高效且复杂的应用程序，以快速、经济且经过 ZK 验证的方式利用链级数据、特定于协议的数据、链下数据以及来自自己的智能合约事件的数据。

怎么运行的 获取您自己的智能合约事件 索引您的智能合约就像在 Space and Time Studio 上提交合约地址一样简单。

登录 Studio 并导航至主菜单“智能合约”选项卡下的“从链获取数据”按钮 选择您的合约链并输入地址 查看最近链上数据生成的表并提交索引 就是这样！ 我们提取 ABI，自动为每个智能合约事件生成一个表，然后开始自动为您填充它们。

SxT 区块链索引的工作原理 我们构建了一个强大的基于 Rust 的索引器，它以可验证的方式从每个块中获取与每个交易相关的每个智能合约事件。 它首先轮询每个链的多个 RPC 节点，并验证从每个 RPC 节点接收到的内容是否一致。 然后索引器通过我们本地缓存的智能合约 ABI 来解码数据。 最后，这些数据被转换为一种易于查询的关系形式，并加载到数据仓库中——当前链上数据的精确副本。 当您提交智能合约进行索引时，发出的事件将单独写入您定义的新表中。 整个过程发生在区块时间内。

索引器服务是一个基于 Rust 的单一二进制文件，因此随着 Space and Time 的不断去中心化，我们计划为其添加一个轻节点，以便多个索引器（验证器）可以冗余地索引每个链，并将对其索引数据的承诺发送到 达成共识的交易节点。 我们的白皮书中详细介绍了这个计划的架构，但这里有一个总结：交易节点层负责 BFT 共识。 索引节点（称为验证器）对来自 RPC 的原始区块链数据进行解码和转换，并在数据上构建加密承诺，以便稍后用于 ZK 证明验证。 承诺和索引数据都被发送到事务节点，鉴于已为每条链建立索引的多个冗余索引节点，事务节点达成共识。

它能实现什么 定制和灵活性：Web3 开发人员经常使用独特的智能合约来生成对其应用程序功能至关重要的特定事件。 其他索引服务并不总是涵盖这些专门事件，限制了开发人员创建完全优化和响应式 dapp 的能力。 Space and Time 的扩展索引服务通过提供对定制事件进行索引的灵活性来解决这一差距。 可扩展性：内部处理和处理区块链数据可能会非常耗费资源，需要大量的基础设施和技术专业知识。 通过将此数据索引外包给 Space and Time，开发人员可以更有效地扩展其应用程序。 提高数据可访问性：访问和查询区块链数据可能非常复杂且耗时。 该服务简化了流程，提供结构化、可查询的表，使开发人员更容易提取见解并将区块链数据集成到他们的应用程序中。

Сначала присоединяйтесь к нашему серверу Discord.

О баллах сообщества «Пространство и время» Система баллов сообщества «Пространство и время» — это нечто большее, чем просто вознаграждение за участие. Речь идет о создании динамичного интерактивного сообщества вокруг наших технологий и экосистемы. Участвуя в различных мероприятиях и инициативах Space and Time, участники зарабатывают баллы, которые символизируют их вклад и приверженность.

Очки сообщества созданы как маркеры участия в экосистеме и не имеют никакой реальной ценности. Важно отметить, что у Пространства и Времени в настоящее время нет токенов. Всегда будьте осторожны с заявками на токены SxT и защитите себя от возможного мошенничества. Если вы не уверены, является ли общение официальным и безопасным, спросите модератора или члена команды.

Также обратите внимание, что Community Points находится на стадии бета-тестирования, и структура системы может со временем меняться. Новые квесты и награды постоянно добавляются по мере того, как члены сообщества открывают новые уровни. Следите за обновлениями!

Как принять участие: активно участвуя в сообществе, вы зарабатываете очки Zealy. Некоторые квесты ориентированы конкретно на разработчиков и аналитиков, а другие — на широкое участие сообщества. Примеры задач, которые вы можете увидеть, включают:

Создайте общедоступную панель мониторинга в Space and Time Studio. Создайте демонстрационное приложение в SxT. Переведите блог SxT на другой язык. Создайте инфографику о SxT. Награда за приверженность. Очки сообщества не имеют реальной ценности, но... Они служат показателем вовлеченности и вклада в сообщество. В соответствии с нашим обязательством расширять взаимодействие с сообществом, мы будем регулярно объявлять о различных преимуществах, связанных с нашей системой баллов. Эти награды могут включать эксклюзивный доступ к мероприятиям, особый статус в сообществе или другие привилегии.

Специальное примечание для первых сторонников. Если вы являетесь частью сообщества SxT, возможно, вы уже зарабатываете баллы на Zealy, выполняя викторины и небольшие задания. Работа преданных своему делу членов сообщества, которые работали с нами и активно участвовали в проекте Zealy, не осталась незамеченной. Уже набранные баллы остаются действительными в новой системе и будут учитываться. Это наш способ сказать спасибо и признать ваш вклад. Ваша ранняя поддержка продолжает оставаться основой успеха нашего сообщества.

Подготовка к запуску завершена. Мы надеемся, что вы примете активное участие в этом путешествии. Независимо от того, являетесь ли вы новым участником или находитесь здесь с самого начала, ваше участие формирует сообщество «Пространство и время». Присоединяйтесь к нам в этой захватывающей новой главе пространства и времени!

У вас есть еще вопросы? У нас есть ответы! Я уже заработал несколько очков SxT Zealy за свою предыдущую деятельность. Будет ли принят этот пункт?

Да, баллы, уже заработанные за действия SxT на Zealy, будут переведены в новую систему. Этот плавный переход означает, что первые сторонники уже начали выкупать награды на основе ранее заработанных баллов.

Можно ли передавать баллы сообщества между участниками?

Нет, очки сообщества уникальны и зависят от вклада и усилий каждого участника. Таким образом, вознаграждения не подлежат передаче между участниками и собираются и погашаются индивидуально.

Существуют ли ограничения на участие или количество баллов?

SxT не планирует ограничивать количество очков, которые можно набрать. Вы можете заработать столько баллов, сколько поддерживает платформа Zealy. Награды добавляются регулярно по мере того, как члены сообщества открывают новые уровни.

Есть ли таблица лидеров ведущих участников?

Вы можете просматривать таблицы лидеров в режиме реального времени на Zealy.

Как «Пространство и время» справляются с возможными злоупотреблениями в игре и системе подсчета очков?

Мы тесно сотрудничаем с Zealy и принимаем строгие меры для предотвращения использования ботов и злоупотреблений. Наш Дис