Vals AI lève 40 M$ en série A dirigée par a16z pour créer des références indépendantes pour les modèles d'IA
2026/08/22 12:06:00
Le tour de financement signale une demande croissante pour des référentiels de performance IA du monde réel
À la mi-août 2026, Vals AI a annoncé un tour de financement Série A de 40 millions de dollars à une évaluation de 400 millions de dollars, mené par Andreessen Horowitz avec la participation des investisseurs existants 8VC, Pear VC et Bloomberg Beta, ainsi que de nouveaux investisseurs HRT Ventures et Next Ladder Ventures. L'entreprise basée à San Francisco se positionne comme un évaluateur indépendant des modèles d'IA de pointe, en construisant des référentiels qui évaluent les performances sur des travaux professionnels économiquement significatifs plutôt que sur des tests de style académique largement saturés. Ses résultats apparaissent déjà dans les cartes de modèles d'OpenAI, d'Anthropic, de Google, de Meta et de xAI. Le chiffre d'affaires a augmenté huit fois par rapport à l'ensemble de l'année 2025, la base de clients a doublé et l'équipe a triplé en six mois.
Accompagnant ce financement, Vals a lancé Vals Smith pour des benchmarks de codage personnalisés tirés de n'importe quel dépôt GitHub, l'indice RSI développé avec CoreWeave pour mesurer les capacités d'amélioration automatique récursive, ReverseEngBench créé avec des chercheurs de Columbia, Tufts, UC Berkeley et UCLA, ainsi qu'une version élargie de l'indice Vals 2.0 qui pondère les performances selon la contribution des secteurs au PIB américain. Ces initiatives interviennent alors que les entreprises font face à une pression croissante pour adopter l'IA tout en manquant de moyens fiables pour quantifier le retour sur investissement, et que les gouvernements cherchent des mesures indépendantes des capacités de pointe et des risques cybernétiques. La thèse centrale est que des benchmarks professionnels indépendants, mis à jour en continu pour des tâches spécifiques, sont devenus une infrastructure essentielle pour l'économie de l'IA, comblant le fossé croissant entre les classements déclarés par les fournisseurs et la capacité réelle à accomplir des travaux complexes en finance, droit, ingénierie logicielle et domaines à haut risque.
Pourquoi les classements traditionnels de l'IA ont perdu leur pouvoir prédictif pour les décisions d'entreprise
Les références académiques publiques offraient autrefois un langage commun pour suivre la progression des modèles, mais une analyse de février 2026 menée par des chercheurs de l'ETH Zurich et de Stanford a examiné 60 évaluations largement utilisées de grands modèles de langage et a constaté que 29 d'entre elles étaient saturées, les écarts de performance entre les modèles les plus performants et les seconds tombant à l'intérieur du bruit de mesure. La contamination se produit lorsque les données de test pénètrent dans les corpus d'entraînement, parfois via Common Crawl, tandis que les laboratoires optimisent également directement contre des cibles connues. Le résultat est que des scores élevés sur MMLU, HumanEval ou des suites similaires ne prédisent plus fiablement le succès sur des flux de travail professionnels complexes et multisteps. Vals résout ce problème en gardant les jeux de tests principaux privés, en collaborant avec des experts du domaine pour définir des tâches représentatives, et en retirant les références dès lors qu'elles cessent de différencier les modèles.
En mai 2026, l'entreprise a remplacé son évaluation CorpFin antérieure par un benchmark Excel Modelling plus exigeant précisément parce que la différenciation s'était effondrée. Cette approche adaptative traite l'évaluation elle-même comme une infrastructure continue plutôt qu'un examen statique, offrant aux entreprises un signal plus clair lors de la sélection de modèles pour un déploiement en production. La documentation officielle sur la méthodologie de l'entreprise et l'annonce d'investissement de a16z soulignent toutes deux que les ensembles privés, curatés par des experts et renouvelés en continu, résistent plus efficacement à la voie de saturation que les tests statiques entièrement publics ou entièrement privés.
Comment Vals construit des références autour des flux de travail professionnels réels
Vals collabore avec des avocats pratiquants, des analystes financiers, des ingénieurs logiciels et des cliniciens pour cartographier la taxonomie des tâches qui définissent un travail compétent dans chaque domaine, puis développe des systèmes de notation automatisés qui évaluent les produits générés par rapport aux normes d'experts, et non à la justesse de choix multiples ou à des correspondances exactes de chaînes de caractères. Une tâche typique du Finance Agent v2 exige qu'un agent récupère des données de soutien à partir de documents, synthétise des modèles de valeur relative entre entreprises concurrentes, identifie les catalyseurs sectoriels et produise des recommandations d'investissement fondées sans halluciner des chiffres ni perdre le contexte entre les étapes. En mai 2026, le modèle le plus performant a atteint seulement 52 % de précision sur cet ensemble de tâches, ce qui indique que même les systèmes de pointe échouent encore environ la moitié des tâches qu'un analyste professionnel est censé accomplir.
La même philosophie s'applique à la recherche juridique, à la migration de code, à l'ingénierie basée sur terminal et à la codification médicale. Étant donné que la notation est automatisée mais calibrée selon le jugement d'experts, les évaluations peuvent être produites dans les heures suivant l'accès au modèle, en correspondance avec le rythme hebdomadaire actuel des publications de pointe. L'entreprise a open-sourcé des parties de son infrastructure d'évaluation afin de soutenir la reproductibilité tout en protégeant l'intégrité des jeux de tests privés qui génèrent les scores principaux. Cette combinaison de partenariats sectoriels, de notation automatisée au niveau expert et de délais de retour rapides distingue la plateforme à la fois des classements académiques et des arènes entièrement basées sur les préférences.
Raison de a16z de diriger la levée de fonds à une valorisation de 400 millions de dollars
Andreessen Horowitz a encadré cet investissement autour du problème classique d'asymétrie d'information décrit par l'économiste George Akerlof : lorsque les vendeurs en savent plus sur la qualité du produit que les acheteurs et ont des incitations à présenter des données favorables, les marchés se dégradent vers des résultats de qualité inférieure. Jennifer Li et ses collègues de a16z ont comparé la nécessité d'un évaluateur d'IA indépendant à l'émergence historique de Moody's sur les marchés de la dette et des auditeurs indépendants dans les rapports des sociétés cotées. Le modèle économique de Vals, qui facture des services d'évaluation plutôt que de certifier les revendications d'un laboratoire particulier, vise à préserver son indépendance structurelle.
L'entreprise a mis en avant la profondeur technique des fondateurs et leur scepticisme de longue date quant à la validité des références, notant que Rayan Krishnan et Langston Nashold avaient déjà collaboré sur des problèmes de mesure dans le monde réel pendant leurs études en informatique à Stanford. La valorisation de ce tour et la participation de HRT Ventures, liée au trading quantitatif, signifient en outre que les capitaux sophistiqués considèrent la mesure fiable comme une infrastructure critique et non comme un outil de recherche périphérique. Les commentaires officiels d'a16z soulignent que les modèles évoluent de la réponse à des questions vers l'exécution de workflows agentic de plusieurs heures, augmentant le coût d'un mauvais choix de modèle de la dépense en jetons à la perte de temps et d'issues pour les clients.
Antécédents des fondateurs et origines de la thèse de l'évaluation indépendante
Rayan Krishnan, qui est le PDG de l'entreprise, possède un parcours remarquable incluant une expérience précédente chez Palantir, une entreprise bien connue dans le domaine de l'analyse de données. Son co-fondateur, Langston Nashold, occupe le poste de CTO et apporte une riche expérience acquise lors de ses passages chez de grandes entreprises technologiques telles que Meta, NVIDIA et Hudson River Trading. Les deux fondateurs se sont rencontrés pour la première fois lors d'un voyage en randonnée avant l'orientation à l'Université de Stanford, où ils ont rapidement tissé un lien. Ils ont ensuite collaboré sur divers cours d'informatique, ce qui les a amenés à une découverte majeure : les grands modèles linguistiques ont le potentiel de révolutionner la manière dont le travail est effectué. Toutefois, ils ont également constaté que l'industrie manquait encore de méthodes crédibles et efficaces pour tester ces modèles. Motivés par leurs insights, ils ont pris la décision audacieuse d'abandonner leurs programmes de troisième cycle afin de créer Vals. L'objectif initial de leur nouvelle entreprise était de se concentrer sur les tâches financières et de programmation, qu'ils ont identifiées comme représentant des portions substantielles de l'activité économique aux États-Unis.
Alors qu'ils commençaient à gagner en popularité sur le marché, ils ont reçu des citations notables dans les cartes modèles majeures et ont obtenu le soutien de leur initiatives de la part du Département du Commerce, ainsi qu'une implication dans les efforts congressionnels liés à la politique sur l'IA. Les fondateurs accordent une grande importance à la nécessité de retirer continuellement les benchmarks obsolètes et d'utiliser des jeux de tests privés. Cette approche découle directement de leurs observations sur la rapidité avec laquelle les modèles peuvent atteindre le sommet des benchmarks statiques et sur la manière dont les données d'entraînement peuvent influencer les évaluations publiques. Leur expérience combinée dans les systèmes de production et les environnements quantitatifs a grandement informé la conception de la pile d'évaluation, ainsi que du produit commercial que les entreprises utilisent désormais pour sélectionner et surveiller des modèles en phase avec les dernières avancées technologiques.
Les indicateurs de performance des agents financiers révèlent des écarts persistants entre les scores du classement et le travail d'analyste
Même si les modèles atteignent des résultats presque parfaits sur les anciens jeux d'évaluation académiques, la suite Finance Agent v2 continue de révéler des lacunes matérielles importantes qui ne peuvent être ignorées. Les tâches incluses dans cette suite englobent la synthèse multi-documents, la modélisation de valeur relative et la génération de recommandations, toutes étroitement reflétant les productions quotidiennes des analystes financiers professionnels du secteur. Le plafond de 52 % enregistré en mai 2026 pour le système leader constitue un rappel frappant que de hauts scores en connaissance générale ne se traduisent pas automatiquement par des capacités d'analyse financière fiables et autonomes.
Vals pondère stratégiquement son indice composé Vals en tenant compte des contributions approximatives des secteurs au PIB américain, ce qui confère à la finance un effet multiplicateur substantiel, garantissant que l'impact économique est correctement reflété dans le classement global des différents modèles. Les entreprises ayant déployé avec succès des modèles sélectionnés en partie grâce aux évaluations de Vals déclarent utiliser la plateforme non seulement pour le processus initial de sélection, mais aussi pour la mesure continue des performances des produits par rapport à des référentiels de pointe établis. De plus, l'écart existant en performance joue un rôle crucial dans l'orientation des décisions d'allocation des capitaux au sein des institutions financières. Ces institutions doivent justifier leurs dépenses en IA par des gains de productivité quantifiables, plutôt que de s'appuyer uniquement sur des démonstrations qualitatives, qui peuvent souvent être subjectives et moins fiables. Ce processus d'évaluation continu est essentiel pour garantir que les investissements dans les technologies d'IA produisent des bénéfices tangibles et des améliorations de l'efficacité opérationnelle.
Vals Smith ouvre des benchmarks de codage personnalisés tirés directement des dépôts d'entreprise
Avec l'annonce de la série A, Vals a rendu Smith généralement disponible, permettant à toute organisation de générer un benchmark de codage personnalisé à partir de ses propres dépôts GitHub. Le système extrait des tâches de développement réelles à partir des demandes d'extraction historiques et applique des tests cachés pour déterminer si un modèle peut accomplir le travail. Les utilisateurs reçoivent 120 crédits gratuits pour commencer. Pour les entreprises dont les bases de code contiennent des modèles, bibliothèques et conventions architecturales propriétaires, la distinction entre une compétence générique en Python ou Java et la capacité à opérer dans cet environnement spécifique est décisive.
Smith convert donc la question abstraite de la capacité de codage en une mesure concrète spécifique à l'organisation. Les premiers adopteurs d'entreprise peuvent désormais classer les modèles selon leur performance sur leur charge de travail d'ingénierie réelle, et non plus sur des suites publiques qui pourraient avoir été partiellement mémorisées ou optimisées. Cette version élargit la portée de Vals au-delà des benchmarks de domaine préétablis vers une infrastructure d'évaluation sur mesure qui s'adapte aux besoins des clients.
Indice RSI et ReverseEngBench élargissent leur couverture aux domaines de risque frontier
En conjonction avec le récent financement, Vals a fièrement dévoilé l'indice RSI, développé en collaboration avec CoreWeave. Cet indice innovant vise à évaluer la capacité de divers modèles à exécuter les tâches de recherche essentielles pour faire progresser le développement de modèles, les techniques de compression, les méthodes d'entraînement, les stratégies d'optimisation des paramètres, les pratiques d'ingénierie de harness et les évaluations post-entraînement. Par ailleurs, l'entreprise a lancé ReverseEngBench, un projet soigneusement développé en partenariat avec des institutions académiques renommées, notamment l'Université Columbia, l'Université Tufts, l'UC Berkeley et l'UCLA. Ce benchmark complet comprend 19 programmes propriétaires, qui totalisent en moyenne plus de 16 000 lignes de code.
Ces programmes couvrent un éventail diversifié de domaines, notamment les protocoles réseau, les micrologiciels, les applications de jeu, les processus de récupération de formats de fichiers et l'analyse de logiciels malveillants, tous protégés par une suite anti-analyse étendue conçue pour renforcer la sécurité. Les résultats préliminaires indiquent une différenciation significative entre les principaux modèles de pointe, révélant un potentiel considérable restant avant que les agents ne puissent inverser de manière cohérente des binaires réalistes. En complément de ces efforts, des travaux en phase précoce ont également été lancés dans le domaine des applications de santé mentale, avec des projets d'extension vers des domaines critiques tels que les évaluations d'impact environnemental, les applications militaires et les domaines de bio-sécurité. Ces évaluations, orientées vers le risque, portent sur des capacités essentielles à la fois pour renforcer la posture de sécurité des entreprises et pour les évaluations gouvernementales des systèmes de pointe.
Vals Index 2.0 agrège les performances pondérées par la contribution économique
Le site web redessiné et l'indice Vals 2.0 offrent désormais une couverture nettement plus étendue dans divers domaines, notamment la finance, le codage et les tâches juridiques. Les pondérations de secteur utilisées dans l'indice sont dérivées des données de valeur ajoutée fournies par le Bureau of Economic Analysis. La formule composite employée calcule la moyenne des indicateurs de performance au sein de chaque secteur, puis combine ces scores sectoriels en fonction de leurs parts approximatives du PIB. À mi-août 2026, Claude Opus 5 est en tête de l'indice, suivi de près par Claude Fable 5 et GPT-5.6 Sol.
L'indice est mis à jour fréquemment pour refléter les dernières versions de modèles et sert de métrique principale indiquant un impact économique potentiel, tout en permettant aux utilisateurs d'analyser en détail les classements par domaine pour obtenir des insights plus fins. Étant donné que les benchmarks sous-jacents restent largement privés et sont actualisés périodiquement, l'indice conserve sa différenciation sur une période plus longue que les indices purement publics. Les entreprises et les chercheurs consultent cet indice non seulement pour des fins de classement relatif, mais aussi pour mener des analyses de compromis entre coût, latence et capacité au sein de l'écosystème actuel de modèles, afin de prendre des décisions éclairées basées sur les données les plus pertinentes disponibles.
Schémas d'adoption entreprise et demande de ROI quantifiable
Les déploiements à grande échelle de l'IA intègrent de plus en plus les évaluations Vals lors de la sélection de modèles de base et de l'évaluation des produits internes par rapport aux indicateurs de performance de pointe. Cette combinaison de délais courts, de spécificité domainale et d'indépendance répond efficacement aux défis pratiques auxquels font face les équipes d'achat et les responsables techniques : les tableaux de bord fournisseurs ne suffisent plus à prendre des décisions à haut risque.
La croissance remarquable des revenus, multipliée par huit par rapport à l'ensemble de l'année 2025, ainsi qu'une base de clients doublée et un effectif triplé en seulement six mois, indiquent clairement que la demande a dépassé la phase expérimentale initiale pour entrer dans une phase de dépendance opérationnelle. Les gouvernements ont également collaboré avec la plateforme pour obtenir des informations précieuses sur la mesure des capacités et les risques cybernétiques, renforçant ainsi son importance tant dans les contextes commerciaux que politiques. La capacité de la plateforme à suivre les releases hebdomadaires de modèles garantit que le signal reste actuel et pertinent, plutôt que de retarder de plusieurs mois la pointe de l'avant-garde.
Écosystème et différenciation structurelle par rapport aux plateformes basées sur les préférences
D'autres efforts d'évaluation sont effectivement présents dans le paysage, notamment des arènes de vote préférentiel qui agrègent les jugements humains sur des sorties ouvertes, ainsi que des approches psychométriques visant à réduire considérablement le temps d'évaluation. Vals se distingue par la conception de tâches professionnelles curatées par des experts, qui garantit une grande pertinence et applicabilité, ainsi que par une notation automatisée soigneusement calibrée pour répondre aux normes établies du domaine. L'entreprise utilise des jeux de tests privés régulièrement mis à jour pour préserver l'intégrité de ses évaluations, et elle peut s'appuyer sur un historique de citations démontré par chaque grand laboratoire de pointe du secteur.
Ce dossier de citation sert de forme cruciale de légitimité que les nouveaux entrants doivent s'efforcer d'obtenir pour gagner en crédibilité. De plus, l'accent mis par l'entreprise sur des processus multi-étapes pondérés économiquement, plutôt que sur la simple préférence conversationnelle ou la vitesse pure, la positionne comme une infrastructure essentielle pour prendre des décisions de production éclairées, et non comme un simple acteur des classements de recherche. Les investisseurs ont manifestement reconnu et intégré cette différenciation unique dans la valorisation impressionnante de 400 millions de dollars.
Inférence pour les développeurs de modèles et la vitesse de mesure des capacités
Les laboratoires de pointe opèrent désormais dans un environnement où les scores indépendants détiennent une crédibilité externe que les chiffres auto-déclarés perdent de plus en plus. La citation dans les cartes de modèle signale aux acheteurs professionnels que les résultats ont fait l'objet d'un examen par un tiers. Dans le même temps, la création continue de benchmarks plus difficiles élève la barre que les modèles successifs doivent franchir. Le processus de « montée en pente » qui a conduit à l'avancement de l'IA fait donc face à un ensemble de collines plus abruptes et régulièrement actualisées.
Les développeurs qui considèrent l'évaluation comme une après-pensée risquent de découvrir des lacunes de capacité uniquement après le déploiement ; ceux qui intègrent une mesure indépendante plus tôt peuvent prioriser les améliorations qui comptent pour le travail réel. L'ouverture du code de certains composants d'infrastructure encourage davantage la reproductibilité tout en protégeant les évaluations privées fondamentales qui génèrent les scores les plus significatifs.
Besoin plus large sur le marché pour des institutions de mesure fiables
Alors que les systèmes d'IA s'intègrent de plus en plus dans des processus juridiques et financiers à conséquences importantes, l'absence de mesures indépendantes crée les mêmes risques d'asymétrie d'information qui ont historiquement donné naissance à des agences de notation et à des commissaires aux comptes dans d'autres industries. Les indicateurs de croissance de Vals et le prestige de ses investisseurs suggèrent que le capital reconnaît ce vide institutionnel. La mission déclarée de l'entreprise, qui consiste à servir d'évaluateur indépendant de l'intelligence artificielle, correspond aux exigences pratiques des entreprises cherchant une clarté sur le ROI et des décideurs politiques recherchant une compréhension des capacités et des risques.
L'expansion continue vers d'autres domaines professionnels et de risque testera si la méthodologie peut s'échelonner tout en préservant l'indépendance et la qualité du signal. Pour l'instant, la combinaison des récentes sorties de produits, d'une adoption commerciale rapide et d'un engagement en capital de haut niveau établit Vals comme point de référence central pour toute personne devant décider quels modèles peuvent réellement accomplir le travail qui compte.
Questions fréquemment posées
Qu'a exactement annoncé Vals AI dans son tour de financement Série A ?
Vals AI a levé 40 millions de dollars lors de sa série A à une valorisation de 400 millions de dollars le 13 août 2026. Andreessen Horowitz a mené cette levée, avec les investisseurs existants 8VC, Pear VC et Bloomberg Beta qui réinvestissent, et les nouveaux investisseurs HRT Ventures et Next Ladder Ventures qui rejoignent le round. L'entreprise a simultanément lancé Vals Smith pour des benchmarks de codage personnalisés, l'indice RSI, ReverseEngBench, une version élargie de Vals Index 2.0 et un site web entièrement refondu. Les déclarations officielles de Vals et de a16z confirment les chiffres ainsi que les lancements de produits associés.
Comment les références Vals diffèrent-elles des classements publics tels que MMLU ou SWE-bench ?
Vals se concentre sur des flux de travail professionnels en plusieurs étapes définis avec des experts du domaine et évalués par des systèmes automatisés calibrés selon les normes des experts. Les jeux de tests principaux restent privés et sont mis à la retraite lorsqu'ils cessent de différencier les modèles, réduisant ainsi la contamination et les manipulations d'optimisation. Les suites académiques publiques saturent souvent ou s'intègrent dans les données d'entraînement, limitant leur valeur prédictive pour les tâches enterprise réelles. L'approche de Vals produit des résultats en quelques heures suivant l'accès au modèle et est déjà présente dans les cartes de modèles des principaux laboratoires.
Quelle est la signification du score de 52 pour cent sur les tâches de Finance Agent ?
En mai 2026, le modèle leader a atteint une précision d'environ 52 % sur la suite Finance Agent v2, qui exige une modélisation de valeur relative, une synthèse de documents et des recommandations fondées. Ce chiffre indique que même les systèmes les plus performants disponibles échouent encore environ la moitié des tâches attendues d'un analyste financier professionnel. Ce écart entre les résultats académiques et la performance sur des tâches professionnelles est précisément le problème que Vals vise à mesurer afin d'aider à le réduire.
Qui sont les fondateurs et quelle expérience apportent-ils ?
Le PDG Rayan Krishnan a précédemment travaillé chez Palantir. Le CTO Langston Nashold a une expérience chez Meta, NVIDIA et Hudson River Trading. Les deux ont étudié l'informatique à Stanford et ont commencé à collaborer sur des problèmes de mesure avant de fonder l'entreprise. Leur parcours allie une expérience des systèmes de production à des perspectives quantitatives et de recherche qui façonnent l'accent mis par Vals sur une évaluation rigoureuse et adaptative.
Que permet Vals Smith aux entreprises ?
Vals Smith permet à toute organisation de générer un benchmark de codage personnalisé directement à partir de ses dépôts GitHub. Le système extrait des tâches de développement réalistes à partir des demandes d'extraction historiques et applique des tests cachés. Les utilisateurs commencent avec 120 crédits gratuits. L'outil convertit les benchmarks de codage génériques en mesures spécifiques à l'organisation, reflétant les modèles de code propriétaires et les pratiques d'ingénierie.
Comment l'indice Vals intègre-t-il le pondération économique ?
L'indice regroupe les performances dans les domaines de la finance, du codage et des tâches juridiques, puis pondère les moyennes sectorielles en fonction de leur contribution approximative au PIB américain à l'aide des données du Bureau of Economic Analysis. Le composite résultant fournit une mesure unique et globale de l'impact économique potentiel, tout en permettant une analyse détaillée des résultats individuels de chaque domaine. La version 2.0 élargit la couverture et est mise à jour fréquemment pour refléter les nouvelles versions des modèles.
🔥 KuCoin propose une option plus stable sur un marché volatil
Si vous vous inquiétez des fluctuations fréquentes du marché et que vous cherchez une option plus stable pour gagner de l'argent passivement, KuCoin est l'endroit idéal :
Simple Earn : Déposez et retirez des jetons à tout moment, en gagnant des rendements stables.
KuCoin Earn : Gagnez des profits stables grâce à une gestion d'actifs professionnelle.
Conserver pour gagner : Gagnez des récompenses en conservant des actifs dans les comptes Financement, Trading, Marge, Futures, Minage et Compte unifié.
Staking : Libérez le potentiel de revenus de vos actifs sur chaîne.
Investissements avancés : Les investissements avancés proposent une variété de produits structurés pour faire croître votre argent sur tous les marchés.
Shark Fin : Protection du capital et gains garantis
Double investissement : Achetez bas et vendez haut avec des calculs de rendement transparents.
Boule de neige : Rendements élevés, avec une protection des prix.
Achat à prix réduit : Achetez des crypto-monnaies à des prix réduits.
KCS Loyalty : Passez au niveau supérieur pour profiter de avantages exclusifs en stakant ≥ 1 KCS.
Patrimoine KuCoin : Découvrez la valeur future et commencez votre parcours d'investissement intelligent.
Avantages KCS : Tenez et mettez en staking des KCS pour accéder à des avantages sur l'ensemble de la plateforme.
KCS Staking 2.0 : Participez à la gouvernance sur chaîne de KCS pour gagner des rendements.
Avertissement : Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil en investissement. Les investissements dans les cryptomonnaies comportent des risques. Veuillez effectuer vos propres recherches (DYOR).
Avertissement : Pour votre confort, cette page a été traduite à l'aide de la technologie IA. Pour obtenir les informations à la source, consultez la version anglaise originale.