Tether dan Opera Bermitra untuk Perluas Akses USDT dan Tether Gold Melalui Dompet MiniPay

TheNewsCryptoDipublikasikan tanggal 2026-02-03Terakhir diperbarui pada 2026-02-03

Abstrak

Tether bermitra dengan Opera untuk memperluas akses ke stablecoin USDT dan Tether Gold (XAUT) melalui dompet MiniPay. Kerja sama ini memungkinkan pengguna MiniPay mengirim, menerima, menyimpan, dan mengonversi USDT ke aset yang didukung emas, membantu melindungi tabungan dari inflasi. Dompet MiniPay, yang berjalan di blockchain Celo, telah memiliki lebih dari 7 juta pengguna aktif dan memproses jutaan transaksi. CEO Tether Paolo Ardoino menekankan tujuan memberikan akses mudah ke uang stabil, sementara EVP Opera Jorgen Arnesen menyoroti adopsi dolar digital yang meluas. Pengumuman ini menyebabkan saham Opera naik 18% secara intraday.

Tether telah bermitra dengan Opera untuk memperluas Stablecoin USDT dan emas tokenisasi XAUT melalui dompet Mini milik Opera. Setelah pengumuman ini, saham Opera naik tajam menjadi 18%.

Dengan integrasi baru, pengguna Mini kini dapat mengirim, menerima, dan menyimpan USDT. Mereka juga dapat mengonversi sebagian saldo mereka menjadi Tether Gold, yang memungkinkan orang menabung dolar digital dan melindungi nilainya menggunakan emas selama inflasi tinggi. Tether mengatakan ini membantu orang yang membutuhkan uang stabil untuk penggunaan sehari-hari.

Apa Itu Dompet Minipay

Minipay adalah dompet penyimpanan mandiri yang dibangun oleh Opera. Ini berjalan di blockchain Celo dan dirancang untuk wilayah yang mengutamakan seluler. Pada Desember 2025, lebih dari 7 juta dompet USDT terverifikasi telepon aktif, dan pengguna memproses lebih dari 96 juta transfer USDT dalam satu bulan. Lebih dari 3,5 juta pembayaran peer-to-peer telah diselesaikan. Perusahaan telah memperkenalkan fitur Pockets di mana pengguna dapat dengan mudah menukar antara USDT, USDC, dan cUSD.

Dengan pembaruan ini, pengguna kini dapat melindungi tabungan dari inflasi dan memiliki alternatif selain hanya memegang mata uang lokal. Mereka mendapatkan akses ke emas tanpa memerlukan bank. Tether mengatakan bahwa opsi ini sangat berguna di negara-negara di mana orang kesulitan melindungi nilai tabungan mereka.

Paolo Ardoino, CEO Tether, mengatakan bahwa tujuannya adalah membuat uang stabil menjadi sederhana dan berguna bagi orang untuk mengirim uang dan menabung dalam dolar. Jorgen Arnesen, EVP mobile di Opera, mengatakan bahwa jutaan orang sekarang menggunakan dolar digital untuk pertama kalinya. Setelah pengumuman, saham Opera naik 18% dalam satu hari dan ditutup naik 3,5%.

Berita Kripto yang Disorot:

Trump Mengatakan Dia Tidak Terlibat dalam Kesepakatan WLFI Abu Dhabi $500 Juta

Pertanyaan Terkait

QApa yang diumumkan oleh Tether dan Opera dalam kemitraan mereka?

ATether dan Opera bermitra untuk memperluas akses ke stablecoin USDT dan token emas Tether Gold (XAUT) melalui dompet MiniPay milik Opera.

QApa manfaat utama integrasi USDT dan Tether Gold ke dalam Minipay Wallet bagi pengguna?

APengguna dapat mengirim, menerima, dan menyimpan USDT, serta mengubah sebagian saldo menjadi Tether Gold untuk melindungi nilai tabungan dari inflasi menggunakan emas.

QApa itu Minipay Wallet dan di mana dompet ini beroperasi?

AMinipay adalah dompet self-custody yang dibangun oleh Opera dan berjalan di blockchain Celo, dirancang khusus untuk wilayah yang mengutamakan perangkat seluler.

QBagaimana reaksi pasar saham terhadap pengumuman kemitraan ini?

ASaham Opera mengalami kenaikan tajam sebesar 18% dalam satu hari perdagangan dan ditutup dengan kenaikan 3.5% di akhir sesi.

QMenurut CEO Tether, apa tujuan dari kemitraan dengan Opera ini?

ATujuannya adalah untuk membuat uang yang stabil menjadi sederhana dan berguna bagi orang-orang dalam mengirim uang dan menabung dalam bentuk dolar digital.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit45m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit45m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist46m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist46m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit51m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit51m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit1j yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

Trading

Spot