一.前瞻

1. 宏观层面总结以及未来预测

宏观本周总结（2026年10月19日—10月25日）：全球市场受到能源通胀与科技股估值担忧的双重影响。10月23日布伦特原油收于116.72美元/桶，当周标普500、纳斯达克分别下跌0.5%、0.7%；避险买盘推动美国10年期国债收益率周内下降约11个基点至4.987%，体现出通胀风险与增长担忧并存。

宏观下周预测（10月26日—11月1日）：预计市场波动加大，重点是美联储决议、美国GDP与PCE，以及大型科技公司财报。北京时间10月29日凌晨公布美联储利率决议，市场主流预期为维持利率不变；当日20:30公布三季度GDP及9月PCE。若美联储释放继续加息信号、核心通胀偏强，股市估值可能继续承压；若政策措辞温和、通胀降温，则有利于情绪修复。油价高企意味着即使本次暂停加息，也不能直接理解为紧缩结束。

2. 加密行业市场变动及预警

加密市场本周变动（10月19日—10月25日）：BTC与ETH先涨后跌，周中反弹未能延续。BTC从10月19日约81,953美元升至21日约84,117美元，23日回落至81,164美元；ETH同期由约2,407美元升至2,473美元，再回落至2,387美元。截至10月25日北京时间09:00，BTC报80,688.28美元、ETH报2,354.14美元，尚非全周收盘价。科技股走弱、油价上涨与利率不确定性压制风险偏好；19日至23日BTC现货ETF净流入约3.09亿美元，ETH现货ETF则净流出约2.21亿美元，机构资金明显分化。

加密市场下周预测（10月26日—11月1日）：倾向于高波动震荡，方向取决于美联储表态、PCE及ETF资金变化。若紧缩担忧缓解、机构买盘延续，BTC有望重新测试本周84,000美元附近，ETH则需先收复2,400美元；若政策偏鹰或科技股继续下跌，BTC的80,000美元心理关口可能再次受考验，ETH也存在继续走弱的风险。这些价位是情景观察点，目前尚不足以确认趋势反转，尤其需要警惕会议前后的杠杆清算放大波动。

3. 行业以及赛道热点

本周重点是稳定币支付、银行存款代币与合规基础设施。10月19日摩根大通宣布JPM Coin存款代币扩展至以太坊，面向获准机构客户；汇丰港元稳定币RedCoin本周落地PayMe，推进个人转账及商户支付；10月21日美国OCC发布《GENIUS法案》实施最终规则，覆盖储备、赎回、托管及风险管理，定于2027年1月18日生效。共同方向是链上资金开始更深入连接银行与实际支付场景，但存款代币、稳定币的法律属性不同，业务采用增长也不必然转化为公链或相关代币上涨。 

二.市场热点赛道及当周潜力项目

1.潜力项目概览

1.1. 详解总融资1200万美元，由Hack VC领投，Nomad Capital、Pi Network以及10K Ventures等机构参投 —— 构建 AI 驱动的智能机器人执行基础设施Axis Robotics

简介

AXIS Robotics 是一个面向 Physical AI（物理人工智能）的分布式训练基础设施，任何人都可以参与其中并贡献计算与训练数据。用户无需购买机器人硬件，只需通过浏览器即可控制机器人完成仿真任务、生成大规模训练数据，共同构建下一代智能机器人的“大脑”。

AXIS Robotics 采用 Simulation First（仿真优先） 的技术路线：首先通过浏览器端机器人仿真环境采集训练数据，再利用高拟真（Photorealistic）数据增强技术大规模扩充数据集，最终训练出可直接部署到真实机器人上的智能控制策略（Policy），实现从虚拟仿真到现实机器人的无缝迁移。

协议要素解析

AXIS 技术架构（The AXIS Stack）

1. 端到端机器人训练流水线

AXIS 构建了一套端到端机器人训练基础设施，将自然语言任务逐步转化为可部署到真实机器人的控制策略（Robot Policy）。整个流程涵盖任务生成、行为数据采集、数据增强、模型训练以及真实机器人部署五个环节，实现机器人智能训练的完整闭环。

2. 系统概览

整个 AXIS 架构采用四层流水线设计，每一层负责不同阶段的数据处理与模型构建，最终生成能够部署到真实机器人的智能控制策略。

3. 四层架构详解（The Four Layers in Action）

L1 —— 世界生成（World Generation）

系统首先接收一段自然语言任务描述（例如："拿起桌上的玩具汽车"），由任务生成引擎（Task Generation Engine）自动解析，并拆分为任务配置、场景配置以及目标物体配置等结构化信息。

随后，资产管理器（Assets Manager）从超过 2,000 个三维模型组成的资产库中自动匹配对应物体，也可以通过图像生成 3D（Image-to-3D）技术自动创建新的三维模型。

完成物体准备后，2.5D 场景布局生成器（2.5D Layout Generator）自动生成机器人操作环境，而布局监督器（Layout Supervisor）则负责持续验证和修正场景，直到满足任务要求。与此同时，每个任务都会自动生成对应的成功判定器（Success Checker），用于后续自动评估机器人是否完成任务。

L2 —— 行为数据采集（Behavior Collection）

数据采集阶段采用浏览器即可参与的方式。

贡献者无需机器人硬件，只需通过浏览器，利用键盘、手机或游戏手柄即可远程操控模拟机器人完成任务。

机器人物理仿真由编译至 WebAssembly 的 MuJoCo 在本地运行，因此无需 GPU、无需安装软件，也无需专业设备。

每次约 1～2 分钟的操作都会生成一条完整的机器人轨迹（Trajectory），其中包括：

• 时间戳
• 机器人关节状态
• 物体位姿
• 控制指令
• 任务元数据

所有轨迹均采用统一的数据格式，可兼容不同机器人仿真平台。通过审核的数据还会记录链上数据来源（Data Provenance），并在 Base 网络生成唯一 Data ID，确保数据可追溯。

L3 —— 数据优化（Data Refinement）

采集到的原始轨迹首先进行数据清洗，包括：

• 去除静止帧（Static Frame Removal）
• Savitzky-Golay 平滑滤波
• 三次样条插值（Cubic Spline），将采样频率从 6–8Hz 提升至 20Hz
• 剔除低质量数据

完成清洗后，系统会在 GPU 服务器上的 Isaac Sim 中重新回放轨迹，并利用数据增强引擎（Augmentation Engine）随机调整：

• 光照
• 纹理
• 材质
• 物理参数
• 摄像机视角

最终，将一条机器人轨迹扩展为数千条具有高真实感（Photorealistic）且经过领域随机化（Domain Randomization）的训练样本，显著提升模型的泛化能力。

L4 —— 模型训练与部署（Model Training & Deployment）

完成增强后的数据集将用于训练两类机器人控制模型：

• 任务专用模型：采用行为克隆（Behavior Cloning）、Diffusion Policy 等模仿学习方法，学习特定任务的执行策略。
• 通用视觉-语言-动作模型（Vision-Language-Action，VLA）：结合自然语言目标训练具备更强泛化能力的机器人模型。

模型首先会在随机化仿真环境中进行充分测试，验证其在不同初始条件下的稳定性和成功率。通过验证后，再部署至真实机器人（目前支持 Franka Research 3）进行Sim-to-Real（仿真到现实）验证，实现机器人策略从虚拟环境向真实世界的可靠迁移。

协议技术架构简述

1. L1 — World Generation（世界生成）

L1 负责生成机器人训练所需的仿真环境与任务实例。系统接收自然语言任务描述，并结合超过 2,000 个资产库对象，自动生成包含场景结构、物体布局、物理参数以及任务成功检测器的可运行仿真任务。

该层基于 MetaSim（与具体模拟器无关的场景描述语言），将任务语义与底层模拟器解耦。生成的任务可以直接转换为 MJCF、USD、URDF 等格式，并兼容 MuJoCo、IsaacSim 等不同仿真环境。

Consumes

• 资产库（EmbodiedGen、Kujiale、图片重建数据）
• 自然语言任务描述
• 场景布局约束

Produces

• 参数化任务实例
• 跨模拟器兼容的场景配置

Abstraction

将任务逻辑与具体模拟器实现分离，使后续层无需处理不同模拟器接口。

Key components

• MetaSim 场景描述语言
• LLM 驱动任务生成引擎
• 自动化 2.5D 场景布局生成
• 统一 USD / URDF / MJCF 资产管线

2. L2 — Behavior Collection（行为数据采集）

L2 将人类操作行为引入 L1 创建的仿真环境，并将其转换为机器人可执行的结构化轨迹数据。

用户无需安装软件或使用专业设备，只需通过浏览器即可利用键盘、手机、游戏手柄或 VR 等方式控制模拟机器人。系统通过 MuJoCo WebAssembly 本地运行物理模拟，并将不同输入方式映射为统一的机器人控制指令，实现跨设备、跨机器人形态的数据采集。

每条有效轨迹都会记录链上来源信息（Base 网络 Data ID），确保训练数据具备可追溯性。

Consumes

• L1 生成的交互式任务实例
• 多设备、多模式的人类控制信号

Produces

带来源证明的机器人轨迹数据：

{机器人状态、物体状态、控制动作、任务信息、语言目标、Data ID}

Abstraction

将人类操作意图与机器人具体结构解耦，使不同设备和机器人形态的数据能够统一使用。

Key components

• MuJoCo WASM 浏览器运行环境
• 跨形态机器人控制
• 抓取模板插值系统
• 去中心化数据采集网络
• Base 链上数据来源记录

3. L3 — Data Refinement（数据优化）

L3 负责将低质量、稀疏的人类演示数据转化为适用于模型训练的大规模高质量数据集。

该层不仅进行简单的数据清洗，而是通过数据分布工程（Distribution Engineering）构建能够支持真实环境泛化的训练数据。

流程分为两部分：

数据清洗：

• 去除静态帧
• Savitzky-Golay 平滑处理
• 三次样条插值
• 将采样频率从 6–8Hz 提升至 20Hz

数据增强：
利用 IsaacSim GPU 仿真环境，对轨迹进行多维度随机化，包括：

• 场景结构
• 材质
• 光照
• 摄像机参数
• 物理属性

最终将单条轨迹扩展为数千条高真实感训练样本。

Consumes

• L2 带来源证明的原始轨迹数据
• L1 世界配置数据

Produces

分布对齐训练数据：

清洗轨迹 × 领域随机化增强 × 多视角 RGB / 深度 / 分割数据

Abstraction

将数据规模与人工采集成本解耦，使模型接收到的是结构化数据分布，而非单个演示样本。

Key components

• 轨迹清洗流程
• IsaacSim GPU 重放
• Domain Randomization 数据增强系统
• 多视角相机生成

4. L4 — Model Training & Deployment（模型训练与部署）

L4 利用 L1–L3 生成的结构化训练数据，训练并输出可部署的机器人控制策略（Robot Policy）。

该层支持多种训练方式，包括：

• 行为克隆（Behavior Cloning, BC）
• Diffusion Policy（扩散策略）
• Vision-Language-Action（VLA）模型

不同模型均基于统一的数据接口进行训练，使系统能够比较不同算法在复杂任务环境中的表现。

AXIS 更关注模型的真实泛化能力，而非单纯基准测试成绩。模型需要经过：

• 跨模拟器验证
• 多场景布局测试
• 强视觉扰动测试
• Sim-to-Real 真实机器人部署验证

最终模型会部署至真实机器人（目前支持 Franka Research 3）。同时，每个模型都保留完整数据来源链路，可追溯至 L3 数据增强、L2 数据采集以及 L1 世界生成过程，并通过链上 Data ID 关联原始贡献者。

Consumes

• L3 分布对齐训练数据
• L1 评估环境配置

Produces

• 任务专用机器人策略
• 通用机器人模型
• Sim-to-Real 验证结果
• 可部署模型文件

Abstraction

将学习算法与数据基础设施解耦，使不同训练方法均可接入统一数据体系，而无需关注数据采集和增强过程。

Key components

• 任务专用模仿学习（BC / DP）
• 通用 VLA 模型
• 跨模拟器验证
• Sim-to-Real 测试
• 多世界 × 多机器人形态泛化评估

RoboVerse：统一仿真框架（Unified Framework）

RoboVerse提供了一个连接多种机器人仿真后端的统一接口框架，使不同模拟器能够通过标准化 API 协同工作。

其核心理念是：不同仿真器在机器人训练流程中的不同阶段具有各自优势。例如，某些模拟器更适合高精度物理计算，某些更适合大规模数据生成或视觉仿真。因此，RoboVerse 通过抽象不同模拟器之间的底层差异，将它们统一到一个通用接口之下，使机器人训练流程中的每个阶段都能够自动调用最适合的仿真环境。

这种设计避免了开发者针对不同模拟器重复开发适配代码，提高了机器人仿真、数据生成和模型训练流程的效率，同时为多环境、多机器人形态的泛化训练提供了统一基础设施。

Built on MetaSim（基于 MetaSim 构建）

RoboVerse 的跨模拟器能力建立在 MetaSim 之上。MetaSim 是一种统一的场景表示与描述语言（Scene Representation & Description Language），其核心作用是将任务定义与具体模拟器实现进行解耦，使同一套任务、资产和轨迹数据能够在不同仿真环境之间自由迁移。

通过 MetaSim，AXIS 能够将不同模拟器视为可替换的执行后端，而无需针对每个模拟器单独开发适配逻辑。

MetaSim 架构：一个接口连接所有世界（One Interface for All Worlds）

MetaSim 主要提供以下能力：

标准化场景图（Standardized Scene Graphs）

MetaSim 使用与具体模拟器无关的统一格式描述场景信息，包括：

• 物体（Objects）
• 关节结构（Articulations）
• 材质（Materials）
• 物理属性（Physics Properties）

使不同模拟器能够共享同一套场景定义。

自动格式转换（Automatic Translation）

MetaSim 可以将统一场景描述自动编译为不同模拟器所需的原生格式：

• MuJoCo → MJCF
• IsaacSim → USD
• 其他模拟器 → URDF 等格式

因此，同一个任务环境无需重新构建，即可运行于不同仿真后端。

资产标准化（Asset Normalization）

MetaSim 对不同模拟器中的资产进行统一处理，包括：

• 坐标系规范化
• 碰撞模型统一
• 视觉属性同步

确保机器人、物体和环境资产能够跨模拟器保持一致。

程序化场景生成（Programmatic Scene Generation）

MetaSim 提供可组合的程序化 API，使系统能够自动生成复杂任务场景。该能力支持 Task Generation Engine（任务生成引擎） 大规模创建多样化训练环境，为机器人模型提供更加丰富的数据来源。

MetaSim 的核心价值

通过这一抽象层，AXIS 能够实现：

• 任务定义跨模拟器迁移
• 机器人资产跨环境复用
• 轨迹数据跨平台流通
• 训练流程标准化

最终使不同仿真后端不再是独立系统，而成为 AXIS 机器人训练流水线中的可组合模块。

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

如果说 RoboVerse v1 的目标是统一机器人仿真与学习接口——支持多种模拟器、多任务环境以及强化学习（RL）/模仿学习（IL）插件，那么 RoboVerse v2 则进一步将这一基础设施升级为一个闭环、多样性驱动的机器人学习引擎。

RoboVerse v2 的核心转变是：从“能够运行的系统（A System That Runs）”
转变为“能够持续制造多样化机器人经验的引擎（An Engine That Manufactures Diverse Experience）”。

通过结合世界生成、行为采集、数据增强和模型训练，RoboVerse v2 不再只是提供仿真环境，而是持续生产支持机器人泛化能力提升的数据与经验。其重点从单纯的模拟器统一，转向构建面向真实世界机器人的规模化学习流水线。

数据流水线（Data Pipeline）

在数据采集之前，通过自动化任务生成创建训练环境；在数据采集之后，通过轨迹清洗与数据增强优化训练数据。

本部分介绍了围绕人工数据采集流程两端的两个自动化引擎：

• 任务生成引擎（Task Generation）：负责数据采集前的任务创建；
• 数据增强引擎（Data Augmentation）：负责数据采集后的轨迹处理与扩展。

流程 1：任务生成（Pipeline 1: Task Generation）

任务生成引擎（Task Generation Engine）

从语言描述到可用于模拟器的环境，共包含 5 个阶段的自动化流程。

在任何用户操作控制器之前，系统会通过任务生成引擎自动构建：

• 结构化任务描述（Task Specifications）
• 可直接运行的机器人仿真环境（Simulator-ready Environments）

为后续机器人行为数据采集提供标准化训练场景。

场景采样（Scenario Sampling）

当一个有效的任务布局构建完成后，平台会定义初始条件分布，用于生成多样化的任务实例。这些分布包括物体姿态、场景杂乱配置以及摄像机视角变化，从而在保持核心任务语义的同时，实现大规模场景采样。

这也是系统能够实现超过 90 类任务类别 的关键，包括抓取与放置、推动、分类、倾倒、打开/关闭、堆叠以及多步骤操作序列等任务。

Pipeline 2: Trajectory Cleaning（轨迹清洗）

轨迹清洗前后对比与测量结果（Trajectory Cleaning Before/After Comparison with Measured Results）

遥操作采集的数据可能包含多种异常，例如键盘输入导致的抖动（Jitter）、操作停顿（Stalls）、非预期振荡（Unintended Oscillations）以及无效运动轨迹等。

AXIS 设计了一套轨迹清洗流程，主要实现两个目标：

• 过滤不可使用的数据片段（Filter unusable episodes）
• 优化质量边界数据（Refine borderline trajectories）

Filtering（数据过滤）

当轨迹存在以下情况时，系统会直接拒绝：

• 数据损坏或不完整；
• 极端状态变化（Extreme State Discontinuities）；
• 不符合物理规律的状态转移；
• 未满足任务特定成功约束。

系统会计算相邻帧之间的状态变化量，并判断变化是否超过合理物理阈值。

在多个任务测试集中，该过滤流程的平均拒绝率约为 4.79%。

Static Frame Removal（静态帧移除）

当所有机器人关节的绝对变化量低于设定阈值（5×10⁻³）时，该帧会被识别为静态帧并删除。

该机制用于去除由于操作者犹豫、停顿等因素产生的无效暂停，使轨迹更加连续和有效。

Smoothing（轨迹平滑）

AXIS 使用 Savitzky-Golay 滤波器对机器人动作轨迹进行平滑处理：

• 窗口大小（Window Size）：15
• 多项式阶数（Polynomial Order）：3

该方法能够降低遥操作过程中产生的高频噪声，例如：

• 突然修正动作；
• 操作犹豫造成的抖动；

同时保持整体运动轨迹形状。

其中，夹爪关节（Gripper Joints）不会参与平滑处理，以保持机器人抓取和释放动作中的清晰开合变化。

Upsampling（轨迹升采样）

原始遥操作系统的采样频率仅为 6–8Hz，无法满足后续高频机器人控制和策略训练需求。

因此，AXIS 使用三次样条插值（Cubic Spline Interpolation），将轨迹采样频率提升至目标频率 20Hz。

非机器人数据（例如物体状态）不会经过平滑处理，而是单独进行插值，以保持其与机器人控制步骤之间的时间同步。

Measured Results（测量结果）

在 16 个基准任务（LIBERO Suite） 测试中，轨迹清洗流程显著提升了轨迹质量：

指标（Metric）	清洗前	清洗后	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%

清洗后的轨迹更加平滑，更适合用于机器人策略训练以及跨模拟器轨迹回放（Cross-Simulator Replay）。

Training（模型训练）

AXIS 的训练阶段负责将前期生成、清洗和增强后的数据转化为可部署的机器人策略，并通过 Sim-to-Real（仿真到现实） 验证模型在真实环境中的泛化能力。

训练模型类型

AXIS 主要训练两类机器人模型：

Task-specific Policies（任务专用策略）

基于 行为克隆（BC） 和 Diffusion Policy（DP） 训练针对具体任务的机器人策略，包括：

• 抓取与放置；
• 抽屉开关；
• 倾倒；
• 按钮操作。

该类模型针对特定操作技能进行优化，提升机器人在精细操作和复杂交互任务中的执行能力。

General-purpose VLA Models（通用 VLA 模型）

视觉-语言-动作（VLA）模型结合自然语言指令和视觉信息，实现机器人对未知任务的理解和执行，目标是实现跨任务的零样本泛化能力。

Training Protocol（训练流程）

AXIS 通过三类数据进行对比训练：

• 原始遥操作数据：未经处理的人类操作数据；
• 清洗后数据：经过过滤、平滑和升采样后的轨迹数据；
• 清洗 + 增强数据：通过 IsaacSim 仿真和领域随机化生成的大规模训练数据。

通过统一任务和训练条件，评估数据处理和增强对模型性能的提升效果。

Evaluation（模型评估）

模型首先在仿真环境中测试：

• 不同物体位置和场景布局；
• 不同视觉和物理条件；
• 未见过的任务环境。

随后部署到 Franka Research 3（FR3）机器人进行真实环境验证，测试：

• 抓取；
• 抽屉操作；
• 倾倒；
• 按钮操作。

主要评估成功率、轨迹质量和环境泛化能力。

Key Results（核心成果）

AXIS 证明经过合理采集、清洗和增强的仿真数据，可以训练出能够适应真实环境的机器人策略。

其优势在于结合低门槛浏览器数据采集与高性能 GPU 仿真训练，实现机器人训练数据的大规模生产，加速 Physical AI 模型的发展。

相关研究基础：

• GraspVLA：验证纯仿真数据可实现超过 90% 的抓取 Sim-to-Real 迁移效果；
• SkillBlender：支持将多个机器人技能组合为复杂多步骤行为。

Tron点评

Axis Robotics 的优势在于其构建了一套面向 Physical AI（物理人工智能） 的端到端机器人训练基础设施，通过 Simulation First（仿真优先） 路线，将任务生成、行为数据采集、数据清洗增强以及模型训练部署整合为完整闭环。其核心竞争力在于利用 RoboVerse、MetaSim 等技术实现跨模拟器统一接口，通过浏览器低门槛采集人类操作数据，并结合 IsaacSim 数据增强和 VLA/机器人策略模型训练，大规模生成可泛化的机器人智能数据，相比传统依赖真实硬件采集数据的方式具备更高效率和扩展性。

其劣势在于机器人 AI 仍处于快速发展阶段，真实世界部署面临硬件差异、复杂环境泛化以及数据规模需求等挑战；同时平台价值高度依赖生态参与者贡献数据、模拟器兼容范围以及机器人产业实际应用落地，商业化规模和长期竞争壁垒仍需要进一步验证。 

二. 行业数据解析

1. 市场整体表现

1.1. 现货BTC vs ETH 价格走势

BTC

ETH

三.宏观数据回顾与下周关键数据发布节点

本周回顾（2026年10月19日—10月25日）：中国10月19日公布三季度GDP同比增长4.5%，较二季度4.3%回升，前三季度累计增长4.6%；9月规模以上工业增加值同比增长5.5%，但前三季度社零累计仅增长1.1%，反映生产端强于消费端。美国10月22日公布的初请失业金人数为19.4万人，较修正后的前值20万人减少6,000人，显示裁员仍处低位。整体来看，中国经济修复仍不均衡，美国就业尚具韧性。

下周关键节点（10月26日—11月1日）：10月29日02:00公布美联储利率决议，02:30举行新闻发布会；当日20:30，美国三季度GDP初值、9月PCE与核心PCE、个人收入及支出数据集中发布，同时公布初请失业金人数；10月30日20:30公布美国三季度就业成本指数。重点观察“美联储政策指引＋核心PCE＋GDP”的组合，分别判断利率方向、通胀黏性和增长韧性。

四. 监管政策

美国：稳定币实施细则正式定稿，加密税制改革法案提出

10月21日，美国货币监理署（OCC）公布《GENIUS法案》实施最终规则，明确其管辖范围内支付稳定币发行人的储备资产、赎回、资本、风险管理、托管及审计报告要求，并覆盖符合条件的境外发行人。规则定于2027年1月18日生效；反洗钱与制裁相关规定另行制定。本周属于“最终规则发布”，尚未进入生效阶段，也不代表所有发行申请已经开放受理。

10月22日，参议员提出《ADAPT法案》，拟简化使用受《GENIUS法案》监管的美元稳定币购买商品和服务时的损益追踪要求，豁免不超过10美元的网络费用，同时将洗售、推定出售等反避税规则扩展至数字资产。其意义是同时推进支付便利化与税收规则统一，但目前仅为立法提案，尚未改变现行纳税义务。

英国：就DeFi合规与加密业务监管边界启动咨询

10月21日，英国金融行为监管局（FCA）发布DeFi指引征求意见稿GC26/7，说明受监管机构使用DeFi提供金融服务时，如何遵守现有运营韧性、金融犯罪防控及反洗钱要求。意见征集截至11月18日，最终指引计划于2027年1月发布。这是现有义务适用方式的指引咨询，并非本周出台全面DeFi新法。

同日，FCA发布CP26/36，就加密资产监管边界及部分活动的排除情形征求意见，帮助企业判断哪些业务需要授权、哪些可能获得排除。两项咨询共同推进英国加密监管框架的执行准备，但不能理解为相关业务已获全面豁免。

法国：四大金融主管部门联合提出MiCA修订建议

10月20日至21日，法国财政总署、金融市场管理局（AMF）、法国央行及审慎监管与处置局（ACPR）公布对欧盟MiCA审查的联合建议。重点涉及稳定币跨境发行及储备、赎回保障，加强重大加密服务商监管，以及明确DeFi中介责任、质押和加密借贷的监管安排。

这些建议体现法国推动欧洲加密监管进一步完善，但属于提交欧盟政策审查的立场文件，尚未成为欧盟修法结果，也没有立即新增企业合规期限。