Tron生态系统新贵:SunPump引爆memecoin热潮

marsbitDipublikasikan tanggal 2024-08-20Terakhir diperbarui pada 2024-08-21

经过 11 天的运营(包括短暂的停机时间),memecoin 平台 SunPump 已帮助创建了超过 18,000 个代币。

Tron 区块链上的新 memecoin 部署平台 SunPump 自首次推出以来的 11 天内已创造超过 110 万美元的收入。

根据网络分析平台 Dune 的数据,自 8 月 9 日推出以来,孙宇晨支持的平台总收入为 700 万 Tron

到目前为止,SunPump 最大的收入日是 8 月 20 日,收入近 278 万 TRX,相当于 40 万美元,创造了 6,000 多个 memecoin

生态系统SunPump 运营 11 天后收入已超过 100 万美元。来源:Dune

在 8 月 20 日的 X 帖子中,Sun 表示 SunPump 在“遭遇前所未有的流量”后瘫痪,开发人员正在“紧急扩大规模”以恢复服务,该平台在大约一小时后恢复上线。

生态系统

来源:孙宇晨 

自 SunPump 推出以来,在 Sun 的 Meme 生态系统促进激励计划提供的 1000 万美元拨款的帮助下,流动性一直流入 Tron 区块链。 

稳定币发行商 Tether 还于 8 月 20 日在 Tron 区块链上另外铸造了 10 亿个Tether(USDT )代币。

DefiLlama 的数据显示,Tron 在过去 24 小时内创造了 217 万美元的收入,比前一天 106 万美元增长了一倍。

关于 memecoin 价值的争论仍在继续

由于基于 Solana 的 memecoin 交易量下降,并且最近有争议的数据显示,Solana memecoin 启动平台 pump.fun 上的大多数交易者都亏损,怀疑论者对memecoin 对加密货币行业的价值提出了质疑。

自今年 1 月份推出以来,已有超过 170 万个代币通过 pump.fun发行,其中不到 1.5% 的总价值超过 63,000 美元。

生态系统

Pump.fun 自推出以来已促成了超过 170 万个 memcoin 的创建。来源:Dune

在 8 月 13 日加拿大未来学家会议的小组讨论中,Appchain Noble 首席执行官 Jelena Djuric表示,尽管 memecoin 季节仍在向前发展,但她对其寿命表示怀疑。 

Messari 数据工程师 Mike Kremer 在 8 月 19 日的新闻通讯中表达了类似的观点,声称 memecoin 具有“破坏性动态”,因为许多人看到它们的价格膨胀,导致内部人员抛售代币,使其失去任何实际价值或效用。

与此同时,孙宇晨仍然看好memecoin,他在 X 上发文称,他认为memecoin 的成功“并非偶然”。

孙宇晨写道:“当每个开发者都能够通过公平发布建立一个社区,获得所有人的支持,并培养热情和忠诚度时,社区就可以分享加密货币的成功。”

去中心化发行平台 BullPerks 的联合创始人 Constantin Kogan 也认为memecoin 在加密货币领域发挥着重要作用,称其为“该领域增长最快的行业”之一。


Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit10m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit10m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit55m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit55m yang lalu

Trading

Spot
活动图片