29 квітня платформа з управління стейблкоїнами Stable Sea інтегрувала токенізований фонд грошового ринку казначейських облігацій США WisdomTree (WTGXX) у свою платформу, що дає змогу корпоративним клієнтам розміщувати тимчасово вільні операційні кошти в дохідних державних цінних паперах на блокчейн-інфраструктурі. Станом на 28 квітня WTGXX

Згідно з Cointelegraph, стартап з фінансового менеджменту Stable Sea інтегрував токенізований фонд грошового ринку Казначейства США від WisdomTree WTGXX у свою платформу 30 квітня. Фонд, який насамперед інвестує в короткострокові цінні папери Казначейства США, мав загальні активи мільйонів і денну дохідність 3,43% станом на 28 квітня.

Згідно з The Block, платформа керування стейблкоїнами Stable Sea співпрацює з керуючим активами WisdomTree, щоб інтегрувати токенізований фонд грошового ринку WTGXX безпосередньо в її платформу для корпоративних платежів і управління казначейством. Користувачі Stable Sea тепер можуть конвертувати бездіяльні залишки стейблкоїнів у WTGXX

Деяка NFT-платформа оголосила про затримку планів выпуску токена SEA. Генеральний директор Девін Фінцер заявив, що запланована на перший квартал 2026 року подія генерації токенів буде відкладена, конкретна дата поки не оприлюднена. Затримка пов'язана зі складними умовами криптовалютного ринку, і команда прагне переконатися, що всі підготовчі роботи будуть повністю завершені перед запуском випуску.

PANews 25 листопада повідомляє, що, згідно з даними Shanghai Securities News, Агентство штучного інтелекту Сінгапуру (AISG) у своєму останньому проекті з великими мовними моделями Південно-Східної Азії відмовилося від моделі Meta Llama і перейшло на архітектуру Alibaba Tongyi Qwen. Станом на сьогодні, глобальний обсяг завантаження серії Qwen перевищив 600 мільйонів. Відомо, що 25 листопада AISG випустило "Qwen-SEA-LION-v4", яке зайняло перше місце в рейтингу мовних можливостей Південно-Східної Азії. Раніше відкриті моделі, представлені серією Llama компанії Meta, показували погані результати при обробці регіональних мов, таких як індонезійська, тайська і малайська, що серйозно стримувало ефективність і продуктивність розробки локалізованих AI-додатків.