¿Apuesta interna? Una billetera vinculada a un usuario de Axiom obtiene ganancias después de que ZachXBT nombra al exchange

ambcryptoPublicado a 2026-02-26Actualizado a 2026-02-26

Resumen

Un informe de ZachXBT acusó a Axiom Exchange de permitir que empleados realizaran operaciones con información privilegiada utilizando datos internos de usuarios. Tras un avance público de la investigación el 23 de febrero, una cuenta en Polymarket bajo el nombre "predictorxyz" apostó aproximadamente $65,800 cuando la probabilidad de que Axiom fuera acusada era solo del 13.8%. Después de que se nombrara a la exchange el 26 de febrero, la apuesta obtuvo una ganancia de más de $400,000. ZachXBT rastreó la financiación de la cuenta hasta una billetera de Solana vinculada a un usuario activo de Axiom. El caso destaca cómo la información privilegiada puede explotarse en los mercados predictivos y plantea preocupaciones sobre los controles internos en las exchanges de criptomonedas.

Una apuesta en un mercado de predicciones realizada antes de una investigación de alto perfil en el mundo cripto ha generado escrutinio después de que analistas on-chain vincularan la cuenta ganadora a un usuario activo de Axiom Exchange, la plataforma posteriormente nombrada en la investigación.

Este episodio ha reavivado las preocupaciones sobre fugas de información, controles internos en las empresas de cripto y sobre si las investigaciones en sí mismas se están convirtiendo en eventos negociables en los mercados on-chain.

Investigación insinuada antes de la revelación

El investigador de blockchain ZachXBT insinuó por primera vez el 23 de febrero que una importante investigación sobre trading con información privilegiada en una empresa de cripto era inminente. El adelanto generó especulación en las redes sociales y en los mercados de predicciones, pero en ese momento no se mencionó ningún nombre de empresa.

El 26 de febrero, ZachXBT publicó una investigación detallada. Alegó que empleados de Axiom Exchange habían abusado de herramientas internas para acceder a datos confidenciales de billeteras de usuarios, permitiendo el trading con información privilegiada y la búsqueda coordinada de ganancias.

El informe incluía grabaciones, capturas de pantalla de paneles internos y evidencia de seguimiento de billeteras que se remontaba a principios de 2025.

Axiom luego reconoció las acusaciones y dijo que estaba revisando los reclamos internamente.

Una apuesta rentable atrae la atención

Tras la publicación pública, la firma de análisis on-chain Lookonchain señaló a un trader bajo el nombre de usuario “predictorxyz” en Polymarket. El trader apostó aproximadamente $65,800 en un mercado que preguntaba si Axiom sería acusado de trading con información privilegiada.

En el momento en que se abrió la posición, las probabilidades implicaban solo un 13.8% de probabilidad. Después de que Axiom fuera nombrado en la investigación, la posición se liquidó con ganancias, obteniendo más de $400,000, según datos de Polymarket compartidos por Lookonchain.

El momento generó preguntas inmediatas: la apuesta se realizó después del adelanto público de ZachXBT, pero antes de que se identificara el exchange.

Lookonchain también informó que otras dos billeteras anónimas recién creadas apostaron $59.8K a que Axiom era la empresa. Los datos mostraron que estas billeteras ganaron $109K en tres horas.

Billetera rastreada hasta un usuario de Axiom

En una respuesta de seguimiento, ZachXBT dijo que había rastreado la fuente de financiación de la cuenta de Polymarket. Se rastreó a través de exchanges instantáneos hasta una billetera de Solana vinculada a un usuario activo de Axiom, conocido en otra plataforma bajo el nombre de usuario “JustADegen”.

Según ZachXBT, la cuenta fue creada recientemente y financiada con aproximadamente $70,000 en USDC poco antes de que se realizara la apuesta. Este patrón fue descrito como sospechoso, aunque no es una prueba definitiva de irregularidades.

ZachXBT enfatizó que sus hallazgos se basaron en análisis de timing y flujos de transacciones. Que una confirmación adicional requeriría acceso a los registros internos del exchange. No se han presentado cargos criminales y no se ha anunciado ninguna acción de las fuerzas del orden.

Lo que revela el episodio de Axiom

Si bien las acusaciones contra Axiom siguen bajo revisión, la secuencia de eventos destaca un problema más amplio para los mercados de cripto: las investigaciones, filtraciones y acciones regulatorias ahora pueden mover los precios —y las probabilidades en los mercados de predicciones— antes de que los hechos sean completamente públicos.

Incluso sin pruebas de coordinación con información privilegiada, el caso ilustra cómo la información asimétrica, o incluso su percepción, puede crear oportunidades de ganancia en los mercados on-chain.

También plantea preguntas incómodas para los exchanges sobre el acceso de los empleados a datos sensibles y las salvaguardas implementadas para prevenir su mal uso.

Para los mercados de predicciones, el incidente subraya una creciente tensión entre las apuestas abiertas sobre eventos futuros y el riesgo de que los insiders puedan explotar conocimiento privilegiado —o aparentar hacerlo— de formas que socavan la confianza.

Qué pasa después

Axiom no ha comentado públicamente sobre las afirmaciones específicas de rastreo de billeteras vinculadas a la apuesta en Polymarket.

ZachXBT ha dicho que espera que la empresa realice una revisión interna más profunda y considere acciones legales contra cualquier empleado que se descubra que haya abusado de su acceso.

Queda por ver si los reguladores o fiscales muestran interés.

Pero para los mercados de cripto, el episodio ya ha servido como un recordatorio contundente: cuando las investigaciones en sí mismas se convierten en catalizadores del mercado, la línea entre información, especulación y ventaja de insider puede desdibujarse rápidamente.


Resumen Final

  • La investigación de Axiom subraya cómo el acceso interno y los controles internos débiles pueden convertir la información sensible en un instrumento financiero antes de que la narrativa pública se forme por completo.
  • A medida que los mercados de predicciones se intersectan con la transparencia on-chain, los exchanges pueden enfrentar una presión creciente para demostrar que el acceso a datos internos no puede ser explotado antes de divulgaciones que mueven el mercado.

Preguntas relacionadas

Q¿Qué evento desencadenó la especulación en los mercados de predicción antes de que se nombrara a Axiom Exchange?

AEl investigador de blockchain ZachXBT insinuó el 23 de febrero que una investigación importante sobre trading de información privilegiada en una empresa de criptomonedas era inminente.

Q¿Qué plataforma de mercado de predicción utilizó el usuario 'predictorxyz' para realizar su apuesta?

AEl usuario 'predictorxyz' realizó su apuesta en Polymarket.

Q¿A qué billetera se rastreó finalmente la fuente de financiación de la cuenta de Polymarket según ZachXBT?

ASe rastreó a través de intercambios instantáneos hasta una billetera de Solana vinculada a un usuario activo de Axiom conocido como 'JustADegen' en otra plataforma.

Q¿Cuál fue la ganancia neta reportada para la posición de apuesta de 'predictorxyz' después de que se nombrara a Axiom?

ALa posición se liquidó con una ganancia, obteniendo más de 400.000 dólares.

Q¿Qué problema más amplio destaca este episodio de Axiom para los mercados de criptomonedas según el artículo?

ADestaca que las investigaciones, filtraciones y acciones regulatorias pueden ahora mover los precios y las probabilidades en los mercados de predicción antes de que los hechos sean totalmente públicos, creando oportunidades de beneficio a partir de información asimétrica.

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 46 min(s)

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

marsbitHace 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 52 min(s)

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

marsbitHace 52 min(s)

Trading

Spot
活动图片