Казначейство США ввело санкции против группы ополченцев Мьянмы за предполагаемые мошенничества с криптовалютой

cryptonews.ruDipublikasikan tanggal 2025-03-06Terakhir diperbarui pada 2025-05-06

Министерство финансов США ввело санкции против группы ополченцев Мьянмы, известной как Каренская национальная армия (KNA), обвинив ее в мошенничестве с криптовалютой и другой преступной деятельности.

Согласно пресс-релизу агентства от 5 мая, Каренская национальная армия организовала множество мошенничеств с криптовалютой, включая печально известные романтические аферы, также называемые «забой свиней», которые все больше и больше заманивают жертв вкладывать в поддельные криптосхемы. Американцы «коллективно потеряли миллиарды долларов» из-за мошенничеств, подобных тем, что исходят из Мьянмы, говорится в пресс-релизе, без указания суммы.

«Сегодня Управление по контролю за иностранными активами Министерства финансов США (OFAC) ввело санкции против Каренской национальной армии (KNA), военизированной группировки в Бирме, как транснациональной преступной организации, вместе с лидером группировки Со Чит Ту и его двумя сыновьями, Со Хту Э Му и Со Чит Чит, за их роль в содействии кибермошенничестве, торговле людьми и трансграничной контрабанде, которые наносит вред гражданам США», — говорится в пресс-релизе.

Многие международные организации, включая США, продолжают ссылаться на «Бирму», прежнее название страны, чтобы продемонстрировать, что они не признают военные режимы, которые находились у власти в разное время после переворота 1989 года, в ходе которого военные изменили название на Мьянму. KNA действует на юго-востоке Мьянмы, вдоль границы с Таиландом.

Управление по контролю за иностранными активами (OFAC) Министерства финансов США за последние несколько лет ввело многочисленные санкции против криптопреступников, включая террористические группы на Ближнем Востоке, подразделения по борьбе с киберпреступностью, работающие за рубежом, и ориентированные на конфиденциальность криптотехнологии, такие как Tornado Cash.

Криптомошенничество нацелено на жителей США

По данным Федерального бюро расследований (ФБР), в 2024 году из-за криптомошенничества американцы потеряли 9,3 млрд долларов, примерно на 66% больше, чем в 2023 году. Наиболее пострадавшая группа — это люди старше 60 лет, которые сообщили о совокупном убытке в размере 2,8 млрд долларов.

Аферы с забоем свиней известны своим значительным влиянием на жертв как в криптовалютном пространстве, так и за его пределами. Афера представляет собой долгосрочное финансовое мошенничество, при котором мошенники постепенно завоевывают доверие жертв, часто через социальные сети или платформы обмена сообщениями, прежде чем убедить их инвестировать в поддельные или манипулируемые криптосхемы. По данным TRM Labs, компании, занимающейся блокчейн-разведкой, в 2023 году эти мошенничества составили более 4,4 млрд долларов, украденных в 2023 году.

Согласно пресс-релизу Министерства финансов, этот тип мошенничества в настоящее время распространен в Юго-Восточной Азии, в основном с участием жертв торговли людьми. Каренская национальная армия предположительно занимается организацией как мошенничеств с забоем свиней, так и сетями торговли людьми, что позволяет им действовать в больших масштабах.

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit6j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片