Dasar
Spot
Perdagangkan kripto dengan bebas
Perdagangan Margin
Perbesar keuntungan Anda dengan leverage
Konversi & Investasi Otomatis
0 Fees
Perdagangkan dalam ukuran berapa pun tanpa biaya dan tanpa slippage
ETF
Dapatkan eksposur ke posisi leverage dengan mudah
Perdagangan Pre-Market
Perdagangkan token baru sebelum listing
Futures
Akses ribuan kontrak perpetual
TradFi
Emas
Satu platform aset tradisional global
Opsi
Hot
Perdagangkan Opsi Vanilla ala Eropa
Akun Terpadu
Memaksimalkan efisiensi modal Anda
Perdagangan Demo
Pengantar tentang Perdagangan Futures
Bersiap untuk perdagangan futures Anda
Acara Futures
Gabung acara & dapatkan hadiah
Perdagangan Demo
Gunakan dana virtual untuk merasakan perdagangan bebas risiko
Peluncuran
CandyDrop
Koleksi permen untuk mendapatkan airdrop
Launchpool
Staking cepat, dapatkan token baru yang potensial
HODLer Airdrop
Pegang GT dan dapatkan airdrop besar secara gratis
Launchpad
Jadi yang pertama untuk proyek token besar berikutnya
Poin Alpha
Perdagangkan aset on-chain, raih airdrop
Poin Futures
Dapatkan poin futures dan klaim hadiah airdrop
Investasi
Simple Earn
Dapatkan bunga dengan token yang menganggur
Investasi Otomatis
Investasi otomatis secara teratur
Investasi Ganda
Keuntungan dari volatilitas pasar
Soft Staking
Dapatkan hadiah dengan staking fleksibel
Pinjaman Kripto
0 Fees
Menjaminkan satu kripto untuk meminjam kripto lainnya
Pusat Peminjaman
Hub Peminjaman Terpadu
Tether menghadirkan AI on-device ke perangkat konsumen dengan kerangka kerja QVAC Fabric baru
Pelatihan AI beralih dari server cloud ke perangkat sehari-hari saat AI di perangkat mencapai smartphone flagship dan GPU konsumen.
Tether perkenalkan QVAC Fabric untuk pelatihan AI lokal
Tether, penerbit stablecoin USDT, telah memperkenalkan QVAC Fabric, kerangka kerja pelatihan AI baru yang dirancang untuk menjalankan model bahasa besar di smartphone dan GPU konsumen menggunakan arsitektur BitNet dari Microsoft dan teknik optimisasi LoRA.
Perusahaan mengatakan QVAC Fabric dapat mengurangi penggunaan memori hingga 90% dibandingkan model 16-bit standar. Selain itu, pengurangan ini memungkinkan model yang biasanya membutuhkan pusat data untuk dijalankan langsung di ponsel, laptop, dan GPU non-Nvidia.
Tether melaporkan bahwa insinyurnya melakukan penyempurnaan model dengan hingga 1 miliar parameter di smartphone dalam waktu kurang dari dua jam, sementara model yang lebih kecil hanya membutuhkan beberapa menit. Meski begitu, kerangka kerja ini tidak terbatas pada jaringan kecil dan dapat berkembang secara signifikan.
Menjalankan model dengan miliaran parameter di iPhone dan Android
Pada perangkat flagship seperti iPhone 16, Pixel 9, dan Galaxy S25, tim mendorong penyempurnaan model hingga sebesar 3,8 miliar parameter. Khususnya di ponsel terbaru Apple, mereka melaporkan mencapai 13 miliar parameter.
Kerangka kerja ini mendukung berbagai perangkat keras, termasuk chip AMD, Intel, dan Apple Silicon, serta GPU mobile dari Qualcomm dan Apple. Namun, secara eksplisit dirancang untuk beroperasi tanpa bergantung pada ekosistem Nvidia, menandai dorongan menuju infrastruktur AI yang lebih mudah diakses.
Menurut Tether, GPU mobile yang menjalankan model berbasis BitNet dapat beroperasi antara 2 hingga 11 kali lebih cepat daripada konfigurasi berbasis CPU saja. Perbedaan performa ini menegaskan mengapa arsitektur yang fokus pada perangkat mobile menjadi semakin penting untuk pelatihan model lokal.
Federated learning dan AI berfokus pada privasi
Salah satu penggunaan utama yang disorot oleh Tether adalah federated learning, yaitu pendekatan di mana model AI diperbarui di banyak perangkat tanpa mengirim data pribadi ke server pusat. Dalam praktiknya, ini memungkinkan pengguna mempersonalisasi model secara lokal sambil menyimpan data sensitif di perangkat mereka sendiri.
Selain itu, metode ini mengurangi ketergantungan pada penyedia cloud besar dan dapat menurunkan biaya untuk laboratorium kecil dan pengembang independen. Tether telah merilis kode platform QVAC secara open-source di GitHub, mengundang komunitas untuk bereksperimen dan memperluas kerangka kerja ini.
Tether memposisikan QVAC Fabric sebagai cara untuk membuat AI di perangkat lebih praktis secara skala besar, terutama untuk aplikasi yang membutuhkan privasi data yang ketat. Namun, keberhasilannya akan bergantung pada seberapa cepat pengembang mengadopsi alat ini dalam produk nyata.
Perusahaan kripto berlomba membangun infrastruktur AI
Peluncuran Tether sesuai dengan pergeseran yang lebih luas di sektor kripto, di mana perusahaan yang berbasis aset digital berinvestasi besar-besaran dalam AI dan komputasi berkinerja tinggi. Pada September 2024, Google mengakuisisi 5,4% saham di Cipher Mining sebagai bagian dari kesepakatan senilai $3 miliar terkait kapasitas pusat data AI.
Penambang Bitcoin IREN mengumumkan rencana pada Desember 2024 untuk mengumpulkan sekitar $3,6 miliar untuk ekspansi infrastruktur AI. Selain itu, pada Februari 2025, HIVE Digital Technologies melaporkan pendapatan rekor sebesar $93,1 juta, didorong oleh pertumbuhan AI dan komputasi berkinerja tinggi.
Pada Maret, Core Scientific mendapatkan fasilitas pinjaman sebesar $500 juta dari Morgan Stanley, dengan opsi untuk memperluasnya hingga $1 miliar. Investasi ini menunjukkan bagaimana penambang dan penyedia infrastruktur mulai diversifikasi di luar operasi Bitcoin murni.
Web3 bertemu agen AI dan alat identitas
Pada hari yang sama saat Tether mengungkapkan QVAC Fabric, World, proyek identitas yang didirikan bersama oleh Sam Altman dari OpenAI, meluncurkan AgentKit. Toolkit ini memungkinkan agen AI memverifikasi hubungan manusia nyata menggunakan World ID dan memulai pembayaran melalui protokol micropayment.
Juga pada Februari, Alchemy memperkenalkan sistem yang memungkinkan agen AI mengakses layanan data blockchain menggunakan USDC di jaringan Base. Selain itu, integrasi ini menandai konvergensi yang semakin berkembang antara agen cerdas, lapisan identitas, dan penyelesaian on-chain.
Secara keseluruhan, QVAC Fabric menegaskan bagaimana Tether dan perusahaan kripto lainnya memposisikan diri di persimpangan aset digital, riset AI, dan infrastruktur terdesentralisasi, yang berpotensi mengubah cara model canggih dilatih dan diterapkan di edge.