Надвигается давление со стороны продавцов альткоинов, поскольку на этой неделе запланированы разблокировки токенов на сумму 500 млн долларов

cryptonews.ruDipublikasikan tanggal 2023-08-14Terakhir diperbarui pada 2024-10-14

  • Планируется разблокировать различные криптовалюты на сумму около 500 миллионов долларов, что может оказать влияние на их рынок из-за увеличения предложения.
  • Разблокированные токены будут распределены среди членов команды и инвесторов для развития экосистемы, а некоторые, например WLD, столкнутся с увеличением предложения на 7%.
  • Исторические данные свидетельствуют о том, что существенные изменения цен могут произойти в среднем через две недели после разблокировки.

На этой неделе инвесторам, командам и консультантам по экосистеме будут предоставлены различные токены на сумму около 500 миллионов долларов, что может оказать понижательное давление на цены этих цифровых активов.

По данным TokenUnlocks, в течение следующих семи дней планируется выпустить более 80 миллионов долларов в WLD от Worldcoin, 51 миллион долларов в ARB от Arbitrum и почти по 40 миллионов долларов в EIGEN от Eigenlayer и AXS от Axis Infinity.

Эмиссия в 37 миллионов WLD , представляющая скорость, с которой новые токены создаются с течением времени, увеличит предложение токенов на 7%. Токены будут распределены среди членов команды, консультантов и инвесторов. Первоначально предполагалось, что токены WLD этих ранних Авторы будут подлежать трехлетнему графику блокировки, который был продлен до пятилетнего графика в июле.

Разблокировка сети Taiko второго уровня стоимостью 18 миллионов долларов станет самой большой по объему поставки и составит 15% от общего объема.

Из общей суммы разблокированных токенов в размере 500 миллионов долларов США следующие токены с рыночной стоимостью 200 миллионов долларов США будут выпущены в виде «обрыва» — или разговорного термина, обозначающего большое количество токенов, выпущенных за ONE раз.

  1. $ ARB (2,56%) - 48,97 млн. долл. США
  2. $EIGEN (6,01%) — $41,40 млн.
  3. $ AXS (6,08%) - 41,55 млн. долл.
  4. $ STRK (3,30%) - 25,00 млн. долл. США
  5. $TAIKO (15,00%) - 18,24 млн. долл.
  6. $ APE (2,31%) - 10,86 млн. долл. США
  7. $PIXEL (7,05%) - 6,80 млн. долларов

SOL Соланы получит разблокировку на сумму 80 миллионов долларов в рамках текущего «линейного» плана, в рамках которого токены выпускаются и поглощаются рынком.

Разблокировки увеличивают общее доступное количество определенного токена, но T обязательно сразу же появляются на открытом рынке.

Ожидание инвесторов или трейдеров, ожидающих, что получатели токенов продадут свои недавно разблокированные токены, может привести к упреждающей распродаже, снижая цену токенов до или во время разблокировки токенов.

Исследование TheTie, проведенное в 2023 году, показывает, что большинство потерь от разблокировок обычно возникают в среднем через две недели после события.

Однако если рынок воспримет разблокировку как признак прогресса проекта или ожидается, что токены будут использоваться для управления стейкингом или других полезных целей, не предполагающих немедленной продажи, цена может остаться стабильной или вырасти из-за позитивных настроений.

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.

marsbit1j yang lalu

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

marsbit1j 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.

marsbit2j yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit2j yang lalu

Trading

Spot
活动图片