美国参议院本周将就加密货币市场结构法案进行审议——以下是预期内容

bitcoinist发布于2026-01-13更新于2026-01-13

文章摘要

经过数月两党、加密行业及传统银行业代表的激烈谈判,美国参议院将于本周四(1月15日)对加密市场结构法案《CLARITY法案》进行最终审定。该法案基于众议院7月通过的《数字资产市场清晰法案》框架,但融入了参议院的最新协商内容。 法案文本预计于周一或周二分发给参议员审议,三大焦点备受关注:一是针对总统等公职人员的加密领域道德规范;二是稳定币收益的监管处理;三是两党对去中心化金融(DeFi)的立场,尤其涉及证券交易与非法融资问题。 行业代表强调需平衡监管,关注自托管、开发者保护及《区块链监管确定性法案》是否纳入。若两党在关键条款上分歧未解,法案可能推迟。加密市场总市值目前约为3.09万亿美元。

经过数月涉及两党代表、加密货币行业及传统银行业代表的激烈谈判,备受期待的加密货币市场结构法案(称为《CLARITY法案》)终于迎来关键一周。

加密货币记者Eleanor Terret周一报道称,行业内部持续存在的分歧、两党在关键细节上的争议以及传统银行业利益集团施加的压力,已多次推迟该法案的进程。

《CLARITY法案》文本即将公布

上周五,银行业委员会领导层表示,两党最新版法案将于1月15日(周四)早些时候正式进入审议程序。

新版《CLARITY法案》将沿用7月份在众议院通过的《数字资产市场清晰法案》现有框架。这意味着法案名称「CLARITY」将保留,但立法内容主要反映参议院近期的协作成果。

随着本周议程推进,经过最终修订的待表决文本预计将于周一或周二分发给参议员以征求修正意见

根据Terret的报道,法案文本公布后利益相关方将重点关注三大方面:首先是对涉及加密货币领域的公职人员(包括总统)适用何种道德规范;其次是关于稳定币收益的持续争议;最后是两党如何应对去中心化金融(DeFi)问题,特别是在证券交易和非法融资关切方面的关键条款。

加密货币立法讨论

DeFi教育基金执行董事Amanda Tuminelli近期参加了加密货币与证券行业领袖的闭门会议,她在会上强调了数字资产法案中监管平衡的重要性。

「银行和SIFMA等贸易协会对监管套利问题高度关注,尤其是在去中心化交易所交易证券化代币方面,」她指出。

Tuminelli还将密切关注自我托管相关条款、软件开发者保护措施以及《区块链监管确定性法案》(BRCA)是否被纳入,她认为这些对法案成功至关重要。

ConsenSys总法律顾问Bill Hughes也对审议前的进展表示乐观,对后续磋商持积极态度。

报道显示参议院银行业委员会和农业委员会可能于周四同步进行审议。但关键条款的争议可能威胁法案的两党支持基础,导致审议延期。

Terret强调,参议院主席John Boozman与参议员Cory Booker周末期间似乎仍在持续协商,这可能对审议结果产生决定性影响。

每日图表显示截至周一加密货币总市值达3.09万亿美元。来源:TradingView.com

特色图片由DALL-E生成,图表来自TradingView.com

相关问答

Q美国参议院本周将审议的加密货币市场结构法案的名称是什么?

A该法案的名称为《CLARITY法案》。

Q法案审议过程中,利益相关方最关注的三个关键方面是什么?

A利益相关方关注的三个关键方面包括:适用于涉及加密货币领域的公职人员的道德规范、关于稳定币收益的持续辩论,以及民主党和共和党如何处理去中心化金融(DeFi)相关问题,特别是涉及证券交易和非法融资的条款。

QDeFi教育基金执行董事阿曼达·图米内利强调了哪些对法案成功至关重要的条款?

A阿曼达·图米内利强调了自我托管条款、软件开发者保护以及《区块链监管确定性法案》(BRCA)的潜在纳入对法案的成功至关重要。

Q哪些因素可能导致法案的两党合作性质受到威胁?

A关键条款上的争议可能威胁法案的两党合作性质,并可能导致审议推迟。

Q截至周一,加密货币总市值估值是多少?

A截至周一,加密货币总市值估值为3.09万亿美元。

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。

marsbit7分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit7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