一个新项目或协议应该关注什么?

区块创新Block ChangePublicado a 2024-01-30Actualizado a 2024-01-30

Resumen

让我们来看看 Curve(CRV)的结构。 实质上,Curve 为 LP 提供激励,通过他们的代币经济学鼓励参与者参与治理。而对于 Convex 来说,这里的终极目标是获得尽可能多的 veCRV 以最大化 CRV 奖励。 在明确设定目标之后,项目的创始人应该进一步研究代币的实际价值主张,持有该代币的参与者可以从中获得什么价值?比如: 质押 治理 价值存储 还有更多。如今,看到创始人提出由多种价值主张组成的代币是很常见的。当然,这可能导致对代币的更高需求。 一个完美的例子是 GMX,该代币具有多个价值主张,如治理(启发参与者的真实偏好的能力)、认领(将托管的 GMX 在一段时间内转换为 GMX 的能力)和持有(接收协议收入)。 随着这些价值主张,还有功能参数,这与决定代币的文字功能的变量有关,最简单的例子是转移或销毁。对于团队来说,确保代币的功能参数与其价值主张不冲突是绝对关键的。例如,一个用于价值转移的代币的目标和价值主张应该具有确保其可替代性的功能。以下是代币的一些功能参数: 可转让性(可转让 + 不可转让):分别是 GMX 和 esGMX。 可销毁性(可销毁 + 不可销毁):分别是 BNB 和 SBTs。 可替代性(可替代 + 不可替代):分别是 ERC20 和 ERC721(NFT)。 汇率(浮动 + 固定):分别是 MKR 和 DAI。 有时,团队故意决定一个代币被分配了冲突的价值主张或功能。在这种情况下,代币可以被分为两种或更多种类型。AXS 的著名案例就是一个最好的例子,从最初的单代币模型转变为多代币模型。 最初,AXS 有 3 个价值属性:价值转移、治理和持有。这里的冲突源于参与者如果决定在游戏内进行 AXS 的价值转移,就意味着放弃治理和持有的权益,这对游戏经济造成了问题。为了解决这个问题,他们发布了一个「新」代币 SLP,然后成为游戏内的首选价值转移工具。你可能还记得 STEPN 的 GMT 和 GST 中的同样的双系统。 然而,实施双代币系统可能使代币经济学设计过于复杂,并且有时考虑将外部代币作为辅助代币可能是重要的,以确保更顺畅的交互。一个典型的例子是 ARB,主要用于治理。 为了确保更顺畅的交互,ARB 使用 ETH 作为支付交易费用的手段,因为发生在 L2 上的交易被捆绑在一起并发送到 L1 状态。如果没有引入此外部代币(ETH)作为支付交易费用的手段,将发生以下情况:ARB 用于支付交易费用(gas 费),运营商然后必须将 ARB 兑换成 ETH 以在 L1 上进行验证并在进一步的 gas 费中损失,为 ARB 的增长创造了一种矛盾。 在上述部分,我已经介绍了代币经济学的一般动态和团队应该考虑的各种推动因素,现在让我们来看看代币供应。因为这直接影响代币价格(这是 degen 们想要的)。代币供应的结构如下: 最大供应量 分配百分比(销售、投资者、团队、市场营销、国库等) 分配的分布:分配给初始、归属和奖励发行。 最大供应量很重要,因为这决定了团队是否能够发行代币的最大上限,未限制的代币可能没有很好的价格分布。这不直接影响价格,但是影响发行速率的因素,以及代币是否通货紧缩或通货膨胀是影响价格的因素。 对于有限的最大供应量,例如 CRV(30 亿代币),价格可以上涨。因为随着网络的增长,对代币的需求增加,形成了一个供应有限的高需求区域,这种类型的最大供应的问题在于,如果代币分发不迅速,未来的新贡献者也很难提供激励。 另一方面,拥有无限最大供应可以避免关于未来激励耗尽的问题,当然...

让我们来看看 Curve(CRV)的结构。

实质上,Curve 为 LP 提供激励,通过他们的代币经济学鼓励参与者参与治理。而对于 Convex 来说,这里的终极目标是获得尽可能多的 veCRV 以最大化 CRV 奖励。

在明确设定目标之后,项目的创始人应该进一步研究代币的实际价值主张,持有该代币的参与者可以从中获得什么价值?比如:

质押

治理

价值存储

还有更多。如今,看到创始人提出由多种价值主张组成的代币是很常见的。当然,这可能导致对代币的更高需求。

一个完美的例子是 GMX,该代币具有多个价值主张,如治理(启发参与者的真实偏好的能力)、认领(将托管的 GMX 在一段时间内转换为 GMX 的能力)和持有(接收协议收入)。

随着这些价值主张,还有功能参数,这与决定代币的文字功能的变量有关,最简单的例子是转移或销毁。对于团队来说,确保代币的功能参数与其价值主张不冲突是绝对关键的。例如,一个用于价值转移的代币的目标和价值主张应该具有确保其可替代性的功能。以下是代币的一些功能参数:

可转让性(可转让 + 不可转让):分别是 GMX 和 esGMX。

可销毁性(可销毁 + 不可销毁):分别是 BNB 和 SBTs。

可替代性(可替代 + 不可替代):分别是 ERC20 和 ERC721(NFT)。

汇率(浮动 + 固定):分别是 MKR 和 DAI。

有时,团队故意决定一个代币被分配了冲突的价值主张或功能。在这种情况下,代币可以被分为两种或更多种类型。AXS 的著名案例就是一个最好的例子,从最初的单代币模型转变为多代币模型。

最初,AXS 有 3 个价值属性:价值转移、治理和持有。这里的冲突源于参与者如果决定在游戏内进行 AXS 的价值转移,就意味着放弃治理和持有的权益,这对游戏经济造成了问题。为了解决这个问题,他们发布了一个「新」代币 SLP,然后成为游戏内的首选价值转移工具。你可能还记得 STEPN 的 GMT 和 GST 中的同样的双系统。

然而,实施双代币系统可能使代币经济学设计过于复杂,并且有时考虑将外部代币作为辅助代币可能是重要的,以确保更顺畅的交互。一个典型的例子是 ARB,主要用于治理。

为了确保更顺畅的交互,ARB 使用 ETH 作为支付交易费用的手段,因为发生在 L2 上的交易被捆绑在一起并发送到 L1 状态。如果没有引入此外部代币(ETH)作为支付交易费用的手段,将发生以下情况:ARB 用于支付交易费用(gas 费),运营商然后必须将 ARB 兑换成 ETH 以在 L1 上进行验证并在进一步的 gas 费中损失,为 ARB 的增长创造了一种矛盾。

在上述部分,我已经介绍了代币经济学的一般动态和团队应该考虑的各种推动因素,现在让我们来看看代币供应。因为这直接影响代币价格(这是 degen 们想要的)。代币供应的结构如下:

最大供应量

分配百分比(销售、投资者、团队、市场营销、国库等)

分配的分布:分配给初始、归属和奖励发行。

最大供应量很重要,因为这决定了团队是否能够发行代币的最大上限,未限制的代币可能没有很好的价格分布。这不直接影响价格,但是影响发行速率的因素,以及代币是否通货紧缩或通货膨胀是影响价格的因素。

对于有限的最大供应量,例如 CRV(30 亿代币),价格可以上涨。因为随着网络的增长,对代币的需求增加,形成了一个供应有限的高需求区域,这种类型的最大供应的问题在于,如果代币分发不迅速,未来的新贡献者也很难提供激励。

另一方面,拥有无限最大供应可以避免关于未来激励耗尽的问题,当然,这里的缺点是从长远来看可能会有代币价格下降,因为实质上存在无限供应,除非使用外部模型减少流通(例如:质押、销毁等),否则长期内只能存在下降趋势,而不管其增长如何。

在分配方面,通常是基于最大供应的百分比,实际上确定了每个类别应该分配的最大供应的百分比。主要的类别有:团队(包括创始人、开发者、市场营销等,实际上是负责建设项目的个人),投资者(参与早期/种子/私募轮的人员),国库(运营成本,如研发、储备等),社区(空投、LP 奖励、挖矿奖励等),公开销售(ICO、IDO、IEO、LBP 等)和营销(包括顾问、意见领袖、代理等)。

这些是项目考虑的一些关键要素,然而这些要素对每个项目来说基本上是独特的,可以根据它们的「战略」简化或进一步细分类别。

值得注意的是,在 2020-21 年 DeFi 崛起时,团队意识到通过允许更高奖励给他们的社区,或通过空投增加初始持有者的浮动量,可能会导致网络增长和可持续代币经济的繁荣。

最后,分发。初始供应是在「启动」时立即释放到开放市场的初始浮动量,或者有些人称之为 TGE。分配到这个类别的分配通常是国库、公开销售和我们到处都能看到的臭名昭著的空投的一部分百分比。

对于待解锁的代币,这些通常会被锁定 x 个月/年,通常适用于投资者、国库、团队代币,他们可以自行决定持续时间和何时开始解锁,通常解锁防止大规模的代币抛售,特别是因为这个部分的参与者通常是以低于上市价的估值购买的投资者。

那么,这一切为什么重要呢?

简单来说,代币需求和价值捕获意味着理论上市场参与者应该通过持有代币来获得价值。

Criptos en tendencia

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 31 min(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 31 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 33 min(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 33 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 40 min(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 40 min(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 2 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 2 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 2 hora(s)

Trading

Spot
Futuros

Artículos destacados

Cómo comprar CRV

¡Bienvenido a HTX.com! Hemos hecho que comprar Curve DAO Token (CRV) sea simple y conveniente. Sigue nuestra guía paso a paso para iniciar tu viaje de criptos.Paso 1: crea tu cuenta HTXUtiliza tu correo electrónico o número de teléfono para registrarte y obtener una cuenta gratuita en HTX. Experimenta un proceso de registro sin complicaciones y desbloquea todas las funciones.Obtener mi cuentaPaso 2: ve a Comprar cripto y elige tu método de pagoTarjeta de crédito/débito: usa tu Visa o Mastercard para comprar Curve DAO Token (CRV) al instante.Saldo: utiliza fondos del saldo de tu cuenta HTX para tradear sin problemas.Terceros: hemos agregado métodos de pago populares como Google Pay y Apple Pay para mejorar la comodidad.P2P: tradear directamente con otros usuarios en HTX.Over-the-Counter (OTC): ofrecemos servicios personalizados y tipos de cambio competitivos para los traders.Paso 3: guarda tu Curve DAO Token (CRV)Después de comprar tu Curve DAO Token (CRV), guárdalo en tu cuenta HTX. Alternativamente, puedes enviarlo a otro lugar mediante transferencia blockchain o utilizarlo para tradear otras criptomonedas.Paso 4: tradear Curve DAO Token (CRV)Tradear fácilmente con Curve DAO Token (CRV) en HTX's mercado spot. Simplemente accede a tu cuenta, selecciona tu par de trading, ejecuta tus trades y monitorea en tiempo real. Ofrecemos una experiencia fácil de usar tanto para principiantes como para traders experimentados.

378 Vistas totalesPublicado en 2024.12.11Actualizado en 2026.06.02

Cómo comprar CRV

Discusiones

Bienvenido a la comunidad de HTX. Aquí puedes mantenerte informado sobre los últimos desarrollos de la plataforma y acceder a análisis profesionales del mercado. A continuación se presentan las opiniones de los usuarios sobre el precio de CRV (CRV).

活动图片