Нацбанк Кыргызстана озвучил планы запуска собственной цифровой валюты

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

Согласно поправкам в законодательство, опубликованным на официальном сайте регулятора, цифровой сом будет интегрирован в финансовую систему страны через «специализированную программную систему», управляемую самим центробанком.

С точки зрения управления эмиссией и оборотом цифровых сомов Нацбанк Кыргызстана как оператор намерен контролировать выпуск и учет, а также обеспечивать функционирование платформы и соблюдать меры безопасности, включая шифрование и аутентификацию данных.

Платформа цифровых сомов, если верить законопроекту, будет поддерживать как онлайн, так и офлайн-транзакции, причем офлайн-платежи позволят пользователям совершать переводы при отсутствии подключения к Интернету.

Нацбанк планирует, что основные процессы интеграции цифрового сома в финансовую экосистему будут завершены к январю 2027 года.

Ранее председатель Кабинета министров Кыргызстана Акылбек Жапаров заявил, что для взаимных расчетов с Россией можно было бы использовать стейблкоины, стоимость которых привязана к золотому запасу обеих стран.

Читайте оригинальную статью на сайте Bits.media

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