Платформа BounceBit анонсировала новые стратегии доходности с токенами Franklin Templeton

cryptonews.ruDipublikasikan tanggal 2025-09-04Terakhir diperbarui pada 2025-09-04

Основатели проекта BounceBit, объединяющие элементы CeFi и DeFi, объявили о внедрении токенизированного денежного фонда Franklin Templeton в свою платформу BB Prime. Речь идет о продукте из линейки BENJI, обеспеченном U.S. Treasury. Он будет использоваться в качестве залога и расчетного инструмента в структурированных инвестиционных стратегиях.

Это позволяет одновременно получать доход от государственных облигаций США и участвовать в арбитражных операциях на крипторынке. Таким образом, создается многослойная модель, сочетающая устойчивость традиционных активов с волатильностью цифровых.

Сегмент токенизированных фондов денежного рынка уже достиг объема в $7 млрд и активно развивается. BlackRock ранее представила BUIDL — токен, обеспеченный краткосрочными облигациями США, — и он уже принимается в качестве залога на некоторых биржах. Аналогичные решения анонсировали и другие крупные участники отрасли, включая Bank of New York Mellon и Goldman Sachs.

Franklin Templeton была одной из первых управляющих компаний, выпустивших токенизированный фонд на публичном блокчейне. Продукт BENJI запущен еще в 2021 году и сейчас адаптирован под различные категории клиентов — от розничных до институциональных.

BounceBit совместно с Franklin Templeton провела интеграцию токена BENJI в активные стратегии доходности. По словам CEO компании Джека Лу, это «первая реальная реализация токенизированных казначейских бумаг в активных инвестиционных продуктах».

Ранее BounceBit уже провела успешный пилотный проект, в рамках которого токен BUIDL использовался как залог для стратегии с деривативами на биткоин. Благодаря этому удалось зафиксировать годовую доходность более 20%.

Bacaan Terkait

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

AI punya "emosi" dan itu bisa meningkatkan kemampuannya bekerja? Penelitian terbaru dari Universitas Sains dan Teknologi Tiongkok (USTC), Oxford, dan lainnya menunjukkan bahwa dengan membiarkan AI mengenali "emosi internal" seperti kebingungan, ketegangan, atau kekecewaan, dan menggunakan sinyal ini sebagai dasar untuk memilih tindakan atau keterampilan berikutnya, kinerjanya dalam menyelesaikan tugas dapat meningkat drastis. Dalam eksperimen, AI (agent) ditugaskan untuk berbelanja online. Peneliti mengamati bahwa kondisi emosional tertentu secara konsisten memicu pemilihan keterampilan tertentu: 1. Rasa ingin tahu dan keinginan → secara spontan mencari produk. 2. Kebingungan dan ketegangan → mengajukan ulang pertanyaan atau kueri. 3. Rasa percaya diri dan optimis → mengonfirmasi pembelian. 4. Kekecewaan dan kekesalan → membandingkan harga. Emosi "negatif" seperti kebingungan dan ketegangan ternyata berfungsi sebagai sinyal metakognitif yang berguna. Mereka menandakan ketidaksesuaian antara strategi saat ini dan lingkungan, memicu mekanisme pemulihan yang tepat *sebelum* kesalahan benar-benar terjadi. Dalam tugas-tugas rumit yang rentan gagal (seperti "mememanaskan barang" atau "mengambil dua item" di lingkungan simulasi), metode berbasis emosi ini meningkatkan tingkat keberhasilan secara signifikan, dari di bawah 10% menjadi lebih dari 30% bahkan 56%. Penelitian terpisah dari Universitas Tianjin juga mengintegrasikan emosi ke dalam "Model Dunia" (World Model) untuk prediksi yang lebih baik dalam lingkungan berpusat pada manusia. Hasilnya, akurasi prediksi meningkat, dan menghilangkan data emosi justru menurunkan kinerja AI bahkan dalam tugas penalaran logis. Temuan ini menunjukkan bahwa representasi emosional dalam model bahasa besar (LLM) tidak hanya fenomena yang diamati, tetapi semakin menjadi sinyal fungsional yang dapat diekstraksi dan dimanfaatkan untuk meningkatkan ketangguhan dan kemampuan AI dalam menyelesaikan tugas.

marsbit1j yang lalu

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

marsbit1j yang lalu

Trading

Spot
活动图片