交互式数据模型浏览器

要开始探索数据模型，请转到交互式数据模型资源管理器(链接到下面的特定链)并单击顶部菜单中的“DataSets”。从那里，您可以点击不同的区块链数据模型，您自己的数据集或社区共享数据。

控件中的“search”栏可以搜索模型中的数据元素

区块链数据模型

下面的链接将带您直接进入不同的区块链数据模型页面:

• Bitcoin

• Ethereum

• zkSync

• Polygon

• Sui

• Aptos

• Sei

Coming Soon:

• Avalanche

• BNB Chain

• Base

• Arbitrum

• Optimism

链下数据呢?

您还可以将自己的离线数据加载到

https://docs.spaceandtime.io/docs/load-off-chain-data

Space and Time中。这允许您将应用程序生成的数据与区块链数据连接起来，并在单个查询中为您的游戏生成DeFi选项或动态nft。

原文链接为上面部分

在2022年之前，如果你想快速回忆起你最喜欢的书中的一段话，或者你刚刚看过的电影中的一段话，而你面前没有作品，你可能会求助于搜索引擎。您可以用公式良好的搜索输入提示它，解析返回的结果，访问似乎包含您的答案的SparkNotes或IMDB链接，并在几分钟内在页面上找到您要查找的文本。现在，您只需打开ChatGPT，输入“最著名的终结者语录是什么?”或“写出《双城记》的开头段落”，并在几秒钟内得到逐字的答案。

大型语言模型(LLM)最简单的用途之一是作为知识数据库。法学硕士已经接受了大量数据集的训练，这些数据集包含丰富的信息，ChatGPT等接口使检索变得容易。例如，当您提示ChatGPT从电影或书籍中返回内容时，您只是在利用模型的能力来回忆它在训练期间接触过的信息。但是，如果它没有接受过《终结者》剧本的训练，或者它的权重不重视狄更斯的作品呢?为了为最简单的用例(如基本信息检索)提供最准确和相关的结果，llm需要复杂的索引和检索机制，可以精确地访问广泛的信息。

理解法学硕士课程内容的生成和培训 LLM内容是通过一个称为下一个令牌预测的过程生成的，该过程确保响应在上下文中是适当的、多样的，并且在某种程度上反映了类似人类的理解。下面是下一个代币预测的工作原理，一步一步:

输入处理:当您键入提示或问题时，该输入将被转换为令牌:单词或单词片段。 上下文理解:该模型查看您给它的标记，并根据其训练，尝试理解上下文，其中包括从手头的主题到您可能使用的语气的所有内容。 下一个令牌预测:使用它所理解的上下文，模型然后预测最有可能的下一个令牌是什么。这不仅仅是基于前一个单词的猜测;它考虑到谈话的整个背景。 令牌选择:一旦它预测了一系列可能的下一个令牌，它就选择一个。这种选择是基于概率的——根据模型所训练的数据，最有可能出现的标记。然而，值得注意的是，这里也有一些随机性，这有助于产生更多样化和自然的反应。 输出生成:然后将选定的令牌转换回人类可读的文本。如果响应没有完成(通常在一个令牌之后就没有完成)，则重复该过程。新的令牌被添加到序列中，模型根据更新后的上下文预测下一个令牌。 迭代细化:这个预测下一个标记并将其添加到序列的过程不断重复，直到模型到达一个停止点。这可能是当响应达到一定长度时，模型预测一个表示句子或段落结束的标记，或者当它完成提示中嵌入的指令时。

法学硕士培训中压缩的局限性 当LLM预测一个令牌时，它有效地检索并利用嵌入在其权重中的压缩知识来生成上下文合适的输出。通过这种方式，LLM训练镜像了数据库压缩。正如优化数据库以快速召回频繁访问的数据一样，LLM被设计为从其权重中检索特定于信息的内插内存。这种能力允许它对在训练过程中遇到的熟悉材料的查询产生精确的响应，就像查询数据库以获得良好索引的信息一样。然而，当模型遇到不太熟悉或模糊的内容时，限制就出现了。例如，当你向法学硕士询问《圣经》中的特定段落时，它会逐字逐句地引用它们，但它无法逐字逐句地引用它在训练中没有冗余“见证”过的任何概念，因为与该概念相关的权重太微不足道了。从这个意义上讲，法学硕士也类似于数据库。就像数据库可能只返回显式存储在其中的数据一样，法学硕士可能很难在培训期间没有广泛看到的主题上生成内容。

当然，法学硕士超出了这个类比的范围，因为他们内部有一个世界模型，允许他们“理解”事物，而不仅仅是查找。然而，这种过度简化有助于我们理解法学硕士在训练生成内容的方式上的一些关键限制。

法学硕士培训的进一步限制 此外，下一个令牌预测系统具有其他固有的局限性，这些局限性源于其生成文本的基本方法:

上下文窗口大小:主要约束之一是模型的上下文窗口大小——模型在进行预测时可以考虑的最大文本量(以令牌表示)。对于许多模型，包括GPT的早期版本，这个窗口不够大，无法在长对话或文档中维护上下文，这可能导致在较长的文本或复杂的讨论中失去一致性，这些讨论需要维护前面直接标记之外的上下文。 泛化与特异性:虽然这些模型是在大量数据集上训练的，但它们从这种训练中泛化的能力有时会导致它们产生通用或模糊相关的内容。他们可能会在生成高度具体或细致入微的反应时错失目标，这些反应需要详细的理解或训练数据之外的最新知识。 缺乏外部知识访问:下一个令牌预测模型仅限于其训练数据集中包含的信息。他们不能访问或合并培训后的新信息，这意味着他们很快就会过时或缺乏当前的上下文，例如最近的事件、发现或趋势主题。 重复性和可预测性:下一个标记预测的算法性质有时会导致重复或可预测的文本生成。由于模型通常倾向于统计上更有可能遵循给定上下文的标记，因此它可以陷入循环或更喜欢常见短语，从而减少输出的可变性。

解释了检索增强生成(RAG) 如前所述，法学硕士根据他们在训练期间为数据的不同方面分配的权重生成响应。这些权重反映了模型感知输入数据的各种元素的重要性或显著性。如果用户的提示包含在训练数据中没有显著表示的元素，则模型可能无法生成准确或相关的响应。

当对话超出LLM的上下文窗口时，或者当提示超出LLM自己的训练数据集中的重要权重限制时(意味着它不能准确地回忆起用户正在寻找的答案)，模型通常依赖于外部向量搜索数据库，该数据库允许它搜索相关的上下文或可以附加到用户提示的新数据。这个过程被称为检索增强生成(RAG)。

“矢量搜索成功” RAG过程是通过矢量搜索数据库实现的:这是一种将数据作为矢量存储和管理的高级数据库。这些向量表示高维空间中的数据，其中每个维捕获数据含义的某些方面，从而允许表示复杂的关系和属性。在文本和语言的背景下，向量搜索数据库使用嵌入等技术将文本转换为数值向量。这种转换使系统能够通过计算在这个多维空间中它们对应向量之间的距离来测量不同文本片段之间的语义相似性。

在RAG期间，查询(即用户对LLM的输入)和存储的数据(如文章、文档或句子)都使用文本嵌入转换为向量。这些嵌入将文本数据转换为数字向量，其中相似的含义被映射到向量空间中的近似点。然后，数据库计算查询向量和存储数据向量之间的距离，以确定文本的含义之间的关联程度。数据库检索其向量最接近查询向量的数据点(文本内容)，即在语义上与输入最相似的数据点。就上下文和意义而言，这些数据点被认为是“最近的邻居”。

这些最近邻提供了与上下文相关的附加信息，这些信息是基本LLM在其自己的训练数据中可能无法访问的，这可以显著提高LLM输出的准确性、相关性、丰富性和多样性。Sam Altman等人提倡“矢量搜索成功”的方法——依靠RAG来开发代理，而不是单独对模型进行微调。

RAG作为微调的替代方案 LLM的微调包括基于特定数据集的额外训练来调整模型的权重，以提高特定任务的性能或提高对某些领域的理解。这个过程不仅比创新的速度慢，这意味着经过微调的模型几乎和更新一样快就会过时，而且它也没有解决新数据的问题。

相反，RAG使模型能够实时访问外部数据库，以检索与当前查询相关的最新信息。即使底层模型最近没有更新或微调，它仍然可以生成包含最新数据的响应。模型保持相关性的时间更长，因为它们可以通过检索外部信息源来适应新的数据和不断变化的上下文。

RAG有效地弥合了深度学习和传统信息检索技术之间的差距。通过这样做，它利用了深度学习强大的上下文理解和信息检索的准确性的优势。这种混合方法允许法学硕士产生更准确、详细和上下文丰富的响应。

解决法学硕士的进一步限制 除了微调之外，RAG还解决了之前提到的与标准llm相关的挑战:

扩展上下文理解:RAG通过获取最新的或详细的信息来扩展传统法学硕士的上下文窗口，这些信息可以增强模型的响应。 增强特异性和准确性:RAG允许模型将检索文档中的特定细节注入到其响应中，而不是仅仅依赖于训练期间学习的模式，从而使它们不仅更准确，而且可以针对手头的特定查询进行定制。 减少重复性和可预测性:通过动态地为每个查询提取不同的信息集，RAG可以显著地改变模型的响应。这种可变性有助于减少在纯生成模型中常见的重复性和可预测性，因为外部数据将新的措辞和细节引入到对话中。 RAG面临的挑战和必要的演变 然而，RAG也有自己的挑战——即延迟和缺乏智能。考虑一个基于回合的代理聊天机器人对话，其中用户提交一个提示，LLM吐出一些指示它需要更多上下文的令牌，向量搜索数据库通过用户的输入提示检索最近邻上下文，然后最终将两者再次发送给LLM进行推理。然后，轮到用户回复，依此类推。

在这个系统中，每个用户提示都会启动一个多步骤操作，每个步骤都会增加总处理时间。整个过程的速度还取决于向量搜索数据库检索所需上下文的速度。如果数据库查询很复杂，或者数据库本身很大，并且没有最佳索引，那么这种检索可能会导致严重的延迟。此外，特别是在更复杂的对话中，这个生成和检索序列可能需要重复多次才能充分改进响应。这种迭代循环可能会增加延迟，导致交互速度比仅依赖于内部数据的纯生成模型更慢。

此外，ragg富集LLM的智能在很大程度上依赖于从向量搜索数据库检索到的信息的质量和相关性。如果数据库内容不全面、不更新或维护得不好，则检索信息的效用可能会受到限制，从而影响响应的总体智能。

即使检索到高质量的外部数据，挑战仍然是如何有效地将这些信息集成到LLM的现有响应框架中。该模型不仅必须包含这些外部数据，而且必须以上下文适当和一致的方式进行。模型的训练与外部数据的性质之间的不一致可能导致技术上准确但上下文脱节的响应。

下一代法学硕士 下一代法学硕士可能会将基于矢量搜索的RAG和传统的培训/微调方法结合在一起，以及结构化数据处理(例如TradFi市场数据和相关金融新闻的SQL数据库)。拥有LLM提供商“在这里”和单独的矢量搜索数据库“在那里”的概念将通过新模型进行整理，这些新模型直观地将其索引工作记忆扩展到具有tb矢量化上下文的本地ssd。

Space and Time已经向客户提供了SQL证明(一种验证SQL数据库处理的准确性和防篡改性的ZK证明)，最近还提供了矢量搜索证明(Vector Search)，它对矢量搜索检索也做了同样的工作。这些新颖的证据为未来的法学硕士可以整合新的背景，实时访问更广泛、更细致的数据，并整合结构化数据处理以产生更有洞察力的分析开辟了道路，所有这些都以可追溯、可验证的方式进行。这些进步最终将扩大法学硕士的应用范围，扩大其在金融服务、新闻聚合和风险评估等严重依赖即时数据的行业的效用，从而推动下一波人工智能驱动的创新。

斯科特·戴克斯特 联合创始人兼首席技术官

斯科特•戴克斯特拉是Space and Time公司的联合创始人兼首席技术官，同时也是Sotero等多家数据库和Web3技术初创公司的战略顾问。Scott拥有围绕复杂的绿地挑战和研究驱动开发建立和扩展大型工程团队的终身教职经验。Scott擅长企业级分析，曾在Teradata担任云解决方案副总裁，在那里他花了近8年的时间将Teradata从内部部署引入下一代基于云的SaaS。Scott是一位富有远见的产品领导者，在Web3、数据仓库、云和衍生品交易领域拥有产品开发专业知识。Scott痴迷于美丽的UX/UI。作为一名不折不扣的企业家，《空间与时间》是斯科特作为一家研究驱动型创业公司高管的第二次成功尝试。

https://t.co/Yq2cNTbqKX

在右上角点击登录应用

我们可以选择连接钱包进入SxT的页面

开始进行问题查询，我们要做的仪表盘是和Zksync相关的

所以我搜索的问题是”

“Transaction Volume Over Time On Zksync”

结果出来了，然后我们需要将结果生成图标进行可视化

选择自己想要的图表，然后保存，进入下一个页面

现在可以开始构建我们的仪表板了

选择一个我们喜欢的背景图

随后点击保存，就可以了

https://www.spaceandtime.io/

点击这里，进入主页

登录你的账号点击这里准备新建一个仪表盘

选择新建一个仪表盘

随后选择一个背景图片当做你的仪表盘背景

这里可以选择你的仪表盘类型，可以为团队制作，也可以为个人以及公开的

完成以上步骤后，我们开始为仪表盘添加主副标题

输入标题后，你可以在这三个界面修改你的仪表盘

通过点击这里，可以添加你需要的元素以及可视化表格等等

找到你想要的可视化信息图，可以通过拖拽的方式移动到你的仪表盘内

通过把各种元素添加到你的仪表盘内丰富你的仪表盘

此次教程就结束了。

https://www.spaceandtime.io/blog/smart-contract-indexing

我们很高兴地宣布智能合约索引的发布:这是我们区块链索引服务的一个新功能，允许您通过提供合约地址，从自己的智能合约事件中生成新的自定义表集。

它是什么，我们为什么要造它

当您使用空间和时间进行构建时，您可以免费访问我们已经从主要链中实时索引的全面区块链数据。与其他索引解决方案相比，我们采用的方法更快、更成熟、可扩展、兼容zk，最重要的是能够索引整个链。因为我们运行的是相当大的数据仓库集群(不是简单的单服务器PostgreSQL实例)，所以每个集群可以容纳数十tb的数据。仅以太坊每年就产生约2TB的重要数据，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(即像钱包、交易、合约、区块、代币转移等表——一旦索引完成链的完整链状态)，以及来自Aave、Uniswap、Opensea、dYdX或价格feed等协议的特定协议语义数据集。但我们也明白，有时开发人员需要访问由他们自己的智能合约发出的事件周围的数据，我们希望抽象出必须对核心表进行排序才能获得数据的复杂性。

今天，我们很高兴地宣布，SxT索引服务增加了一个功能:智能合约索引。现在，用户可以提交一份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，与其他索引数据或链下数据连接，并且ZK被证明是亚秒级的。这使得开发人员可以创建高度定制的、高效的、复杂的应用程序，这些应用程序可以利用链级数据、特定于协议的数据、脱链数据和来自web的数据

它是如何工作的

获取自己的智能合约事件

索引您的智能合约就像在时空工作室上提交合同地址一样简单。

1，登录Studio并导航到主菜单上“Smart Contracts”选项卡下的“Get data from chain”按钮

2，选择您的合约链并输入地址

3，检查最近的onchain数据生成的表，并提交索引

就是这样!我们提取ABI，为每个智能合约事件自动生成一个表，并开始为您自动填充它们。

SxT区块链索引是如何工作的

我们构建了一个强大的基于rust的索引器，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。它首先为每个链轮询多个RPC节点，并验证从每个RPC节点接收到的信息是否一致。然后索引器通过本地缓存的智能合约abi解码数据。最后，将此数据转换为易于查询的关系型表单并加载到数据仓库中——这是当前链上数据的精确副本。当您提交智能合约进行索引时，所发出的事件将被单独写入一个新表

索引器服务是一个基于rust的二进制文件，因此随着Space and Time继续去中心化，我们计划在其中添加一个轻节点，以便多个索引器(Validators)可以对每个链进行冗余索引，并将其索引数据的承诺发送到Transaction节点以达成共识。我们在白皮书中详细介绍了这个计划中的体系结构，但这里有一个总结:事务节点层负责BFT共识。索引节点(称为验证器)解码和转换来自RPC的原始区块链数据，并在数据上构建加密承诺，这些数据稍后用于zk证明验证

它使什么成为可能

自定义和灵活性: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的事件，限制了开发人员创建完全优化和响应的dapp的能力。时空的扩展索引服务通过为定制事件提供索引的灵活性，解决了这一差距。

可扩展性:内部处理和处理区块链数据可能是资源密集型的，需要大量的基础设施和技术专业知识。通过将这种数据索引外包给时空，开发人员可以更有效地扩展他们的应用程序。

改进的数据可访问性:访问和查询区块链数据可能既复杂又耗时。这项服务简化了流程，提供结构化的、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。

https://app.spaceandtime.ai/

进入官网后点击右上角登录，如图所示

链接你的钱包地址，可以选择小狐狸钱包

链接地址后点击右上角账号，在此可以选择你的账号类型。

这里分为两种账号类型，一种是每月699美元，可以作为公司业务用途，另一种是按照查询次数进行付费，我个人选择的是第二种账户类型。

回到主页，可以在提问栏输入你想问的所有问题。

所有的搜索语言请使用英文，搜索后将会这样为你展示查询结果

我的提问为我的钱包最近5次交易记录

快去注册你的账号试一试吧！

https://twitter.com/SpaceandTimeDB/status/1772645983400202351?s=20

随着企业LLM使用的加速以及人工智能更深入地集成到核心业务流程中，可验证性变得比以往任何时候都更加重要。 当涉及到人工智能时，品牌信任不再足够。利用法学硕士的企业需要能够向消费者、诉讼律，立法者和利益相关者提供以下问题的答案:

使用哪些数据集来训练/微调LLM?这些数据集是否包含任何受版权保护的内容或受保护的IP?

🟣敏感数据是否在训练之前被删除(或在填充矢量搜索数据库以在提示中检索之前)?

🟣是否使用正确的LLM二进制文件和权重处理用户请求?当使用第三方托管的LLM服务时，您能相信第三方没有操纵响应吗?

🟣是否有敏感IP被意外发送到第三方LLM服务，由于RAG进程?

🟣我们如何将管理过程放在适当的位置进行治理

在这个博客中，时空公司的联合创始人兼首席技术官

@chiefbuidl

通过提供端到端可验证的LLM系统的过程和挑战:从防篡改和消毒的训练数据集开始，然后最终证明正确的模型使用和水印生成的内容。

一旦实现，可验证的法学硕士将提供更好的…

✅可信度

✅准确性和可靠性

✅定制

✅内容真实性

Space and Time专注于在这个过程的几个关键步骤中引入可验证性，使用ZK和区块链技术对用于llm训练、微调和RAG的数据进行加密证明。

在这里阅读博客文章:https://spaceandtime.io/blog/verifiable-llms-for-the-modern-enterprise

https://app.spaceandtime.ai/

进入官网后点击右上角登录，如图所示

链接你的钱包地址，可以选择小狐狸钱包

链接地址后点击右上角账号，在此可以选择你的账号类型。

这里分为两种账号类型，一种是每月699美元，可以作为公司业务用途，另一种是按照查询次数进行付费，我个人选择的是第二种账户类型。

回到主页，可以在提问栏输入你想问的所有问题。

所有的搜索语言请使用英文，搜索后将会这样为你展示查询结果

我的提问为我的钱包最近5次交易记录

此次教程结束，各位可以关注SxT官方推特

https://twitter.com/SpaceandTimeDB

https://www.spaceandtime.io/blog/introducing-space-and-time-community-points

Introducing Space and Time Community PointsRewarding community engagement. 引入空间和时间社区积分奖励社区参与。

时空是一个社区优先的项目，在我们为Web3构建可验证计算层的过程中，我们非常感谢社区的持续支持。我们2024年的主要目标之一是设计新的方式来奖励个人社区成员参与和参与SxT。在新的一年开始之际，我们很兴奋地推出时空社区积分!在Zealy平台上开发的新的社区参与系统代表了SxT如何鼓励和奖励社区活动的重大飞跃。

要开始，请加入我们的Discord服务器。

https://discord.gg/spaceandtimedb

关于空间和时间社区点

就其核心而言，时空社区积分系统不仅仅是奖励参与;这是关于围绕我们的技术和生态系统建立一个充满活力、互动的社区。通过参与各种活动和与时空的约定，会员可以获得象征他们的贡献和参与的积分。

社区点被定义为我们生态系统中的参与标记，并不打算具有现实世界的价值。重要的是要注意，空间和时间目前没有一个令牌。对任何关于SxT代币的声明保持警惕，并保护自己免受潜在骗局的侵害。如果您不确定互动是否正式和安全，请联系版主或团队成员。

还请注意，社区积分处于测试阶段，系统的结构可能会随着时间的推移而改变。随着社区成员解锁新关卡，我们将不断添加新的任务和奖励。请继续关注!

如何参与

通过积极参与我们的社区，您将在Zealy上积累积分。有些任务是专门针对开发人员和分析人员的，而其他任务则是针对普遍的社区参与。你可能看到的一些任务示例包括:

在时空工作室建立一个公共仪表板

在SxT上构建一个演示应用程序

将SxT博客翻译成另一种语言

创建一个关于SxT的信息图表

有益的接触

虽然社区点数不具有实际价值，但它们可以作为衡量社区参与度和贡献的指标。我们会定期公布与积分制度相关的各种奖励，以配合加强社区参与的承诺。这些奖励可能包括对事件的独家访问、在社区中的特殊地位或其他好处。

给早期支持者的特别提示

如果你是SxT社区的一员，你可能已经在Zealy上通过小测验和小任务获得了一些分数。对于那些一直与我们在一起并通过Zealy积极参与的社区成员，你们的努力并没有被忽视。您之前获得的积分仍然有效，并将在我们的新系统中得到兑现。这是我们表达感谢和承认你的贡献的方式。您的早期支持仍然是我们社区成功的基石。

准备发射

我们邀请你们每一个人积极参与这一旅程。无论您是新成员还是从一开始就与我们在一起，您的参与都将塑造时空社区。加入我们这个令人兴奋的空间与时间的新篇章!

还有问题吗?我们有答案!

我已经从以前的活动中积累了一些关于SxT Zealy的积分。这些点会转移过来吗?

是的，您在新西兰通过SxT活动获得的任何积分都将结转到新系统中。这种无缝的过渡意味着早期的支持者已经可以根据之前累积的积分来兑换奖励。

社区积分可以在会员之间转移吗?

不，社区积分对每个成员的贡献和努力都是独一无二的。因此，他们不能在会员之间转移，以确保个人获得和兑换奖励。

是否有参与限制或积分上限?

SxT不打算对你的积分设置上限。您可以赚取尽可能多的积分，因为是由Zealy平台支持。当社区成员解锁新关卡时，我们会定期添加奖励。

是否有顶级贡献者排行榜?

你可以在Zealy上查看实时排行榜。

《时空》将如何解决积分系统的潜在游戏或利用问题?

我们与新西兰密切合作，实施严格的措施来防止机器人和利用。我们的Discord服务器也有强大的措施来维持积分系统的完整性。

是否有机会让社区对任务和奖励提出意见或建议?

我们非常重视社区的意见!请随意在我们的Discord中分享您对任务和奖励的想法

是否有一个特定的开始日期，当会员可以开始赚取积分?

更新后的积分系统现已启动!你可以通过参与社区活动立即获得积分。

在积分系统中是否有不同的等级或等级?

是的，这些都在新西兰展出。打开新关卡是获得奖励的关键。随着新奖励的加入，我们会在Discord中列出。

如何将积分兑换已公布的奖励?

有些奖励将自动兑换，有些则必须由SxT团队手动分发。不管怎样，你所要做的就是挣钱!你的积分、完成的任务和当前级别都会在Zealy中被追踪。随着新奖励的公布，我们将提供更多关于奖励过程的信息。

其他问题吗?

如果你有任何其他问题，你可以随时联系我们!

Space and Time Blog | Built On SxT: Golteum

https://www.spaceandtime.io/blog/built-on-sxt-golteum

build on SxT是一个客户撰写的博客系列，它展示了在时空之上构建的跨Web3的许多用例。这篇博文是由Golteum团队撰写的，强调空间和时间是他们堆栈的关键部分。你可以在这里阅读原文。

Built on Space and Time: Golteum

https://medium.com/@golteum/built-on-space-and-time-golteum-279c09ce2093

Golteum很高兴地宣布，我们正在构建Web3的可验证计算层空间和时间，为Web3提供更强大和信任最小化的交易体验。

什么是Golteum?

Golteum是一个前沿的Web3交易平台，独特地将贵金属交易与数字资产相结合。Golteum提供了一个透明和可访问的交易环境，利用区块链技术来促进由现实世界资产支持的代币的购买、出售和赎回。Golteum平台致力于提供安全无缝的交易体验，确保数字资产交易的最高完整性和合规性标准。

利用可验证计算

Golteum将利用Space and Time公司新颖的ZK-proof (SQL证明)来增强安全性，并最大限度地减少对其运营的信任。SQL证明允许Golteum验证在其平台上交易的贵金属的真实性和监管链。这项技术确保了所有交易数据的准确和不变，这对于保持Golteum向用户承诺的透明度和可靠性至关重要。

web3原生数据服务

Space and Time作为Golteum的去中心化数据后端，提供了一套ZK开发工具和一个去中心化的数据仓库，减少了开销，加快了Golteum团队的开发时间。该基础设施使Golteum能够将链下数据集与经过zk验证的索引数据连接起来，运行低延迟交易和针对数据的可扩展分析，并将结果发布到应用内用户仪表板或其链上智能合约。Space and Time的全栈ZK开发工具的集成使Golteum能够为其用户提供更丰富、更安全的应用程序

为未来打造

时空和Golteum都是链链BUILD计划的一部分，都与链链网络深度集成。Space and Time利用Chainlink Functions允许其用户从Space and Time平台本地发送查询结果，Golteum利用Chainlink Proof of Reserves监控其资金并证明1:1的资产支持。Chainlink BUILD项目之间的协同和协作凸显了Chainlink生态系统在构建Web3未来方面的领导地位。