SEC Crypto Task Force Meets with Deutsche Bank amid Crypto Week

TheCryptoTimes2025-07-16 tarihinde yayınlandı2025-07-17 tarihinde güncellendi

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!

Trend Kriptolar

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

İlgili Okumalar

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 dk önce

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

marsbit25 dk önce

$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 dk önce

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

marsbit29 dk önce

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 dk önce

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

marsbit30 dk önce

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 dk önce

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

marsbit34 dk önce

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 dk önce

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

marsbit35 dk önce

İşlemler

Spot

Popüler Makaleler

$BANK Nedir

Bank AI: Bankacılıkta Devrimsel Bir Adım Giriş Teknolojideki hızlı ilerlemelerin damgasını vurduğu bir çağda, Bank AI, yapay zeka (AI) ve bankacılık hizmetleri kesişiminde yer almaktadır. Bu yenilikçi proje, finansal manzarayı yeniden tanımlamayı, operasyonel verimliliği, güvenlik önlemlerini ve müşteri deneyimlerini AI'nin gücüyle geliştirmeyi hedefliyor. Bank AI yolculuğuna çıkarken, projenin içeriğine, operasyonel dinamiklerine, tarihsel bağlamına ve önemli kilometre taşlarına dalacağız. Bank AI Nedir? Bank AI, yapay zekanın çeşitli bankacılık operasyonlarına entegrasyonunu hedefleyen dönüştürücü bir girişimi temsil etmektedir. Bu proje, süreçleri otomatikleştirmek, risk yönetimi protokollerini geliştirmek ve kişiselleştirilmiş hizmetler aracılığıyla müşteri etkileşimini artırmak için AI'nin yeteneklerinden yararlanmaktadır. Bank AI'nin temel hedefleri şunlardır: Bankacılık Fonksiyonlarının Otomasyonu: AI teknolojilerini kullanarak, Bank AI rutin görevleri otomatikleştirmeyi, insan kaynakları üzerindeki yükü azaltmayı ve verimliliği artırmayı amaçlamaktadır. Geliştirilmiş Risk Yönetimi: Proje, dolandırıcılık ve diğer tehditlere karşı güvenlik önlemlerini güçlendirerek riski tahmin edip tanımlamak için AI algoritmalarını kullanmaktadır. Bankacılık Hizmetlerinin Kişiselleştirilmesi: Bank AI, müşteri verilerini ve davranışlarını analiz ederek, özel finansal ürünler ve hizmetler sunmaya odaklanmaktadır. Müşteri Deneyimini İyileştirme: Chatbotlar ve sanal asistanlar gibi AI destekli çözümlerin uygulanması, kullanıcıların daha insana yakın etkileşimler yaşamasını sağlamayı hedeflemekte, bankalarla etkileşim biçimlerini devrim niteliğinde değiştirmektedir. Bu hedeflerle, Bank AI, bankacılığı daha verimli, güvenli ve kullanıcı odaklı hale getiren önemli bir oyuncu olarak kendini konumlandırmaktadır. Bank AI'nin Yaratıcısı Kimdir? Bank AI'nin yaratıcısı hakkında detaylar bilinmemektedir. Bu nedenle, mevcut bilgilerde belirli bir kişi veya organizasyon tanımlanmamıştır. Projenin başlangıcı etrafındaki anonimlik soruları gündeme getirse de, bunun iddialı vizyonu ve hedefleri üzerinde bir olumsuz etkisi yoktur. Bank AI'nin Yatırımcıları Kimlerdir? Proje yaratıcılarında olduğu gibi, Bank AI'nin yatırımcıları veya destekleyen organizasyonları hakkında da özel bilgiler açıklanmamıştır. Bu bilgiler olmadan, projenin ilerlemesini destekleyen finansal destek ve kurumsal destek hakkında bir çerçeve çizmek zordur. Yine de, böyle yenilikçi bir alanda gelişimi sürdürmek için sağlam bir yatırım temelinin önemi büyüktür. Bank AI Nasıl Çalışır? Bank AI, geleneksel bankacılık çerçevelerinden ayıran benzersiz faktörlere odaklanarak birden fazla yenilikçi alanda faaliyet göstermektedir. İşte temel operasyonel özellikler: Otomasyon: Makine öğrenimi algoritmalarını uygulayarak, Bank AI bankalar içindeki çeşitli manuel süreçleri otomatikleştirir. Bu, operasyonel maliyetleri azaltır ve insan çalışanların daha stratejik faaliyetlere yönelmelerini sağlar. Gelişmiş Risk Yönetimi: Risk yönetimi uygulamalarına AI entegrasyonu, bankaların dolandırıcılık gibi potansiyel tehditleri doğru bir şekilde tahmin etme araçlarıyla donatılmasını sağlar, böylece müşteri bilgileri ve varlıkları güvence altına alınır. Özelleştirilmiş Finansal Tavsiyeler: Müşteri etkileşimlerinden sürekli olarak öğrenerek, AI sistemleri kullanıcı ihtiyaçlarının daha iyi anlaşılmasını sağlar ve finansal kararlar hakkında özelleştirilmiş tavsiyeler sunar. Geliştirilmiş Müşteri Etkileşimleri: AI destekli chatbotlar ve sanal asistanlar kullanarak, Bank AI daha etkileşimli bir müşteri deneyimi sunar, kullanıcıların sorularını hızlı bir şekilde çözmelerine imkan tanır, bekleme sürelerini azaltır ve memnuniyet seviyelerini artırır. Bu operasyonel özellikler, Bank AI'yi bankacılık sektöründe bir öncü olarak konumlandırmakta ve hizmet sunumu ile operasyonel mükemmeliyet için yeni standartlar belirlemektedir. Bank AI Zaman Çizelgesi Bank AI'nin gidişatını anlamak için tarihsel bağlamına bir göz atmak gerekmektedir. Aşağıda önemli kilometre taşlarını ve gelişmeleri vurgulayan bir zaman çizelgesi bulunmaktadır: 2010'ların Başları: AI entegrasyonunun bankacılık hizmetlerine olan ilgisi arttı, bankacılık kurumları potansiyel faydalarını tanımaya başladılar. 2018: Bankaların temel müşteri hizmetleri ve geliştirilmiş güvenlik yönetimi için risk yönetim sistemlerinde chatbotlar gibi AI araçları kullanmaya başlamasıyla AI teknolojilerinin uygulanmasında belirgin bir artış yaşandı. 2023: AI'nin karmaşıklığı artmaya devam etti ve belge işleme ile gerçek zamanlı yatırım analizi gibi daha karmaşık görevler için üretken AI devreye alındı. Bu yıl, AI teknolojisi sayesinde bankaların sahip olduğu yeteneklerde önemli bir sıçrama yaşandı. 2024-Güncel Durum: Bu yıl itibarıyla, Bank AI yükselişte, devam eden araştırmalar ve geliştirmeler bankacılık operasyonlarındaki yetenekleri daha da artırmaya hazırlanıyor. AI uygulamalarının sürekli araştırılması, heyecan verici gelişmelere işaret etmektedir. Bank AI Hakkında Anahtar Noktalar Bankacılıkta AI Entegrasyonu: Bank AI, bankacılık süreçlerini kolaylaştırmak ve kullanıcı deneyimlerini geliştirmek için yapay zekanın benimsenmesine odaklanmaktadır. Otomasyon ve Risk Yönetimi Vurgusu: Proje, rutin görevlerin yükünü azaltmayı amaçlarken, tahmine dayalı analizlerle güvenlik çerçevelerini geliştirmeye büyük önem vermektedir. Kişiselleştirilmiş Bankacılık Çözümleri: Müşteri verilerinden yararlanarak, Bank AI bireysel kullanıcı ihtiyaçlarına yönelik özelleştirilmiş bankacılık hizmetleri sunar. Gelişime Bağlılık: Bank AI, teknolojinin sürekli evrimi ile uyumlu olmasını sağlamak ve güncel kalmak için sürekli araştırma ve geliştirme çabalarına bağlı kalmaktadır. Sonuç Özetle, Bank AI bankacılık endüstrisinde önemli bir adımı temsil etmekte, yapay zekayı kullanarak operasyonel paradigmaları yeniden şekillendirmekte, güvenliği artırmakta ve müşteri memnuniyetini teşvik etmektedir. Yaratıcı ve yatırımcılar hakkındaki bilgi eksikliklerine rağmen, Bank AI'nin net hedefleri ve işlevsel mekanizmaları, devam eden evrimi için güçlü bir temel sunmaktadır. AI teknolojisi gelişmeye ve bankacılık sektörüyle birleşmeye devam ettikçe, Bank AI finansal hizmetlerin geleceğini önemli ölçüde etkilemeye hazır durumda, bankacılıkla olan anlayışımızı ve etkileşim biçimlerimizi geliştirmektedir.

161 Toplam GörüntülenmeYayınlanma 2024.04.06Güncellenme 2024.12.03

BANK Nasıl Satın Alınır

HTX.com’a hoş geldiniz! Lorenzo Protocol (BANK) satın alma işlemlerini basit ve kullanışlı bir hâle getirdik. Adım adım açıkladığımız rehberimizi takip ederek kripto yolculuğunuza başlayın. 1. Adım: HTX Hesabınızı OluşturunHTX'te ücretsiz bir hesap açmak için e-posta adresinizi veya telefon numaranızı kullanın. Sorunsuzca kaydolun ve tüm özelliklerin kilidini açın. Hesabımı Aç2. Adım: Kripto Satın Al Bölümüne Gidin ve Ödeme Yönteminizi SeçinKredi/Banka Kartı: Visa veya Mastercard'ınızı kullanarak anında Lorenzo Protocol (BANK) satın alın.Bakiye: Sorunsuz bir şekilde işlem yapmak için HTX hesap bakiyenizdeki fonları kullanın.Üçüncü Taraflar: Kullanımı kolaylaştırmak için Google Pay ve Apple Pay gibi popüler ödeme yöntemlerini ekledik.P2P: HTX'teki diğer kullanıcılarla doğrudan işlem yapın.Borsa Dışı (OTC): Yatırımcılar için kişiye özel hizmetler ve rekabetçi döviz kurları sunuyoruz.3. Adım: Lorenzo Protocol (BANK) Varlıklarınızı SaklayınLorenzo Protocol (BANK) satın aldıktan sonra HTX hesabınızda saklayın. Alternatif olarak, blok zinciri transferi yoluyla başka bir yere gönderebilir veya diğer kripto para birimlerini takas etmek için kullanabilirsiniz.4. Adım: Lorenzo Protocol (BANK) Varlıklarınızla İşlem YapınHTX'in spot piyasasında Lorenzo Protocol (BANK) ile kolayca işlemler yapın.Hesabınıza erişin, işlem çiftinizi seçin, işlemlerinizi gerçekleştirin ve gerçek zamanlı olarak izleyin. Hem yeni başlayanlar hem de deneyimli yatırımcılar için kullanıcı dostu bir deneyim sunuyoruz.

748 Toplam GörüntülenmeYayınlanma 2025.05.09Güncellenme 2026.06.02

Tartışmalar

HTX Topluluğuna hoş geldiniz. Burada, en son platform gelişmeleri hakkında bilgi sahibi olabilir ve profesyonel piyasa görüşlerine erişebilirsiniz. Kullanıcıların BANK (BANK) fiyatı hakkındaki görüşleri aşağıda sunulmaktadır.