Tether в два раза увеличит штат сотрудников к середине 2025 года

investing.ruDipublikasikan tanggal 2024-08-09Terakhir diperbarui pada 2024-08-09

Happycoin.club - Крупнейший эмитент стейблкоинов компания Tether Holdings Ltd. планирует удвоить количество сотрудников к середине 2025 года. О планах увеличить персонал фирмы до 200 человек сообщил в интервью Bloomberg CEO Tether Паоло Ардоино.

Прежде всего, по словам главы компании, вырастет штат её финансового отдела, который сейчас управляет капиталом на сумму около $115,5 млрд. При этом нанимать Tether будет исключительно опытных специалистов, чтобы и дальше оставаться «гибкими и эффективными» и при этом иметь возможность мониторить действия на вторичном рынке.

Нет ничего, что я ненавидел бы больше, чем тот факт, что все эти компании, особенно из Кремниевой долины, нанимают сотни людей во время бычьего цикла и увольняют их сразу, как только на рынке наступает спад. Я считаю, что это одна из самых несправедливых вещей, которые можно сделать по отношению к сотрудникам, — сказал Ардоино.

Сейчас в штате компании всего 100 сотрудников, однако это не мешает Tether строить амбициозные планы и позиционировать себя как лидера в секторе стейблкоинов. В первом полугодии 2024 года фирма отчиталась о получении прибыли в размере $5,2 млрд.

Читайте оригинальную статью на сайте Happycoin.club

Bacaan Terkait

AI Pembuatan Gambar Tanpa Pelatihan Dipercepat 1000%, Caranya: 'Pipa Tiga Tahap' Paling Sederhana

Kemampuan gambar AI semakin kuat, namun pengguna masih merasakannya lambat. Metode akselerasi model difusi tradisional seperti kuantisasi atau distilasi langkah sering kali bergantung pada perangkat keras atau fine-tuning yang mahal. Tim peneliti dari Beihang University, NTU, dan ETH memperkenalkan **MrFlow (Multi-Resolution Flow Matching)**, sebuah pipeline tiga tahap sederhana dan bebas pelatihan untuk mempercepat pembuatan gambar secara signifikan: 1. **Pembuatan Kerangka Beresolusi Rendah:** Model asli menghasilkan gambar struktur global (subjek, tata letak, semantik) di ruang latens beresolusi rendah. Token gambar jauh lebih sedikit, sehingga setiap langkah lebih murah dan konvergensinya lebih cepat. 2. **Super-Resolution di Ruang Pixel:** Hasil beresolusi rendah didekode ke gambar, lalu ditingkatkan resolusinya di ruang pixel menggunakan model super-resolution yang telah dilatih sebelumnya (seperti Real-ESRGAN). Pendekatan ini mempertahankan struktur dengan lebih baik daripada upsampling di ruang latens. 3. **Pemurnian Satu Langkah Beresolusi Tinggi:** Gambar super-resolution dienkode ulang ke ruang latens, ditambahkan sedikit noise intensitas rendah (~0.12), lalu dimurnikan oleh model flow-matching asli hanya dalam **satu langkah** inferensi resolusi tinggi. Noise rendah memungkinkan titik awal dekat dengan gambar bersih. Dengan konfigurasi default "12+1" (12 langkah rendah-res, 1 langkah tinggi-res), MrFlow mencapai **percepatan 10.35x** (dari 49.32s menjadi 4.77s) pada model seperti Qwen-Image, dengan penurunan kualitas minimal (~1%). Metode ini unggul dalam kurva trade-off kecepatan-kualitas dibanding metode akselerasi bebas pelatihan lainnya, dapat digabungkan dengan model distilasi untuk akselerasi lebih lanjut, dan sudah tersedia sebagai kode open-source beserta plugin ComfyUI.

marsbit1j yang lalu

AI Pembuatan Gambar Tanpa Pelatihan Dipercepat 1000%, Caranya: 'Pipa Tiga Tahap' Paling Sederhana

marsbit1j yang lalu

Trading

Spot
活动图片