Golden Finance melaporkan bahwa Federal Reserve Banks di Boston dan New York merilis laporan berjudul “Flight to Safety: Are Stablecoins the New Money Market Fund?” pada tanggal 26 September. Laporan tersebut membandingkan stablecoin seperti USDT dan USDC dengan dana pasar uang. Temuan utama dalam laporan ini mencakup pengamatan bahwa stablecoin dan dana pasar uang mengikuti pola yang sama dalam operasinya, dan bahwa stablecoin dapat membawa ketidakstabilan pada sistem keuangan yang lebih luas. Laporan tersebut menyatakan bahwa temuan kami menunjukkan bahwa stablecoin rentan untuk dijalankan selama gangguan pasar kripto yang meluas dan peristiwa stres khusus. Jika stablecoin terus tumbuh dan semakin terkait erat dengan pasar keuangan utama seperti pasar pendanaan jangka pendek, maka stablecoin dapat menjadi sumber ketidakstabilan keuangan bagi sistem keuangan yang lebih luas.

Menurut laporan IT House pada tanggal 9 September, NVIDIA baru-baru ini mengumumkan peluncuran TensorRT-LLM, pustaka sumber terbuka yang sangat dioptimalkan yang dapat mempercepat kinerja inferensi semua model bahasa besar pada GPU AI seperti Hopper. NVIDIA saat ini bekerja sama dengan komunitas open source untuk menggunakan teknologi mutakhir seperti SmoothQuant, FlashAttention, dan fMHA untuk mengimplementasikan kernel AI guna mengoptimalkan GPU-nya, yang dapat mempercepat model GPT-3 (175B), Llama Falcom (180B) dan Bloom. Puncak dari TensorRT-LLM adalah pengenalan skema penjadwalan yang disebut In-Flight batching, yang memungkinkan pekerjaan masuk dan keluar dari GPU secara independen dari tugas lainnya. Solusi ini memungkinkan GPU yang sama untuk secara dinamis memproses beberapa kueri yang lebih kecil saat memproses permintaan komputasi intensif yang besar, meningkatkan kinerja pemrosesan GPU dan mempercepat throughput H100 sebanyak 2 kali lipat. Dalam pengujian performa, NVIDIA menggunakan A100 sebagai basis dan membandingkan H100 dan H100 dengan TensorRT-LLM yang diaktifkan. Dalam inferensi GPT-J 6B, performa inferensi H100 4 kali lebih tinggi dibandingkan performa A100, sedangkan performa H100 dengan TensorRT -LLM yang diaktifkan lebih baik dari A100. 8 kali.