Antalpha宣布战略投资Tether Gold ,拓展机构借贷产品新赛道

Odaily星球日报Xuất bản vào 2025-05-27Cập nhật gần nhất vào 2025-05-27

Tóm tắt

Antalpha宣布战略投资Tether Gold,计划购入 XAU₮并将其作为数字资产抵押,用于支持公司借贷业务的资金安排和持续运营。

新加坡, 2025 年 5 月 27 日 —— 纳斯达克上市的金融科技平台 Antalpha Platform Holding Company(NASDAQ: ANTA)(以下简称“Antalpha”或“公司”)今日宣布多项战略举措,以强化财务储备计划并拓展产品服务能力。

战略配置 Gold RWA(XAU₮)

Antalpha 计划自即日起至 2026 年 6 月 30 日,按市场价格分阶段配置最多 4, 000 万美元等值的 Tether Gold(XAU₮)。公司将本轮配置作为对冲宏观经济波动的长期策略,同时也希望通过引入具备稳定价值锚定的资产,进一步丰富平台的抵押品结构,为机构客户在不确定市场环境下提供稳定的融资渠道。

Antalpha 认为,XAU₮在机构资产配置中具备重要的战略价值,尤其有助于在市场波动时期保持资产稳定,同时支持丰富的金融应用场景。XAU₮ 未来将成为 Antalpha 借贷架构中的基石型抵押资产,助力 Prime 平台在扩大融资业务的同时,提升稳健性与抵御风险的能力。

XAU₮ 的产品集成计划

Antalpha 计划购入 XAU₮ 并将其作为数字资产抵押,用于支持公司借贷业务的资金安排和持续运营。为配合该战略,Antalpha 的风控与产品团队正协同推进 Antalpha Prime 平台的多项功能升级,重点包括多方安全计算(MPC)能力和账户管理功能的优化。

此外,Antalpha 还计划在官网推出 XAU₮ 的近实时市场信息及其所对应实物黄金的持仓情况,提供近实时的 XAU₮ 市场数据,进一步提升资产透明度,增强客户信任。

多元资产抵押布局,助力业务规模化与风控体系升级

Antalpha 将持续聚焦核心借贷业务,致力于构建具备长期增长潜力的可扩展融资模型。在当前已接受比特币与矿机作为抵押品的基础上,公司计划进一步扩大可服务市场,引入包括 XAU₮ 与用于 AI 计算的 GPU 在内的新型抵押资产,从而打造一个更加灵活、可扩展的数字资产借贷体系。此外,Antalpha 还将深化与合作伙伴 Northstar 的业务关系,支持其在 Antalpha Prime 平台上推出以太坊保证金贷款服务,进一步拓展对以太坊资产的借贷支持能力。

  • XAU₮ 抵押贷款:接受 XAU₮ 作为抵押,提升供应链融资场景中的抵押价值稳定性;

  • AI 算力融资:为机构客户提供以 GPU 为抵押的融资方案,支持 AI 算力投资

  • 以太坊保证金贷款:由 Northstar 在 Antalpha Prime 平台提供,在已有比特币抵押贷款基础上进一步拓展借贷能力,满足以太坊生态用户的融资需求。

“我们始终以长期视角构建 Antalpha,秉持透明、审慎和风险管理的核心理念。” Antalpha 首席财务官  Paul Liang 表示,“我们推出的数字黄金策略及全新借贷产品线,体现了 Antalpha 持续倾听客户需求、以机构级创新方案引领数字资产融资生态,构建更加稳健、可持续的金融基础设施体系。”

这一系列新举措进一步巩固了 Antalpha 作为加密原生基础设施服务商的领先愿景,并持续以值得信赖的角色推动数字资产融资行业发展。

关于 Antalpha

Antalpha 是一家加密原生的金融科技平台,专注于为数字资产行业中的机构与企业客户提供融资、技术与风险管理解决方案。作为比特大陆的主要借贷合作伙伴,Antalpha 通过自有 Antalpha Prime 平台提供以比特币和矿机为抵押的贷款服务,帮助客户高效完成数字资产贷款的发起、管理和抵押品实时监控。

关于 Tether Gold(XAU₮)

XAU₮ 是由 Tether 集团旗下子公司 TG Commodities Limited 发行的数字代币。每枚 XAU₮ 代表对一盎司符合伦敦金银市场协会(LBMA)“良好交付标准”的实物黄金的所有权,该黄金由第三方托管方保管于瑞士的安全金库中。XAU₮ 同时在以太坊(ERC-20)和波场(TRC-20)两大区块链上发行,为机构与 DeFi 用户提供全天候、高流动性的黄金支持型数字资产访问方式。

Nội dung Liên quan

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit4 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit4 phút trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit49 phút trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit49 phút trước

Những đồng tiền thắng và thua tuần này trên thị trường Crypto – VELVET, BEAT, WLD, XLM

Thị trường tiền mã hóa tiếp tục chịu áp lực trong tuần với Bitcoin và Ethereum thể hiện hiệu suất yếu. Trong khi các đồng tiền lớn vật lộn, vốn đã chảy vào một số altcoin vốn hóa nhỏ, tạo ra đà tăng mạnh. **Người thắng tuần:** - **Velvet [VELVET]** dẫn đầu với mức tăng 235%, tiến gần mức đỉnh mọi thời đại 1,80 USD. Chỉ số RSI cho thấy quá mua, nhưng động lực vẫn tích cực. - **DeXe [DEXE]** tăng 60%, lấy lại mức 22 USD lần đầu tiên từ cuối năm 2021, cho thấy sự tiếp tục của xu hướng tăng. - **Audiera [BEAT]** tăng 45% sau khi giảm mạnh tuần trước, cho thấy sự phục hồi mạnh mẽ. **Người thua tuần:** - **MemeCore [M]** lao dốc 70% sau báo cáo thao túng nội gián, nhưng có dấu hiệu ổn định quanh 0,65 USD. - **Worldcoin [WLD]** giảm 26%, điều chỉnh sau đà tăng nhiều tuần và đang kiểm tra vùng hỗ trợ. - **Stellar [XLM]** giảm 18,5%, với áp lực bán kéo dài và nguy cơ điều chỉnh sâu hơn. Nhìn chung, tuần này chứng kiến sự biến động mạnh với sự luân chuyển vốn rõ rệt. Các nhà đầu tư được khuyến cáo tiếp tục thận trọng và nghiên cứu kỹ lưỡng.

ambcrypto2 giờ trước

Những đồng tiền thắng và thua tuần này trên thị trường Crypto – VELVET, BEAT, WLD, XLM

ambcrypto2 giờ trước

Giao dịch

Giao ngay
活动图片