一览5个本周挖矿收益好去处

Odaily星球日报Publicado a 2024-08-13Actualizado a 2024-08-13

Resumen

分别是:Jupiter、Merkl、Dolomite、Brahma、Kamino。

原文作者:HANGRY

原文编译:深潮 TechFlow

注:本文内容仅代表原作者观点,还请 DYOR。

早上好,各位撸毛朋友!

有人可能会说,三位数的年化收益率时代已经结束,但他们只是不知道该去哪里寻找。

以下是我们本周推荐的卑微农场。

一览5个本周挖矿收益好去处

1. Jupiter

我们本周的第一个撸毛机会是 Jupiter,它是 Solana 上领先的 DEX 聚合器和永续交易所。

在过去的一年里,Jupiter 已经巩固了自己作为 Solana 上的蓝筹协议的地位,JLP 证明在市场波动期间是一个安全的避风港。

一览5个本周挖矿收益好去处

目前,流动性提供者(LP,Liquidity Provider)在保持对 BTC、ETH 和 SOL 等主要资产的敞口的同时,正在获得三位数的年化收益率。

除了收益,提供流动性还可能使您有资格参加 Jupiter 将于 1 月进行的下一轮空投。

一览5个本周挖矿收益好去处

2. Merkl

接下来是 Merkl,这是一个奖励中心,旨在探索和分发跨各种链的流动性池(liquidity pools)的代币奖励。

Optimism Superfest 奖励正在通过 Merkl 分发,以及许多其他活动的激励。

一览5个本周挖矿收益好去处

在寻找新的流动性池提供流动性时,Merkl 是我们最喜欢的地方之一。

目前我们最喜欢的一些流动性池包括:

• tBTC/WETH @ 90% APR

• wBTC/uniBTC @ 31% APR

• wstETH/ezETH @ 25% APR

一览5个本周挖矿收益好去处

3. Dolomite

我们本周的下一个撸毛机会是 Dolomite,一个多链货币市场和保证金交易协议。

Dolomite 作为一个统一的平台,可以为您的代币赚取额外的收益,同时能够根据您的投资组合借入保证金。

一览5个本周挖矿收益好去处

通过 Dolomite,您可以在 Arbitrum 和 Mantle 上存入各种资产,以堆积收益、积分和 Dolomite 矿石。

存入 GLP、DAI 和 USDM 等资产目前的年化收益率在 20-40% 之间,同时允许用户根据其投资组合进行借款。

一览5个本周挖矿收益好去处

4. Brahma

接下来是 Brahma,这个平台旨在简化和整合去中心化金融的体验。

通过 Console,用户可以安全存放和管理他们的资金,同时获得对各种协议和一键策略的访问。

一览5个本周挖矿收益好去处

Brahma 刚刚推出了一种通过 Aave 和 Ambient 提高收益效率的 Scroll 策略,如果您正在进行 Scroll 农场操作,值得一试。

此外,用户在 Brahma 持有资产到本月底将获得额外的 ARB 激励。

一览5个本周挖矿收益好去处

5. Kamino

我们本周的最后一个机会是 Kamino,这是一个建立在 Solana 上的借贷、流动性和杠杆协议。

即使在代币上线后,TVL(总锁仓价值)也在持续增长,这得益于 Kamino 的积分计划和新产品的推出。

一览5个本周挖矿收益好去处

Kamino 提供了多种收益机会,从借贷到流动性提供,甚至是循环借贷。

以下是我们目前最喜欢的一些机会:

• JLP @ 285% APY(杠杆)

• pyUSD @ 83.2% APY(杠杆)

• sSOL/SOL @ 27.3% APY

一览5个本周挖矿收益好去处

Lecturas Relacionadas

Visión Profunda: La Inferencia Descentralizada no es Hype, es el Campo Clave para Romper el Monopolio Centralizado de la IA

**Análisis profundo: El razonamiento descentralizado no es exageración, es clave para romper el monopolio centralizado de la IA** Ante un hipotético escenario donde un modelo de IA puntero es prohibido en 2026, el artículo argumenta que el **razonamiento descentralizado** es fundamental como protección contra la censura, ya que los modelos de código abierto serían imposibles de eliminar por completo. Sin embargo, construir redes de inferencia descentralizadas viables implica superar **cuatro desafíos principales**: 1. **Escalabilidad:** Ejecutar modelos enormes dividiéndolos en múltiples GPUs (swarm), luchando contra la latencia de red con técnicas como decodificación especulativa. 2. **Verificación:** Probar que el nodo ejecutó el modelo correcto y no una versión más barata. Se analizan opciones como ZKML (lento), pruebas de fraude o huellas estadísticas, todas con concesiones entre integridad, coste y velocidad. 3. **Privacidad:** Proteger el "prompt" del usuario. El sharding por sí solo no garantiza privacidad; se requieren soluciones como Entornos de Ejecución Confiables (TEE) o cifrado totalmente homomórfico (FHE), aunque este último es aún costoso. 4. **Mercado viable:** Identificar clientes reales dispuestos a pagar (empresas, agentes de IA) y crear un mercado sostenible más allá de la especulación con tokens. El artículo revisa proyectos como **Dolphin Network** (pruebas de pesos en vivo), **Inference.net** (verificación estadística), **Morpheus** (TEE) o **Darkbloom** (para Macs), destacando que cada uno aborda los problemas de forma distinta. La **ventaja competitiva** de la inferencia descentralizada no está en la baja latencia (donde lo centralizado gana), sino en tareas por lotes que priorizan el rendimiento agregado y el coste marginal bajo, como la generación de datos sintéticos. Un **valor oculto** a largo plazo es el ciclo de datos: las redes de inferencia pueden generar datos valiosos (por ejemplo, de interacciones con agentes) para entrenar mejores modelos de código abierto, creando un círculo virtuoso con el entrenamiento descentralizado. Finalmente, ofrece una **lista de verificación** para evaluar proyectos, enfatizando la necesidad de una propuesta de valor clara para usuarios no cripto, un equipo con sólidas capacidades técnicas en IA y una comprensión realista de su mercado objetivo.

Foresight NewsHace 4 min(s)

Visión Profunda: La Inferencia Descentralizada no es Hype, es el Campo Clave para Romper el Monopolio Centralizado de la IA

Foresight NewsHace 4 min(s)

La última pieza del puzzle de la ambición cripto de Franklin Templeton

El 22 de junio, Franklin Templeton anunció la adquisición de 250 Digital y la creación de su división de gestión de activos cripto, Franklin Crypto, enfocada en estrategias activas para inversores institucionales. Este movimiento representa la última pieza en la expansión cripto de la gestora, que comenzó en 2018 con un equipo de más de 50 personas. Su cartera de productos incluye el fondo tokenizado BENJI (aprox. 831M USD), lanzado en 2021, y una serie de ETF pasivos como EZBC (Bitcoin, 368M USD), EZET (Ethereum), XRPZ (XRP, 252M USD), SOEZ (Solana con staking) y EZPZ (índice cripto). En junio de 2026 solicitó a la SEC ETFs que reinvierten dividendos en Bitcoin. Más allá de los productos, Franklin Templeton ha invertido en el ecosistema, participando en rondas de financiación para proyectos como Ethena y Crossmint, y colaborando con cadenas como Aptos y Sui. Con Franklin Crypto, la empresa ahora cubre tres áreas: fondos tokenizados, ETF pasivos y gestión activa, dirigidos a clientes institucionales como fondos de pensiones. A modo de comparación, Fidelity, otro gigante tradicional, siguió un camino diferente desde 2014, construyendo su propia infraestructura de custodia. Su ETF de Bitcoin (FBTC) supera los 11.000M USD en activos. Ambos casos reflejan la creciente incursión de la gestión de activos tradicional en el espacio cripto.

Foresight NewsHace 32 min(s)

La última pieza del puzzle de la ambición cripto de Franklin Templeton

Foresight NewsHace 32 min(s)

El mayor rival de Unitree, ¿cómo es que se ha escindido de nuevo?

El principal rival de Unitree, la empresa de robótica china, Zhìyuán, ha creado otra empresa escindida. MiBee Tech, centrada en la adquisición, gestión y distribución de datos para la inteligencia embodied, completó recientemente una ronda de financiación estratégica. Esto refleja la creciente escasez de datos de alta calidad necesarios para entrenar robots humanoides y de uso general. Mientras que modelos de lenguaje grande se entrenan con datos de Internet, los robots requieren datos multimodales del mundo físico. Se estima que solo hay unas 500.000 horas de datos de alta calidad disponibles a nivel mundial, muy por debajo de las necesidades de entrenamiento. MiBee busca abordar este cuello de botella ofreciendo un modelo de "datos como plataforma". La empresa utiliza dos métodos principales: teleoperación con robots reales y una solución de "adquisición sin cuerpo" más económica, con dispositivos portátiles y pinzas de captura. Su motor de procesamiento de datos, MEgo Engine, automatiza tareas como limpieza y etiquetado, aumentando la eficiencia. MiBee también ha establecido un mercado de datos y la iniciativa "Beehive" para crear una red colaborativa de datos en la industria. El éxito de MiBee dependerá de demostrar su neutralidad, ya que comparte origen con Zhìyuán. Debe ganar la confianza de otros fabricantes de robots, incluyendo competidores directos, que necesitan garantías de que sus datos no se compartirán. Además, enfrenta competencia de empresas como JD.com, Lumeng y otras que también buscan solucionar la "hambruna de datos" en robótica. Su objetivo declarado es alcanzar una capacidad de producción de datos de decenas de millones de horas para 2026.

marsbitHace 33 min(s)

El mayor rival de Unitree, ¿cómo es que se ha escindido de nuevo?

marsbitHace 33 min(s)

Trading

Spot
Futuros
活动图片