Белый дом рассматривает предложение Налоговой службы США (IRS) о введении налогообложения иностранных криптовалютных счетов через CARF

cryptonews.ruDipublikasikan tanggal 2025-02-18Terakhir diperbarui pada 2025-11-19

Белый дом рассматривает предложение Налоговой службы США (IRS) о присоединении к глобальной системе отчетности о криптовалютных активах (Crypto-Asset Reporting Framework), которая предоставит налоговой службе доступ к данным о зарубежных криптовалютных счетах американцев.

Принятие предложения «О брокерской отчетности о цифровых транзакциях», представленного в Белый дом в прошлую пятницу, приведет систему налогообложения криптовалют США в соответствие с 72 другими странами, которые взяли на себя обязательство внедрить CARF к 2028 году.

Хотя IRS не отнесла это предложение к категории «экономически значимых», это правило обяжет американцев гораздо строже отчитываться о налоге на прирост капитала, уплачиваемом иностранными криптовалютными платформами.

Подробная информация о предложении по отчетности о цифровых транзакциях брокеров, представленном в Белый дом. Источник: US Government.

В конце июля в докладе Белого дома с рекомендациями по политике в отношении криптовалют говорилось, что реализация CARF оттолкнет американских налогоплательщиков от перевода своих цифровых активов на офшорные биржи и, таким образом, не поставит американские криптовалютные платформы в невыгодное положение.

Более трети стран мира присоединились к CARF

Внедрение CARF запланировано на 2027 год, к нему присоединятся 50 стран, включая Бразилию, Индонезию, Италию, Испанию, Мексику и Великобританию. Еще 23 страны, включая США, по всей видимости, взяли на себя обязательство внедрить CARF к 2028 году.

CARF был создан Организацией экономического сотрудничества и развития в конце 2022 года, чтобы позволить государствам-членам обмениваться данными о криптовалютах в целях борьбы с международным уклонением от уплаты налогов.

Криптовалюты представляют собой сложную задачу для налоговых органов, поскольку пользователи могут мгновенно переводить активы через границы, хранить средства в кошельках для самостоятельного хранения вне традиционной банковской системы и псевдонимно совершать транзакции.

В 2026 году в США введут более строгие местные правила налогообложения криптовалют

В январе 2026 года в США планируется ввести в действие форму 1099-DA, которая обяжет американские криптовалютные биржи предоставлять более подробные данные о транзакциях, включая как входящие, так и исходящие переводы.

Клинтон Доннелли, американский юрист по вопросам налогообложения криптовалют, заявил в своем сообщении на X в прошлую пятницу, что законопроект 1099-DA положит начало концу криптовалютной анонимности.

«На сегодняшний день у Налоговой службы США нет мгновенного доступа ко всему, что вы делаете в блокчейне. Однако это скоро изменится, - сказал Доннелли. - Через несколько лет, благодаря более совершенным инструментам и интеграции данных, они смогут масштабно сканировать блокчейн-сети, выявлять крупных неплательщиков и в отношении них проводить проверки».

Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit52m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit52m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit1j yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit1j yang lalu

Trading

Spot
活动图片