GMGN niega los rumores de ataques de hackers: La plataforma no tiene problemas de seguridad y los fondos de los usuarios están seguros.

La startup fintech ZAR pretende utilizar las tiendas de barrio y quioscos de Pakistán para hacer que las stablecoins sean accesibles para millones de ciudadanos no bancarizados. El gigante de capital de riesgo Andreessen Horowitz (a16z) está liderando una ronda de financiación de 12,9 millones de dólares para ZAR, una startup fintech de un año que busca hacer que las stablecoins respaldadas por dólares sean accesibles para los consumidores cotidianos en Pakistán y otros mercados emergentes. La ronda contó con la participación de Dragonfly Capital, VanEck Ventures, Coinbase Ventures y Endeavor Catalyst, según un informe del martes de Bloomberg. La startup está dirigida a los 240 millones de habitantes de Pakistán, donde el Banco Mundial estima que más de 100 millones de adultos siguen sin estar bancarizados. A diferencia de muchas empresas de criptomonedas centradas en aplicaciones o intercambios globales, ZAR planea distribuir stablecoins a través de tiendas locales de barrio, quioscos telefónicos y agentes de dinero, la misma red utilizada para recargas móviles y remesas. Leer más

Los sistemas de software modernos han superado los métodos de QA heredados construidos para monolitos. Las implementaciones frecuentes, las dependencias distribuidas y los modos de fallo complejos exigen soluciones a nivel de plataforma. Este artículo explica cómo la infraestructura de observabilidad, las canalizaciones de pruebas automatizadas y los contratos de fiabilidad forman la base de una plataforma de calidad. También describe una hoja de ruta práctica para equipos que pasan de herramientas fragmentadas a prácticas de ingeniería de fiabilidad unificadas y escalables, equilibrando la centralización con la flexibilidad para lograr una depuración más rápida, lanzamientos más seguros y una salud de servicio medible.

Al combinar las ventajas de los modelos de espacio de estados (SSMs) con mecanismos de atención, SAMBA presenta una arquitectura neuronal híbrida que permite un modelado de lenguaje efectivo y escalable con una longitud de contexto casi infinita. SAMBA supera tanto a los modelos basados en atención pura como a los basados en SSM en una variedad de métricas de razonamiento, comprensión y codificación cuando se entrena en SlimPajama con configuraciones consistentes. El modelo procesa secuencias de hasta 256K tokens con poco ajuste fino, logrando una velocidad y capacidad de extrapolación excepcionales.