Пауло Ардоино: Tether удвоит численность персонала

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

Паоло Ардоино (Paolo Ardoino) в интервью Bloomberg News рассказал, что Tether к середине 2025 года увеличит численность персонала до 200 человек. Это почти в два раза больше, чем есть сейчас.

Новые сотрудники должны пополнить штат финансового отдела, который управляет резервными активами на сумму более $118 млрд, обеспечивая привязку и ликвидность стейблкоина USDT. Часть новых людей войдут в состав подразделений, отвечающих за взаимодействие с надзорными органами.

Tether предпринимает усилия, чтобы очистить свое имя от обвинений со стороны регуляторов и общества, обвинивших компанию в незаконном использовании стейблкоинов USDT преступниками. Tether ищет новые способы мониторинга и противодействия потенциально незаконной деятельности, связанной с оборотом USDT на вторичном рынке. Ардонио надеется, что расширение штата и использования «различных типов автоматизированных инструментов» сократит количество неприятных инцидентов.

В конце прошлого года компания Tether сообщила о заморозке $225 млн в USDT, связанных с крупным международным преступным синдикатом, промышлявшим торговлей людьми в Юго-Восточной Азии.

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