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

cryptonews.ruPublié le 2024-05-22Dernière mise à jour le 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

Lectures associées

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

Une entreprise qui ne développe pas d'IA génère 100 millions de dollars de revenus annuels : Arena, anciennement Chatbot Arena, est passée d'un projet de recherche open source de l'UC Berkeley en 2023 à une plateforme incontournable d'évaluation des grands modèles linguistiques (LLM). Son classement, basé sur des tests en aveugle par des utilisateurs réels, est devenu une référence pour les géants comme OpenAI, Google, et Anthropic. Leur modèle économique, lancé il y a huit mois, propose un service payant d'évaluation approfondie (AI Evaluations) pour les entreprises souhaitant tester leurs modèles dans des conditions réelles. Cette position d'« arbitre neutre » a propulsé leur chiffre d'affaires annuel à 1 milliard de dollars. Fondée par deux anciens colocataires de Berkeley, Anastasios Angelopoulos (CEO) et Wei-Lin Chiang (CTO, créateur du chatbot open source Vicuna), et soutenue par le professeur Ion Stoica, l'entreprise a levé 150 millions de dollars en série A, atteignant une valorisation de 17 milliards de dollars. Arena évolue désormais vers l'évaluation des agents IA sur des tâches complexes, comme le codage ou la recherche, indiquant que l'évaluation précise des performances de l'IA devient un enjeu économique majeur.

marsbitIl y a 6 mins

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

marsbitIl y a 6 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

Le projet « skills » de Vercel, une sorte de gestionnaire de paquets « npm » pour les agents d'IA, connaît un succès fulgurant avec 24 000 étoiles sur GitHub. Il permet aux développeurs d'ajouter des compétences (skills) à leurs assistants IA (comme Claude Code, Cursor) via une simple commande : `npx skills add <package>`. Ces paquets encapsulent des connaissances spécifiques (bonnes pratiques React, conventions d'équipe) dans un dossier contenant un fichier SKILL.md et éventuellement des scripts. La plateforme skills.sh propose un répertoire et un classement des paquets les plus populaires, comme « find-skills » (2,3 millions d'installations). Cette « compétence » permet à l'IA de rechercher et d'installer automatiquement d'autres skills pertinents en fonction d'une demande utilisateur, agissant comme un moteur de recherche de capacités. Cependant, cette commodité s'accompagne de risques de sécurité majeurs. Des audits (comme celui de Snyk « ToxicSkills ») révèlent qu'une part significative des skills tiers contient des vulnérabilités ou des charges malveillantes, pouvant conduire à des injections de prompt, des fuites de clés ou l'exécution de code arbitraire. Contrairement à npm, les skills mélangent instructions, code et accès système, amplifiant les menaces. En somme, Vercel réplique dans l'ère de l'IA sa stratégie réussie avec Next.js : simplifier et standardiser des flux complexes en une commande. Mais l'écosystème naissant des compétences d'IA hérite aussi des pièges classiques des gestionnaires de paquets, nécessitant une vigilance accrue quant à la source et aux permissions des paquets installés.

marsbitIl y a 6 mins

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

marsbitIl y a 6 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

Fable 5, depuis son lancement, a connu un parcours tumultueux, passant des attentes élevées à une interdiction par le gouvernement américain. Aujourd’hui, l’accent est remis sur la productivité. Thariq Shihipar, ingénieur chez Claude Code, a publié un guide détaillé pour utiliser efficacement Fable 5. Le cœur du problème : l’écart d’information entre l’utilisateur et le modèle. Thariq appelle cela les « inconnues » – la différence entre les instructions données (la « carte ») et la réalité de la tâche (le « territoire »). La qualité du travail dépend de notre capacité à réduire ces inconnues. Il identifie quatre types d’inconnues : - Les **connues connues** : ce que nous spécifions clairement. - Les **connues inconnues** : ce que nous savons ne pas savoir. - Les **inconnues connues** : ce qui est évident pour nous mais pas explicité. - Les **inconnues inconnues** : ce que nous ignorons totalement. Le guide propose des méthodes pour les découvrir à chaque étape : **Avant l’implémentation** : - **Scan des angles morts** : Demander à Claude d’identifier les « inconnues inconnues ». - **Brainstorming et prototypage** : Explorer des idées visuelles ou fonctionnelles pour clarifier les attentes. - **Contre-interrogatoire** : Laisser Claude poser des questions pour éliminer les ambiguïtés. - **Références** : Fournir du code ou des exemples concrets comme modèles. - **Plan d’implémentation** : Faire rédiger un plan par Claude pour valider l’approche. **Pendant l’implémentation** : - **Notes d’implémentation** : Maintenir un fichier pour documenter les décisions et écarts. **Après l’implémentation** : - **Documentation explicative** : Créer un résumé clair pour faciliter les revues et l’approbation. - **Test de compréhension** : Se faire interroger par Claude pour s’assurer de maîtriser les changements. Thariq illustre cette approche avec la création de la vidéo de lancement de Fable, entièrement éditée par Claude Code. Il a dû découvrir ses « inconnues » en matière de montage et d’étalonnage pour guider efficacement le modèle. En conclusion, plus le modèle est puissant, plus une méthode structurée pour identifier et réduire les inconnues devient cruciale. Chaque prototype, brainstorming ou question est une opportunité d’aligner la « carte » et le « territoire » avant de s’engager profondément dans la réalisation.

marsbitIl y a 10 mins

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

marsbitIl y a 10 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

Les coûts liés aux jetons (tokens) d'IA, représentant désormais 30 % de la masse salariale chez certains acteurs comme SemiAnalysis, illustrent la transformation radicale de la productivité dans les services spécialisés. Si cette dépense achète une efficacité plusieurs fois supérieure au travail humain pour des tâches comme l'analyse de données, d'autres géants technologiques comme Uber ou Microsoft font face à des factures d'IA explosives et à un retour sur investissement encore incertain. Le paradoxe actuel est frappant : les investissements en IA explosent (7400 milliards de dollars en 2024), tandis que les réductions de coûts se poursuivent. Pourtant, l'impact économique mesurable reste limité. La thèse centrale de l'article est que cette phase de construction d'infrastructure précède toujours l'arrivée des bénéfices. L'optimisme repose sur une baisse structurelle des coûts. Grâce aux progrès matériels (ex: GB300 NVL72, +32x de débit) et logiciels (optimisations logicielles multipliant les performances par 14), le prix réel du traitement des jetons s'effondre. Chez SemiAnalysis, un coût affiché de 5$/million de tokens est ramené à 0.99$ grâce à un cache efficace et un ratio entrée/sortie favorable. Cette déflation devrait se poursuivre, rendant l'IA de plus en plus accessible. Le choix pour les entreprises est désormais clair : adopter dès maintenant ces outils pour gagner un avantage concurrentiel décisif, ou attendre et risquer de prendre un retard considérable.

marsbitIl y a 11 mins

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

marsbitIl y a 11 mins

Effondrement chez OpenAI, une erreur révélée dans la loi du scaling, des téraflops gaspillés en vain

L'article révèle que la loi d'échelle (Scaling Law) présentée par OpenAI dans son article fondateur de 2020 contenait un bug fondamental, ayant potentiellement induit en erreur l'ensemble de l'industrie de l'IA pendant des années. Le bogue provenait d'une méthodologie expérimentale qui imposait une quantité fixe de données d'entraînement (tokens) et un calendrier d'apprentissage spécifique (atténuation cosinus) à tous les modèles, des plus petits aux plus grands. Cette approche a artificiellement limité la performance des grands modèles, créant l'illusion trompeuse qu'il était plus efficace d'augmenter massivement le nombre de paramètres que la quantité de données. Cette erreur a conduit, selon l'article, à un gaspillage colossal de ressources de calcul (évalué à des milliers d'années-runtime de GPU H100), en encourageant la création de modèles "trop grands et sous-entraînés" comme le GPT-3, plutôt que des modèles plus petits mais mieux entraînés comme Chinchilla de DeepMind (2022). De plus, l'article souligne que les lois d'échelle actuelles sont principalement calibrées sur l'anglais, une langue morphologiquement pauvre et inefficace pour l'apprentissage automatique. Des expériences citées montrent que des modèles entraînés sur des langues comme le français atteignent certaines compétences avec 50 à 100 fois moins de données, remettant en cause l'universalité de ces lois. En résumé, l'article affirme qu'une correction de ce bug méthodologique initial aurait pu accélérer de plusieurs années le développement d'une IA plus efficace et économe en énergie.

marsbitIl y a 27 mins

Effondrement chez OpenAI, une erreur révélée dans la loi du scaling, des téraflops gaspillés en vain

marsbitIl y a 27 mins

Trading

Spot
活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow