Риппл RLUSD стимулирует бычье IPO, пока Уолл-стрит наблюдает за развивающимся ончейн-расчетом.

cryptonews.ruPublished on 2025-02-19Last updated on 2025-08-20

Историческое IPO компании Bullish нарушило прецедент с $1,15 миллиарда, полностью урегулированными на блокчейне с использованием RLUSD и ведущих стейблкоинов, открывая новую эру для цифровых рынков капитала.

RLUSD и ведущие стейблкоины установили прецедент урегулирования на блокчейне в IPO Bullish

Стейблкоин Ripple USD (RLUSD), выпущенный на XRP Ledger, сыграл ключевую роль в историческом первичном публичном размещении (IPO) компании Bullish. Платформа цифровых активов объявила 19 августа 2025 года, что получила $1,15 миллиарда в ходе IPO, урегулированные в стейблкоинах. Торгуясь на Нью-Йоркской фондовой бирже под тикером BLSH, Bullish стала первым эмитентом, завершившим урегулирование IPO на блокчейне.

Ripple признала эту веху на платформе социальной сети X:

Поздравляем Bullish с успешным IPO! Часть поступлений от IPO была урегулирована в $RLUSD, выпущенном на XRP Ledger. Это первое публичное размещение, которое перенесло процесс урегулирования на блокчейн и создает прецедент, как стейблкоины могут формировать будущие листинги.

Помимо RLUSD, более широкое урегулирование включало разнообразную корзину стейблкоинов, включая USD Coin (USDC), Euro Coin (EURC), Paypal USD (PYUSD), Global Dollar (USDG), USD CoinVertible (USDCV), EUR CoinVertible (EURCV), USD1, Agora Dollar (AUSD) и EURAU.

Это событие отражает растущее институциональное влияние RLUSD. Заявка на IPO Gemini на Nasdaq от 15 августа показала Кредитное соглашение Ripple, которое позволяет занимать до $150 млн, с кредитами в RLUSD, доступными сверх порога в $75 млн. Между тем, Mesh, компания по инфраструктуре платежей, объявила 12 августа, что RLUSD добавлен в её сеть из более чем 50 токенов, позволяя потребителям платить и принимать его на кассе.

RLUSD является неотъемлемой частью сети Ripple Payments, которая охватывает 90 рынков выплат и поддерживает 55 валют. В отчете от 25 июля Ripple подчеркнула роль стейблкоинов, включая RLUSD, USDC и USDT, в обеспечении быстрых и недорогих платежей в нестабильных регионах с ограниченным доступом к доллару США. Компания отметила: «Стейблкоины, такие как USDC, USDT, RLUSD и более новые токены, ориентированные на регионы, интегрируются в кошельки и платёжные платформы по всему миру — особенно там, где доступ к USD ограничен и существует большая валютная волатильность».

Уверенность рынка в RLUSD была подкреплена его нормативной и резервной структурой. 18 июля Bluechip, независимое рейтинговое агентство, поставило RLUSD на первое место среди стейблкоинов с рейтингом «A», отметив его надежное обеспечение активами, такими как казначейские векселя США, государственные денежные фонды и банковские депозиты, а также контроль со стороны Департамента финансовых услуг штата Нью-Йорк (NYDFS).

Related Reads

Dwarkesh Patel: The Next Generation of AI May Be Built Through Actual Work

In his latest podcast, Dwarkesh Patel explores the next paradigm for AI training. While current progress in fields like coding and math relies on Reinforcement Learning with Verifiable Rewards (RLVR), which requires tasks that are both verifiable and highly scalable ("grindable"), Patel questions whether this is sufficient for complex real-world objectives like starting a business, winning a legal case, or managing an organization. These tasks provide verifiable outcomes but lack the resetable, parallelizable environments needed for efficient RLVR training. Patel argues the key limitation of current models is their inability to convert valuable in-context learning from real deployment into permanent weight updates—a process he terms "learning back to the weights." He proposes two potential solutions: On-Policy Self-Distillation (OPSD), where a model distills knowledge from long, task-specific sessions back into its base weights, and "dreaming," where an AI constructs simulated environments from real-world observations to practice and refine strategies. Ultimately, Patel envisions a future training paradigm where AI advances not just through pre-training on static datasets but through continual, post-deployment learning from real-world experience. This shift would enable AI to move beyond "grindable" tasks and develop robust, generalizable agent capabilities for complex, real-world challenges.

marsbit30m ago

Dwarkesh Patel: The Next Generation of AI May Be Built Through Actual Work

marsbit30m ago

Trading

Spot
活动图片