News

PANews, 21 de março — De acordo com a Globenewswire, a Genius Group, uma empresa de tesouraria de bitcoin listada na NYSE American sob uma exchange, revelou que Roger Hamilton, fundador e CEO da empresa, recomprou 300.000 ações da companhia no mercado aberto na semana passada, a um preço médio de $0,37 por ação. Até o momento, a empresa realizou sete transações independentes, gastando um total de $2,9 milhões para recomprar um total de 5,5 milhões de ações da empresa.

De acordo com Odaily, o analista da comunidade CryptoQuant, Maartunn, monitorou que a Galaxy Digital voltou a transferir/vender cerca de 700 BTC. Ele havia divulgado anteriormente que, em 17 de março, a Galaxy Digital transferiu mais de 1346 BTC em poucas horas, totalizando uma saída acumulada de mais de 2000 BTC recentemente.

PANews, 21 de março – De acordo com um anúncio oficial, a Tether anunciou o lançamento do quadro de ajuste fino BitNet LoRA na QVAC Fabric, permitindo o treino e a otimização de inferência do Microsoft BitNet (LLM de 1 bit). Este quadro reduz significativamente as necessidades de poder computacional e memória, permitindo que modelos com bilhões de parâmetros sejam treinados e ajustados em portáteis, GPUs de consumo e smartphones. Esta solução permite, pela primeira vez, o ajuste fino de modelos BitNet em GPUs móveis (incluindo Adreno, Mali e Apple Bionic). Os testes mostram que um modelo com 125M de parâmetros pode ser ajustado em cerca de 10 minutos, enquanto um modelo de 1B pode ser ajustado em aproximadamente 1 hora, sendo possível escalar até modelos de 13B de parâmetros em dispositivos móveis. Além disso, o quadro suporta hardware heterogéneo como Intel, AMD e Apple Silicon, e permite, pela primeira vez, o ajuste fino LoRA de LLM de 1 bit em dispositivos não NVIDIA. Em termos de desempenho, a velocidade de inferência dos modelos BitNet em GPUs móveis é de 2 a 11 vezes superior à dos CPUs, enquanto o uso de memória gráfica é reduzido em até cerca de 77,8% em comparação com modelos tradicionais de 16 bits. A Tether afirma que esta tecnologia tem o potencial de eliminar a dependência de poder computacional avançado e de infraestruturas de cloud, promovendo o desenvolvimento descentralizado e local do treino de IA, além de fornecer uma base para novos cenários de aplicação como o federated learning.