汪汪简报

全部新闻

1. 

   机构与应用 · CoinDesk

   Peter Thiel支持的Founders Fund领投加密抵押协议Anvil 500万美元代币购买

   Founders Fund领投，Anvil想降企业接入抵押门槛，落地仍待验证

   企业财务负责人若想把数字资产抵押接进支付和信贷流程，现在可以先评估 Anvil 的 SDK，不必先雇链上工程师；但领投方买的是治理代币，不等于产品已跑通。

   展开全文收起

   依据

   Founders Fund 合伙人 Joey Krug 说，企业需要知道支付和信贷背后的承诺会被兑现，Anvil 让它们用可验证的数字资产抵押来担保这些承诺，新 SDK 让接入自家产品更容易。机制上，Anvil 不同于常规去中心化金融（DeFi）借贷：抵押用来担保付款和信贷承诺，提供方不必借款、也不必付利息，因此它替代的是保证金与担保函，而不是贷款额度。Anvil 建在以太坊上，Anvil Research Labs 列出的接入方包括 Consensus、Bitcoin.com、支付公司 Flexa，Bullish 也在探索把协议用于自身运营。本次买入的是治理代币 ANVL，来自项目自有金库而非新发行，持有者只拿到协议开发的治理权。对照数字：本次买入 5 million 美元，ANVL 流通量 80 billion、总供应量 100 billion，而 DefiLlama 统计 DeFi 借贷协议持有约 56 billion 美元资产，Anvil 切的是同一块抵押需求里偏企业担保的那一侧。

   • 本次代币买入5 million
   • ANVL 流通量80 billion
   • ANVL 总供应量100 billion
   • DeFi 借贷协议持有资产56 billion

   没写清 材料没有披露这次代币交易的条款与估值，也没说 SDK 接入方是否已跑出真实的支付或信贷结算量。

   下一步 看 Consensus、Flexa 或 Bullish 是否公开一笔用 Anvil 抵押结算的支付或信贷。

   原文 →

   剪报
2. 

   机构与应用 · The Block

   Winklevoss集团寻求推出Zcash ETF，费率0.25%，拟用WINK代码

   Zcash需求有限，0.25%费率能否撑起先发优势，得看灰度ZCSH让步多少。

   想配 Zcash 的机构现在得在「先有通道」和「费率可能更低」之间挑一边：先按 0.25% 上 WINK 的人买到的是时间，代价是万一 ZCSH 之后让价，改通道的摩擦成本由先动的那批人自己吞。

   展开全文收起

   依据

   Winklevoss Asset Services 递交了现货（spot）Zcash 交易所交易基金（ETF）申请，代码 WINK，托管人（custodian）写的是 Gemini，费率 0.25%，直接对标灰度已有的 ZCSH。机制上费率是持有期里每年固定扣掉的一层，谁的费率低谁就在长期持有者那里赢；WINK 这一手抢的是「先有现货通道」的名额，而 Zcash 本身需求盘子有限，愿意为通道付钱的人更少，所以先扣 0.25% 的人等于用可量化的成本换一个先建仓的位置。这个位置的定价完全取决于对手：灰度只要把 ZCSH 让到 0.25% 以下，先上 WINK 的人就白付了一段费率差，而且还得再走一次换仓。

   没写清 灰度 ZCSH 当前的费率数字材料里一个字没给，所以 0.25% 到底是压价还是跟价，无法判断。

   下一步 可核对的是灰度 ZCSH 的费率文件是否更新，以及 WINK 的申请是否进入公开评议期。

   原文 →

   剪报
3. 

   机构与应用 · CoinDesk

   OKX获StanChart、Circle、Ripple投资，推动其超越加密交易所根基

   OKX获StanChart等投资背书，但转身支付与代币化资产，合规成本不低。

   对准备接入 OKXICE 代币化美股通道的做市商和托管行来说，Circle 与渣打风投出现在投资方名单，意味着可以提早建接入和报价能力，不必等 SEC 的临时豁免变成正式规则才动手。

   展开全文收起

   依据

   OKX 创始人兼 CEO Star Xu 说：「交易所只是我们的起点，我们正在演变成更广泛的全球金融科技平台。」本轮投资方是稳定币 USDC 的发行方 Circle、Ripple、量化投资管理公司 Qube Research & Technologies（QRT）以及渣打银行的风投部门 SC Ventures；OKX 未披露投资金额，融资把公司定在 $25 billion 的 pre-money（投前）估值，与 ICE 早期那笔一致。机制上的变化在这里：OKX 与 ICE 的合资公司本周提交申请，要在美国证券交易委员会（SEC）框架下做代币化股票交易，计划用 OKX 的 X Layer 区块链和 USDC、USDT、USDG 等稳定币，对 63 家美国公司的代币化股票提供 24/7 交易，股票保留分红与投票权。Macquarie 在周二的报告里给出了判断的落点：采用取决于 OKXICE 能否吸引到足够的公司、投资者和流动性提供方，让价格在全天候交易下保持可靠；SEC 豁免的临时性会让机构在不知道后续的情况下不愿花钱把系统接上去。

   1. ICE 早期投资
      ↓→同一投前估值
   2. 新投资方增资
      ↓→合资主体
   3. OKXICE 提交 SEC 申请
      ↓→SEC 框架下
   4. 代币化美股 24/7 交易

   没写清 材料没说本轮各投资方各自出了多少钱，也没说它们在 OKXICE 里占什么位置，所以分不清这些背书是纯财务投资还是带通道绑定。

   下一步 看 OKXICE 的 SEC 申请是否进入公开评议或获批，以及首批上线的是 63 家公司里的哪几家。

   原文 →

   剪报
4. 

   机构与应用 · CoinDesk

   Arbitrum加入Paxos主导的稳定币组织Global Dollar，以捕捉数字美元增长

   Arbitrum押注Paxos的USDG，换来储备收益分成，却要站队稳定币阵营。

   这改变的是 ArbitrumDAO 成员是否批准把 100 million ARB 加进 DRIP 激励计划、并用国库资产为 Paxos 联盟稳定币 USDG 做流动性；代价是先由 ARB 持有者承担激励和做市风险，收益要等 USDG 在 Morpho、GMX 等集成里形成需求后才按联盟规则分成。

   展开全文收起

   依据

   Arbitrum Foundation 投资策略主管 Brendan Ma 说，USDG 让 Arbitrum 和平台建设者拥有增长上行收益的股份。机制上，USDG（Paxos 发行、由美元储备一比一支持的稳定币）属于 Global Dollar Network（Paxos 牵头的稳定币联盟），该联盟把 USDG 储备产生的收益分给推动采用的合作方，而不是只留给发行方；Arbitrum 目前承载约 $3.8 billion 稳定币，其中 roughly 60% 是 Circle 的 USDC（美元稳定币），此前并不直接分到这些储备收入。治理提案要求 ArbitrumDAO 把 USDG 增长列为战略优先，向 DRIP（激励计划）增加 100 million ARB，并动用国库资产支持 USDG 流动性。取舍是：Arbitrum 用国库 ARB 和流动性补贴换 USDG 的采用与储备收益份额；若 USDG 在 Morpho、GMX、Fluid、Maple、Kraken 等集成中没形成需求，成本先由 DAO 国库和 ARB 持有者承担。对照材料：USDG 跨网络流通超过 $3 billion，Global Dollar Network 有 150 多个合作方，欧洲 Qivalis 有 37 家银行支持，OpenUSD 则拿到 Mastercard、Visa、Stripe、Coinbase、Shopify 支持。

   • Arbitrum 网络上稳定币总量$3.8 billion
   • USDC 占 Arbitrum 稳定币比例roughly 60%
   • 提案拟加进 DRIP 的 ARB100 million ARB
   • USDG 跨网络流通量more than $3 billion

   没写清 材料没说 Global Dollar Network 给 Arbitrum 的储备收益分成比例，也没说 DAO 准备从国库拿多少资产支持 USDG 流动性。

   下一步 下一步看 ArbitrumDAO 是否通过这项提案，并把 100 million ARB 实际加进 DRIP。

   原文 →

   剪报

5. 行业动态 · OpenAI

   Atlassian 与 OpenAI 扩大合作，将企业知识转化为行动

   Atlassian与OpenAI打通企业知识，落地效率提升，但数据治理仍得自己扛

   这条消息改变的是已经同时采购 Atlassian 与 OpenAI 的企业 IT 负责人的决定：把知识库接进模型，从「自己立项做集成」改成「等两家官方连接上线」，预算和排期随之往后压。

   展开全文收起

   依据

   谁说了什么：OpenAI 在自家渠道发布公告，标题为「Atlassian and OpenAI expand partnership to turn enterprise knowledge into action」，正文只说双方扩大合作，把 frontier models（前沿模型，即能力最强的那一档大模型）与企业知识连起来，帮助团队 plan、build、deliver 工作。材料里没有给出任何可对照数字，也没说接的是哪个模型、覆盖 Jira 还是 Confluence、走什么权限体系。机制上能确定的是：知识在 Atlassian 侧，模型在 OpenAI 侧，一次调用要两边同时放行，权限映射与数据边界的责任因此落在客户身上，这也是策展点评说数据治理仍得自己扛的原因。

   没写清 材料没说这次打通具体覆盖哪些产品、走哪套权限与审计接口，所以无法替它判断哪些数据会离开企业边界。

   下一步 下一步可核对两家后续公布的集成产品清单与权限模型说明，看是否点名 Jira、Confluence。

   原文 →

   剪报

6. AI工具 · AWS Machine Learning Blog

   在 AgentCore 和 OpenClaw 上构建上下文感知的 AI 助手

   自建助手能跨会话累积记忆，但得先接受AgentCore的绑定与运维开销。

   这篇材料把自建助手的决策点从「要不要做记忆」挪到「记忆托管给谁」：选 OpenClaw 加 AgentCore memory 可以不自建存储层，但运行时和记忆库一并落在 AWS 侧，日后换供应商的迁移成本得自己扛。

   展开全文收起

   依据

   AWS 的 Thiago Verney、Akarsha Sehwag 和 Sathya Balakrishnan 在 10月6日的博文里说，现成助手答单个问题没问题，缺的是连续性：一个无状态助手不记得你三周前提过的排水快的抬高花床、只用有机肥、矮牵牛在热浪里打蔫，每次对话都从零开始，重新解释上下文的负担压在用户身上。他们给的机制是：OpenClaw（一个开源 agentic 系统，即能自行调用工具、分步完成任务的智能体框架）跑在 AgentCore runtime（Amazon Bedrock AgentCore 的运行环境）上，由 AgentCore memory 把一次性对话沉淀成可长期保留的知识，再给记忆打上结构化元数据，按当前问题取回相关记录。示例助手 Sprout 是园艺场景，但作者说这套架构与领域无关。

   1. OpenClaw 智能体
      ↓→部署于
   2. AgentCore 运行环境
      ↓→写入
   3. AgentCore 记忆
      ↓→打标取回
   4. 结构化元数据取回

   没写清 博文没有给出记忆取回的准确率、延迟或费用数字，也没说 OpenClaw 与 AgentCore memory 的耦合有多深、换掉记忆后端要改多少代码。

   下一步 看这篇博文的示例代码仓库是否放出 Sprout 的完整配置，重点数记忆写入与检索那部分有多少调用是 AgentCore 专有接口。

   原文 →

   剪报

7. 精选深读 · Google DeepMind

   EmbeddingGemma 2：一个开放、轻量的多模态嵌入模型

   EmbeddingGemma 2主打端侧开放轻量，多模态检索精度需实测。

   端侧 RAG 和本地搜索的开发者要重新决定：是否把多模态检索从服务端向量库迁到本地推理的 EmbeddingGemma 2，还是继续为图像、音频单独维护编码器。

   展开全文收起

   依据

   Google DeepMind 研究工程师 Sahil Dua 与 Henrique Schechter Vera 在 10月6日 的发布文中称，EmbeddingGemma 2 是其尺寸段内最强的端侧多模态嵌入模型。机制上它把文本、图像、音频、视频映射进同一嵌入空间：文本权重最低 270M 参数，视觉编码器 170M、音频编码器 300M 可选加载，纯文本场景因此不必付多模态的内存代价。存储侧用 MRL（Matryoshka Representation Learning，套娃式表示学习）把输出向量从 768 维截断到 512、256 或 128 维，官方称最高带来 6x 存储缩减。量化后在 Google Pixel 11 Pro 上，纯文本权重约 191MB 活跃内存，全模态约 567MB。上一代 EmbeddingGemma 的下载量超过 20 million。

   • 参数总量740 million
   • 文本权重活跃内存~191MB
   • 全模态活跃内存~567MB
   • 上一代下载量20 million

   没写清 材料只写 EmbeddingGemma 2 在 MTEB Code 与 MAEB 上取得领先分数，没给出具体分数和对照模型，所以无法判断多模态检索精度实际高出多少。

   下一步 核对官方模型卡里 MTEB Code 与 MAEB 的具体分数、参数量级和评测条件。

   原文 →

   剪报