Curve Finance 指控 PancakeSwap 抄袭其 StableSwap 代码

TheNewsCrypto發佈於 2026-03-07更新於 2026-03-07

文章摘要

专注于稳定币的去中心化交易所Curve Finance近日公开指控PancakeSwap未经授权擅自使用其专有StableSwap代码,称此举直接违反软件许可协议,并可能引发法律和技术风险。Curve团队于3月6日在X平台发文强调,历史上类似行为已被证明存在多重隐患,同时表示若PancakeSwap希望合法使用该技术并保障用户资产安全,可通过授权合作方式协商解决。 此事源于PancakeSwap于3月2日宣布其Infinity平台正式上线StableSwap功能,旨在提供低滑点的稳定币交易服务。事件引发DeFi生态短暂震动后,PancakeSwap已开启私下协商,Curve方面也态度软化,提出“共同构建”的战略合作可能性。市场关注双方能否达成正式授权或技术联盟,此争议结果将为开源金融软件的知识产权保护树立重要先例,用户则担忧合作可能对流动性池安全性造成影响。

专注于稳定币的去中心化交易所 Curve Finance 指控 PancakeSwap 未经许可使用其专有代码支持 StableSwap 功能。

该指控于 3 月 6 日在 X 平台上提出,Curve 团队强调,此举直接违反了 StableSwap 的许可协议,并警示了在没有适当监管框架的情况下复制金融软件所涉及的法律和技术风险。

Curve Finance 在 X 平台的帖子中提到:“亲爱的 PancakeSwap。看起来你们未经许可复制了我们的代码。这违反了其许可协议。这不仅是非法的,而且历史表明,在其他方面,以这种方式行事的人也是不明智的。”

帖子进一步补充道:“无论如何,如果你们希望在没有法律问题的情况下使用 StableSwap,并借鉴我们的专业知识来保障用户资产安全(SAFU),你们仍然可以联系我们获取许可并进行合作。”

该帖子是对 PancakeSwap 于 3 月 2 日在 X 平台发布的帖子的回应,PancakeSwap 的帖子提到:“在 PancakeSwap Infinity 上推出更优的稳定币和紧密锚定资产兑换价格,Stableswap 现已上线。”

和解还是合作:市场将见证什么

投诉发生后不久,DeFi 生态系统经历了一次短暂的震动,因为 PancakeSwap 刚刚在其“Infinity”平台上实施了该技术,以提供具有超低滑点的稳定币兑换服务。

面对公众压力,PancakeSwap 承认目前已开始私下谈判以解决争端,而 Curve 则软化了其最初立场,建议在“共同构建”的口号下进行可能的战略合作。

在不久的将来,市场将能够见证这两个去中心化巨头是否能够达成正式的许可协议或技术联盟。这场冲突的解决将为开源领域中的知识产权保护树立一个重要的先例,而用户则希望这种融合不会损害网络流动性池的安全性。

今日重点加密货币新闻:

KuCoin 推出 KCS PulseDrop,将用户活动转化为加密奖励

标签Curve Finance市场PancakeSwap

相關問答

QCurve Finance 指控 PancakeSwap 在哪个社交媒体平台上未经许可复制了其代码?

ACurve Finance 在 X(前身为 Twitter)平台上公开指控 PancakeSwap 未经许可复制了其 StableSwap 代码。

QPancakeSwap 被指控未经许可复制了 Curve Finance 的哪项具体功能?

APancakeSwap 被指控未经许可复制了 Curve Finance 的 StableSwap 代码,该功能用于支持其稳定币和锚定资产的低滑点交易。

QCurve Finance 在指控中除了指出行为非法外,还提出了什么解决方案?

ACurve Finance 除了指出行为非法外,还提出 PancakeSwap 可以联系他们以获得正式许可和进行技术合作,以安全地使用 StableSwap 并借鉴其专业知识。

QPancakeSwap 在被指控后作出了什么回应?

APancakeSwap 在被指控后承认已开始与 Curve Finance 进行私下谈判以解决争端,而 Curve 也软化了立场,建议双方进行“共同构建”的战略合作。

Q这次争议的解决预计会对 DeFi 领域产生什么影响?

A这次争议的解决预计将为开源领域中的知识产权保护树立一个重要的先例,同时用户希望此次事件不会影响网络流动性池的安全性。

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。

marsbit10 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10 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。

marsbit1 小時前

年薪百万抢电工,Meta急到自己办技校

marsbit1 小時前

交易

現貨
活动图片