Register it as a service on @POKTnetwork, and we can distribute it through our network and make it accessible via our public RPC gateway, or via direct access with a lightweight SDK.
1.7T compute units in 24 hours 📊
To put that in perspective:
- Across 60+ blockchains
- Through 5,000+ node operators
- Zero centralized control
Decentralized infrastructure. Enterprise scale.
Built different.
8 years ago, we figured out the biggest weakness in defi, created a solution, and offered it to the world. Since then, failure after failure after failure has reinforced why $POKT is one of the most important protocols in defi, but you, anon, are still chasing the next PVP rug.
I wonder how many reminders about all of the failures of the current approach to RPC it's going to take before people figure out that this is why $POKT exists?
#AAVE
Nice to see another web3 OG implementing on-chain programmatic burn.
No bullshit buybacks, no governance votes, just permissionless systems working the way they're supposed to.
@Lamsito_eth $POKT. OG, Chart dégueu, mais la tech est utile, solide, blockchain agnostic et déjà utilisée. Leur v1 était bancale mais leur v2 a tout changé. Quand les usecase AI vont vraiment arriver ça peut être massif. Et vu le prix actuel le rr potentiel est cool imo.
Anthropic explique comment faire bosser Claude en autonomie pendant des heures et le concept clé à retenir s'appelle le "harness".
Un harness, c'est l'architecture qui entoure le modèle : les agents, les règles, les boucles de feedback. C'est pas le modèle lui-même, c'est le système qu'on construit autour pour le faire performer.
Prithvi Rajasekaran, de l'équipe Labs chez Anthropic, raconte comment le bon harness a permis de débloquer Claude sur deux terrains : le design frontend et le développement d'apps complètes sans humain dans la boucle.
Deux problèmes de fond quand un agent code seul sur une tâche longue.
Premier problème : il perd le fil.
Plus le contexte s'allonge, plus il dérive.
Pire, il "sent" qu'il approche de sa limite et commence à bâcler pour en finir.
Deuxième problème : il est incapable de se juger honnêtement.
Quand tu lui demandes d'évaluer son propre travail, il se met des bonnes notes même quand le résultat est médiocre.
La solution : ne jamais laisser un agent se noter lui-même.
L'équipe s'inspire des GA (les réseaux adversaires du deep learning) et sépare le boulot en deux rôles distincts.
Un agent qui produit, un autre qui évalue.
Pour le frontend, l'évaluateur navigue la page en live via Playwright, note le résultat sur quatre critères (qualité visuelle, originalité, rigueur technique, fonctionnalité) et renvoie un retour détaillé. Le générateur reprend sa copie et itère entre 5 et 15 fois.
Résultat → des sorties beaucoup plus ambitieuses.
Dans un cas marquant, le modèle a spontanément abandonné son approche classique pour réinventer un site de musée néerlandais en expérience spatiale 3D, avec un sol en damier en perspective CSS et une navigation par portes entre les salles.
Et pour coder des apps complètes ?
L'équipe applique le même principe mais avec trois agents. Le premier est un planificateur : tu lui files une phrase genre "créer un éditeur de jeux vidéo rétro 2D" et il te pond un vrai cahier des charges avec une dizaine de fonctionnalités détaillées.
Le deuxième est le développeur : il code l'app fonctionnalité par fonctionnalité.
Le troisième est le testeur : il ouvre l'app, clique partout comme un vrai utilisateur, et remonte les bugs concrets au développeur pour correction.
Le test grandeur nature est parlant.
Avec un agent seul, tu obtiens en 20 minutes un éditeur de jeux où le mode "jouer" est tout simplement cassé.
Avec le système à trois agents, au bout de 6 heures de travail autonome, tu obtiens une app complète avec des éditeurs de sprites fonctionnels, des niveaux jouables, et même une intégration IA pour générer du contenu au prompt.
C'est plus cher, mais c'est surtout la différence entre un truc qui marche et un truc qui marche pas.
Avec Opus 4.6, tout se simplifie. Le modèle tient mieux la route tout seul plus besoin de lui découper le travail en petits morceaux.
L'équipe allège l'architecture et teste sur un nouveau défi : "construire un studio de musique dans le navigateur."
-> Résultat après environ 4 heures de travail autonome : une vraie station audio avec vue arrangement, table de mixage, et un agent Claude intégré capable de composer un morceau basique de A à Z.
Le point à retenir -> l'amélioration des modèles ne rend pas l'ingénierie d'orchestration obsolète.
Elle déplace le curseur.
Ce qui nécessitait un échafaudage complexe hier devient natif demain.
Mais les nouvelles capacités ouvrent des combinaisons multi-agents qu'on n'aurait même pas pu tenter avant.
L'espace des possibles ne rétrécit pas, il bouge.
Bref à lire attentivement.
📊 NETWORK STATUS: SCALING & DEFLATING
Past 30 Days
- 8.5 Billion+ relays served
→ Each relay is a request from an app to access blockchain data
- 38,000+ net supply reduction
→ More POKT was burned than minted — supply is shrinking, not growing
- 5,000+ independent node operators
→ Distributed across the globe, no single point of failure
- 60+ blockchains supported
→ From Ethereum to Solana, one network serves them all
The network is growing.
The supply is shrinking.
Every relay makes POKT scarcer.
Honest question: if your DeFi app runs on a decentralized chain but reads data through one company's server, is it actually decentralized?
The answer is no.
And most builders know it.
That's the gap @POKTnetwork was built to close.
Decentralized infra for a decentralized internet. It was always the missing piece. 🧩
#POKT #Web3 #Blockchain #RPC
To use Pocket Network, apps and gateways pay in $POKT.
That payment doesn't go to a company.
It gets burned, permanently removed from circulation.
Less supply. Same demand. You know what that means.
First, the basics.
$POKT is the native token of Pocket Network.
Node runners earn $POKT for serving RPC requests.
The more requests they serve, the more they earn.
Simple so far. But here's where it gets interesting.
Opus produced the best output with Ruby in this shoot-out between a bunch of different languages. Fewest tokens, fewest LOCs, fastest completion. Maybe one day, AI will just be writing straight machine code, but until then, Ruby is a superb target. https://t.co/6eFuCUXGWh