CoinFound × OSL Research 启动稳定币研究合作，首期聚焦 USDGO

marsbit发布于2026-04-09更新于2026-04-09

文章摘要

CoinFound与OSL Research宣布启动稳定币研究合作，首期将针对USDGO稳定币生态展开专题研究。双方将通过链上数据分析和市场结构观察，探讨稳定币在数字金融体系中的发展路径，以及其在交易、结算和链上金融场景中的应用潜力。随着稳定币逐渐成为连接传统金融与链上金融的重要桥梁，市场对其发行机制、流动性结构和生态协同的研究需求日益增长。此次合作将聚焦研究框架共建与行业洞察输出，通过联合发布研究报告、行业观察和专题分析等形式，推动稳定币研究的深化，为数字资产市场提供清晰的行业参考。 OSL Research隶属于OSL集团，专注于数字资产行业的深度研究；CoinFound则致力于Web3数据与研究，提供链上分析和资金流向洞察。双方希望通过合作进一步促进稳定币及相关领域的研究发展。

作为合作的首个研究方向,双方将围绕 USDGO 稳定币生态开展专题研究,通过链上数据分析与市场结构观察,探讨稳定币在数字金融体系中的发展路径及其在交易、结算与链上金融场景中的应用潜力。

随着稳定币逐渐成为连接传统金融体系与链上金融基础设施的重要桥梁,市场对于稳定币发行机制、流动性结构以及生态协同的研究需求不断提升。在这一背景下,CoinFound 与 OSL Research 的合作将重点聚焦研究框架共建与行业洞察输出。双方将在研究内容共建与数据分析框架方面展开合作,并通过联合研究报告、行业观察及专题分析等形式向市场发布研究成果。

OSL Research 隶属于 OSL 集团,专注数字资产行业的深度研究,提供前瞻性的市场洞察。

CoinFound 则专注于 Web3 数据与研究,通过链上分析与行业研究为市场提供资产结构与资金流向洞察。

双方希望通过本次合作推动稳定币相关研究的持续深化,并为数字资产市场提供更加清晰的行业参考。

你可能也喜欢

Upbit在内部钱包转账中重新平衡8640亿枚SHIB

韩国交易所Upbit在内部钱包地址之间重组了8640亿枚SHIB，尽管链上转移规模巨大且发生在SHIB价格上涨36%之后，但这实质上是一次正常的钱包余额整理，而非交易所抛售。具体涉及从热钱包转出3840亿SHIB至相关平台地址，以及从SHIB钱包转回480亿SHIB至同一热钱包，总价值约400万美元。文章强调，由于交易所经常出于流动性管理和安全目的在热钱包与冷钱包之间进行资产调配，此类内部转移不应被误读为市场卖出压力。此次转移之所以引发关注，主要源于SHIB近期大涨后市场对大型钱包动作的敏感性。核心观点在于，解读链上数据时必须结合钱包标签和具体背景，避免将常规操作误解为“巨鲸抛售”等市场信号。

bitcoinist7分钟前

bitcoinist7分钟前

生成模型也能端到端训练了？核心竟是一个for循环

长期以来，深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功，但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”，推理时则需要反复展开数百上千步，这种训练与推理的不一致导致了“暴露偏差”等问题，使得生成模型一直未能实现真正的端到端训练。最近，一篇来自UIUC与哈佛大学的论文提出了“探索式建模（Explorative Modeling，XM）”新范式，其核心是一个简单到近乎朴素的for循环：在每个训练步骤中，模型生成K个候选样本，然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失（如平方误差）而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值，而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式，在不拆分生成过程的前提下，直接提升了模型的“生成表达力”，即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明，随着模型规模、数据量和计算量的增大，探索带来的性能收益越发显著，在图像、视频、语言等多种任务上均能带来效率与质量的提升。更重要的是，当探索程度足够时，XM可以实现真正的端到端生成。在机器人控制等任务中，仅需一次网络前向传播的XM策略，其性能可媲美甚至超过需要上百次前向的扩散模型策略，实现了推理效率的飞跃。尽管“最佳K样本选择”的思想并非全新，但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈，并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大，探索这一新维度可能将发挥越来越关键的作用。

marsbit7分钟前

marsbit7分钟前

每人最多20篇？ICLR新规遭DeepMind研究者「反讽」请愿

ICLR 2027 会议近日公布新规，规定每名作者最多只能提交20篇论文，超出限额的论文若未调整将被随机拒稿。此举旨在应对投稿量激增给评审系统带来的压力。ICLR 2026 投稿量较前一年增长约68%，达到19525篇，导致评审工作量巨大。新规引发了讨论。Google DeepMind 访问研究员 Dan Roy 在社交平台发起讽刺性“请愿”，反对此限制。他表面上称限制会阻碍 AI 发展，并主张应鼓励 AI Agent 大量生成渐进式论文，同时暗指评审工作也已由大语言模型处理，以此揶揄当前 AI 对学术环境的影响。此前，有分析显示 ICLR 2026 约21%的评审意见被怀疑完全由 AI 生成，引发了学术界对评审质量和 AI 滥用的担忧。Dan Roy 的讽刺性请愿实则抛出一个深层问题：当论文生产、投稿和评审都可能大量依赖 AI 时，单纯限制投稿数量或许并非根本解决之道。

marsbit12分钟前

marsbit12分钟前

Coldcard漏洞致8900万美元被盗，引爆FTX后最大链上迁移潮

Coldcard钱包漏洞导致约8900万美元比特币被盗，引发自FTX破产后最大规模的链上资金迁移。漏洞源于特定固件版本生成助记词随机性不足，导致4585个地址遭入侵，1367枚比特币被盗。为避险，用户大规模转移资产，导致链上小额交易、活跃地址数及交易所存款激增，干扰了市场指标并加剧看跌情绪。追赃工作中，美国AI模型的安全限制阻碍调查，团队被迫使用中国开源模型进行分析，凸显了防御方在利用AI工具时面临的合规与效率矛盾。此次事件暴露了冷钱包的安全隐患及AI在网络攻防中的不对称挑战。

marsbit57分钟前

marsbit57分钟前

年薪百万抢电工，Meta急到自己办技校

AI竞赛正面临新的瓶颈：工地。美国正面临严重的电工、建筑工等技术工人短缺，这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心（如OpenAI耗资160亿美元的“星际之门”项目）的“头号障碍”。尽管AI公司愿支付高薪（如电工年薪可达24-28万美元），远超传统行业，但熟练技工仍供不应求。麦肯锡预测，美国在2023-2030年间需额外培养13万名电工和24万名建筑工，而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟，每月可能造成数百万美元的收入损失。 AI数据中心建设复杂，需应对巨大功耗（一座设施耗电堪比数十万户家庭）、复杂的配电系统以及高密度散热（需液冷技术）等挑战，因此亟需大量技术娴熟的工人。为此，科技巨头开始亲自下场培养人才。例如，Meta投入1.15亿美元建立建筑工人培训学校，提供免费培训及生活补贴，以快速输送工人上岗。OpenAI则与建筑工会合作，提前锁定熟练劳动力。同时，企业也将招聘目光投向高中生，鼓励年轻人投身技工行业。这些举措已见成效，Z世代对技工职业的兴趣显著上升。然而，更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长，已推高部分地区的电价。此外，数据中心建设是项目制的，建设期需要成千上万的工人，但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡，仍是悬而未决的问题。

marsbit1小时前