支付巨头Stripe 收购加密钱包应用 Valora 团队

cointelegraph发布于2025-12-11更新于2025-12-11

文章摘要

支付巨头Stripe宣布收购加密货币钱包公司Valora的团队,该交易于其稳定币区块链项目Tempo测试网上线次日达成。Valora首席执行官Jackie Bona表示,团队将加入Stripe并参与其区块链计划。Valora于2021年从Celo开发团队cLabs分拆成立,曾获2000万美元A轮融资,其移动钱包支持Celo、以太坊等多个网络的稳定币及资产。Stripe将借助该团队在全球支付、数字钱包及移动端Web3应用方面的经验。Valora应用将继续运营,但其后续开发将移交cLabs负责。Stripe近年持续加码加密领域,四个月前与Paradigm合作推出Tempo区块链,测试网已实现浏览器内便捷创建稳定币等功能。

支付巨头 Stripe 已收购加密钱包公司 Valora 的团队,此举距离其推出以稳定币为核心的区块链项目 Tempo 的测试网仅过去一天。

据 Valora CEO Jackie Bona 透露,通过此次收购,Valora 团队将加入 Stripe 并参与该公司的区块链计划。

Valora 成立于 2021 年年中,是从 Celo 开发团队 cLabs 分拆出来并在此过程中完成了 2000 万美元的 A 轮融资。

Valora 应用是一款移动钱包,支持 Celo、以太坊、Base、Optimism 和 Arbitrum 上的稳定币及其他资产。除了钱包,该团队还开发了一个面向移动原生体验的 Web3 应用开放协议启动台。

“Stripe 与我们一样坚信,稳定币和加密货币能够极大地扩展全球经济的参与范围,”Bona 说道,并补充称,“通过将 Valora 团队带入 Stripe,我们将能够在一个拥有无与伦比覆盖范围的平台上,贡献我们在 Web3 和以用户为先的体验方面的专业知识。”

Valora 团队具体将从事哪些工作尚未明确说明;然而,Stripe 将借助一个一直高度专注于全球支付、数字钱包和用户友好的基于智能手机的 Web3 应用的团队。

“通过这项工作,我们亲眼目睹了稳定币和加密通道如何能够扩展经济机会。在过去的几个月里,我们清楚地认识到,加入全球领先的金融基础设施平台 Stripe,可以加速这一使命的实现,”Bona 表示。

来源:Jackie Bona

相关阅读:2025 年圣诞节赠送加密货币最简单安全的方法

Valora 应用将继续运行,但其运营和未来开发将移交给 cLabs。

Stripe 与 Tempo 势头正劲

在与加密货币经历了一段时断时续的关系后,Stripe 在过去几年中一直在区块链领域取得进展。特别是在四个月前与加密风投公司 Paradigm 合作首次公布 Tempo 以来,势头一直在增强,该网络在推出前已获得 50 亿美元的预启动资金。

Stripe 的最新举措是在其与 Paradigm 的 Layer-1 区块链项目 Tempo 推出开放测试网仅一天后进行的。

测试网推出期间强调的关键特性之一是在浏览器中直接创建稳定币的简便性以及其他好处。

杂志:以太坊成为第二大区块链的 11 个关键历史时刻

相关问答

Q支付巨头Stripe收购了哪家加密货币钱包公司的团队?

AStripe收购了加密货币钱包公司Valora的团队。

QValora团队加入Stripe后将主要参与什么项目?

AValora团队将加入Stripe并参与该公司的区块链计划,特别是基于稳定币的区块链项目Tempo。

QValora应用程序在哪些区块链网络上支持稳定币和其他资产?

AValora应用程序支持Celo、以太坊、Base、Optimism和Arbitrum等区块链网络上的稳定币和其他资产。

QValora应用程序在收购后将继续由谁负责运营和开发?

AValora应用程序将继续运行,但其运营和未来开发将交由cLabs负责。

QStripe的Tempo区块链项目是与哪家加密货币风险投资公司合作推出的?

AStripe的Tempo区块链项目是与加密货币风险投资公司Paradigm合作推出的。

你可能也喜欢

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。

marsbit10分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10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

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

交易

现货
活动图片