জিএম ক্রিয়েটররা কি @zerufinance এয়ারড্রপগুলিকে বেশি ন্যায্য করতে পারে? ক্রিপ্টো এয়ারড্রপের একটি বড় সমস্যা হলো বট এবং কাল্পনিক ওয়ালেটগুলি বাস্তব ব্যবহারকারীদের জন্য নির্ধারিত পুরস্কারগুলি নিয়ে নেয়। এখানেই Zeru-এর zScore কাজে আসে। এটি ওয়ালেটের আচরণ ব্যবহার করে প্রকল্পগুলিকে সহায়তা করে যে কোন অংশগ্রহণকারীদের প্রকৃত এবং কোনগুলির সন্দেহজনক হওয়ার সম্ভাবনা আছে। কিন্তু এটি কতটা ভালোভাবে কাজ করে? 1. GAIB-এর বাস্তব ফলাফল Zeru-এর মতে, GAIB-এর V1 এবং V2-এর তুলনা থেকে নিম্নলিখিত পরিবর্তনগুলি দেখা গেছে: → sybils হিসাবে চিহ্নিত ওয়ালেটগুলিতে 56% কম বণ্টন। → উচ্চমানের ওয়ালেটগুলির অংশগ্রহণ 49% বৃদ্ধি পেয়েছে। → বণ্টনের পরে বিক্রয়ের চাপ 50% কমেছে। → নিম্নমানের ওয়ালেটের বণ্টন 21% থেকে 13.5%-এ নেমেছে। → উচ্চমানের ওয়ালেটের বণ্টন 41.7% থেকে 54.7%-এ বৃদ্ধি পেয়েছে। → 평균 보유 기간 9.8일에서 12.6일로 증가했습니다. এই সংখ্যাগুলি বলছে যে, আচরণগত স্কোরিংয়ের মাধ্যমে এয়ারড্রপ বণ্টনকেউনতুলনা 56% less allocation went to wallets identified as sybils. → Participation from higher quality wallets increased by 49%. → Selling pressure after distribution dropped by 50%. → Low quality wallet allocation fell from 21% to 13.5%. → High quality wallet allocation increased from 41.7% to 54.7%. → Average holding time increased from 9.8 to 12.6 days. These numbers suggest that behavioral scoring could help improve airdrop distribution. However, more details are needed to confirm how much of the improvement came directly from zScore. 2. TESTING AGAINST PAST AIRDROPS Zeru also tested its scoring system using historical data from EigenLayer, https://t.co/Lc9E4SVXqm, Optimism, and Elixir. The idea is simple. What would have happened if zScore had been used to filter wallets during those airdrops? These simulations help estimate the potential benefits, but they are not actual results from those past distributions. They show what might have happened, not what definitely would have happened. 3. THE BIGGEST CHALLENGE Removing bots sounds good, but what happens when a genuine user is mistakenly flagged? A good scoring system must answer important questions: → How does it identify suspicious wallets? → How many real users could lose their rewards unfairly? → Can other researchers verify the results? → Does it identify suspicious behavior without automatically blocking everyone involved? Zeru's ZAPs framework also looks at how rewards should be attributed and how abusive behavior can be identified. This is related to making reward systems fairer, but it needs to be evaluated separately from zScore's airdrop filtering. MY TAKE Zeru is working on a real problem in Web3. Airdrops should reward genuine participation, not just people who create hundreds of wallets to claim more tokens. The reported GAIB results are promising, and the historical simulations offer another way to test the idea. But the real test is whether the system can reduce abuse without excluding legitimate users. Catching bots matters, but protecting genuine users matters just as much.