又是假新闻!这一次是Kamala Harris和“未实现的加密收益”

币界网Dipublikasikan tanggal 2024-08-21Terakhir diperbarui pada 2024-08-21

币界网报道:

数千名加密货币交易员显然被另一篇关于美国总统候选人卡玛拉·哈里斯的假新闻报道所吸引。这一次,他们认为她支持对未实现收益征收新税,这将影响数百万加密货币投资者。

对WallStreetBets或WatcherGuru等新闻片段账户的标题进行误读,愤怒的读者谴责这位美国总统候选人据称希望对未实现的资本收益征税44.6%。

不知何故,他们认为,哈里斯希望迫使加密货币持有者出售大约一半的投资组合,并将收益直接邮寄给美国国税局。

然而,就像前一天关于哈里斯的“新闻”一样,这从未发生过。

阅读更多:德国政府通过比特币铭文告诉“税收是抢劫”

虚假的卡玛拉·哈里斯新闻来自一个月前的税收计划

哈里斯昨天没有支持任何新的未实现收益税。相反,作为在社交媒体上参与正在进行的民主党全国代表大会的一种方式,加密货币评论者重播了有关民主党政策文件的旧材料。

大多数评论者只是脱口而出,“卡玛拉·哈里斯支持对未实现的资本收益征税。”在他们的错误观点中,这将对持有以任何较低价格收购的单个比特币的人征税。

实际情况是,一个多月前制定的一份民主党纲领文件包括一项拟议的25%的“亿万富翁税”,如果颁布,该税可能适用于拥有价值超过1亿美元资产的富裕税务申报人的收入和未实现资本收益。

这就是所谓的新闻——一项为期一个月的税收计划,如果获得批准,可能适用于不到0.004%的美国人口。(目前美国居民不到12000千万分之一。)

有消息吗?给我们发电子邮件或ProtonMail。如需了解更多信息,请在X、Instagram、Bluesky和谷歌新闻上关注我们,或订阅我们的YouTube频道。

Bacaan Terkait

Vitalik Buterin Klaim Obscurasi Bisa Tingkatkan Privasi Blockchain

Vitalik Buterin, salah satu pendiri Ethereum, menerbitkan artikel tentang peran obfuscation (pengaburan kode) dalam meningkatkan privasi dan keamanan blockchain. Obfuscation melindungi logika program itu sendiri dengan mengubah kode menjadi bentuk terenkripsi, namun tetap menghasilkan keluaran yang sama. Hal ini memungkinkan pengembangan aplikasi yang aman tanpa membocorkan kode atau logika bisnis proprieternya, sehingga dapat menjaga privasi pengguna dan mengurangi ketergantungan pada otoritas pusat. Namun, obfuscation saja tidak cukup untuk menangani aset digital seperti cryptocurrency, karena saldo dan kepemilikan tidak dapat dikelola hanya dengan pengaburan kode. Di sinilah blockchain berperan. Teknologi ledger terdistribusinya dapat mencatat kepemilikan dan transaksi, yang jika dikombinasikan dengan obfuscation, dapat menciptakan aplikasi yang membuktikan kepemilikan sembari menyembunyikan logika program. Kombinasi ini berpotensi untuk sistem pembayaran yang aman, aplikasi keuangan, dan operasi bisnis rahasia. Buterin mengakui masih ada tantangan teknis besar. Meski riset pada *indistinguishability obfuscation* telah membuktikan kemungkinannya, implementasi saat ini sangat tidak efisien dan membutuhkan sumber daya yang sangat besar, bahkan ada yang memerlukan waktu lebih lama dari usia alam semesta untuk dijalankan. Para peneliti terus berupaya meningkatkan efisiensi melalui optimasi metode kriptografi dan alat matematika. Buterin menyimpulkan bahwa meski obfuscation praktis masih membutuhkan waktu lama untuk terwujud, perkembangannya di masa depan dapat membuka jalan bagi produk berbasis blockchain yang sangat aman tanpa memerlukan pihak ketiga tepercaya.

TheNewsCrypto11m yang lalu

Vitalik Buterin Klaim Obscurasi Bisa Tingkatkan Privasi Blockchain

TheNewsCrypto11m yang lalu

Mengubah Bentuk Transformer, LLM Bisa Jadi Lebih Pintar

Penelitian terbaru dari Mila, Universitas Cornell, dan Universitas Montreal mengajukan pertanyaan mendasar: "Bagaimana jika, tanpa menambahkan satu parameter pun, kita hanya menggeser posisi parameter yang sudah ada dalam model?" Ini menyoroti asumsi implisit pada hampir semua model bahasa berbasis Transformer sejak 2017: semua lapisan mendapatkan alokasi parameter yang sama rata. Eksperimen dengan model 440M parameter membuktikan bahwa mengalokasikan lebih banyak kapasitas (lebar jaringan feed-forward) ke lapisan awal dan mengurangi di lapisan akhir—tanpa mengubah total parameter atau FLOPs—secara signifikan meningkatkan kinerja. Pendekatan ini, yang disebut **Tapered Language Models (TLMs)**, mengubah distribusi parameter dari persegi panjang menjadi berbentuk baji dengan pola menurun. Dari tiga pola penurunan yang diuji (linier, cosinus, sigmoid), pola **penurunan cosinus** terbukti paling optimal. Pada model 440M parameter, metode ini menurunkan nilai perplexity dari 16.28 menjadi 14.44—peningkatan 1.84 poin yang "gratis". Keunggulan ini konsisten diuji pada empat arsitektur model berbeda (termasuk yang menggunakan mekanisme gating dan memori) pada skala 760M dan 1.3B parameter. Analisis mendalam menunjukkan alasan di balik efektivitasnya: lapisan awal lebih banyak melakukan pemrosesan dan penciptaan informasi baru, sementara lapisan dalam cenderung hanya mengulang atau memperkuat sinyal yang sudah ada. Dengan demikian, menggeser kapasitas ke depan adalah alokasi sumber daya yang lebih cerdas. Implikasi penelitian ini luas dan efisien. Daripada hanya bersaing menambah parameter atau membuat arsitektur lebih jarang, industri AI memiliki "tuas gratis" tersembunyi dengan hanya mengoptimalkan **bentuk** distribusi parameter internal model, tanpa biaya komputasi tambahan. Konsep ini berpotensi diterapkan tidak hanya pada LLM, tetapi juga pada model vision Transformer, difusi, dan multimodal.

marsbit17m yang lalu

Mengubah Bentuk Transformer, LLM Bisa Jadi Lebih Pintar

marsbit17m yang lalu

Trading

Spot
活动图片