Латиноамериканский гигант электронной коммерции Mercado Libre запускает стейблкоин, привязанный к доллару США

cryptonews.ruPublicado a 2024-05-22Actualizado a 2024-08-22

Mercado Pago, цифровое банковское подразделение крупнейшей в Латинской Америке компании Mercado Libre (MELI), заявило в среду, что представляет в Бразилии стейблкоин, привязанный к доллару США. Компания заявила, что пользователи Mercado Pago в Бразилии смогут покупать и продавать стейблкоин Meli Dollar, используя остатки на счетах в бразильских реалах, без уплаты каких-либо комиссий. Продукт, как заявила фирма, нацелен на предоставление практичного и стабильного варианта для управления финансами.

В августе 2022 года Mercado Libre запустила свою криптовалюту Mercado Coin, чтобы пользователи могли совершать покупки на торговой площадке и получать кэшбэк. До этого Mercado Libre интегрировала блокчейн-инфраструктуру Paxos с Mercado Pago, чтобы пользователи в Бразилии могли покупать, продавать и хранить биткоины, эфиры и стейблкоины Paxos Pax Dollar (USDP).

Ripio, латиноамериканская криптокомпания, будет выступать в качестве маркетмейкера для транзакций, совершаемых на Mercado Pago, заявила компания. Ripio, которая управляет торговой платформой и кошельком в регионе, среди прочих услуг, сотрудничала с Mercado Pago для разработки Mercado Coin. Этот шаг Mercado Libre произошел примерно через год после того, как базирующаяся в США PayPal (PYPL) вывела на рынок свой стейблкоин на основе доллара PYUSD, который в последние дни приблизился к рыночной капитализации в 1 миллиард долларов.

Изображение: MarketScreener

Lecturas Relacionadas

Ingresos anuales de 100 millones de dólares, dos compañeros de cuarto de Berkeley de los 90 crean el negocio de IA más rentable

Una startup que no desarrolla modelos de IA, Arena, alcanza un ingreso anualizado de 100 millones de dólares. Su origen es Chatbot Arena, un proyecto de investigación de código abierto iniciado en 2023 por el grupo de investigación LMSYS de UC Berkeley. La plataforma alberga una clasificación líder (leaderboard) de modelos de lenguaje, basada en más de 82 millones de votos de usuarios reales que evalúan respuestas de modelos anónimos en duelo. Actualmente recibe más de 10 millones de visitantes mensuales. Todos los principales desarrolladores de IA, como OpenAI, Google y Anthropic, someten sus modelos a esta evaluación comunitaria neutral. Su servicio comercial "AI Evaluations", lanzado hace ocho meses, permite a empresas pagar por análisis profundos del rendimiento de sus modelos en escenarios del mundo real, lo que generó los 100 millones de dólares en ingresos. La empresa se constituyó formalmente en 2025, recaudó una ronda semilla de 100 millones y alcanzó una valoración de 1.700 millones de dólares. Sus cofundadores son Anastasios Angelopoulos (CEO), Wei-Lin Chiang (CTO, creador del modelo Vicuna) y el profesor Ion Stoica. Arena está expandiendo sus capacidades de evaluación hacia el modo "agente" para tareas complejas, posicionándose como un árbitro esencial en la evolución de la IA.

marsbitHace 5 min(s)

Ingresos anuales de 100 millones de dólares, dos compañeros de cuarto de Berkeley de los 90 crean el negocio de IA más rentable

marsbitHace 5 min(s)

Acaparó 24,000 estrellas: con un solo comando, la IA ya puede buscar habilidades por sí misma

## Resumen en español de Europa (Menos de 1500 caracteres) La herramienta `skills` de Vercel, un administrador de paquetes para agentes de IA que alcanzó 24,000 estrellas en GitHub en 5 meses, está transformando la programación con IA. Permite instalar "paquetes de habilidades" específicos (como mejores prácticas de React o reglas de diseño) en agentes como Claude Code o Cursor con un simple comando `npx skills add <paquete>`. Estos paquetes, que contienen instrucciones y scripts, permiten que la IA aprenda y aplique permanentemente el conocimiento contextual de un proyecto, pasando de la ingeniería de prompts a la "ingeniería de capacidades". La característica más futurista es `find-skills`, una habilidad que permite al agente buscar e instalar automáticamente el paquete necesario según la tarea del usuario, actuando como un motor de búsqueda de capacidades para IA. Sin embargo, este ecosistema emergente plantea graves riesgos de seguridad. Estudios como "ToxicSkills" de Snyk revelan que más del 30% de los paquetes auditados presentan defectos, incluyendo malware, inyección de prompts y robo de claves. A diferencia de npm, los "skills" combinan código, instrucciones naturales y acceso directo al sistema, amplificando el potencial de daño. Se recomienda verificar minuciosamente la fuente y los permisos de cada paquete antes de instalarlo. En esencia, Vercel repite su fórmula de éxito: simplificar procesos complejos (esta vez en la capa de los agentes de IA) en un solo comando, aunque la comunidad debe adoptar buenas prácticas de seguridad para este nuevo "momento npm" de la IA.

marsbitHace 6 min(s)

Acaparó 24,000 estrellas: con un solo comando, la IA ya puede buscar habilidades por sí misma

marsbitHace 6 min(s)

El ingeniero Claude finalmente presenta Fable 5: 'Manual de la Quemazón', enseñándote a romper la barrera de información con el modelo

Fable 5 ha tenido un viaje tumultuoso desde su lanzamiento, pasando de gran expectación a restricciones gubernamentales. Ahora, el ingeniero de Claude Code, Thariq Shihipar, comparte una guía clave para usar el modelo de forma efectiva. El problema central es la "brecha de información" entre el usuario y el modelo: la diferencia entre las instrucciones (el "mapa") y la tarea real (el "territorio"). A estas diferencias las llama "incógnitas". El éxito con Fable depende de nuestra habilidad para identificar y aclarar estas incógnitas, un proceso iterativo que ocurre antes, durante y después de la implementación. Thariq categoriza el conocimiento en: lo que sabemos que sabemos, lo que sabemos que no sabemos, lo que no sabemos que sabemos y lo que no sabemos que no sabemos. La guía ofrece técnicas prácticas para cada fase: - **Antes de implementar**: Escaneo de puntos ciegos, lluvia de ideas/prototipado, entrevistas inversas al modelo, uso de referencias (como código fuente) y creación de un plan. - **Durante la implementación**: Mantener un archivo de notas para registrar decisiones y desviaciones. - **Después de implementar**: Crear documentación explicativa para facilitar revisiones y realizar autoevaluaciones para asegurar la comprensión. El artículo concluye que, cuanto más potente es el modelo, más crítico se vuelve el método correcto. Invertir tiempo en definir las incógnitas con Claude, mediante prototipos, planes y preguntas, es la forma de alinear el "mapa" con el "territorio" y lograr los mejores resultados.

marsbitHace 10 min(s)

El ingeniero Claude finalmente presenta Fable 5: 'Manual de la Quemazón', enseñándote a romper la barrera de información con el modelo

marsbitHace 10 min(s)

Los tokens se tragan el 30% de los salarios: la factura de la IA en Silicon Valley se ha descontrolado

El gasto en tokens de IA consume hasta el 30% de los salarios en empresas como SemiAnalysis, donde el uso intensivo de modelos grandes ha reescrito la economía de los servicios profesionales, multiplicando la productividad. Sin embargo, gigantes como Uber y Microsoft enfrentan facturas descontroladas y límites de uso, ya que los costos de computación a menudo superan los beneficios inmediatos. Mientras tanto, la optimización de software y hardware está impulsando una caída estructural en los precios de los tokens, con proyecciones de reducciones de costos de más del 90% para 2030. Esta dualidad define el momento actual de la IA: una inversión masiva y disrupción laboral, aún a la espera de un impacto económico tangible generalizado, similar a las fases iniciales de revoluciones infraestructurales previas.

marsbitHace 11 min(s)

Los tokens se tragan el 30% de los salarios: la factura de la IA en Silicon Valley se ha descontrolado

marsbitHace 11 min(s)

OpenAI se desploma, bug en la ley de escala original, un billón de potencia computacional quemada en vano

Un investigador de DeepMind reveló que el documento original de Scaling Law de OpenAI contenía un error crítico, lo que llevó a la industria de IA a desperdiciar billones en capacidad de computación durante años. El bug consistió en usar una cantidad fija de tokens de entrenamiento y una programación de tasa de aprendizaje inadecuada para todos los modelos, haciendo que los modelos grandes parecieran estar saturados prematuramente. Esto llevó a la creencia errónea de que aumentar parámetros era más importante que los datos, como se vio en GPT-3. Más tarde, Chinchilla de DeepMind demostró que modelos más pequeños con más datos podían superar a modelos grandes pero con menos datos. Además, se señaló que las leyes de escalado actuales están sesgadas hacia el inglés, un lenguaje ineficiente, mientras que idiomas como el francés o chino pueden lograr mejores resultados con menos recursos. La corrección de este error podría haber acelerado el desarrollo de IA eficiente y ahorrado recursos significativos.

marsbitHace 26 min(s)

OpenAI se desploma, bug en la ley de escala original, un billón de potencia computacional quemada en vano

marsbitHace 26 min(s)

Trading

Spot