200 万枚 Pi 被集中存入,价格崩盘风险拉响警报!

ambcryptoPublicado a 2025-05-27Actualizado a 2025-05-27

Resumen

随着交易所流入量的增加以及形成看跌旗形图表模式,Pi Network 价格可能面临大幅下跌的风险。

亮点

  • 随着交易所流入量的增加,Pi Network 价格面临大幅崩盘的风险。
  • 投资者在过去 24 小时内向交易所净转移了 200 万个 Pi 币。
  • Pi 币已形成看跌旗形形态,预示着进一步下跌。

5月26日,即使比特币价格回升至11万美元以上,Pi Network的价格依然面临巨大压力。该代币交易价格为0.7752美元,较本月最高价下跌逾53%,成为表现最差的主要加密货币之一。随着投资者将200万枚Pi币转移到交易所,Pi币价格面临大幅下跌的风险。

Pi Network 价格技术分析指向更深层次的探讨

八小时图显示,Pi 的价值在 5 月 12 日飙升至两个月高点 1.6692 美元后遭遇大幅逆转。尽管比特币徘徊在历史高点附近,但它已下跌超过 53%,至目前的 0.7773 美元。

Pi 币的价格略低于 50 周期指数移动平均线 (EMA) 的 0.7910。它还形成了一个看跌旗形形态,这种形态发生在资产价格暴跌后盘整或在通道形态中向上移动。

它已经跌破了该形态旗形部分的下沿。因此,该货币存在跌至5月17日最低点0.6584美元的风险。跌破该水平将意味着进一步下跌,可能跌至本月低点0.5545美元,较当前水平下跌30%。

如果Pi 币价格突破上周最高点 0.8600 美元,那么看跌Pi 币价格的预测将失效。突破该水平将预示着进一步上涨,甚至可能触及 1 美元的心理关口。

随着交易所流入量的增加,Pi 币价格可能暴跌

PiScan数据显示,随着投资者将代币转入交易所,Pi Network的价格可能面临大幅下跌的风险。过去24小时内,投资者向OKX转入了410万枚代币,而提现量为220万枚,净流量达到188万枚。

Bitget 净流入 712,097 枚,Pionex 净流入 2,176 枚。过去 24 小时内,只有 MEXC 和 Gate 出现净流出。总计交易所总流入量超过 204 万枚。

交易所资金流入是加密货币分析中最危险的信号之一。这是因为它表明投资者正在将加密货币从自托管钱包中转移并出售。这些数据表明,在近期暴跌之后,对加密货币的需求仍然有限。

由于本周将有更多代币解锁, Pi 币价格本周可能继续下跌。今天将解锁 990 万枚 Pi 币,未来三天将分别解锁 1200 万枚、1520 万枚和 1320 万枚。本周将有超过 7200 万枚、价值超过 5000 万美元的 Pi 币上线,未来 30 天内将有 2.8 亿枚 Pi 币上线。

由于目前流通量为111亿,而发行上限为1000亿,这种解锁趋势将持续一段时间。如果另一方没有相应的需求,这些解锁可能会影响其价格。如需详细了解Pi币2025-2023年的价格预测,

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 1 hora(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 1 hora(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 1 hora(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 1 hora(s)

Trading

Spot
活动图片