Author: cosmic

Tham gia bản tin hàng ngày và hàng tuần của chúng tôi để nhận các bản cập nhật mới nhất và nội dung độc quyền về các tin tức hàng đầu về AI trong ngành. Tìm hiểu thêm Các doanh nghiệp cần biết liệu các mô hình cung cấp năng lượng cho các ứng dụng và tác nhân của họ có hoạt động trong các tình huống thực tế hay không. Loại đánh giá này đôi khi có thể phức tạp vì rất khó để dự đoán các tình huống cụ thể. Một phiên bản cải tiến của chuẩn RewardBench tìm cách cung cấp cho các tổ chức một ý tưởng tốt hơn về hiệu suất thực tế của mô hình. Viện AI Allen (Ai2) đã ra mắt RewardBench 2, một phiên bản cập nhật của chuẩn mô hình phần thưởng, RewardBench, mà họ tuyên bố cung cấp một cái nhìn toàn diện hơn về hiệu suất mô hình và đánh giá cách các mô hình phù hợp với các mục tiêu và tiêu chuẩn của doanh nghiệp. Ai2 đã xây dựng RewardBench với các tác vụ phân loại đo lường các tương quan thông qua tính toán thời gian suy luận và đào tạo xuôi dòng. RewardBench chủ yếu giải quyết các mô hình phần thưởng (RM), có thể đóng vai trò là người đánh giá và đánh giá đầu ra của LLM. RM gán một điểm số hoặc một “phần thưởng” hướng dẫn học tăng cường với phản hồi của con người (RHLF). RewardBench 2 đã ra mắt! Chúng tôi đã mất một thời gian dài để học hỏi từ công cụ đánh giá mô hình phần thưởng đầu tiên của mình để tạo ra một công cụ khó hơn đáng kể và tương quan nhiều hơn với cả RLHF xuôi dòng và mở rộng quy mô thời gian suy luận. pic.twitter.com/NGetvNrOQV — Ai2 (@allen_ai) Ngày 2 tháng 6 năm 2025 Nathan Lambert, một nhà khoa học nghiên cứu cấp cao tại Ai2, nói với VentureBeat rằng RewardBench đầu tiên đã hoạt động như dự định khi nó được ra mắt. Tuy nhiên, môi trường mô hình đã phát triển nhanh chóng và các chuẩn mực của nó cũng vậy. Ông nói: “Khi các mô hình phần thưởng trở nên tiên tiến hơn và các trường hợp sử dụng trở nên sắc thái hơn, chúng tôi nhanh chóng nhận ra với cộng đồng rằng phiên bản đầu tiên không nắm bắt đầy đủ sự phức tạp của sở thích của con người trong thế giới thực”. Lambert nói thêm rằng với RewardBench 2, “chúng tôi bắt đầu cải thiện cả bề rộng và chiều sâu của đánh giá—kết hợp các lời nhắc đa dạng, thách thức hơn và tinh chỉnh phương pháp để phản ánh tốt hơn cách con người thực sự đánh giá đầu ra của AI trong thực tế”. Ông cho biết phiên bản thứ hai sử dụng các lời nhắc của con người chưa từng thấy, có thiết lập chấm điểm đầy thách thức hơn và các miền mới. Sử dụng các đánh giá cho các mô hình đánh giá Mặc dù các mô hình phần thưởng kiểm tra mức độ hoạt động tốt của các mô hình, nhưng điều quan trọng nữa là RM phải phù hợp với các giá trị của công ty; nếu không, quá trình tinh chỉnh và học tăng cường có thể củng cố các hành vi xấu, chẳng hạn như ảo giác, giảm khả năng khái quát hóa và chấm điểm quá cao các phản hồi có hại. RewardBench 2 bao gồm sáu miền khác nhau: tính xác thực, tuân thủ hướng dẫn chính xác, toán học, an toàn, tập trung và hòa giải. “Các doanh nghiệp nên sử dụng RewardBench 2 theo hai cách khác nhau tùy thuộc vào ứng dụng của họ. Nếu họ tự thực hiện RLHF, họ nên áp dụng các phương pháp hay nhất và bộ dữ liệu từ các mô hình hàng đầu trong quy trình của riêng họ vì các mô hình phần thưởng cần các công thức đào tạo tại chỗ (tức là các mô hình phần thưởng phản ánh mô hình mà họ đang cố gắng đào tạo bằng RL). Đối với việc mở rộng thời gian suy luận hoặc lọc dữ liệu, RewardBench 2 đã chỉ ra rằng họ có thể chọn mô hình tốt nhất cho miền của mình và xem hiệu suất tương quan”, Lambert nói. Lambert lưu ý rằng các chuẩn mực như RewardBench cung cấp cho người dùng một cách để đánh giá các mô hình mà họ đang chọn dựa trên “các khía cạnh quan trọng nhất đối với họ, thay vì dựa vào một điểm số phù hợp với tất cả mọi người”. Ông nói rằng ý tưởng về hiệu suất, mà nhiều phương pháp đánh giá tuyên bố là đánh giá, rất chủ quan vì một phản hồi tốt từ một mô hình phụ thuộc rất nhiều vào bối cảnh và mục tiêu của người dùng. Đồng thời, sở thích của con người trở nên rất sắc thái. Ai 2 đã phát hành phiên bản đầu tiên của RewardBench vào tháng 3 năm 2024. Vào thời điểm đó, công ty cho biết đây là chuẩn mực và bảng xếp hạng đầu tiên cho các mô hình phần thưởng. Kể từ đó, một số phương pháp để chuẩn hóa và cải thiện RM đã xuất hiện. Các nhà nghiên cứu tại FAIR của Meta đã đưa ra reWordBench. DeepSeek đã phát hành một kỹ thuật mới có tên là Self-Principled Critique Tuning để RM thông minh hơn và có thể mở rộng quy mô. Vô cùng phấn khích khi công cụ đánh giá mô hình phần thưởng thứ hai của chúng tôi đã ra mắt. Nó khó hơn đáng kể, sạch hơn nhiều và tương quan tốt với việc lấy mẫu PPO/BoN xuôi dòng. Chúc mừng leo đồi! Xin chúc mừng @saumyamalik44, người đã dẫn đầu dự án với cam kết hoàn toàn để đạt được sự xuất sắc. https://t.co/c0b6rHTXY5 — Nathan Lambert (@natolambert) Ngày 2 tháng 6 năm 2025 Cách các mô hình hoạt động Vì RewardBench 2 là một phiên bản cập nhật của RewardBench, Ai2 đã thử nghiệm cả các mô hình hiện có và mới được đào tạo để xem chúng có tiếp tục xếp hạng cao hay không. Chúng bao gồm nhiều mô hình khác nhau, chẳng hạn như các phiên bản của Gemini, Claude, GPT-4.1 và Llama-3.1, cùng với các bộ dữ liệu và mô hình như Qwen, Skywork và Tulu của riêng nó. Công ty nhận thấy rằng các mô hình phần thưởng lớn hơn hoạt động tốt nhất trên chuẩn mực vì các mô hình cơ sở của chúng mạnh hơn. Nhìn chung, các mô hình hoạt động mạnh nhất là các biến thể của Llama-3.1 Instruct. Về khả năng tập trung và an toàn, dữ liệu Skywork “đặc biệt hữu ích” và Tulu đã hoạt động tốt về tính xác thực. Ai2 cho biết mặc dù họ tin rằng RewardBench 2 “là một bước tiến trong đánh giá dựa trên độ chính xác đa miền, rộng rãi” cho các mô hình phần thưởng, nhưng họ cảnh báo rằng việc đánh giá mô hình chủ yếu nên được sử dụng như một hướng dẫn để chọn các mô hình hoạt động tốt nhất với nhu cầu của một doanh nghiệp. Thông tin chi tiết hàng ngày về các trường hợp sử dụng kinh doanh với VB Daily Nếu bạn muốn gây ấn tượng với sếp của mình, VB Daily sẽ giúp bạn. Chúng tôi cung cấp cho bạn thông tin nội bộ về những gì các công ty đang làm với AI tạo sinh, từ những thay đổi về quy định đến triển khai thực tế, để bạn có thể chia sẻ thông tin chi tiết để có ROI tối đa. Đăng ký ngay Đọc Chính sách quyền riêng tư của chúng tôi Cảm ơn bạn đã đăng ký. Xem thêm bản tin VB tại đây. Đã xảy ra lỗi.

Hãy tham gia bản tin hàng ngày và hàng tuần của chúng tôi để nhận thông tin cập nhật mới nhất và nội dung độc quyền về các tin tức hàng đầu về AI. Tìm hiểu thêm Các doanh nghiệp cần biết liệu các mô hình cung cấp sức mạnh cho các ứng dụng và tác nhân của họ có hoạt động trong các tình huống thực tế hay không. Loại đánh giá này đôi khi có thể phức tạp vì rất khó để dự đoán các tình huống cụ thể. Một phiên bản cải tiến của chuẩn RewardBench tìm cách cung cấp cho các tổ chức ý tưởng tốt hơn về hiệu suất thực tế của mô hình. Viện AI Allen (Ai2) đã ra mắt RewardBench 2, một phiên bản cập nhật của chuẩn mô hình phần thưởng, RewardBench, mà họ tuyên bố cung cấp một cái nhìn toàn diện hơn về hiệu suất mô hình và đánh giá mức độ phù hợp của các mô hình với các mục tiêu và tiêu chuẩn của doanh nghiệp. Ai2 đã xây dựng RewardBench với các tác vụ phân loại đo lường mối tương quan thông qua tính toán thời gian suy luận và đào tạo hạ nguồn. RewardBench chủ yếu giải quyết các mô hình phần thưởng (RM), có thể đóng vai trò là người đánh giá và đánh giá đầu ra của LLM. RM chỉ định một điểm số hoặc “phần thưởng” hướng dẫn việc học tăng cường với phản hồi của con người (RHLF). RewardBench 2 đã ra mắt! Chúng tôi đã mất một thời gian dài để học hỏi từ công cụ đánh giá mô hình phần thưởng đầu tiên của mình để tạo ra một công cụ khó hơn đáng kể và tương quan nhiều hơn với cả RLHF hạ nguồn và khả năng mở rộng thời gian suy luận. pic.twitter.com/NGetvNrOQV — Ai2 (@allen_ai) Ngày 2 tháng 6 năm 2025

Nathan Lambert, một nhà khoa học nghiên cứu cấp cao tại Ai2, nói với VentureBeat rằng RewardBench đầu tiên đã hoạt động như dự định khi nó được ra mắt. Tuy nhiên, môi trường mô hình đã phát triển nhanh chóng, và các chuẩn mực của nó cũng vậy. Ông nói: “Khi các mô hình phần thưởng trở nên tiên tiến hơn và các trường hợp sử dụng trở nên phức tạp hơn, chúng tôi nhanh chóng nhận ra với cộng đồng rằng phiên bản đầu tiên không nắm bắt đầy đủ sự phức tạp của sở thích của con người trong thế giới thực”. Lambert nói thêm rằng với RewardBench 2, “chúng tôi đặt mục tiêu cải thiện cả bề rộng và chiều sâu của đánh giá—kết hợp các lời nhắc đa dạng và thách thức hơn, đồng thời tinh chỉnh phương pháp để phản ánh tốt hơn cách con người thực sự đánh giá đầu ra của AI trong thực tế.” Ông cho biết phiên bản thứ hai sử dụng các lời nhắc của con người chưa từng thấy, có thiết lập chấm điểm đầy thách thức hơn và các miền mới. Sử dụng đánh giá cho các mô hình đánh giá Trong khi các mô hình phần thưởng kiểm tra mức độ hoạt động tốt của các mô hình, thì điều quan trọng nữa là RM phải phù hợp với các giá trị của công ty; nếu không, quá trình tinh chỉnh và học tăng cường có thể củng cố các hành vi xấu, chẳng hạn như ảo giác, giảm khả năng khái quát hóa và chấm điểm quá cao các phản hồi có hại. RewardBench 2 bao gồm sáu miền khác nhau: tính xác thực, tuân thủ hướng dẫn chính xác, toán học, an toàn, tập trung và hòa giải. “Các doanh nghiệp nên sử dụng RewardBench 2 theo hai cách khác nhau tùy thuộc vào ứng dụng của họ. Nếu họ tự thực hiện RLHF, họ nên áp dụng các phương pháp hay nhất và bộ dữ liệu từ các mô hình hàng đầu trong quy trình của riêng họ vì các mô hình phần thưởng cần các công thức đào tạo tại chỗ (tức là các mô hình phần thưởng phản ánh mô hình mà họ đang cố gắng đào tạo bằng RL). Đối với việc mở rộng thời gian suy luận hoặc lọc dữ liệu, RewardBench 2 đã chỉ ra rằng họ có thể chọn mô hình tốt nhất cho miền của mình và xem hiệu suất tương quan”, Lambert nói. Lambert lưu ý rằng các chuẩn mực như RewardBench cung cấp cho người dùng một cách để đánh giá các mô hình mà họ đang chọn dựa trên “các khía cạnh quan trọng nhất đối với họ, thay vì dựa vào một điểm số phù hợp với tất cả mọi người”. Ông cho biết ý tưởng về hiệu suất, mà nhiều phương pháp đánh giá tuyên bố là đánh giá, rất chủ quan vì một phản hồi tốt từ một mô hình phụ thuộc rất nhiều vào bối cảnh và mục tiêu của người dùng. Đồng thời, sở thích của con người trở nên rất khác biệt. Ai 2 đã phát hành phiên bản đầu tiên của RewardBench vào tháng 3 năm 2024. Vào thời điểm đó, công ty cho biết đây là chuẩn mực và bảng xếp hạng đầu tiên cho các mô hình phần thưởng. Kể từ đó, một số phương pháp để đánh giá và cải thiện RM đã xuất hiện. Các nhà nghiên cứu tại FAIR của Meta đã đưa ra reWordBench. DeepSeek đã phát hành một kỹ thuật mới có tên là Self-Principled Critique Tuning để RM thông minh hơn và có thể mở rộng quy mô. Vô cùng vui mừng khi công cụ đánh giá mô hình phần thưởng thứ hai của chúng tôi đã ra mắt. Nó khó hơn đáng kể, sạch hơn nhiều và tương quan tốt với việc lấy mẫu PPO/BoN hạ nguồn. Chúc mừng leo đồi! Xin chúc mừng @saumyamalik44, người đã dẫn đầu dự án với cam kết xuất sắc hoàn toàn. https://t.co/c0b6rHTXY5 — Nathan Lambert (@natolambert) Ngày 2 tháng 6 năm 2025 Cách các mô hình hoạt động Vì RewardBench 2 là phiên bản cập nhật của RewardBench, Ai2 đã thử nghiệm cả các mô hình hiện có và mới được đào tạo để xem chúng có tiếp tục xếp hạng cao hay không. Chúng bao gồm nhiều mô hình khác nhau, chẳng hạn như các phiên bản của Gemini, Claude, GPT-4.1 và Llama-3.1, cùng với các bộ dữ liệu và mô hình như Qwen, Skywork và Tulu của riêng nó. Công ty nhận thấy rằng các mô hình phần thưởng lớn hơn hoạt động tốt nhất trên chuẩn mực vì các mô hình cơ sở của chúng mạnh hơn. Nhìn chung, các mô hình hoạt động mạnh nhất là các biến thể của Llama-3.1 Instruct. Về khả năng tập trung và an toàn, dữ liệu Skywork “đặc biệt hữu ích” và Tulu hoạt động tốt về tính xác thực. Ai2 cho biết mặc dù họ tin rằng RewardBench 2 “là một bước tiến trong đánh giá dựa trên độ chính xác đa miền, rộng rãi” cho các mô hình phần thưởng, nhưng họ cảnh báo rằng việc đánh giá mô hình chủ yếu nên được sử dụng như một hướng dẫn để chọn các mô hình hoạt động tốt nhất với nhu cầu của doanh nghiệp. Thông tin chi tiết hàng ngày về các trường hợp sử dụng kinh doanh với VB Daily Nếu bạn muốn gây ấn tượng với sếp của mình, VB Daily sẽ giúp bạn. Chúng tôi cung cấp cho bạn thông tin nội bộ về những gì các công ty đang làm với AI tạo sinh, từ những thay đổi về quy định đến triển khai thực tế, để bạn có thể chia sẻ thông tin chi tiết để có ROI tối đa. Đăng ký ngay Đọc Chính sách quyền riêng tư của chúng tôi Cảm ơn bạn đã đăng ký. Xem thêm bản tin VB tại đây. Đã xảy ra lỗi.

Khi thương mại toàn cầu phát triển, nhu cầu về các tùy chọn thanh toán xuyên biên giới đa dạng ngày càng tăng. Đó là lý do tại sao một startup fintech có trụ sở tại Ireland tên là NomuPay đã huy động được 40 triệu đô la trong vòng Series C từ SB Payment Service (SBPS), một công ty con của tập đoàn viễn thông khổng lồ Nhật Bản SoftBank Corp, với mức định giá 290 triệu đô la. NomuPay giúp các nhà bán hàng dễ dàng xử lý các khoản thanh toán xuyên biên giới trên hệ thống thanh toán phân mảnh ở châu Á, cũng như cho các nhà bán hàng và khách hàng của họ ở Châu Âu, MENA và Hoa Kỳ. Vòng tài trợ Series C mới nhất diễn ra khoảng năm tháng sau vòng tài trợ Series B trị giá 37 triệu đô la trước đó với mức định giá 200 triệu đô la vào tháng 1 năm nay, nâng tổng số tiền huy động được lên khoảng 120 triệu đô la. Startup sẽ sử dụng nguồn vốn mới cho giai đoạn tiếp theo, bao gồm mở rộng phạm vi tiếp cận ở các khu vực trọng điểm, bao gồm châu Á và hơn thế nữa, cũng như thực hiện các thương vụ mua lại. Ngoài ra, họ sẽ tăng gấp đôi quy mô bán hàng và hoạt động để tiếp cận cả các địa điểm hiện có và địa điểm mới. “Bắt đầu ngay lập tức, chúng tôi sẽ thêm APM [phương thức thanh toán thay thế] của Nhật Bản vào nền tảng của mình, cho phép các nhà bán hàng còn lại trên thế giới kết nối với chúng tôi và tiếp cận người tiêu dùng Nhật Bản mà không cần phải có một thực thể ở Nhật Bản,” Peter Burddige, Giám đốc điều hành của NomuPay cho biết trong một cuộc phỏng vấn với TechCrunch. Burddige cho biết họ cũng có kế hoạch thêm thẻ SBPS vào nền tảng của mình, cũng như thanh toán đa tiền tệ và thanh toán IC++. Giám đốc điều hành startup cho biết nền tảng của ông cho phép các nhà bán hàng cung cấp nhiều tùy chọn thanh toán địa phương hơn cho khách hàng của họ mà không làm tăng thêm sự phức tạp cho văn phòng hỗ trợ của họ. Ngoài ra, nó cung cấp cho các nhà bán hàng các tài khoản ảo đa tiền tệ và các dịch vụ kho bạc để quản lý ngoại hối (FX) của họ. Sự kiện Techcrunch Đăng ký ngay đến hết ngày 4 tháng 6 để tham gia TechCrunch Sessions: AI Tiết kiệm 300 đô la cho vé tham dự TC Sessions: AI—và được giảm 50% cho vé thứ hai. Lắng nghe ý kiến từ các nhà lãnh đạo tại OpenAI, Anthropic, Khosla Ventures, v.v. trong một ngày đầy những hiểu biết chuyên môn, hội thảo thực hành và kết nối mạng có tác động cao. Những ưu đãi giá thấp này sẽ biến mất khi sự kiện mở cửa vào ngày 5 tháng 6. Triển lãm tại TechCrunch Sessions: AI Đảm bảo vị trí của bạn tại TC Sessions: AI và cho hơn 1.200 nhà ra quyết định thấy những gì bạn đã xây dựng — mà không tốn nhiều chi phí. Ưu đãi có sẵn đến hết ngày 9 tháng 5 hoặc khi hết bàn. Berkeley, CA | Ngày 5 tháng 6 ĐĂNG KÝ NGAY “Chúng tôi cho phép các nhà bán hàng quản lý các khoản thanh toán toàn cầu của họ tách biệt khỏi dịch vụ mua lại của họ. Điều này cho phép nhà bán hàng quản lý rủi ro tiền tệ, chi phí FX và toàn bộ trải nghiệm thanh toán của nhà cung cấp và người được trả tiền. Chúng tôi sử dụng mạng lưới thanh toán địa phương để giảm thiểu chi phí và tối đa hóa tính minh bạch và tốc độ,” Burddige tiếp tục. Việc mở rộng kinh doanh ở châu Á thường gặp phải những thách thức trong việc có được nhiều giấy phép, điều hướng các quy định khác nhau và quản lý các phương thức thanh toán khác nhau, điều này có thể dẫn đến các hoạt động hỗ trợ tốn kém và phức tạp. Tuy nhiên, ngày càng có nhiều công ty tìm kiếm khả năng tiếp cận để phục vụ thị trường châu Á. Startup này đang chuẩn bị công bố phạm vi phủ sóng mới ở Singapore, Indonesia và Việt Nam, điều này sẽ mở rộng đáng kể sự hiện diện của họ ở Châu Đại Dương và Đông Nam Á, Burddige nói với TechCrunch. Startup bốn năm tuổi này hiện phục vụ hơn 2.000 nhà bán hàng trên toàn cầu, trải rộng khắp Châu Âu, Trung Đông và Châu Á. NomuPay đã mua lại Totla Processing, một startup có trụ sở tại Manchester chuyên phát triển các giải pháp xử lý thanh toán, bao gồm thanh toán định kỳ, quản lý rủi ro, tuân thủ bảo mật dữ liệu và tích hợp thanh toán, vào tháng 11 năm 2023. Burddige cho biết sau khi nhận được vòng tài trợ cuối cùng vào đầu năm nay, công ty đã tích hợp thành công hơn 500 nhà bán hàng mới, dự kiến sẽ tăng trưởng hơn 70% so với năm trước và đã mở rộng đội ngũ của mình lên hơn 250 nhân viên. Startup tạo doanh thu bằng cách tính phí dựa trên khối lượng giao dịch được xử lý bởi các nhà bán hàng, sử dụng các dịch vụ chấp nhận thanh toán và thanh toán trên các nền tảng phục vụ cả người mua và người bán NomuPay dự kiến sẽ vượt quá 45 triệu đô la doanh thu hàng năm gộp và 20 triệu đô la doanh thu thuần vào cuối năm 2025, theo Burridge. “Chúng tôi đã chứng minh rằng chúng tôi có thể cho thấy sự tăng trưởng có lợi nhuận, nhưng với nguồn tài trợ mới, chúng tôi đã đưa ra quyết định có chủ ý là tập trung vào tăng trưởng và kỳ vọng có lợi nhuận trong vòng 12 tháng.” Các chủ đề Fintech, Fintech, Ireland, Fintech Ireland, Nhật Bản, Nhật Bản, nomupay, SBPS, Softbank, Dịch vụ thanh toán SoftBank, Startups Kate Park Phóng viên, Châu Á Kate Park là phóng viên tại TechCrunch, tập trung vào công nghệ, startup và đầu tư mạo hiểm ở Châu Á. Trước đây, cô là một nhà báo tài chính tại Mergermarket, chuyên đưa tin về M&A, vốn cổ phần tư nhân và đầu tư mạo hiểm. Xem Tiểu sử Ngày 5 tháng 6 năm 2025 Berkeley, California Bạn nghĩ rằng bạn biết về AI? Hãy chứng minh điều đó. Với việc đếm ngược đến TC Sessions: AI đang diễn ra, đây là cơ hội để bạn thể hiện kiến thức về AI của mình—và nhận 2 vé với giá 1. Trả lời một vài câu hỏi nhanh về AI để bắt đầu thử thách của bạn. Ưu đãi đặc biệt về câu đố kết thúc vào ngày 4 tháng 6. Chơi Câu đố về AI Phổ biến nhất Công ty fintech NomuPay của Ireland nhận 40 triệu đô la với mức định giá 290 triệu đô la từ SoftBank Kate Park Valla huy động được 2,7 triệu đô la để giúp nhân viên dễ dàng tiếp cận hơn với các biện pháp pháp lý Dominic-Madori Davis Console huy động được 6,2 triệu đô la từ Thrive để giải phóng các nhóm CNTT khỏi các tác vụ trần tục bằng AI Marina Temkin Cựu Giám đốc điều hành DreamWorks Jeffrey Katzenberg đồng dẫn đầu vòng Series A trị giá 15,5 triệu đô la cho nền tảng quảng cáo video AI Amanda Silberling Microsoft Bing nhận trình tạo video AI miễn phí do Sora cung cấp Amanda Silberling Snowflake mua lại startup cơ sở dữ liệu Crunchy Data Rebecca Szkutak Những người sáng lập Digg’s giải thích cách họ xây dựng một trang web cho con người trong kỷ nguyên AI Sarah Perez

Khi thương mại toàn cầu phát triển, nhu cầu về các tùy chọn thanh toán xuyên biên giới đa dạng ngày càng tăng. Đó là lý do tại sao một startup fintech có trụ sở tại Ireland có tên NomuPay đã huy động được 40 triệu đô la trong vòng Series C từ SB Payment Service (SBPS), một công ty con của tập đoàn viễn thông khổng lồ Nhật Bản SoftBank Corp, với mức định giá 290 triệu đô la. NomuPay giúp các nhà bán lẻ xử lý thanh toán xuyên biên giới dễ dàng hơn trên hệ thống thanh toán phân mảnh ở châu Á, cũng như cho các nhà bán lẻ và khách hàng của họ ở Châu Âu, MENA và Hoa Kỳ.

Welcome to WordPress. This is your first post. Edit or delete it, then start writing!