加密货币交易所Bithumb将IPO推迟至2028年后,内部整顿持续进行

bitcoinist發佈於 2026-04-02更新於 2026-04-02

文章摘要

韩国加密货币交易所Bithumb宣布将首次公开募股(IPO)计划推迟至2028年后,较原定的2025年目标再度延后。此次推迟源于该交易所近期接连遭遇合规问题、管理层变动及重大内部失误——今年2月因系统错误曾短暂显示虚假余额超400亿美元,虽及时修正,却严重动摇市场信任。 此外,Bithumb因涉嫌违反反洗钱法规被韩国当局处以六个月业务暂停及2400万美元罚款。尽管CEO李在元获股东支持连任,公司仍决定优先完善会计与内控体系,已聘请Samjong KPMG作为IPO顾问。同期,竞争对手Upbit运营商Dunamu也正通过与Naver Financial换股推进IPO准备,可能于9月启动上市。 (字数:约300字符)

在经历了一年的合规问题、董事会变动以及导致账目短暂出现超400亿美元虚假余额的重大内部失误后,Bithumb目前将首次公开募股(IPO)计划推迟至2028年后,较其原先设定的2025年目标再度延后。

根据该公司股东大会相关报告,这家韩国交易所表示希望在尝试上市前,用接下来一段时间完善其会计和控制系统。

内部失误引发新质疑

该交易所近期最严重的事件发生在二月,当时错误地向用户发放了约2000枚比特币(而非2000韩元)。虽然该错误被迅速修正,且大部分资金从未离开Bithumb的内部账本,但失误的规模令人难以忽视。

这使得一次常规故障转变为对公众信任度的考验,对于正试图向监管机构和投资者证明已做好接受上市审查准备的该公司而言,这个时机尤为不利。

BTCUSD 24小时图表显示交易价66,362美元:TradingView

此次失误之前,韩国当局已对交易所施加压力。在CEO李在元领导下,Bithumb曾因涉嫌违反反洗钱规定面临六个月的停业整顿和2400万美元罚款。

尽管公司不断推迟IPO目标时间,股东们仍支持李在元连任两年任期。该交易所曾预计2025年上市,但新计划是在2027年前专注于准备工作,之后才推进申报流程。

图片来源:美联社

更为漫长的上市之路

Bithumb的最新时间表符合整体延迟的趋势。财务总监郑相均向股东,在聘请Samjong KPMG作为IPO顾问后,公司正在强化会计政策和内部控制。

这种表述通常指向在启动上市窗口前进行的准备工作,而非在目标年份过去之后。节奏的变化也表明,该交易所的公开上市如今更依赖于证明基本治理能力,而不仅仅是市场需求。

该交易所并非唯一一家着眼韩国市场上市计划的企业。据悉,Upbit运营商Dunamu在与Naver Financial进行股权交换后也在筹备IPO,可能选择九月作为时间节点。

特色图片来自Moneyseth,图表来自TradingView

相關問答

QBithumb交易所的首次公开募股(IPO)计划从原定的2025年推迟到了什么时候?

ABithumb的IPO计划已从原定的2025年推迟至2028年之后。

Q导致Bithumb推迟IPO计划的主要原因有哪些?

A主要原因包括合规问题、董事会变动,以及一次严重的内部错误——该错误导致账面上短暂出现了超过400亿美元的虚假余额。

QBithumb在2024年2月发生了什么重大内部错误?

ABithumb在2024年2月发生了一次内部错误,错误地向用户发放了约2000枚比特币(而非2000韩元),尽管该错误被迅速纠正且大部分资金未流出内部账本,但其规模引发了公众对交易所信任度的质疑。

QBithumb除了内部错误外,还面临哪些监管压力?

ABithumb曾因涉嫌违反反洗钱法规而被韩国当局处以6个月的业务暂停和2400万美元的罚款。

Q除了Bithumb,还有哪家韩国加密货币交易所在筹备IPO?

A除了Bithumb,Upbit的运营商Dunamu也在筹备IPO,此前其与Naver Financial进行了股份互换,并可能于9月左右推进上市计划。

你可能也喜歡

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。

marsbit48 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit48 分鐘前

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。

marsbit2 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit2 小時前

交易

現貨
活动图片