波場TRON 行業週報：科技股走弱 BTC 失守 $80000，詳解 AI 驅動的機器人執行基建 Axis Robotics

一.前瞻

1. 宏觀層面總結以及未來預測

宏觀本週總結（2026年10月19日---10月25日）：全球市場受到能源通脹與科技股估值擔憂的雙重影響。10月23日布倫特原油收於116.72美元/桶，當週標普500、納斯達克分別下跌0.5%、0.7%；避險買盤推動美國10年期國債收益率週內下降約11個基點至4.987%，體現出通脹風險與增長擔憂並存。

宏觀下週預測（10月26日---11月1日）：預計市場波動加大，重點是美聯儲決議、美國GDP與PCE，以及大型科技公司財報。北京時間10月29日凌晨公布美聯儲利率決議，市場主流預期為維持利率不變；當日20:30公布三季度GDP及9月PCE。若美聯儲釋放繼續加息信號、核心通脹偏強，股市估值可能繼續承壓；若政策措辭溫和、通脹降溫，則有利於情緒修復。油價高企意味著即使本次暫停加息，也不能直接理解為緊縮結束。

2. 加密行業市場變動及預警

加密市場本週變動（10月19日---10月25日）：BTC與ETH先漲後跌，週中反彈未能延續。BTC從10月19日約81,953美元升至21日約84,117美元，23日回落至81,164美元；ETH同期由約2,407美元升至2,473美元，再回落至2,387美元。截至10月25日北京時間09:00，BTC報80,688.28美元、ETH報2,354.14美元，尚非全週收盤價。科技股走弱、油價上漲與利率不確定性壓制風險偏好；19日至23日BTC現貨ETF淨流入約3.09億美元，ETH現貨ETF則淨流出約2.21億美元，機構資金明顯分化。

加密市場下週預測（10月26日---11月1日）：傾向於高波動震蕩，方向取決於美聯儲表態、PCE及ETF資金變化。若緊縮擔憂緩解、機構買盤延續，BTC有望重新測試本週84,000美元附近，ETH則需先收復2,400美元；若政策偏鷹或科技股繼續下跌，BTC的80,000美元心理關口可能再次受考驗，ETH也存在繼續走弱的風險。這些價位是情景觀察點，目前尚不足以確認趨勢反轉，尤其需要警惕會議前後的槓桿清算放大波動。

3. 行業以及賽道熱點

本週重點是穩定幣支付、銀行存款代幣與合規基礎設施。10月19日摩根大通宣布JPM Coin存款代幣擴展至以太坊，面向獲准機構客戶；匯豐港元穩定幣RedCoin本週落地PayMe，推進個人轉帳及商戶支付；10月21日美國OCC發布《GENIUS法案》實施最終規則，覆蓋儲備、贖回、托管及風險管理，定於2027年1月18日生效。共同方向是鏈上資金開始更深入連接銀行與實際支付場景，但存款代幣、穩定幣的法律屬性不同，業務採用增長也不必然轉化為公鏈或相關代幣上漲。

二.市場熱點賽道及當週潛力項目

1.潛力項目概覽

1.1. 詳解總融資1200萬美元，由Hack VC領投，Nomad Capital、Pi Network以及10K Ventures等機構參投 ------ 構建 AI 驅動的智能機器人執行基礎設施Axis Robotics

簡介

AXIS Robotics 是一個面向 Physical AI（物理人工智能）的分佈式訓練基礎設施，任何人都可以參與其中並貢獻計算與訓練數據。用戶無需購買機器人硬體，只需通過瀏覽器即可控制機器人完成仿真任務、生成大規模訓練數據，共同構建下一代智能機器人的"大腦"。

AXIS Robotics 採用 Simulation First（仿真優先）的技術路線：首先通過瀏覽器端機器人仿真環境採集訓練數據，再利用高擬真（Photorealistic）數據增強技術大規模擴充數據集，最終訓練出可直接部署到真實機器人上的智能控制策略（Policy），實現從虛擬仿真到現實機器人的無縫遷移。

協議要素解析

AXIS 技術架構（The AXIS Stack）

1. 端到端機器人訓練流水線

AXIS 構建了一套端到端機器人訓練基礎設施，將自然語言任務逐步轉化為可部署到真實機器人的控制策略（Robot Policy）。整個流程涵蓋任務生成、行為數據採集、數據增強、模型訓練以及真實機器人部署五個環節，實現機器人智能訓練的完整閉環。

2. 系統概覽

整個 AXIS 架構採用四層流水線設計，每一層負責不同階段的數據處理與模型構建，最終生成能夠部署到真實機器人的智能控制策略。

3. 四層架構詳解（The Four Layers in Action）

L1 ------ 世界生成（World Generation）

系統首先接收一段自然語言任務描述（例如："拿起桌上的玩具汽車"），由任務生成引擎（Task Generation Engine）自動解析，並拆分為任務配置、場景配置以及目標物體配置等結構化信息。

隨後，資產管理器（Assets Manager）從超過 2,000 個三維模型組成的資產庫中自動匹配對應物體，也可以通過圖像生成 3D（Image-to-3D）技術自動創建新的三維模型。

完成物體準備後，2.5D 場景佈局生成器（2.5D Layout Generator）自動生成機器人操作環境，而佈局監督器（Layout Supervisor）則負責持續驗證和修正場景，直到滿足任務要求。與此同時，每個任務都會自動生成對應的成功判定器（Success Checker），用於後續自動評估機器人是否完成任務。

L2 ------ 行為數據採集（Behavior Collection）

數據採集階段採用瀏覽器即可參與的方式。

貢獻者無需機器人硬體，只需通過瀏覽器，利用鍵盤、手機或遊戲手柄即可遠程操控模擬機器人完成任務。

機器人物理仿真由編譯至 WebAssembly 的 MuJoCo 在本地運行，因此無需 GPU、無需安裝軟體，也無需專業設備。

每次約 1～2 分鐘的操作都會生成一條完整的機器人軌跡（Trajectory），其中包括：

• 時間戳

• 機器人關節狀態

• 物體位姿

• 控制指令

• 任務元數據

所有軌跡均採用統一的數據格式，可兼容不同機器人仿真平台。通過審核的數據還會記錄鏈上數據來源（Data Provenance），並在 Base 網絡生成唯一 Data ID，確保數據可追溯。

L3 ------ 數據優化（Data Refinement）

採集到的原始軌跡首先進行數據清洗，包括：

• 去除靜止幀（Static Frame Removal）

• Savitzky-Golay 平滑濾波

• 三次樣條插值（Cubic Spline），將採樣頻率從 6--8Hz 提升至 20Hz

• 剔除低質量數據

完成清洗後，系統會在 GPU 伺服器上的 Isaac Sim 中重新回放軌跡，並利用數據增強引擎（Augmentation Engine）隨機調整：

• 光照

• 紋理

• 材質

• 物理參數

• 攝像機視角

最終，將一條機器人軌跡擴展為數千條具有高真實感（Photorealistic）且經過領域隨機化（Domain Randomization）的訓練樣本，顯著提升模型的泛化能力。

L4 ------ 模型訓練與部署（Model Training \& Deployment）

完成增強後的數據集將用於訓練兩類機器人控制模型：

• 任務專用模型：採用行為克隆（Behavior Cloning）、Diffusion Policy 等模仿學習方法，學習特定任務的執行策略。

• 通用視覺-語言-動作模型（Vision-Language-Action，VLA）：結合自然語言目標訓練具備更強泛化能力的機器人模型。

模型首先會在隨機化仿真環境中進行充分測試，驗證其在不同初始條件下的穩定性和成功率。通過驗證後，再部署至真實機器人（目前支持 Franka Research 3）進行Sim-to-Real（仿真到現實）驗證，實現機器人策略從虛擬環境向真實世界的可靠遷移。

協議技術架構簡述

1. L1 --- World Generation（世界生成）

L1 負責生成機器人訓練所需的仿真環境與任務實例。系統接收自然語言任務描述，並結合超過 2,000 個資產庫對象，自動生成包含場景結構、物體佈局、物理參數以及任務成功檢測器的可運行仿真任務。

該層基於 MetaSim（與具體模擬器無關的場景描述語言），將任務語義與底層模擬器解耦。生成的任務可以直接轉換為 MJCF、USD、URDF 等格式，並兼容 MuJoCo、IsaacSim 等不同仿真環境。

Consumes

• 資產庫（EmbodiedGen、Kujiale、圖片重建數據）

• 自然語言任務描述

• 場景佈局約束

Produces

• 參數化任務實例

• 跨模擬器兼容的場景配置

Abstraction

將任務邏輯與具體模擬器實現分離，使後續層無需處理不同模擬器接口。

Key components

• MetaSim 場景描述語言

• LLM 驅動任務生成引擎

• 自動化 2.5D 場景佈局生成

• 統一 USD / URDF / MJCF 資產管線

1. L2 --- 行為數據採集

L2 將人類操作行為引入 L1 創建的仿真環境，並將其轉換為機器人可執行的結構化軌跡數據。

用戶無需安裝軟體或使用專業設備，只需通過瀏覽器即可利用鍵盤、手機、遊戲手柄或 VR 等方式控制模擬機器人。系統通過 MuJoCo WebAssembly 本地運行物理模擬，並將不同輸入方式映射為統一的機器人控制指令，實現跨設備、跨機器人形態的數據採集。

每條有效軌跡都會記錄鏈上來源信息（Base 網絡 Data ID），確保訓練數據具備可追溯性。

消耗

• L1 生成的互動式任務實例

• 多設備、多模式的人類控制信號

產出

帶來源證明的機器人軌跡數據：

{機器人狀態、物體狀態、控制動作、任務信息、語言目標、Data ID}

抽象

將人類操作意圖與機器人具體結構解耦，使不同設備和機器人形態的數據能夠統一使用。

主要組件

• MuJoCo WASM 瀏覽器運行環境

• 跨形態機器人控制

• 抓取模板插值系統

• 去中心化數據採集網絡

• Base 鏈上數據來源記錄

1. L3 --- 數據優化

L3 負責將低質量、稀疏的人類演示數據轉化為適用於模型訓練的大規模高質量數據集。

該層不僅進行簡單的數據清洗，而是通過數據分佈工程（Distribution Engineering）構建能夠支持真實環境泛化的訓練數據。

流程分為兩部分：

數據清洗：

• 去除靜態幀

• Savitzky-Golay 平滑處理

• 三次樣條插值

• 將採樣頻率從 6--8Hz 提升至 20Hz

數據增強：
利用 IsaacSim GPU 仿真環境，對軌跡進行多維度隨機化，包括：

• 場景結構

• 材質

• 光照

• 攝像機參數

• 物理屬性

最終將單條軌跡擴展為數千條高真實感訓練樣本。

消耗

• L2 帶來源證明的原始軌跡數據

• L1 世界配置數據

產出

分佈對齊訓練數據：

清洗軌跡 × 領域隨機化增強 × 多視角 RGB / 深度 / 分割數據

抽象

將數據規模與人工採集成本解耦，使模型接收到的是結構化數據分佈，而非單個演示樣本。

主要組件

• 軌跡清洗流程

• IsaacSim GPU 重放

• Domain Randomization 數據增強系統

• 多視角相機生成

1. L4 --- 模型訓練與部署

L4 利用 L1--L3 生成的結構化訓練數據，訓練並輸出可部署的機器人控制策略（Robot Policy）。

該層支持多種訓練方式，包括：

• 行為克隆（Behavior Cloning, BC）

• Diffusion Policy（擴散策略）

• Vision-Language-Action（VLA）模型

不同模型均基於統一的數據接口進行訓練，使系統能夠比較不同算法在複雜任務環境中的表現。

AXIS 更關注模型的真實泛化能力，而非單純基準測試成績。模型需要經過：

• 跨模擬器驗證

• 多場景佈局測試

• 強視覺擾動測試

• Sim-to-Real 真實機器人部署驗證

最終模型會部署至真實機器人（目前支持 Franka Research 3）。同時，每個模型都保留完整數據來源鏈路，可追溯至 L3 數據增強、L2 數據採集以及 L1 世界生成過程，並通過鏈上 Data ID 關聯原始貢獻者。

消耗

• L3 分佈對齊訓練數據

• L1 評估環境配置

產出

• 任務專用機器人策略

• 通用機器人模型

• Sim-to-Real 驗證結果

• 可部署模型文件

抽象

將學習算法與數據基礎設施解耦，使不同訓練方法均可接入統一數據體系，而無需關注數據採集和增強過程。

主要組件

• 任務專用模仿學習（BC / DP）

• 通用 VLA 模型

• 跨模擬器驗證

• Sim-to-Real 測試

• 多世界 × 多機器人形態泛化評估

RoboVerse：統一仿真框架（Unified Framework）

RoboVerse 提供了一個連接多種機器人仿真後端的統一接口框架，使不同模擬器能夠通過標準化 API 協同工作。

其核心理念是：不同仿真器在機器人訓練流程中的不同階段具有各自優勢。例如，某些模擬器更適合高精度物理計算，某些更適合大規模數據生成或視覺仿真。因此，RoboVerse 通過抽象不同模擬器之間的底層差異，將它們統一到一個通用接口之下，使機器人訓練流程中的每個階段都能夠自動調用最適合的仿真環境。

這種設計避免了開發者針對不同模擬器重複開發適配代碼，提高了機器人仿真、數據生成和模型訓練流程的效率，同時為多環境、多機器人形態的泛化訓練提供了統一基礎設施。

Built on MetaSim（基於 MetaSim 構建）

RoboVerse 的跨模擬器能力建立在 MetaSim 之上。MetaSim 是一種統一的場景表示與描述語言（Scene Representation & Description Language），其核心作用是將任務定義與具體模擬器實現進行解耦，使同一套任務、資產和軌跡數據能夠在不同仿真環境之間自由遷移。

通過 MetaSim，AXIS 能夠將不同模擬器視為可替換的執行後端，而無需針對每個模擬器單獨開發適配邏輯。

MetaSim 架構：一個接口連接所有世界（One Interface for All Worlds）

MetaSim 主要提供以下能力：

標準化場景圖（Standardized Scene Graphs）

MetaSim 使用與具體模擬器無關的統一格式描述場景信息，包括：

• 物體（Objects）

• 關節結構（Articulations）

• 材質（Materials）

• 物理屬性（Physics Properties）

使不同模擬器能夠共享同一套場景定義。

自動格式轉換（Automatic Translation）

MetaSim 可以將統一場景描述自動編譯為不同模擬器所需的原生格式：

• MuJoCo → MJCF

• IsaacSim → USD

• 其他模擬器 → URDF 等格式

因此，同一個任務環境無需重新構建，即可運行於不同仿真後端。

資產標準化（Asset Normalization）

MetaSim 對不同模擬器中的資產進行統一處理，包括：

• 坐標系規範化

• 碰撞模型統一

• 視覺屬性同步

確保機器人、物體和環境資產能夠跨模擬器保持一致。

程序化場景生成（Programmatic Scene Generation）

MetaSim 提供可組合的程序化 API，使系統能夠自動生成複雜任務場景。該能力支持 Task Generation Engine（任務生成引擎）大規模創建多樣化訓練環境，為機器人模型提供更加豐富的數據來源。

MetaSim 的核心價值

通過這一抽象層，AXIS 能夠實現：

• 任務定義跨模擬器遷移

• 機器人資產跨環境重用

• 軌跡數據跨平台流通

• 訓練流程標準化

最終使不同仿真後端不再是獨立系統，而成為 AXIS 機器人訓練流水線中的可組合模塊。

RoboVerse v2：從平台走向泛化引擎（From Platform to Generalization Engine）

如果說 RoboVerse v1 的目標是統一機器人仿真與學習接口------支持多種模擬器、多任務環境以及強化學習（RL）/模仿學習（IL）插件，那麼 RoboVerse v2 則進一步將這一基礎設施升級為一個閉環、多樣性驅動的機器人學習引擎。

RoboVerse v2 的核心轉變是：從"能夠運行的系統（A System That Runs）"
轉變為"能夠持續製造多樣化機器人經驗的引擎（An Engine That Manufactures Diverse Experience）"。

通過結合世界生成、行為採集、數據增強和模型訓練，RoboVerse v2 不再只是提供仿真環境，而是持續生產支持機器人泛化能力提升的數據與經驗。其重點從單純的模擬器統一，轉向構建面向真實世界機器人的規模化學習流水線。

數據流水線（Data Pipeline）

在數據採集之前，通過自動化任務生成創建訓練環境；在數據採集之後，通過軌跡清洗與數據增強優化訓練數據。

本部分介紹了圍繞人工數據採集流程兩端的兩個自動化引擎：

• 任務生成引擎（Task Generation）：負責數據採集前的任務創建；

• 數據增強引擎（Data Augmentation）：負責數據採集後的軌跡處理與擴展。

流程 1：任務生成（Pipeline 1: Task Generation）

任務生成引擎（Task Generation Engine）

從語言描述到可用於模擬器的環境，共包含 5 個階段的自動化流程。

在任何用戶操作控制器之前，系統會通過任務生成引擎自動構建：

• 結構化任務描述（Task Specifications）

• 可直接運行的機器人仿真環境（Simulator-ready Environments）

為後續機器人行為數據採集提供標準化訓練場景。

場景採樣（Scenario Sampling）

當一個有效的任務佈局構建完成後，平台會定義初始條件分佈，用於生成多樣化的任務實例。這些分佈包括物體姿態、場景雜亂配置以及攝像機視角變化，從而在保持核心任務語義的同時，實現大規模場景採樣。

這也是系統能夠實現超過 90 類任務類別的關鍵，包括抓取與放置、推動、分類、傾倒、打開/關閉、堆疊以及多步驟操作序列等任務。

Pipeline 2: Trajectory Cleaning（軌跡清洗）

軌跡清洗前後對比與測量結果（Trajectory Cleaning Before/After Comparison with Measured Results）

遙操作採集的數據可能包含多種異常，例如鍵盤輸入導致的抖動（Jitter）、操作停頓（Stalls）、非預期振盪（Unintended Oscillations）以及無效運動軌跡等。

AXIS 設計了一套軌跡清洗流程，主要實現兩個目標：

• 過濾不可使用的數據片段（Filter unusable episodes）

• 優化質量邊界數據（Refine borderline trajectories）

Filtering（數據過濾）

當軌跡存在以下情況時，系統會直接拒絕：

• 數據損壞或不完整；

• 極端狀態變化（Extreme State Discontinuities）；

• 不符合物理規律的狀態轉移；

• 未滿足任務特定成功約束。

系統會計算相鄰幀之間的狀態變化量，並判斷變化是否超過合理物理閾值。

在多個任務測試集中，該過濾流程的平均拒絕率約為 4.79%。

Static Frame Removal（靜態幀移除）

當所有機器人關節的絕對變化量低於設定閾值（5×10⁻³）時，該幀會被識別為靜態幀並刪除。

該機制用於去除由於操作者猶豫、停頓等因素產生的無效暫停，使軌跡更加連續和有效。

Smoothing（軌跡平滑）

AXIS 使用 Savitzky-Golay 濾波器對機器人動作軌跡進行平滑處理：

• 窗口大小（Window Size）：15

• 多項式階數（Polynomial Order）：3

該方法能夠降低遙操作過程中產生的高頻噪聲，例如：

• 突然修正動作；

• 操作猶豫造成的抖動；

同時保持整體運動軌跡形狀。

其中，夾爪關節（Gripper Joints）不會參與平滑處理，以保持機器人抓取和釋放動作中的清晰開合變化。

Upsampling（軌跡升採樣）

原始遙操作系統的採樣頻率僅為 6--8Hz，無法滿足後續高頻機器人控制和策略訓練需求。

因此，AXIS 使用三次樣條插值（Cubic Spline Interpolation），將軌跡採樣頻率提升至目標頻率 20Hz。

非機器人數據（例如物體狀態）不會經過平滑處理，而是單獨進行插值，以保持其與機器人控制步驟之間的時間同步。

Measured Results（測量結果）

在 16 個基準任務（LIBERO Suite）測試中，軌跡清洗流程顯著提升了軌跡質量：

|--------------------------|--------|--------|--------| | 指標（Metric） | 清洗前 | 清洗後 | 改善效果 | | 平均加速度（Mean Acceleration） | 0.2128 | 0.0985 | 降低 54% | | 平均加加速度（Mean Jerk） | 2.7844 | 1.4670 | 降低 47% |

清洗後的軌跡更加平滑，更適合用於機器人策略訓練以及跨模擬器軌跡回放（Cross-Simulator Replay）。

Training（模型訓練）

AXIS 的訓練階段負責將前期生成、清洗和增強後的數據轉化為可部署的機器人策略，並通過 Sim-to-Real（仿真到現實）驗證模型在真實環境中的泛化能力。

訓練模型類型

AXIS 主要訓練兩類機器人模型：

Task-specific Policies（任務專用策略）

基於行為克隆（BC）和 Diffusion Policy（DP）訓練針對具體任務的機器人策略，包括：

• 抓取與放置；

• 抽屜開關；

• 傾倒；

• 按鈕操作。

該類模型針對特定操作技能進行優化，提升機器人在精細操作和複雜互動任務中的執行能力。

General-purpose VLA Models（通用 VLA 模型）

視覺-語言-動作（VLA）模型結合自然語言指令和視覺信息，實現機器人對未知任務的理解和執行，目標是實現跨任務的零樣本泛化能力。

Training Protocol（訓練流程）

AXIS 通過三類數據進行對比訓練：

• 原始遙操作數據：未經處理的人類操作數據；

• 清洗後數據：經過過濾、平滑和升採樣後的軌跡數據；

• 清洗 + 增強數據：通過 IsaacSim 仿真和領域隨機化生成的大規模訓練數據。

通過統一任務和訓練條件，評估數據處理和增強對模型性能的提升效果。

Evaluation（模型評估）

模型首先在仿真環境中測試：

• 不同物體位置和場景佈局；

• 不同視覺和物理條件；

• 未見過的任務環境。

隨後部署到 Franka Research 3（FR3）機器人進行真實環境驗證，測試：

• 抓取；

• 抽屜操作；

• 傾倒；

• 按鈕操作。

主要評估成功率、軌跡質量和環境泛化能力。

Key Results（核心成果）

AXIS 證明經過合理採集、清洗和增強的仿真數據，可以訓練出能夠適應真實環境的機器人策略。

其優勢在於結合低門檻瀏覽器數據採集與高性能 GPU 仿真訓練，實現機器人訓練數據的大規模生產，加速 Physical AI 模型的發展。

相關研究基礎：

• GraspVLA：驗證純仿真數據可實現超過 90% 的抓取 Sim-to-Real 遷移效果；

• SkillBlender：支持將多個機器人技能組合為複雜多步驟行為。

Tron評點

Axis Robotics 的優勢在於其構建了一套面向 Physical AI（物理人工智能）的端到端機器人訓練基礎設施，通過 Simulation First（仿真優先）路線，將任務生成、行為數據採集、數據清洗增強以及模型訓練部署整合為完整閉環。其核心競爭力在於利用 RoboVerse、MetaSim 等技術實現跨模擬器統一接口，通過瀏覽器低門檻採集人類操作數據，並結合 IsaacSim 數據增強和 VLA/機器人策略模型訓練，大規模生成可泛化的機器人智能數據，相比傳統依賴真實硬體採集數據的方式具備更高效率和擴展性。

其劣勢在於機器人 AI 仍處於快速發展階段，真實世界部署面臨硬體差異、複雜環境泛化以及數據規模需求等挑戰；同時平台價值高度依賴生態參與者貢獻數據、模擬器兼容範圍以及機器人產業實際應用落地，商業化規模和長期競爭壁壘仍需要進一步驗證。

二. 行業數據解析

1. 市場整體表現

1.1. 現貨BTC vs ETH 價格走勢

BTC

ETH

三.宏觀數據回顧與下週關鍵數據發布節點

本週回顧（2026年10月19日---10月25日）：中國10月19日公布三季度GDP同比增長4.5%，較二季度4.3%回升，前三季度累計增長4.6%；9月規模以上工業增加值同比增長5.5%，但前三季度社零累計僅增長1.1%，反映生產端強於消費端。美國10月22日公布的初請失業金人數為19.4萬人，較修正後的前值20萬人減少6,000人，顯示裁員仍處低位。整體來看，中國經濟修復仍不均衡，美國就業尚具韌性。

下週關鍵節點（10月26日---11月1日）：10月29日02:00公布美聯儲利率決議，02:30舉行新聞發布會；當日20:30，美國三季度GDP初值、9月PCE與核心PCE、個人收入及支出數據集中發布，同時公布初請失業金人數；10月30日20:30公布美國三季度就業成本指數。重點觀察"美聯儲政策指引＋核心PCE＋GDP"的組合，分別判斷利率方向、通脹黏性和增長韌性。

四. 監管政策

美國：穩定幣實施細則正式定稿，加密稅制改革法案提出

10月21日，美國貨幣監理署（OCC）公布《GENIUS法案》實施最終規則，明確其管轄範圍內支付穩定幣發行人的儲備資產、贖回、資本、風險管理、托管及審計報告要求，並覆蓋符合條件的境外發行人。規則定於2027年1月18日生效；反洗錢與制裁相關規定另行制定。本週屬於"最終規則發布"，尚未進入生效階段，也不代表所有發行申請已經開放受理。

10月22日，參議員提出《ADAPT法案》，擬簡化使用受《GENIUS法案》監管的美元穩定幣購買商品和服務時的損益追蹤要求，豁免不超過10美元的網絡費用，同時將洗售、推定出售等反避稅規則擴展至數字資產。其意義是同時推進支付便利化與稅收規則統一，但目前僅為立法提案，尚未改變現行納稅義務。

英國：就DeFi合規與加密業務監管邊界啟動諮詢

10月21日，英國金融行為監管局（FCA）發布DeFi指引徵求意見稿GC26/7，說明受監管機構使用DeFi提供金融服務時，如何遵守現有運營韌性、金融犯罪防控及反洗錢要求。意見徵集截至11月18日，最終指引計劃於2027年1月發布。這是現有義務適用方式的指引諮詢，並非本週出台全面DeFi新法。

同日，FCA發布CP26/36，就加密資產監管邊界及部分活動的排除情形徵求意見，幫助企業判斷哪些業務需要授權、哪些可能獲得排除。兩項諮詢共同推進英國加密監管框架的執行準備，但不能理解為相關業務已獲全面豁免。

法國：四大金融主管部門聯合提出MiCA修訂建議

10月20日至21日，法國財政總署、金融市場管理局（AMF）、法國央行及審慎監管與處置局（ACPR）公布對歐盟MiCA審查的聯合建議。重點涉及穩定幣跨境發行及儲備、贖回保障，加強重大加密服務商監管，以及明確DeFi中介責任、質押和加密借貸的監管安排。

這些建議體現法國推動歐洲加密監管進一步完善，但屬於提交歐盟政策審查的立場文件，尚未成為歐盟修法結果，也沒有立即新增企業合規期限。