莫斯科交易所已准备好对抗美国的制裁,并取得胜利

币界网Publicado a 2024-08-20Actualizado a 2024-08-20

币界网报道:

在美国于6月对莫斯科交易所实施制裁后,该交易所并没有袖手旁观。他们正准备反击。

根据投资者权利保护俱乐部的说法,交易所有一些法律技巧,这一切都要归功于他们在Step Forward的法律顾问。

8月19日,在与投资者保护俱乐部的一次会议上,Step Forward的一名代表阐述了该战略。他们计划与美国外国资产控制办公室(OFAC)正面交锋。

他们的策略之一是直接联系OFAC,以了解如何使用通用许可证来解锁资产。

制裁和许可证:战斗开始了

这场闹剧始于6月12日,当时OFAC对莫斯科交易所及其附属机构、国家清算中心(NCC)和国家结算存管机构(NSD)进行了制裁。

OFAC甚至做出了让步,将与这些实体的运营许可证延长至8月13日,但他们决定将其延长至10月12日。是啊,这会让莫斯科的事情变得更容易。

英国不想错过这一行动,所以他们第二天就加入了这一行列,制裁了莫斯科交易所、NSD和NCC。

英国金融制裁执行办公室(OFSI)为解锁通过NSD持有的资产开了绿灯,但仅限于10月12日。这是一个定时炸弹,每个人都知道。

但这就是事情变得有趣的地方。根据投资者保护俱乐部的法律顾问Delcredere的说法,比利时财政部和卢森堡财政部并没有遵循相同的规则。

在解除对NSD账户资产的封锁方面,他们并没有自动遵循美国和英国的制裁。

但现在不要太激动。欧洲结算银行和明讯银行是这场游戏中的大狗,如果这些资产与其管辖区有任何联系,无论是通过发行人还是货币,它们仍可能要求美国或英国的许可证。

OFAC的许可证有效期至10月12日,可能是解锁存放在摩根大通和纽约梅隆银行等美国大银行NCC账户中的资产的关键。但有一个问题。

根据Delcredere的说法,这些美国银行基本上是在说,“对不起,不是对不起。只有美国实体才能玩这个游戏。”莫斯科被冷落了,但法律团队不会让这种情况溜走。

Step Forward的代表给出了一些建议:如果你的资产陷入了这场混乱,你可能想直接与摩根大通和纽约梅隆银行谈谈。这个想法是想知道你是否可以在通用许可证100A下移动资产。

不过,不要屏住呼吸。OFAC不习惯为应该由一般许可证涵盖的交易发放个人许可证。

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 2 min(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 2 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 47 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 47 min(s)

Trading

Spot
活动图片