Golden Finance a rapporté que les banques de réserve fédérales de Boston et de New York ont publié un rapport intitulé « Flight to Safety : Are Stablecoins the New Money Market Fund ? » le 26 septembre. Le rapport compare les pièces stables telles que l'USDT et l'USDC aux fonds du marché monétaire. Les principales conclusions du rapport incluent l’observation selon laquelle les pièces stables et les fonds du marché monétaire suivent des modèles similaires dans leurs opérations et que les pièces stables peuvent entraîner une instabilité dans le système financier dans son ensemble. Le rapport indique que nos conclusions indiquent que les pièces stables sont vulnérables aux ruées lors de perturbations généralisées du marché de la cryptographie et d'événements de stress spéciaux. Si les pièces stables continuent de croître et deviennent plus étroitement liées aux principaux marchés financiers tels que les marchés de financement à court terme, elles pourraient devenir une source d’instabilité financière pour l’ensemble du système financier.

Selon un rapport d'IT House du 9 septembre, NVIDIA a récemment annoncé le lancement de TensorRT-LLM, une bibliothèque open source profondément optimisée qui peut accélérer les performances d'inférence de tous les grands modèles de langage sur les GPU IA tels que Hopper. NVIDIA travaille actuellement avec la communauté open source pour utiliser des technologies de pointe telles que SmoothQuant, FlashAttention et fMHA pour implémenter des noyaux d'IA afin d'optimiser son GPU, qui peut accélérer les modèles GPT-3 (175B), Llama Falcom (180B) et Bloom. Le point culminant de TensorRT-LLM est l'introduction d'un schéma de planification appelé In-Flight batching, qui permet au travail d'entrer et de sortir du GPU indépendamment des autres tâches. Cette solution permet au même GPU de traiter dynamiquement plusieurs requêtes plus petites lors du traitement de requêtes volumineuses et gourmandes en calcul, améliorant ainsi les performances de traitement du GPU et accélérant le débit du H100 de 2 fois. Dans le test de performances, NVIDIA a utilisé A100 comme base et a comparé H100 et H100 avec TensorRT-LLM activé. Dans l'inférence GPT-J 6B, les performances d'inférence de H100 étaient 4 fois supérieures à celles de A100, tandis que les performances de H100 avec TensorRT -LLM activé était meilleur que A100, 8 fois.