Объемы торгов на DEX в сети Starknet взлетели на 113%

cryptonews.ruDipublikasikan tanggal 2024-05-10Terakhir diperbarui pada 2024-09-10

За последние 7 дней в некоторых блокчейн-сетях был зафиксирован значительный рост объема торгов на децентрализованных биржах (DEX). Согласно данным DropsTab, лидером по данному значению стала Starknet. Она продемонстрировала впечатляющий рост на показателей 113,2%, достигнув объема торгов в размере $117 млн. Это отражает растущий интерес к платформе и увеличивающийся спрос для сектора децентрализованных финансов (DeFi) и других решений на блокчейне.

Следом идет Injective, где объем торгов которого вырос на 37,3%, что привело к общему обороту в $57,6 млн. Такой прирост подтверждает высокую активность трейдеров на данной платформе, что может быть связано с обновлениями и новыми предложениями в экосистеме Injective.

Блокчейн Sei продемонстрировал увеличение показателей на 24,4%, показав рост до $56,7 млн. Рост объемов сделок на этой платформе говорит о повышенном интересе к ее уникальным торговым механизмам, которые становятся популярными среди пользователей.

Один из крупнейших и наиболее известных блокчейнов, Ethereum, продемонстрировал стабильный рост на 18,5%, и объем торгов достиг $1,09 млрд за неделю. Этот результат подчеркивает устойчивую популярность Ethereum как основного игрока на рынке децентрализованных финансов.

Блокчейн Sui также вошел в список лидеров, увеличив объемы торгов на 14,9%, до $260 млн. Рост свидетельствует о постепенном укреплении позиций Sui на рынке, особенно в контексте появления новых DeFi-продуктов и приложений на его платформе.

Следом за ними идет TON с приростом в 14,3% и объемом торгов $168 млн, что подтверждает растущую активность пользователей на этой платформе. Платформа Blast зафиксировала увеличение на 10,8% и результат в $130 млн, а блокчейн Optimism завершает список с 10,5% и $510 млн. Рост объемов торгов на децентрализованных биржах свидетельствует о продолжающемся росте интереса к сектору DeFi и связанным с этим технологиям.

Bacaan Terkait

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

Artikel ini membahas konsep "world model" (model dunia) dalam kecerdasan buatan (AI) yang saat ini banyak digunakan dengan makna berbeda-beda. Fei-Fei Li mengusulkan taksonomi fungsional untuk mengklarifikasi kekacauan ini. Berdasarkan siklus interaksi agen-dunia dalam POMDP (Partially Observable Markov Decision Process), ia mengategorikan model dunia menjadi tiga jenis berdasarkan outputnya: 1. **Renderer (Perender):** Menghasilkan **observasi**, khususnya piksel yang ditujukan untuk mata manusia. Contohnya adalah model video seperti Sora atau sistem interaktif seperti Genie yang menghasilkan gambar berdasarkan input. Fokus utamanya adalah kesetiaan visual, bukan akurasi fisik. 2. **Simulator (Simulator):** Menghasilkan **state (keadaan)**, yaitu representasi dunia yang akurat secara geometri, fisika, dan dinamika. Simulator berfungsi sebagai landasan struktural untuk perhitungan, digunakan oleh profesional (arsitek, desainer) dan program komputer (robot, kendaraan otonom) untuk pelatihan dan pengujian. Contohnya adalah platform seperti NVIDIA Omniverse. 3. **Planner (Perencana):** Menghasilkan **tindakan**. Model ini menentukan langkah selanjutnya yang harus diambil sebuah agen berdasarkan observasi dan tujuan. Ini menutup lingkaran persepsi-aksi. Contohnya adalah model visi-bahasa-aksi (VLA) dan model aksi dunia (World Action Models). Artikel menyoroti bahwa **simulator adalah kunci penghubung** yang paling penting namun kurang mendapat perhatian publik. Simulator bekerja pada tingkat geometri dan fisika yang mendasarinya, sehingga pemahamannya dapat diproyeksikan ke dalam piksel (untuk renderer) atau prediksi konsekuensi tindakan (untuk planner). Tren terpenting saat ini adalah peleburan batas antara ketiga kategori ini, didorong oleh kesadaran bahwa pengetahuan dasar tentang dunia yang dibutuhkan adalah sama. Tujuan akhirnya adalah model dunia terpadu yang dapat beralih di antara rendering, simulasi, dan perencanaan sesuai kebutuhan. Perkembangan ini mendorong kemajuan menuju kecerdasan spasial, di mana mesin tidak hanya memahami bahasa tentang dunia, tetapi juga dapat memahami, membayangkan, bernalar, dan berinteraksi dengan dunia fisik itu sendiri.

marsbit4j yang lalu

Artikel Terbaru Li Feifei: Saat Video Generation, Robot, dan NVIDIA Mengaku Sebagai Model Dunia, Kita Membutuhkan Taksonomi

marsbit4j yang lalu

Trading

Spot
活动图片