Space and Time 将主要的区块链数据加载到关系数据模型中，以便于分析。为了使数据探索更加容易，Space and Time Studio 有一个交互式数据模型浏览器。

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浏览器（下面链接到特定的链）并单击顶部菜单中的“数据集”。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。

要在模型中搜索数据元素，请使用浏览器左上角的“搜索”栏：

区块链数据模型 以下链接将直接带您进入不同的区块链数据模型页面：

• Bitcoin

• Ethereum

• zkSync

• Polygon

• Sui

• Aptos

• Sei

很快:

• Avalanche

• BNB Chain

• Base

• Arbitrum

• Optimism

  那么链下数据呢？ 您还可以将自己的链下数据加载到 Space and Time 中。这样您就可以将应用程序生成的数据与区块链数据结合起来，并在单个查询中为您的游戏生成 DeFi 选项或动态 NFT。

在 2022 年之前，如果你想在没有作品本身的情况下快速回忆起你最喜欢的书中的特定段落或你刚刚看过的电影中的台词，你可能会转向搜索引擎。 您可以使用精心设计的搜索输入来提示它，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》名言是什么？” 或者“写出《两个城市的故事》的开头段落”并在几秒钟内得到你的逐字回答。

大型语言模型 (LLM) 最简单的用途之一是作为知识数据库。 法学硕士接受过包含丰富信息的海量数据集的培训，像 ChatGPT 这样的界面使得检索变得容易。 例如，当您提示 ChatGPT 返回电影或书籍中的内容时，您只是利用模型的能力来回忆其在训练期间接触过的信息。 但是，如果它没有接受《终结者》剧本的训练，或者它的权重不重视狄更斯的作品，该怎么办？ 为了即使是最简单的用例（例如基本信息检索）也能提供最准确和相关的结果，法学硕士需要复杂的索引和检索机制，能够精确地访问广泛的信息。

了解法学硕士内容生成和培训 LLM 内容是通过称为下一个令牌预测的过程生成的，该过程可确保响应上下文适当、多样化，并在一定程度上反映了类似人类的理解。 以下是下一个令牌预测的工作原理，一步一步：

输入处理：当您键入提示或问题时，该输入将转换为标记：单词或单词片段。 上下文理解：模型会查看您给它的标记，并根据其训练尝试理解上下文，其中包括从当前主题到您可能使用的语气的所有内容。 下一个标记预测：使用它所理解的上下文，模型然后预测最有可能的下一个标记是什么。 这不仅仅是根据前一个单词进行猜测；而是根据前一个单词进行猜测。 它正在考虑到目前为止对话的整个背景。 令牌选择：一旦预测了一系列可能的下一个令牌，它就会选择一个。 这种选择基于概率——根据模型训练的数据，最有可能出现的标记。 然而，值得注意的是，这里也存在一些随机性，这有助于生成更加多样化和听起来更自然的响应。 输出生成：然后将选定的标记转换回人类可读的文本。 如果响应不完整（通常不是仅在一个令牌之后），则该过程会重复。 新的标记被添加到序列中，模型根据更新的上下文预测下一个标记。 迭代细化：重复预测下一个标记并将其添加到序列中的过程，直到模型到达停止点。 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，或者当它满足提示中嵌入的指令时。 LLM 培训中压缩的局限性 当 LLM 预测令牌时，它会有效地检索并利用嵌入其权重中的压缩知识来生成上下文适当的输出。 通过这种方式，LLM 培训反映了数据库压缩。 正如数据库经过优化以快速调用经常访问的数据一样，法学硕士旨在从其权重中检索信息（特定的插值记忆）。 这种功能使其能够对训练期间遇到的熟悉材料的查询产生精确的响应，就像在数据库中查询索引良好的信息一样。 然而，当模型遇到不太熟悉或模糊的内容时，就会出现限制。 例如，当你向法学硕士询问《圣经》中的特定段落时，它会逐字引用它们，但它不能逐字引用任何它在训练期间没有多余“见证”的概念，因为与该概念相关的权重太高了。 微不足道。 从这个意义上说，法学硕士也类似于数据库。 正如数据库可能只返回已明确存储在其中的数据一样，法学硕士可能很难生成其在培训期间未广泛见过的主题的内容。

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，使他们能够“理解”纯粹超出查找范围的事物。 然而，这种过度简化有助于我们理解法学硕士训练生成内容的方式的一些关键限制。

LLM 培训的进一步限制 此外，下一个令牌预测系统还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：主要常量之一raints 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（以标记为单位）。 对于许多模型（包括早期版本的 GPT）来说，此窗口不够大，无法维护较长对话或文档的上下文，这可能会导致较长文本或复杂讨论失去连贯性，而这些文本或复杂讨论需要维护超出前一个标记的上下文。 泛化与特异性：虽然这些模型是在大量数据集上进行训练的，但它们从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。 他们可能无法生成高度具体或细致入微的响应，这些响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。 他们无法在培训后访问或整合新信息，这意味着它们可能很快就会过时或缺乏当前背景，例如最近的事件、发现或热门话题。 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。 由于该模型通常倾向于在给定上下文的情况下在统计上更有可能遵循的标记，因此它可能会陷入循环或更喜欢常见短语，从而减少输出的可变性。 检索增强生成 (RAG) 解释 如上所述，法学硕士根据训练期间分配给数据不同方面的权重生成响应。 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重要性。 如果用户的提示包含训练数据中未显着表示的元素，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（意味着它无法准确回忆起用户正在寻找的答案），该模型通常依赖于外部矢量搜索数据库 ，这使得它能够搜索可以附加到用户提示中的相关上下文或新数据。 此过程称为检索增强生成 (RAG)。

“矢量搜索成功” RAG 过程是通过矢量搜索数据库实现的：矢量搜索数据库是一种以矢量形式存储和管理数据的高级数据库。 这些向量表示高维空间中的数据，其中每个维度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多维空间中不同文本片段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（例如文章、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值向量，其中相似的含义被映射到向量空间中的邻近点。 然后，数据库计算查询向量与存储数据的向量之间的距离，以确定文本含义的相关程度。 数据库检索向量最接近查询向量的数据点（文本内容），即语义上与输入最相似的数据点。 这些数据点在上下文和含义方面被认为是“最近的邻居”。

这些最近的邻居提供了基础法学硕士在其自己的训练数据中可能无法访问的上下文相关的附加信息，这可以显着提高法学硕士输出的准确性、相关性、丰富性和多样性。 Sam Altman 等人提倡“矢量搜索成功”方法，即依靠 RAG 来开发代理，而不是单独进行模型微调。

RAG 作为微调的替代方案 微调法学硕士涉及根据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增进对某些领域的理解。 这个过程不仅慢于创新的速度，这意味着经过微调的模型几乎和更新一样快地过时，而且它也没有解决新数据的问题。

相比之下，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。 模型可以更长时间地保持相关性，因为它们可以适应新的数据和变化

Houston 是由 Space and Time 开发的一款由 OpenAI 驱动的数据工程聊天机器人。 它根据自然语言提示执行各种操作，例如生成可执行 SQL、创建 Python 管道以及控制 Space and Time Studio。

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？” 📘 记住

Houston 旨在理解自然语言输入，因此您可以提出问题或以对话方式提供说明。

시작하려면 Discord 서버에 가입하세요.

공간 및 시간 커뮤니티 포인트 정보 Space and Time 커뮤니티 포인트 시스템의 핵심은 참여에 대한 보상 이상의 것입니다. 우리의 기술과 생태계를 중심으로 활기차고 상호작용적인 커뮤니티를 구축하는 것입니다. 회원은 Space and Time과 관련된 다양한 활동과 참여를 통해 자신의 기여와 참여를 상징하는 포인트를 획득할 수 있습니다.

커뮤니티 포인트는 생태계 내 참여의 지표로 개념화되었으며 실제 가치를 갖기 위한 것이 아닙니다. Space and Time에는 현재 토큰이 없다는 점에 유의하는 것이 중요합니다. SxT 토큰에 대한 모든 주장을 경계하고 잠재적인 사기로부터 자신을 보호하세요. 상호 작용이 공식적이고 안전한지 확실하지 않은 경우 중재자나 팀원에게 문의하세요.

또한 커뮤니티 포인트는 베타 버전이며 시스템 구조는 시간이 지남에 따라 변경될 수 있습니다. 커뮤니티 회원이 새로운 레벨을 잠금 해제함에 따라 우리는 지속적으로 새로운 퀘스트와 보상을 추가할 것입니다. 계속 지켜봐 주시기 바랍니다!

참여 방법 커뮤니티에 적극적으로 참여하면 Zealy 포인트가 적립됩니다. 일부 퀘스트는 특별히 개발자와 분석가를 대상으로 하는 반면 다른 퀘스트는 보편적인 커뮤니티 참여를 위한 것입니다. 표시될 수 있는 작업의 몇 가지 예는 다음과 같습니다.

Space and Time Studio에서 공개 대시보드 구축 SxT에서 데모 앱 구축 SxT 블로그를 다른 언어로 번역하세요 SxT에 대한 인포그래픽 만들기 참여 보상 커뮤니티 포인트는 실제 가치가 없지만 커뮤니티 내 참여 및 기여도를 측정하는 척도로 사용됩니다. 커뮤니티 참여 강화를 위한 노력의 일환으로 포인트 시스템과 연계된 다양한 보상을 정기적으로 발표할 예정입니다. 이러한 보상에는 이벤트에 대한 독점 액세스, 커뮤니티 내 특별 지위 또는 기타 혜택이 포함될 수 있습니다.

초기 지지자들을 위한 특별 메모 SxT 커뮤니티의 일원이셨다면 이미 Zealy에서 퀴즈와 작은 작업을 통해 일부 포인트를 획득하셨을 것입니다. Zealy를 통해 우리와 함께하고 적극적으로 참여해주신 헌신적인 커뮤니티 회원 여러분의 노력은 간과되지 않았습니다. 이전에 획득한 포인트는 여전히 유효하며 새로운 시스템에서도 그대로 유지됩니다. 이는 감사를 표하고 귀하의 기여를 인정하는 방식입니다. 귀하의 초기 지원은 우리 커뮤니티 성공의 초석으로 남아 있습니다.

출시 준비 완료 우리는 여러분 각자가 이 여정에 적극적으로 참여하도록 초대합니다. 신규 회원이든 처음부터 함께해 온 회원이든 여러분의 참여가 Space and Time 커뮤니티를 형성하는 요소입니다. 공간과 시간의 흥미진진한 새 장에 참여하세요!

더 궁금한 점이 있으신가요? 우리는 답을 가지고 있습니다! 나는 이전 활동을 통해 이미 SxT Zealy에 대한 포인트를 축적했습니다. 이 포인트가 이전되나요?

예, Zealy의 SxT 활동을 통해 이미 획득한 포인트는 새 시스템으로 이전됩니다. 이러한 원활한 전환은 초기 서포터들이 이미 이전에 적립한 포인트를 기반으로 보상을 받기 시작했음을 의미합니다.

커뮤니티 포인트를 회원간 양도할 수 있나요?

아니요. 커뮤니티 포인트는 각 회원의 기여와 노력에 따라 고유하게 부여됩니다. 따라서 회원 간 양도가 불가능하므로 개별적으로 보상을 획득하고 사용할 수 있습니다.

포인트 적립에 참여 제한이나 한도가 있나요?

SxT는 귀하가 획득할 수 있는 포인트 수에 대해 제한을 두지 않을 계획입니다. Zealy 플랫폼이 지원하는 만큼 많은 포인트를 획득할 수 있습니다. 커뮤니티 회원이 새로운 레벨을 잠금 해제하면 정기적으로 보상을 추가할 예정입니다.

최고 기여자로 구성된 리더보드가 있나요?

Zealy에서 실시간 순위표를 볼 수 있습니다.

Space and Time은 잠재적인 게임이나 포인트 시스템 활용을 어떻게 해결합니까?

우리는 Zealy와 긴밀히 협력하여 봇과 악용을 방지하기 위한 엄격한 조치를 시행하고 있습니다. Discord 서버에는 포인트 시스템의 무결성을 유지하기 위한 강력한 조치도 마련되어 있습니다.

퀘스트와 보상에 대한 커뮤니티 의견이나 제안을 받을 기회가 있습니까?

우리는 커뮤니티의 의견을 매우 중요하게 생각합니다! Discord에서 퀘스트와 보상에 대한 아이디어를 자유롭게 공유해 주세요.

회원이 포인트 적립을 시작할 수 있는 구체적인 시작 날짜가 있습니까?

업데이트된 포인트 시스템이 활성화되었습니다! 커뮤니티 활동에 참여하면 즉시 포인트 적립을 시작할 수 있습니다.

포인트 시스템 내에 다양한 레벨이나 등급이 있나요?

응, 이건 쇼야

n Zealy에서는요. 새로운 레벨을 잠금 해제하는 것이 보상을 획득하는 열쇠입니다. 새로운 보상이 추가되면 이를 Discord에 나열하겠습니다.

발표된 보상에 포인트를 어떻게 사용하나요?

일부 보상은 자동으로 사용되며 다른 보상은 SxT 팀에서 수동으로 배포해야 합니다. 어느 쪽이든, 당신이 해야 할 일은 돈을 버는 것뿐입니다! 귀하의 포인트, 완료된 퀘스트 및 현재 레벨은 모두 Zealy에서 추적됩니다. 새로운 보상이 발표되면 보상 프로세스에 대한 자세한 정보를 제공해 드리겠습니다.

다른 질문?

다른 질문이 있으면 언제든지 Discord를 통해 문의하실 수 있습니다!