Bithumb Emite Declaración Sobre Error en Pago de Recompensas – Detalles

bitcoinistPublicado a 2026-02-07Actualizado a 2026-02-07

Resumen

El intercambio coreano Bithumb aclaró un error interno que resultó en la transferencia accidental de 2,000 BTC (valorados en $134 millones) a 695 usuarios, en lugar de los 2,000 KRW ($1.34) previstos en un pago de recompensa. Algunos destinatarios vendieron inmediatamente las criptomonedas, provocando una caída relámpago del 10% en el precio de Bitcoin en la plataforma. Bithumb bloqueó los retiros en 35 minutos y logró recuperar el 99.7% de los BTC transferidos por error. El exchange aseguró que el incidente no estuvo relacionado con un hackeo externo y que los activos de los clientes se gestionan con seguridad. Además, se comprometió a rediseñar sus procesos de pago para evitar futuros errores.

El exchange coreano Bithumb ha aclarado un error interno que acreditó en ciertas carteras de usuarios una cantidad "preocupante" de BTC. Cabe destacar que este incidente resultó en una volatilidad significativa de precios en el exchange, atrayendo la atención de los entusiastas de las criptomonedas.

Bithumb Actúa para Concluir la Recuperación Tras Error de Pago Excesivo

El 6 de febrero, Lookonchain, entre muchas cuentas de comentarios sobre criptomonedas, informó que Bithumb había transferido por error 2,000 BTC ($134 millones) a cada usuario, en lugar de 2000 KRW ($1.34) en un pago de recompensa. Algunos receptores vendieron inmediatamente, causando una caída relámpago del 10% en el exchange coreano, llevando los precios brevemente a alrededor de $55,000.

En una publicación de blog, Bithumb explicó el incidente como un pago excesivo que ocurrió durante un proceso de evento promocional que involucró a 695 receptores. El exchange declaró que había transferido por error 620,000 BTC a estas carteras, un error que se notó de inmediato, resultando en una rápida prohibición de retiros para todas las carteras afectadas dentro de los 35 minutos posteriores a la transacción.

Fuente: @lookonchain en X

Cabe destacar que Bithumb recuperó rápidamente 618,212 BTC, lo que representa el 99.7% del total del pago excesivo. Mientras tanto, también se ha recuperado el 93% de los 1788 BTC ya vendidos, en KRW y otros activos digitales. Según el exchange, el monto restante vendido que no ha sido recuperado será cubierto utilizando activos de la empresa. Mientras tanto, se están realizando esfuerzos para garantizar que tales errores operativos no vuelvan a ocurrir.

Una declaración del exchange dijo:

Bithumb se toma este incidente muy en serio y hará todo lo posible para prevenir su recurrencia rediseñando todo el proceso de pago de activos y mejorando el sistema de control interno.

Bithumb también rechazó las sospechas de interferencia externa o maliciosa, asegurando a los usuarios que su sistema permanece intacto:

Dijeron:

Queremos dejar claro que este incidente no está relacionado con ningún hackeo externo o violación de seguridad, y no presenta problemas con la seguridad del sistema o la gestión de activos de los clientes. Los activos de los clientes se están gestionando de forma segura como antes, y las transacciones y depósitos/retiros actualmente operan con normalidad.

Panorama del Mercado Cripto

En otras noticias, la capitalización total del mercado cripto ha subido a $2.34 billones después de una ganancia del 5.68% en el último día. Esto sigue a una sangría anterior en la semana, durante la cual la capitalización de mercado cayó a alrededor de $2.19 billones.

A pesar de la reciente recuperación, los datos de CoinMarketCap muestran que el mercado de activos digitales sigue estando aproximadamente un 45% por debajo de su máximo histórico actual del ciclo en $4.28 billones. El sentimiento del mercado también continúa reflejando cautela, con el Índice de Miedo y Codicia de Criptomonedas mostrando actualmente un valor de 8, lo que señala un miedo extremo entre los inversores.

Capitalización total del mercado cripto valorada en $2.31 billones en el gráfico diario | Fuente: Gráfico TOTAL en Tradingview.com

Imagen destacada de Blocktempo, gráfico de Tradingview

Preguntas relacionadas

Q¿Qué error interno cometió Bithumb y cuál fue su consecuencia inmediata?

ABithumb transfirió por error 2,000 BTC (valorados en $134 millones) a 695 usuarios en lugar de 2,000 KRW ($1.34) como parte de un pago de recompensas promocionales. Esto provocó una caída repentina del 10% en el precio de Bitcoin en el exchange, llevándolo brevemente a alrededor de $55,000, ya que algunos receptores vendieron inmediatamente los fondos.

Q¿Qué acciones tomó Bithumb para recuperar los fondos tras el error de sobrepago?

ABithumb bloqueó las retiradas de las carteras afectadas en un plazo de 35 minutos. Logró recuperar 618,212 BTC, que representan el 99.7% del total del sobrepago. Además, recuperó el 93% de los 1,788 BTC que ya habían sido vendidos, en KRW y otros activos digitales. La cantidad restante no recuperada será cubierta con los activos de la empresa.

Q¿Aseguró Bithumb que el incidente no estuvo relacionado con un problema de seguridad externo?

ASí, Bithumb aclaró enfáticamente que el incidente no estuvo relacionado con ningún pirateo externo o violación de seguridad. Afirmó que no existe ningún problema con la seguridad del sistema o la gestión de activos de los clientes, y que todos los activos de los clientes se siguen gestionando de forma segura, con operaciones y depósitos/retiradas funcionando con normalidad.

Q¿Cuál fue el impacto del error de Bithumb en el mercado de criptomonedas en general según el artículo?

AEl artículo no atribuye el movimiento general del mercado de criptomonedas al error de Bithumb. Menciona que la capitalización total del mercado de criptomonedas subió a $2.34 billones con una ganancia del 5.68% en el último día, recuperándose de una caída anterior en la semana. El mercado aún está un 45% por debajo de su máximo histórico del ciclo actual.

Q¿Qué medidas dijo Bithumb que implementaría para prevenir que un error similar vuelva a ocurrir?

ABithumb se tomó el incidente muy en serio y se comprometió a rediseñar por completo su proceso de pago de activos y a mejorar el sistema de control interno para prevenir que este tipo de errores operativos se repitan en el futuro.

Lecturas Relacionadas

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

El entrenamiento de modelos generativos siempre ha sido un reto debido a la "desviación por exposición" (exposure bias): durante el entrenamiento solo se aprenden pequeños pasos, mientras que la generación requiere cientos de iteraciones, lo que causa acumulación de errores. Esto ha impedido que los modelos generativos sean entrenados de extremo a extremo (end-to-end), a diferencia de otras tareas de aprendizaje profundo. Un reciente artículo de la Universidad de Illinois y Harvard introduce "Explorative Modeling (XM)", un nuevo paradigma que resuelve este problema mediante un bucle simple (for). La idea clave es que, en cada paso de entrenamiento, el modelo genera K candidatos y solo retropropaga el gradiente a partir del candidato más cercano a los datos reales. Este enfoque evita que el modelo converja a un promedio borroso entre múltiples modos (mode blurring), un problema inherente a las funciones de pérdida de reconstrucción típicas. XM identifica una tercera dimensión escalable, además de los parámetros y los datos: la "expresividad generativa". Los experimentos en imágenes, video y lenguaje muestran que aumentar la exploración (K) mejora monótonamente el rendimiento, con ganancias de eficiencia en FLOPs, muestras y parámetros. En tareas de control robótico, una política exploratoria XM iguala o supera a políticas de difusión que requieren 100 veces más cómputo en inferencia. El trabajo sugiere que, a gran escala, la expresividad generativa se convierte en el cuello de botella principal, y XM ofrece un camino para modelos generativos verdaderamente end-to-end, generando muestras de alta calidad en una sola pasada hacia adelante.

marsbitHace 44 min(s)

¿Los modelos generativos también pueden entrenarse de extremo a extremo? El núcleo es un bucle for

marsbitHace 44 min(s)

Upbit Reorganiza 864,000 Millones de SHIB en Movimiento Interno de Cartera

El exchange surcoreano Upbit ha reorganizado 864.000 millones de SHIB entre direcciones de cartera internas, generando un movimiento on-chain significativo en valor, pero que corresponde a una rebalanceo interno y no a una venta por parte del exchange. Las transferencias, valoradas en aproximadamente 4 millones de dólares, se produjeron tras una subida del 36% en el precio de SHIB, lo que incrementó su visibilidad. Los movimientos incluyeron 384.000 millones de SHIB salientes y 480.000 millones entrantes entre carteras calientes y operativas identificadas de Upbit. Este tipo de actividad es parte de la gestión normal de liquidez y seguridad de los exchanges, y al ocurrir entre direcciones internas conocidas, no implica una presión de venta directa en el mercado. El artículo subraya que, si bien la transparencia on-chain es útil, la interpretación correcta requiere contexto, como el etiquetado de las carteras. En este caso, los datos respaldan la narrativa de una reestructuración operativa tras un periodo de alta actividad comercial, y no señales de venta por parte de ballenas o del exchange.

bitcoinistHace 46 min(s)

Upbit Reorganiza 864,000 Millones de SHIB en Movimiento Interno de Cartera

bitcoinistHace 46 min(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

Un investigador de DeepMind satiriza la nueva norma de ICLR que limita a 20 artículos por autor. La conferencia de IA ICLR 2027 ha establecido una nueva regla: cada autor solo puede figurar en un máximo de 20 trabajos enviados. Los que excedan este límite serán advertidos y, de no corregirse, algunos serán rechazados aleatoriamente. La justificación es la enorme presión sobre el sistema de revisión, tras un aumento del 68% en los envíos para ICLR 2026 (19,525 trabajos). Dan Roy, investigador de Google DeepMind, respondió con una "petición" irónica en X, pidiendo que se elimine el límite. Su mensaje, cargado de sarcasmo, sugiere que los agentes de IA ahora pueden producir investigaciones incrementales y que, "dado que todo el trabajo de revisión ya lo hacen los grandes modelos de lenguaje", debería animarse a enviar más trabajos, no menos. Su sátira apunta a un problema real: el uso de IA tanto en la autoría como en la revisión. Un análisis de 2025 detectó que aproximadamente el 21% de las revisiones de ICLR 2026 eran probablemente generadas completamente por IA. La broma de Roy plantea una pregunta seria: en un entorno donde agentes generan artículos, autores los envían en masa y revisores potencialmente usan IA, ¿limitar el número de envíos es la solución adecuada? El debate sobre la calidad versus la cantidad, y el papel de la IA en la academia, continúa.

marsbitHace 50 min(s)

¿Máximo de 20 artículos por persona? La nueva norma de ICLR recibe una «petición» sarcástica de un investigador de DeepMind

marsbitHace 50 min(s)

Vulnerabilidad en Coldcard provoca un robo de 89 millones de dólares, desatando la mayor migración en cadena desde FTX

La vulnerabilidad en las carteras hardware Coldcard de Coinkite ha resultado en el robo de aproximadamente 1.367,05 bitcoins (unos 89 millones de dólares) de 4.585 direcciones, según Galaxy Research. El fallo, causado por un software que generaba semillas con baja aleatoriedad, desencadenó una migración masiva de fondos por parte de usuarios afectados que buscaban proteger sus activos. Esta migración ha distorsionado indicadores clave de la cadena de bloques de Bitcoin. CryptoQuant reportó un pico en transacciones de menos de 1 BTC y en direcciones activas, niveles no vistos desde el colapso de FTX en 2022, mientras que Santiment registró un drástico deterioro del sentimiento del mercado. La investigación para rastrear los fondos robados se ha visto dificultada por las restricciones de los principales modelos de IA estadounidenses, que bloquean consultas con datos maliciosos incluso para análisis forenses. Los investigadores recurrieron a un modelo de IA de código abierto chino, destacando una asimetría donde los atacantes pueden usar herramientas de IA sin límites, pero los defensores enfrentan barreras. Este caso subraya la vulnerabilidad percibida de las carteras frías y los desafíos en la respuesta rápida a ciberataques en criptomonedas.

marsbitHace 1 hora(s)

Vulnerabilidad en Coldcard provoca un robo de 89 millones de dólares, desatando la mayor migración en cadena desde FTX

marsbitHace 1 hora(s)

OpenAI ya no depende del modelo más caro para ganar dinero

La empresa OpenAI anunció una importante reducción de precios el 30 de julio, destacando que GPT-5.6 Luna bajó un 80% y Terra un 20. Este movimiento, junto con una acción similar de Anthropic la semana anterior, señala un cambio estratégico crucial: las empresas ya no promueven principalmente sus modelos más potentes y caros. En su lugar, OpenAI recomienda explícitamente a los usuarios que para muchas tareas no es necesario usar el modelo más fuerte, sugiriendo un flujo de trabajo donde el modelo Sol (el más caro) diseña y planifica, y el modelo Luna (más económico) ejecuta. Esto refleja que el enfoque ha pasado de vender la inteligencia máxima a vender eficiencia y escala, priorizando modelos económicos y estables para tareas de alto volumen. La verdadera batalla ya no es por quién tiene el modelo más inteligente, sino por quién puede ofrecer la mejor relación costo-rendimiento y crear un ecosistema de uso con alta fidelidad. La industria de la IA estaría entrando en una era de "economía de escala", donde el costo por token cae drásticamente gracias, en parte, a que los propios modelos optimizan su código y operaciones, impulsando un ciclo de reducción de costos autosostenido. El objetivo final parece ser que la IA se convierta en una utilidad omnipresente y de bajo costo, como la electricidad, integrada en todos los flujos de trabajo.

marsbitHace 2 hora(s)

OpenAI ya no depende del modelo más caro para ganar dinero

marsbitHace 2 hora(s)

Trading

Spot
活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow