明「抢」用户资产,Coinbase竟成囤币最大天敌?

Odaily星球日报Publicado a 2024-07-26Actualizado a 2024-07-26

Resumen

Coinbase官网称,当账户所有者在州法律指定的一段时间内(通常3-5 年)没有进行任何活动时候,资金将被视为无人认领或遗弃的财产。

原文标题:《Coinbase「不要中国」用户了?社群暴大量灾情:帐户被删、资产被转走,社群痛骂根本抢劫》

原文作者:Ting,动区动趋 BlockTempo

数字资产讬管解决方案提供商 Cobo 联创兼 CEO 神鱼,昨日在社群平台发文,以「囤币最大的天敌是 __?」为标题,附上一位网友在社群平台小红书分享,其资产遭中心化交易所 Coinbase 侵占的案例。

明「抢」用户资产,Coinbase竟成囤币最大天敌?

网友怒骂 Coinbase 明抢用户资产

社群平台小红书上一位化名为「初」的中国网友 24 日发表一篇标题为「明抢的 coinbase,比特币投资维权全记录」的文章。

文章提到该名网友在 2017 年 All in 币圈,并在这几年间频繁操作。2021 年他决定开始囤币,但由于担心火币和币安频繁遭到黑客攻击及断网,该年底他将所有代币转移到在美国合法的交易平台 Coinbase,之后他偶尔会登入帐户查看资产状况。

然而,今年 6 月,该名网友发现 Coinbase 帐户无法登陆,咨询客服后发现帐户已被註销,帐户内的 BTC 被卖掉发送给美国怀俄明州的一个机构,Coinbase 给的理由是网友帐户许久未有活动,资产被视为「Unclaim Property」。

资产被视为「Unclaim Property」

Coinbase 官网相关解释说明,视各州法律, 3 ~ 5 年未有活动的帐户会被归类为 Unclaim Property,然而,该名网友今年 2 月和 3 月均有登陆,所以他认为 Coinbase 客服给的理由纯属胡扯。在网友持续询问并且提供登入证明后,Coinbase 客服表示,他们也爱莫能助,只能请网友自行去找怀俄明州无人认领财产部门(Wyoming’s Division)要回资产。

事发至今,该网友一直关注 Wyoming’s Unclaimed Property Division 的网站,并发现原来不只有他一个案例,类似的情况很多,所以该部门光是整理这些资产就耗时 3 个月。该名网友也在找寻多日之后发现他的资产纪录,于是赶紧找各种资料试图申报找回。然而,由于他已忘记大部分之前註册帐户的个人信息,他认为资产找回的机率微乎其微。

明「抢」用户资产,Coinbase竟成囤币最大天敌?

网友遭转移资产纪录

无人认领财产(Unclaim Property)是什么?

根据 Coinbase 官网说明,当帐户所有者在州法律指定的一段时间内(通常为 3-5 年)没有进行任何联系或产生任何活动时,您的资金将被充公,此时它们被视为无人认领或废弃的财产。

无人认领财产的形式包括但不限于支票/储蓄帐户、经纪帐户、 401 k 帐户、退休基金帐户和保险箱内的物品。

Reddit 社群相同问题频传

另一方面,也有许多网友在社群论坛 Reddit 抱怨相同问题,描述他们的帐户被关闭,资产都转移至怀俄明州无人认领财产部门。

在众多案例中,可以发现 Coinbase 关闭帐户多数是因为「用户在 Coinbase Kenya Ascending Markets, Ltd. 建立帐户,目前该公司已关闭」,并且 Coinbase 表示多次尝试透过用户验证的电子信箱进行联络,通知帐户关闭事宜,然而并没有收到用户回覆。

根据小红书网友「初」提供的图片,Coinbase 客服回覆,他的帐户关闭也是因为其在 Coinbase Kenya Ascending Markets, Ltd. 建立帐户。

不过许多 Reddit 网友也批评道:「Coinbase APP 没有任何通知」、「电子信件描述不清楚,没明确说明要关闭帐户」…

明「抢」用户资产,Coinbase竟成囤币最大天敌?

Coinbase 客服回复小红书网友

原文链接

Lecturas Relacionadas

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

"Tras tres años sin actualizar su blog, la ex vicepresidenta de OpenAI y cofundadora de Thinking Machines, Lilian Weng, publica un extenso análisis que cuestiona la fiabilidad de las 'Scaling Laws', las leyes de escalamiento que han guiado inversiones billonarias en IA. El artículo desmonta que la mejora del rendimiento de los modelos de lenguaje (LLM) al aumentar parámetros, datos y computación sea tan predecible como se creía. Expone divergencias clave: en 2020, OpenAI concluyó que el tamaño del modelo debía crecer más rápido que los datos, mientras que DeepMind (2022) defendió un crecimiento proporcional, un desacuerdo atribuido a diferencias metodológicas y al tamaño limitado de los experimentos iniciales. Más críticamente, Weng revela que la metodología del influyente estudio 'Chinchilla' de DeepMind contenía errores, como una función de pérdida que no convergía correctamente, lo que significa que la 'fórmula óptima' utilizada durante años por la industria podría no serlo. El análisis subraya un problema fundamental: las leyes clásicas asumen datos únicos e infinitos, pero los textos de alta calidad se agotan. La repetición de datos en el entrenamiento degrada el rendimiento, especialmente en modelos grandes. Esto explica el cambio de la industria hacia el aprendizaje por refuerzo, el cómputo en tiempo de prueba y los datos sintéticos. En resumen, el artículo argumenta que la era de la escalabilidad simple ('scale is all you need') toca a su fin, y que el progreso futuro de la IA dependerá de refinamientos metodológicos precisos y de nuevas vías para superar la limitación de datos."

marsbitHace 57 min(s)

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

marsbitHace 57 min(s)

Trading

Spot
Futuros
活动图片