用 AI 生成「2003年那种感觉的家庭照」 写「复古」「胶片感」出来的图——就是加了一层滤镜的现代照片 真正有效的做法，是写年代参数： → 相机型号：Canon PowerShot A70 / Sony Cybershot DSC-P72 → 传感器特征：CCD噪点 / 低动态范围 / 色彩偏暖黄 → 技术缺陷：轻微过曝 / 自动对焦不稳 / JPEG压缩痕迹 → 环境细节：室内白炽灯打光 / 闪光灯红眼轻微 / 时代性服装款式 模型学习的是真实摄影作品，不是「风格词汇」 你描述的越接近「真实的物理现象」，出来的越像真实年代 写「复古」是让模型猜你的意思 写「Canon PowerShot A70，CCD噪点，2003年室内闪光灯」是给模型精确指令 精确指令永远比风格词稳定 #AI图像# #Prompt工程# #AI摄影# #GPTImage2#

投机解码的 drafter 从来都是一个 token 一个 token 地猜。做出 DFlash 的推理公司 Inco AI 说这没必要：正确的 token 本来就在候选列表里，整块并行预测之后挑出一条连贯路径，输出不变，每次验证多赚一个完整的 token。 《DFlash 2：保持并行起草》 推理是 agent 时代的瓶颈。agent 会读、会规划、会调用工具，常常一跑就是几小时甚至几天。它们消耗 token 的速度，是聊天场景从未达到过的。而每一个 token 都要在模型上跑一次完整的前向传播。在 Inco AI，我们在构建一套面向未来 token 经济学的推理栈。这篇文章是一次预览。 我们的团队 1 月发布了 DFlash（论文： SGLang、vLLM、TensorRT-LLM 和 llama.cpp 里。NVIDIA 在 Blackwell GPU 上用它测到了最高 15 倍的吞吐；Google 报告在 TPU 上每秒 token 数提升 3 倍；CoreWeave 生产环境的 Kimi K2.7 Code 端点（Artificial Analysis 上该模型最快的端点）默认就跑 DFlash。生态已经在它之上构建：NVIDIA、Red Hat、Modal 都发布了 DFlash drafter；Meta（Muse Glimmer）、Poolside（Laguna）、小米（MiMo-V2.5-Pro）、NVIDIA（Nemotron 3.5 Lightning）随自家模型发布官方 drafter。在 Hugging Face 上，DFlash 模型被下载了超过 350 万次（截至 2026 年 8 月）。 投机解码是现代推理栈的核心组件之一。一个小 drafter 模型猜出一整块 token，目标模型在一次前向传播里验证整块。猜得好，一次前向变成多个 token；猜得差，丢掉重来。但多年来，起草本身一直是自回归的：一次一个 token。DFlash 让它也变成了一次通过：整块、每个位置，并行预测。 （演示视频：DFlash 2 在 Apple M5 Max 上用 oMLX 为 Qwen3.8-27B 起草，与自回归解码并排对比。 DFlash 2 把并行起草又往前推了一步：每次验证通过多产出 20% 以上的输出，增加的周期延迟只有约 1%，而输出可证明不变。跨基准测试的增益在 16–25%。配合今天发布的 Qwen3.8-27B drafter，SGLang 在 batch size 1 下达到自回归解码 2.7–3.4 倍的吞吐。每个位置独立预测，留下两处空间：选对 token，以及在块的末尾守住准确率。DFlash 2 把这两处都拿了回来，同时没有放弃一次性通过的设计。 现在就能跑 DFlash 2 已经跑在主流推理引擎里。 SGLang： pip install -U "sglang[all] @ git+" python -m sglang.launch_server \ --model-path Qwen/Qwen3.8-27B \ --speculative-algorithm DFLASH \ --speculative-draft-model-path incoai/Qwen3.8-27B-DFlash2 \ --speculative-num-draft-tokens 8 vLLM： pip install -U "vllm @ git+" vllm serve Qwen/Qwen3.8-27B \ --speculative-config '{ "method": "dflash", "model": "incoai/Qwen3.8-27B-DFlash2", "num_speculative_tokens": 7 }' llama.cpp： git clone cd llama.cpp git fetch origin pull/27342/head:pr-27342 git switch pr-27342 NVIDIA CUDA cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON cmake --build build -j Apple Silicon cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON cmake --build build -j ./build/bin/llama-server \ -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \ -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \ --spec-type draft-dflash \ --spec-draft-n-max 7 oMLX：下载安装支持 DFlash 2 的预构建版（ 在 oMLX 里跑 Qwen3.8-27B 加 DFlash 2： 1. 打开 oMLX 的 Model Downloader，下载 mlx-community/Qwen3.8-27B-4bit 和 incoai/Qwen3.8-27B-DFlash2。 2. 打开 Model Manager，编辑 mlx-community/Qwen3.8-27B-4bit，配置 DFlash： • DFlash：enabled • Draft model：incoai/Qwen3.8-27B-DFlash2 • Draft quantization：enabled • Runtime block size：5 • Verify mode：dflash 3. 保存设置，加载目标模型。 对的 token 早就在候选里 DFlash 每个位置独立、并行地预测。每个选择单独看都合理，但没有什么让它们彼此咬合，一个不连贯的块会在验证时被截断。近期的方法如 Domino 和 DSpark，用顺序的 Markov head 重写每个位置的完整词表分布来买连贯性。但真的需要这种昂贵的自回归纠错吗？ 不需要。证据就在 DFlash 自己的候选列表里。拿第一个位置来说：DFlash 的第一选择 85.4% 的情况下是对的，但正确的 token 99.5% 的情况下都在前 16 个候选里。即使第一选择错了，对的 token 通常也在列表上。 表 1：Recall@1（第一选择正确的概率）与 Recall@16（正确 token 出现在前 16 候选里的概率），按起草位置统计，条件是前面每个位置都正确。GSM8K 上的五层 Qwen3-4B DFlash。接受长度包含验证器产出的下一个 token。 • 位置 0：Recall@1 85.4%，Recall@16 99.5% • 位置 1：80.3%，97.3% • 位置 2：79.4%，94.8% • 位置 3：78.3%，92.6% • 位置 4：77.5%，90.8% • 位置 5：75.9%，89.4% • 位置 6：72.9%，87.8% • 接受长度：4.27（只看第一选择）；6.79（从前 16 里选） 一个总能从前 16 个候选里挑对的那个 oracle，会把接受长度从 4.27 抬到 6.79。这个差距是纯粹的选择空间。我们只需要在候选里选出一条正确的路径。 图 1：一个周期里的选择器。只用 DFlash，每个位置保留自己的第一选择；这里两个相邻位置选了同一个词，结巴在验证时死掉。DFlash 2 保留每个位置的 top 候选，选择器在候选之间走出一条连贯路径；这里整块都活了下来。 一个轻量的路径选择器 连贯性大体是局部的：一个候选合不合适，主要取决于它前面的那个 token，所以给相邻对打分应该就够了。DFlash 2 保留每个位置前 16 个候选，给每一对相邻候选打分。对前一个 token a 和当前候选 b： S_t(a,b) = U_t(b) + ⟨A(a)⊙H(h_t), B(b)⟩ 分数分两部分。第一部分 U_t(b) 是 DFlash 自己的 logit：drafter 本身有多喜欢 b。第二部分问 b 接在 a 后面有多顺：A 和 B 给每个 token 一个紧凑的 256 维嵌入，两个嵌入在一个上下文门控 H(h_t) 下匹配，门控决定匹配的哪些部分算数。本质上，这是对相邻候选做的低秩双线性注意力。 打分全程并行。每个位置的每一对相邻候选一次性全部算完，不需要额外的 backbone 或 LM head 前向。唯一串行的部分，是最后在预计算好的分数上走一遍：从最后一个已验证 token 出发，贪心地跟着每一步最好的后继走，采样从同样的分数里抽取，拒绝采样恢复出精确的目标分布。 表 2：只加路径选择（不加卷积）的接受长度，GSM8K 上的五层 Qwen3-4B。开销相对纯 DFlash：drafter 增加的参数、起草-验证周期增加的延迟。 • DFlash：T=0 下 4.27，T=1 下 3.78 • + DSpark 纠错：+77.8M 参数，+9.6% 延迟；4.49，4.08 • + 路径选择（我们的）：+2.0M 参数，+0.6% 延迟；4.61，4.25 选择器在 T=0 下给 DFlash 加 0.34 个 token，T=1 下加 0.47。两个设置下都超过 DSpark 的纠错，参数少约 40 倍，延迟开销低 16 倍。选择比预测便宜。而且还有空间：oracle 能到 6.79。成对打分是我们能想到的最简单的选择器，我们相信这里还有很多可探索的。 后缀衰减是个局部问题 我们还注意到上面两行 recall 都在块尾下滑。连 oracle 都在衰减：即使选择完美，准确率仍然从第一个位置的 99.5% 掉到最后一个位置的 87.8%。没有选择器能修这个，因为候选自己就不够了。我们把这个叫后缀衰减，它是 backbone 的问题。 一个嫌疑是容量：五层 backbone 可能太小，撑不住横跨整块的依赖。如果真是这样，深度应该在靠后的位置帮上最多的忙。事实也如此：3 层、5 层、15 层的 DFlash 模型在第一个位置上几乎一样，越往块尾分得越开。但深度不加区分：多十层 attention block 到处加容量，连那些没什么可赚的靠前位置也加，把 DFlash 吸引人的那部分效率磨掉了。 图 2：GSM8K 上 Qwen3-4B 的 Recall@1（T=0），条件是前面每个位置都正确。所有 drafter 在相同设置下训练；卷积模型评估时不带选择器。它的卷积增加 3% 参数和 0.7% 周期延迟；15 层模型多出的十层增加 15.2%。 我们要一个有针对性的修法，而 DFlash 的 attention 指出了修哪里。它有两份工作：读块之前的上下文，以及建模块内部的依赖。但它在第二份上花的越来越少：块内注意力占比从第 1 层的 30% 掉到第 5 层的 8%，剩下的还集中在越来越少的一小撮 head 里。所以我们把两份工作拆开：一个专用模块承担块内工作，attention 继续读上下文。 图 3：五层 Qwen3-4B DFlash 的块内注意力按 head 分布。越亮的格子代表在起草块上花注意力越多的 head；靠后的层里，块内质量收缩、集中到少数几个 head。 一个轻量的局部卷积 块内工作本来就是短程的：一个块只有 4 到 16 个 token，最紧的依赖坐在相邻位置之间。自然的算子是短卷积：两个抽头，一个在当前位置，一个够到前一个位置，权重随内容自适应。跟随 Canon Layers、Dynamic Short Convolutions 和 Convolution for Large Language Models 的做法，我们在每个 attention 和 feed-forward 子层前后插入这个双抽头动态深度卷积： Conv_k(x)_t = k_{t,0}⊙x_t + k_{t,1}⊙x_{t-1} 每个系数由一个可学习的基核加上从当前隐藏状态算出的一个小修正组成；每 16 个通道共享一个修正。第一个位置读最后一个已验证 token 的表示，之后的每个位置读它前一个的。信息穿过整块，同时所有位置仍然并行计算。 图 4：双抽头动态卷积。每个 drafter 层的每个 attention 和 MLP 子层前后各有一个。内部：每个位置把自己的表示和前一个的混合；第一个位置读最后一个已验证 token。 卷积是块局部的、无状态的，所以能无缝插进 DFlash，不用动 attention、LM head 或验证。 只加 16.5M 参数（3%），带卷积的五层 DFlash 就逼近了 15 层 DFlash，大幅减轻后缀衰减。卷积给起草-验证周期延迟加 0.7%；多十层 Transformer 层加 15.2%。第 4、5 层的平均块内注意力从 9.4% 降到 0.5%，与卷积吸收局部工作、attention 回到读上下文一致。一个只够到前一个位置的核，买回了十层额外层的大部分收益：后缀衰减大体是个局部问题。 合在一起 到目前为止，选择器和卷积是分开测的；下面的完整对比把它们放在一起。DFlash 和 DSpark drafter 是我们在对齐的设置下自己训练的，MTP 随模型发布。 表 3：Qwen3.5-4B 每请求平均接受长度。采样：thinking 开启，温度 1.0，top-p 0.95，top-k 20，presence penalty 1.5，无损拒绝采样。 • GSM8K：MTP 4.78，DFlash 4.99，DSpark 5.69，DFlash 2 6.20 • MATH-500：5.04，5.42，6.20，6.76 • HumanEval：4.84，5.43，5.80，6.28 • MBPP：4.16，4.49，4.96，5.41 • MT-Bench：3.90，4.26，4.77，5.20 • 平均：4.54，4.92，5.49，5.97 DFlash 2 在每项基准上都领先。平均下来，它比 DFlash 多 1.05 个 token（21%），比 DSpark 多 0.48。升级仍然便宜：选择器和卷积加起来，只给五层 DFlash 的起草-验证周期延迟加了 1.3%。 在 MATH-500 上，增益逐位置可见：DFlash 2 到最后一个位置都稳在 86% 附近，而每个基线在块尾都比它低 6 到 9 个点。 图 5：MATH-500 上 Qwen3.5-4B 的条件接受率，采样同上。 两个 drafter，今天发布 我们今天发布两个 DFlash 2 drafter：一个给 Qwen3.8-27B（ Meta 的 Muse Glimmer（ Qwen3.8-27B，我们对比模型原生的 MTP 路径和一个社区 DSpark drafter。 表 4：Qwen3.8-27B 每请求平均接受长度，模型默认采样、块大小 8，对比原生 MTP 路径和社区 DSpark drafter。 • GSM8K：MTP 5.02，DSpark 4.36，DFlash 2 5.46 • MATH-500：4.72，3.92，5.28 • HumanEval：3.91，3.30，4.39 • MBPP：3.99，3.51，4.79 • MT-Bench：3.74，3.01，4.10 • 平均：4.28，3.62，4.80 对 Meta 的 Muse Glimmer，我们对比随模型发布的官方 DFlash drafter 和一个社区 DSpark drafter。 表 5：Muse Glimmer 每请求平均接受长度，模型默认采样、块大小 16。DFlash 是 Meta 随模型发布的官方 drafter；DSpark 是社区 drafter。 • GSM8K：DFlash 5.43，DSpark 5.45，DFlash 2 6.57 • MATH-500：5.39，5.01，6.56 • HumanEval：4.11，4.33，5.66 • MBPP：3.74，4.02，5.30 • MT-Bench：3.52，3.59，4.42 • 平均：4.44，4.48，5.70 差距很大：在两个模型上，DFlash 2 平均比 DSpark 多出超过一个完整的 token。它也超过每个模型的官方 drafter：Qwen3.8-27B 的 MTP、Muse Glimmer 的 DFlash。换算成吞吐，Qwen3.8-27B 上达到自回归解码的 2.7–3.4 倍，Muse Glimmer 上 3.1–4.6 倍。模型卡（ 底线 agent 一个下午写出来的东西，聊天机器人要写一个月，而每一个 token 底下都坐着解码。DFlash 2 以接近自回归解码 3 倍的速度解码，每个 token 约三分之一的算力，输出相同。 七个月里，DFlash 从我们的论文变成了行业标准，超过 350 万次下载。在同一个设计内部，DFlash 2 每次通过多解码一个完整的 token，免费。那还只是服务栈的一个组件。推理离它的地板还很远。 在 Inco AI，我们在构建一套端到端的服务栈，把这个地板继续往下压。DFlash 2 是第一块。两个 drafter 今天发布在 Hugging Face。 如果你在规模化地服务 agent，想在你的栈里评估 DFlash 2，或者想为你跑的模型（包括你自己的微调）要一个 drafter，写信给我们：contact@inco.ai。 我们也在招人。如果你想一起构建这套栈，联系我们。 把候选连起来。起草，继续并行。 脚注：Modal 的 Speculation Is All You Need 指出，投机解码是对低延迟服务最重要的优化。我们是他们工作的超级粉丝，感谢他们自 DFlash 发布以来的支持和讨论。 本文引用格式：@misc{inco2026dflash2, title={DFlash 2: Keep Drafting Parallel}, year={2026}, month={August}, url={ 原文： #DFlash# #投机解码# #LLM推理#

Canton Network上现在可以直接铸造和结算USD1了 这件事8月25日官宣的 不是桥接过去，是原生发行 USD1直接在Canton上铸造、流通、结算，不经过其他链中转。 为什么这个动作值得单独拿出来说？ 因为 @CantonNetwork 不是一条普通公链 // Canton Network是 Digital Asset 做的一条专门给机构用的公共区块链 它的参与方名单长这样：DTCC、Goldman Sachs、JPMorgan、BNP Paribas、HSBC、BNY Mellon、Broadridge、Euroclear、Tradeweb 超过 600 家机构接入 这条链每个月处理超过 9 万亿美元的代币化资产 每天有超过 3500 亿美元的链上美国国债在上面流转 这些数字不是 TVL，不是散户交易量 是机构之间的资产发行、回购、借贷、抵押品调配 Canton 的核心设计是隐私 加合规：交易信息只对相关方可见，不像以太坊那样全网广播 这是机构愿意用它的前提 银行不可能把自己的交易对手、持仓规模、结算细节公开给所有人看 Digital Asset 今年6月刚拿了a16z领投的3.55亿美元融资。 —— 回到 USD1 USD1是 WLFI的美元稳定币 当前流通市值约 40.5 亿美元，DeFiLlama 上排全球第六大稳定币 储备由 BitGo Bank & Trust 管理：100% 由短期美国国债、政府货币市场基金、美元存款支持。每月披露储备情况 8 月14日，World Liberty Trust Company 拿到了 OCC（美国货币监理署）的有条件国家信托银行牌照批准 如果最终获批，USD1 的发行、赎回和储备管理会从 BitGo 转移到 World Liberty Trust 自己手里 等于稳定币发行方直接变成联邦监管下的银行 但目前还没有最终批准 World Liberty Trust 还需要满足一些前置条件：至少 2000 万美元合格资本、聘请合格内审负责人等。OCC 保留撤回批准的权力 所以现阶段，USD1 的发行方仍然是 BitGo // 原生发行到底解决什么问题？ 传统金融里，你买一笔代币化国债，资产腿和现金腿是分开结算的 资产在链上，钱可能还在银行间系统里走 T+1 甚至 T+2 中间有时差，有对手方风险，有流动性缓冲成本 原生发行的意思是：USD1 和代币化资产在同一笔交易里同步完成结算 资产交割和付款是原子操作 要么同时成功，要么同时失败 不存在「我把资产给你了但钱还没到」的窗口期 而且两边共享Canton的隐私和权限控制 机构不需要把结算细节暴露给无关方 WLFI联合创始人 Zak Folkman 说的一句话我觉得点到了核心：「机构已经把万亿级的美国国债和政府债搬到链上了，但结算的美元端还跑在老基础设施上,成本和风险就卡在这个缝隙里。」 ———— ➤ USD1 在 Canton 上的具体用途： ► 代币化 RWA（美国国债等）的原子结算 当「现金腿」 ► 衍生品抵押 ► 机构借贷 ► 资产发行与赎回 ► 7×24 小时跨境支付和融资 这些场景的共同点是：都需要一个合规的、有储备支撑的、能在链上即时结算的美元 USD1 在 Canton 上原生发行之后，就不需要再从以太坊或其他链桥接过来，少了一层中间环节。 ◇　◆　◇ 我的看法 USD1 这步棋的方向很清楚：不跟USDT、USDC在散户市场卷，直接切机构结算 Canton 是目前机构参与度最高的链之一 Goldman Sachs 在上面发过数字债券，DTCC 计划今年在 Canton 上跑代币化国债交易的生产环境，JPMorgan 的 Kinexys（前身是 JPM Coin）也在部署 USD1 选择在这里原生发行，等于直接把自己嵌进了机构资金流转的管道里 但有几个问题我现在回答不了： 第一，Canton 上已经有其他稳定币（包括 USDC 的 Canton 版本 USDCx）。USD1 能拿到多少份额，取决于机构的实际选择，不取决于谁先发公告 第二，World Liberty Trust 的 OCC 牌照还没最终落地。如果最终获批，USD1 就是联邦监管下的银行直接发行的稳定币，这在合规层面确实比现在的 USDT 和 USDC 都更硬。但「如果」两个字还在 第三，WLFI 和 Trump 家族的关联是公开信息。这既是它能快速拿到机构合作的原因之一，也是它面临政治风险和利益冲突质疑的原因。OCC 审批用了 221 天，几乎是正常周期的两倍 我不做价格预测 但从产品动作看，USD1 正在从「又一个稳定币」变成「机构结算基础设施的一部分」 这个定位如果能站住，它的天花板就不是散户交易量能衡量的 具体储备细节、OCC 最终审批进展、Canton 上的实际采用情况，以官方披露为准。DYOR #usd1#

. canton-network:native 最近反弹接近 15%，同一时间， $BTC 、 $ETH 的波动并不大。所以这轮上涨，很难只是“整个市场回暖”。但也不能现在就定义为“反转”。 有个问题：这 15% 的回补，市场到底在交易什么？ 可能只是前期急跌后的超跌修复。 也可能是资金重新开始交易 Canton 后面的机构化预期。 很难猜。 最近 24 小时，Lighthouse 的公开 round 数据里，奖励组件约 21.44M canton-network:native ，burn 约 13.91M canton-network:native ，覆盖约 64.9%。 这不是说新增供给就是 7.53M canton-network:native。奖励到账、锁定、流通和实际卖出之间，还隔着几层。 但当前公开数据也没有证明， canton-network:native 的供给压力已经被完全消化。 所以 0.10 附近更像观察区，不是反转确认位。 接下来要看的，是 burn 对公开奖励组件的覆盖率能不能持续抬升，以及这轮回补后，价格能不能扛住卖压。 如果两件事开始同时发生，这轮行情才有机会从超跌反弹走向重估。 至于我为什么现在才想起来分析…… 0.17 的时候我怎么没想起来？ 现在倒是来劲了。 嗐! 拍断大腿！

Canton 这条链有一个比较明显的反差。 一边是 DTCC、Goldman Sachs、HSBC、Deutsche Bank、Visa 等传统金融机构在上面建设资产发行、隐私交易和结算基础设施；另一边，普通用户真正能够轻松使用的产品入口仍然不算多。 这也是我最近开始关注 @Canborsa_DEX 的原因。 Canborsa 同时支持 Canton 和 Ethereum，用户不需要为了探索 Canton，先从零学习一套完全陌生的资产与操作体系。 你可以先使用自己熟悉的 ETH 和 Ethereum 生态资产进行 Swap 或交易，在熟悉的使用习惯之上，再逐步接触 Canton 上的资产、任务和市场。 对于那些对 Canton 感兴趣、但迟迟没有开始的用户来说，这一点其实很重要。阻碍用户进入新生态的往往不是缺少兴趣，而是不知道应该从哪里开始。 Canborsa 提供的就是这样一个过渡入口。 目前平台已经覆盖加密资产、代币化美股、亚洲科技资产、大宗商品和指数。用户可以在同一个非托管界面中接触 BTC、ETH、Apple、Nvidia、BABA、TSM、黄金、原油和 S&P 500 等不同市场，并根据需求选择 Swap 或永续合约。 我觉得 Canborsa 值得观察的地方，不只是增加了多少交易标的，而是它能否把 Ethereum 用户熟悉的资产和体验，与 Canton 的机构级金融基础设施连接起来。 机构已经在 Canton 上建设轨道，Canborsa 想做的是让更多普通用户可以真正进入和使用这些轨道。 最近平台正在进行 Fortune Festival，中文界面也已经上线。Canton 中文社区还准备了独立活动入口，以及总计 500 美元和 50,000 Canborsa Points 的活动奖励。 活动入口： 通过该入口加入的新用户可以额外获得 500 Points。 对 Canton 感兴趣，但还没有找到合适入口的人，可以先从自己熟悉的 Ethereum 资产开始体验。

Canton Network 开发商 Digital Asset 获得新韩金融集团和渣打旗下 SC Ventures 追加投资 1,000 万美元，使近期融资规模增至 3.65 亿美元，股权估值维持在 20 亿美元。本轮融资此前由 a16z crypto 领投，参与方包括阿布扎比投资局旗下实体、Apollo、BNP Paribas、Citadel Securities、CME Ventures、Coinbase Ventures、HSBC、S&P Global 和 SBI Group 等。（The Block）

Canton 可能是整个 RWA 赛道里最值得关注、但又最被忽略的玩家之一。 最近市场讨论美股上链，大部分注意力都集中在发行端。谁在发稳定币，谁把美债搬上链，CEX在上什么股票。但如果我们回头去看tradfi过去几十年的演化，真正决定资金流动效率和资本利用率的，是结算体系、清算体系以及抵押品网络。 Canton 背后站着 JPMorgan、高盛、DTCC、Euroclear、Visa 等一批传统金融机构，通过跟他们的合作，Canton 想要去承接传统金融体系最核心的几根支柱。 最先被搬上链的是 Repo。 Repo 是整个金融市场最重要的基础设施。银行、券商、对冲基金每天都依赖 Repo 获得短期融资，大量流动性通过 Repo 市场完成配置。从某种意义上说，美债之所以能够成为全球金融体系的核心资产，并不只是因为它本身安全，而是因为它能够在 Repo 市场中被高效地作为抵押品使用。 目前 Broadridge 的分布式账本 Repo 平台已经运行在 Canton 网络上，日均交易规模已经达到约 3,620 亿美元，单月交易量达到 7.2 万亿美元。 并且，Canton 正在逐步完成 Repo 业务的闭环。 一笔 Repo 交易本质上由两部分组成：一边是抵押品，另一边是现金。过去几年，抵押品已经开始在 Canton 上流转，而随着摩根大通将自己的美元存款代币 JPMD 原生发行到 Canton 网络，现金这一侧也开始进入同一个体系。当抵押品和现金同时存在于同一网络之上时，意味着 Repo 有机会实现真正意义上的原子结算和全天候实时交收。 对于一个长期受到交易时间和结算周期限制的市场而言，这种变化并不是简单的效率提升，而是在重新定义资金与抵押品之间的流动方式。 除了 Repo，更值得关注的是美国国债与美股本身也正在进入 Canton。 很多 Crypto 投资者把美债视为一种收益资产，但对于传统金融体系而言，美债更重要的身份其实是全球最核心的抵押品。大量融资交易、衍生品头寸以及清算活动最终都建立在美债之上。因此，美债上链的意义从来不只是多了一种 RWA，而是整个金融体系最重要的抵押品开始进入链上环境。 2025 年底，DTCC 与 Digital Asset 宣布合作，将由 DTC 托管的美国国债引入 Canton 网络，并计划在 2026 年逐步扩展到更多 DTC 及美联储认可资产。考虑到 DTCC 本身所处的位置，这是美国证券市场最核心的基础设施机构开始探索如何把现有资产纳入新的结算和抵押品体系。 最近 DTCC 与 Euroclear 共同担任 Canton Foundation 联席主席。换句话说，参与制定网络规则的就是全球最重要的清算机构和中央证券托管机构本身。Canton是真正在逐步成为未来金融基础设施建设的一部分。 当市场还在讨论谁能够发行更多链上资产、CEX拿不拿得到份额的时候，Canton 正在承接 Repo、美国国债和银行存款这些传统金融体系最核心的组成部分。 融资底盘、核心抵押品以及货币本身，正在被逐步搬入同一个网络。链上经济一定会实现，但可能不是用我们以为的方式😅

从本次事件的直接程度看，Canton是最明确的公共网络受益者。 因为它不是停留在合作公告，而是已经承载了DTC代币化证券的生产交易。 但“DTCC使用Canton”不等于CC价格必然上涨。 $CC 采用Burn-and-Mint机制：网络使用费被销毁，同时验证者、应用和基础设施参与者可以持续铸造奖励。 最终价值捕获取决于真实使用产生的销毁，能否抵消新增发行。

我是 $CC 的钻石手，看着最近很多关于CANTON的利好消息，我针对 $CC 的价格，做了亿点梳理。 也希望各位大佬能提出不同的意见，感谢您阅读这篇不成熟的意见！