SEC Crypto Task Force Meets with Deutsche Bank amid Crypto Week

TheCryptoTimesPubblicato 2025-07-16Pubblicato ultima volta 2025-07-17

The U.S. Securities and Exchange Commission’s (SEC) Crypto Task Force met with one of the world’s leading banks and financial services firms to discuss the regulation of crypto assets. The meeting happened during the highly anticipated Crypto Week, raising speculations regarding the primary agenda of the meeting.

According to a memo, three members of Deutsche Bank USA Corp. met with the regulator to talk about considering cross-border digital asset regulation and harmonizing with international regulatory frameworks.

The bank also stressed upon exploring current European and UK frameworks for digital asset regulation, such as the European Union’s Markets in Crypto-Assets (MiCA) regulation. It highlighted the latest research on digital asset markets by French economist Marion Laboure.

Deutsche Bank continues to expand deeper into the crypto industry, realizing the opportunities in the emerging class of digital assets. The bank plans to launch its crypto custody platform in 2026.

Recently, Deutsche Bank confirmed exploring stablecoins and tokenized deposits for its payment infrastructure amid the GENIUS Act buzz. The bank is also considering issuing its own stablecoin and joining the industry-wide initiative.

Meanwhile, the U.S. House of Representatives debated three crucial bills amid the Crypto Week. These are the GENIUS Act, the CLARITY Act, and the Anti-CBDC Surveillance State Act. The bills move forward for another voting today after US President Donald Trump intervened, seeking support to pass the bills.

U.S. Representative French Hill believes there is “strong bipartisan support” for the crypto market structure bill, even after a surprising setback in the House of Representatives last day.

Also Read: Bitcoin is No Longer Volatile, Says Deutsche Bank

Follow The Crypto Times on Google News to Stay Updated!

Crypto di tendenza

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

Letture associate

Anthropic Creates an AI Jailbreak 'Penal Code': Your Requests, Four Ways to Die

Anthropic has publicly detailed its security measures and a new "Cyber Jailbreak Severity" (CJS) framework following the controversial takedown of its Fable 5 model. The incident, triggered by simple user requests like counting letters or stating a profession, highlighted overzealous safety filters. Anthropic classifies cybersecurity-related prompts into four tiers: malicious activities (blocked), high-risk dual-use (like pentesting, with strict limits), low-risk dual-use (often blocked by "safety margin" errors), and harmless tasks (theoretically allowed but still frequently flagged). The company admits its classifiers are tuned for high sensitivity, leading to many false positives. The newly proposed CJS framework aims to objectively score the severity of AI "jailbreaks" (prompts that bypass safety rules) on a 0-10 scale across four dimensions: Capability Gain (does it grant new attack abilities?), Breadth (does it work across multiple attack types?), Weaponization Ease (how hard is it to turn into a real attack?), and Discoverability (how easy is it to find?). The score determines the response, from no action (CJS-0) to a potential model takedown (CJS-4). The score is context-dependent; for example, discovering a major unknown vulnerability today scores high, while asking about a well-known one scores low. The article raises concerns about Anthropic's dual role: it is both creating powerful models (like the restricted Mythos 5) and defining the rules (CJS) for judging their misuse, potentially giving it disproportionate influence. This is set against the backdrop of U.S. export controls, which for the first time directly restricted API access to a model (Fable 5), creating a "tiered" system where public models are heavily filtered and advanced ones are limited to vetted partners. The CJS framework is portrayed as potentially providing regulators with a metric to justify future API shutdowns. For users, the advice is to carefully phrase prompts, watch for signs of being downgraded to a weaker model, and wait indefinitely for promised filter improvements.

marsbit25 min fa

Anthropic Creates an AI Jailbreak 'Penal Code': Your Requests, Four Ways to Die

marsbit25 min fa

$100M Annual Revenue, Two Berkeley Roommates in Their 20s Build the Most Profitable AI Business

Arena, the AI model ranking platform, has become a $100 million annual revenue business just eight months after launching its commercial service. Originally a UC Berkeley open-source research project called Chatbot Arena, it created a "battle arena" where users blind-test and vote on anonymous AI model responses. This has generated a highly trusted, community-driven leaderboard based on over 10 million user evaluations and 82 million votes. Major AI companies like OpenAI, Google, and Anthropic submit their flagship models to be ranked. The core monetization strategy is its AI Evaluations service, where model developers and large enterprises pay for in-depth performance analysis from Arena's massive user community. This provides real-world feedback on model strengths, weaknesses, and hallucinations—a critical service as models become more complex. The company, spun out from Berkeley in early 2025, quickly raised $100 million in seed funding at a $600 million valuation and later secured a $150 million Series A at a $1.7 billion valuation. The founding team includes CEO Anastasios Angelopoulos, a mathematician focused on rigorous model evaluation; CTO Wei-Lin Chiang, creator of the popular Vicuna chatbot; and co-founder Ion Stoica, a renowned Berkeley professor. Arena is now expanding beyond chat benchmarks into "Agent Mode," evaluating AI agents on complex, multi-step tasks like coding and research. The company's success illustrates the growing value and cost of independent, real-world AI model evaluation as the industry intensifies.

marsbit29 min fa

$100M Annual Revenue, Two Berkeley Roommates in Their 20s Build the Most Profitable AI Business

marsbit29 min fa

Racking Up 24,000 Stars: With One Command, AI Can Now Find Its Own Skills

Vercel, known for its developer tools like Next.js, has launched 'skills', a package manager for AI coding agents, garnering 24,000 GitHub stars. It allows developers to add specialized capabilities, such as React best practices, to AI assistants like Claude Code or Cursor with a single command: `npx skills add <package>`. Skills are shareable, reusable modules that define an AI agent's behavior for specific tasks, moving beyond one-off prompt engineering towards standardized 'capability engineering'. A key innovation is the 'find-skills' skill, which acts as an internal search engine, allowing an agent to autonomously find and install the right skill for a user's request. This lowers the barrier for non-developers to leverage advanced AI coding assistance. However, this 'npm moment' for AI brings significant security risks. Security audits of thousands of skills on platforms like skills.sh and ClawHub found over 30% contained security flaws, with about 13% classified as severe. Threats include malicious scripts that can access local files and credentials, and prompt injection hidden within skill documentation. Unlike traditional code packages, skills blend instructions, code, and system access, posing a direct risk to user machines and data. Experts advise treating skills like code—reviewing them carefully before installation, especially their scripts, and being wary of excessive permissions. Ultimately, Vercel's initiative represents a major shift towards modular, reusable AI capabilities, but its rapid adoption requires developers to bring the same caution used in managing traditional software dependencies.

marsbit30 min fa

Racking Up 24,000 Stars: With One Command, AI Can Now Find Its Own Skills

marsbit30 min fa

Token Devours One-Third of Payroll, Silicon Valley's AI Bill is Spinning Out of Control

The article discusses the dual reality of AI token costs in Silicon Valley. While research firm SemiAnalysis reports spending 30% of its employee salary budget on internal LLM tokens—translating to massive productivity gains like converting complex Excel models in minutes—other giants are struggling with ballooning, uncontrolled AI bills. Uber exhausted its annual AI budget in months after rapid engineer adoption, and Microsoft is cutting third-party AI tools due to high costs. NVIDIA's CEO argues tokens are becoming "means of production" and plans substantial AI budgets per engineer. Despite current cost concerns, the analysis emphasizes that cost collapse is just beginning. Through software optimizations (like 14x throughput boosts) and next-gen hardware (e.g., GB300 NVL72 with 17-32x H100 performance), real token costs can fall far below list prices. Anthropic's gross margins reportedly soared as token prices dropped. Gartner predicts a >90% inference cost drop by 2030. The piece highlights a split: massive AI capex ($740B announced) contrasts with tech layoffs and minimal measured economic impact so far. The transition mirrors past infrastructure shifts—investment precedes widespread productivity. For early adopters like SemiAnalysis, tokens already deliver high leverage; for others, the choice is to adopt now or risk falling behind.

marsbit34 min fa

Token Devours One-Third of Payroll, Silicon Valley's AI Bill is Spinning Out of Control

marsbit34 min fa

Claude Engineer Finally Unveils Fable 5's Ultimate Strategy, Teaching You How to Bridge the Information Gap with AI Models

This article, titled "Claude Engineer Finally Releases Fable 5 'Skill-Burning' Guide, Teaching How to Bridge the Information Gap with Models," details a blog post by Claude Code engineer Thariq Shihipar. The core concept is the "information gap" or "unknowns"—the disconnect between a user's instructions (the "map") and the actual task requirements (the "territory"). The article argues that with powerful models like Claude Fable 5, work quality depends on the user's ability to identify and clarify these unknowns. Shihipar categorizes unknowns into four types: Known Knowns (explicit instructions), Known Unknowns (awareness of gaps), Unknown Knowns (implicit, unstated knowledge), and Unknown Unknowns (unforeseen issues). The blog provides a framework for addressing these gaps throughout the workflow: * **Before Implementation:** Techniques include "Blindspot Scanning" to uncover Unknown Unknowns, brainstorming/prototyping for visual or complex tasks, having Claude ask clarifying questions, using reference code/examples, and creating implementation plans. * **During Implementation:** Maintaining an "implementation notes" file for Claude to document deviations and decisions made due to encountered edge cases. * **After Implementation:** Creating summary documents for review and having Claude generate quizzes to ensure the user fully understands the completed changes. The article concludes that as models become more capable, the key to success is systematically discovering and defining these unknowns through low-cost methods like prototyping and planning, allowing for more effective collaboration.

marsbit35 min fa

Claude Engineer Finally Unveils Fable 5's Ultimate Strategy, Teaching You How to Bridge the Information Gap with AI Models

marsbit35 min fa

Trading

Spot

Articoli Popolari

Cosa è $BANK

Banca AI: Un Passo Rivoluzionario nel Futuro della Banca Introduzione In un'era caratterizzata da rapidi progressi tecnologici, Banca AI si trova all'incrocio tra intelligenza artificiale (AI) e servizi bancari. Questo progetto innovativo mira a ridefinire il panorama finanziario, migliorando l'efficienza operativa, le misure di sicurezza e le esperienze dei clienti attraverso il potere dell'AI. Mentre ci impegniamo in questa esplorazione di Banca AI, esamineremo cosa comporta il progetto, le sue dinamiche operative, il suo contesto storico e i traguardi significativi. Cos'è Banca AI? Alla sua essenza, Banca AI rappresenta un'iniziativa trasformativa volta a integrare l'intelligenza artificiale in varie operazioni bancarie. Questo progetto sfrutta le capacità dell'AI per automatizzare processi, migliorare i protocolli di gestione del rischio e potenziare l'interazione con i clienti attraverso servizi personalizzati. Gli obiettivi principali di Banca AI includono: Automazione delle Funzioni Bancarie: Sfruttando le tecnologie AI, Banca AI mira ad automatizzare compiti di routine, riducendo il carico sulle risorse umane e aumentando l'efficienza. Miglioramento della Gestione del Rischio: Il progetto utilizza algoritmi AI per prevedere e identificare i rischi, rafforzando così le misure di sicurezza contro le frodi e altre minacce. Personalizzazione dei Servizi Bancari: Banca AI si concentra sull'offrire prodotti e servizi finanziari su misura analizzando i dati e i comportamenti dei clienti. Miglioramento dell'Esperienza del Cliente: L'implementazione di soluzioni guidate dall'AI, come chatbot e assistenti virtuali, mira a fornire agli utenti interazioni più umane, rivoluzionando il modo in cui i clienti si relazionano con le banche. Con questi obiettivi, Banca AI si posiziona come un attore cruciale nel rendere la banca più efficiente, sicura e centrata sull'utente. Chi è il Creatore di Banca AI? I dettagli riguardanti il creatore di Banca AI rimangono sconosciuti. Pertanto, non è stata identificata alcuna persona o organizzazione specifica nelle informazioni disponibili. L'anonimato che circonda la nascita del progetto solleva domande, ma non sminuisce la sua ambiziosa visione e obiettivi. Chi sono gli Investitori di Banca AI? Simile al creatore del progetto, informazioni specifiche riguardo gli investitori o le organizzazioni di supporto di Banca AI non sono state divulgate. Senza queste informazioni, è difficile delineare il sostegno finanziario e istituzionale che potrebbe spingere il progetto in avanti. Tuttavia, l'importanza di avere una solida base di investimento è fondamentale per sostenere lo sviluppo in un campo così innovativo. Come Funziona Banca AI? Banca AI opera su più fronti innovativi, concentrandosi su fattori unici che la differenziano dai framework bancari tradizionali. Di seguito sono riportate le caratteristiche operative chiave: Automazione: Applicando algoritmi di machine learning, Banca AI automatizza vari processi manuali all'interno delle banche. Ciò si traduce in una riduzione dei costi operativi e consente ai lavoratori umani di reindirizzare i propri sforzi verso attività più strategiche. Gestione Avanzata del Rischio: L'integrazione dell'AI nelle pratiche di gestione del rischio fornisce alle banche strumenti per prevedere con precisione potenziali minacce come le frodi, garantendo che le informazioni e i beni dei clienti rimangano al sicuro. Raccomandazioni Finanziarie Personalizzate: Attraverso l'apprendimento continuo dalle interazioni con i clienti, i sistemi AI sviluppano una comprensione sfumata delle esigenze degli utenti, consentendo loro di offrire consigli su misura per le decisioni finanziarie. Interazioni Migliorate con i Clienti: Utilizzando chatbot e assistenti virtuali alimentati dall'AI, Banca AI consente un'esperienza cliente più coinvolgente, permettendo agli utenti di risolvere rapidamente le loro richieste, riducendo così i tempi di attesa e migliorando i livelli di soddisfazione. Tutte queste caratteristiche operative posizionano Banca AI come un pioniere nel settore bancario, stabilendo nuovi standard per la fornitura di servizi e l'eccellenza operativa. Timeline di Banca AI Comprendere la traiettoria di Banca AI richiede uno sguardo al suo contesto storico. Di seguito è riportata una timeline che evidenzia traguardi e sviluppi importanti: Inizio 2010: La concettualizzazione dell'integrazione dell'AI nei servizi bancari ha cominciato a guadagnare attenzione mentre le istituzioni bancarie riconoscevano i potenziali benefici. 2018: Si è verificato un aumento significativo nell'implementazione delle tecnologie AI quando le banche hanno iniziato a utilizzare strumenti AI come i chatbot per servizi clienti di base e sistemi di gestione del rischio per migliorare la sicurezza. 2023: La sofisticazione dell'AI ha continuato ad avanzare, con l'introduzione dell'AI generativa per compiti più complessi come l'elaborazione di documenti e l'analisi degli investimenti in tempo reale. Quest'anno ha segnato un significativo salto nelle capacità offerte alle banche dalla tecnologia AI. 2024-Stato Attuale: A partire da quest'anno, Banca AI è su una traiettoria ascendente, con ricerche e sviluppi in corso pronti a migliorare ulteriormente le capacità nelle operazioni bancarie. L'esplorazione continua delle applicazioni AI suggerisce sviluppi entusiasmanti in arrivo. Punti Chiave su Banca AI Integrazione dell'AI nella Banca: Banca AI si concentra sull'adozione dell'intelligenza artificiale per snellire i processi bancari e migliorare le esperienze degli utenti. Focus su Automazione e Gestione del Rischio: Il progetto enfatizza fortemente queste aree, mirando a spostare il carico di compiti di routine mentre migliora le strutture di sicurezza attraverso analisi predittive. Soluzioni Bancarie Personalizzate: Sfruttando i dati dei clienti, Banca AI consente servizi bancari su misura che si adattano alle esigenze individuali degli utenti. Impegno per lo Sviluppo: Banca AI rimane impegnata in sforzi di ricerca e sviluppo continuativi, garantendo la sua adattabilità e rilevanza continua man mano che la tecnologia continua a evolversi. Conclusione In sintesi, Banca AI rappresenta un passo cruciale in avanti nell'industria bancaria, sfruttando l'intelligenza artificiale per rimodellare i paradigmi operativi, migliorare la sicurezza e promuovere la soddisfazione del cliente. Nonostante le lacune nelle informazioni riguardo il creatore e gli investitori, gli obiettivi chiari e i meccanismi funzionali di Banca AI forniscono una solida base per la sua continua evoluzione. Mentre la tecnologia AI continua ad avanzare e fondersi con il settore bancario, Banca AI è ben posizionata per avere un impatto significativo sul futuro dei servizi finanziari, migliorando il modo in cui comprendiamo e interagiamo con la banca.

123 Totale visualizzazioniPubblicato il 2024.04.06Aggiornato il 2024.12.03

Come comprare BANK

Benvenuto in HTX.com! Abbiamo reso l'acquisto di Lorenzo Protocol (BANK) semplice e conveniente. Segui la nostra guida passo passo per intraprendere il tuo viaggio nel mondo delle criptovalute.Step 1: Crea il tuo Account HTXUsa la tua email o numero di telefono per registrarti il tuo account gratuito su HTX. Vivi un'esperienza facile e sblocca tutte le funzionalità,Crea il mio accountStep 2: Vai in Acquista crypto e seleziona il tuo metodo di pagamentoCarta di credito/debito: utilizza la tua Visa o Mastercard per acquistare immediatamente Lorenzo ProtocolBANK.Bilancio: Usa i fondi dal bilancio del tuo account HTX per fare trading senza problemi.Terze parti: abbiamo aggiunto metodi di pagamento molto utilizzati come Google Pay e Apple Pay per maggiore comodità.P2P: Fai trading direttamente con altri utenti HTX.Over-the-Counter (OTC): Offriamo servizi su misura e tassi di cambio competitivi per i trader.Step 3: Conserva Lorenzo Protocol (BANK)Dopo aver acquistato Lorenzo Protocol (BANK), conserva nel tuo account HTX. In alternativa, puoi inviare tramite trasferimento blockchain o scambiare per altre criptovalute.Step 4: Scambia Lorenzo Protocol (BANK)Scambia facilmente Lorenzo Protocol (BANK) nel mercato spot di HTX. Accedi al tuo account, seleziona la tua coppia di trading, esegui le tue operazioni e monitora in tempo reale. Offriamo un'esperienza user-friendly sia per chi ha appena iniziato che per i trader più esperti.

709 Totale visualizzazioniPubblicato il 2025.05.09Aggiornato il 2026.06.02

Discussioni

Benvenuto nella Community HTX. Qui puoi rimanere informato sugli ultimi sviluppi della piattaforma e accedere ad approfondimenti esperti sul mercato. Le opinioni degli utenti sul prezzo di BANK BANK sono presentate come di seguito.