MultiBank Group выходит в Web3 с токеном MBG и интеграцией реальных активов

cryptonews.ruPublié le 2024-11-08Dernière mise à jour le 2025-07-08

MultiBank Group, дубайская компания, специализирующаяся на торговле финансовыми деривативами, представила детали запуска токена MBG и связанной с ним экосистемы. MultiBank выходит в пространство Web3, используя MBG в качестве токена для расчетов и транзакций, действуя в рамках своих четырех ключевых направлений: традиционного брокерского обслуживания, торговли цифровыми активами, токенизации реальных активов (включая недвижимость), а также как институциональная криптовалютная биржа.

Токен MBG будет использоваться как в брокерской платформе для торговли Forex и CFD, так и на MultiBank.io — экосистеме для спотовой торговли, деривативов и DeFi. Кроме того, он задействован в проектах токенизации недвижимости, включая соглашение на $3 млрд по объектам в Дубае, и в будущей институциональной бирже MEX. Владельцы токена смогут получать вознаграждение за стейкинг, скидки на комиссии и использовать его для внутренних расчетов в экосистеме.

Запуск токена будет сопровождаться предложениями токенизированной недвижимости с минимальным входом от $50 и доходностью до 8% годовых с ежедневными выплатами. В разработке находится портфель объектов на сумму $10 млрд, что делает MultiBank одной из самых амбициозных платформ в сегменте токенизации реальных активов.

Запуск токена запланирован на июль 2025 года. Событие знаменует переход MultiBank Group к созданию структурированной, обеспеченной активами токен-экосистемы, сочетающей возможности TradFi с инновациями блокчейна.

Изображение: Freepik

Lectures associées

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

Anthropic, la société derrière l'IA Claude, a dévoilé un système de classification strict nommé CJS (Cyber Jailbreak Severity) pour évaluer et contrer les tentatives de "jailbreak" (contournement des garde-fous) de ses modèles. Ce cadre classe les requêtes des utilisateurs en quatre catégories de risque, des activités malveillantes (bloquées) aux activités bénignes (autorisées). Cependant, sa sensibilité excessive entraîne de nombreux faux positifs, bloquant des demandes légitimes comme du débogage. Le système CJS évalue la gravité d'un jailbreak sur quatre axes : le gain de capacité, l'étendue des capacités, la difficulté de weaponisation et la découvrabilité. Un score total de 0 à 10 détermine la réponse appropriée, de l'ignorance à la désactivation du modèle. Ce cadre vise à fournir une métrique objective, mais soulève des questions car Anthropic, qui développe également des modèles avancés comme Mythos réservés à des partenaires, définit seule les règles. Cette initiative intervient après que le modèle Fable 5 a été temporairement retiré suite à une demande de conformité aux contrôles à l'exportation américains, marquant une extension de ces régulations aux API d'IA. Ainsi, le CJS n'est pas seulement un outil technique ; il sert aussi de référence potentielle pour les décisions réglementaires futures, traçant une ligne floue entre sécurité et restriction de l'innovation, où les utilisateurs doivent constamment adapter leur langage pour éviter des blocages injustifiés.

marsbitIl y a 24 mins

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

marsbitIl y a 24 mins

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 29 mins

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

marsbitIl y a 29 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 29 mins

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

marsbitIl y a 29 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 33 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 33 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 34 mins

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

marsbitIl y a 34 mins

Trading

Spot
活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow