加密货币钱包服务提供商 Phantom Technologies Inc. 在新一轮融资中筹集了 1.5 亿美元,估值达到 30 亿美元。
这轮 C 轮融资由红杉资本 (Sequoia Capital) 和 Paradigm 领投。Andreessen Horowitz 旗下的 a16z 加密风投部门和 Variant 也参与了本轮融资,该消息于周三公布。
加密货币钱包对加密货币行业来说至关重要,因为它们能够让用户存储加密货币交易所需的私钥。与中心化交易所和服务不同,Phantom 提供的软件允许用户私下控制自己的资产。这使得用户可以访问、发送、接收和追踪他们的代币。
Phantom 支持众多加密货币,从最知名的比特币和以太坊,到数百种较少人知的加密资产。该钱包还允许用户参与非同质化代币 (NFT) 的购买和交易,这种数字资产可以代表"无形"产品,如数字艺术、游戏内物品、收藏品、虚拟音乐会门票,甚至域名。
"我们的使命一直是让加密货币对每个人来说都更容易使用、更直观和更安全," 首席执行官 Brandon Millman 表示。"这轮最新融资使我们能够进一步投资创新,最终实现消费者金融的现代化。"
Phantom 声称拥有 1500 万活跃用户和 200 亿美元的年度交易量。该公司表示,在去年 11 月和 12 月,其活跃交易者数量、交易收入和交易量超过了其他流行钱包的总和,包括 MetaMask 和 Coinbase Wallet。
公司表示将利用这笔资金投资平台的新功能,包括社交发现功能。Phantom 还表示计划简化用户之间的点对点支付方式,以加快加密货币金融的普及。
在 2024 年,公司完成了首两笔收购:Bitski Inc. 和 Blowfish。Bitski 提供嵌入式加密钱包技术,允许用户使用电子邮件地址或通过 Apple、Google 或 X 账户登录应用程序。Blowfish 是一个加密货币应用程序的信任和安全平台,提供针对欺诈和诈骗的高级保护。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。