Трейдер, получивший 13 миллионов долларов от TRUMP, MELANIA и HARRYBOLZ, получил прибыль в размере 4,56 миллиона долларов, торгуя LIBRA

cryptonews.ruDipublikasikan tanggal 2023-08-15Terakhir diperbarui pada 2025-02-15

  • Кошелек «LeBron» заработал $8,9 млн на MELANIA, $3,2 млн на TRUMP и $1 млн на HARRYBOLZ.
  • Трейдер получил 4,56 млн долларов прибыли от LIBRA, продолжив демонстрировать высокие результаты торговли.
  • Его стратегия фокусируется на мем-монетах с высокой волатильностью и короткими периодами удержания.

Криптотрейдер, известный в цифровом мире как «Леброн», работающий с помощью специального кошелька, получил прибыль в размере 4,56 млн долларов США от торговли LIBRA, став частью серии успешных сделок на нестабильном рынке мем-монет.

По данным транзакций блокчейна Lookonchain, этот же кошелек ранее заработал $8,9 млн от $MELANIA, $3,2 млн от $TRUMP и $1 млн от $HARRYBOLZ.

Последний рост LIBRA подчеркивает умение этого трейдера зарабатывать большие деньги на быстрых изменениях цен на криптовалюты.

Торговля LIBRA приносит «Леброну» быстрые миллионы

При более внимательном рассмотрении последняя прибыль Леброна в размере 4,56 млн долларов от торговли LIBRA была получена за один день.

Записи блокчейна показывают, что трейдер купил 128,8 млн токенов LIBRA за $4,807.19, средняя цена покупки составила около $0.037 за токен. Вскоре после этого цена LIBRA резко выросла, что позволило ему продать их несколькими частями и зафиксировать многомиллионную прибыль.

В настоящее время кошелек, связанный с «LeBron», по-прежнему содержит более 500 различных токенов. Это включает в себя существенный баланс Solana в размере 1636,69 SOL (примерно $332 500), а также $5,17 млн ​​в USDC.

Внутри стратегии мем-монеты «Леброна»

Записи в цепочке поставок показывают, что «LeBron» последовательно нацеливается на мем-монеты с высокой рыночной активностью, часто удерживая позиции в течение коротких периодов времени, прежде чем продать их с прибылью.

Торговая модель «Леброна» предполагает, что план состоит в том, чтобы как можно раньше вложиться в перспективные токены и быстро выйти из них, когда ажиотаж высок.

Родственный: Ставка Whale на мем-монету в 2,5 млн долларов: большой выигрыш, большой проигрыш. В центре внимания монеты CZ Dog

Последние данные о транзакциях показывают, что трейдер заработал 8,9 млн долларов США от MELANIA с доходностью более 1000%, получил 3,2 млн долларов США от TRUMP с доходностью 109% и заработал 1 млн долларов США от HARRYBOLZ.

Подобные прибыли свидетельствуют о стиле торговли, в основе которого лежат высокий риск и высокая прибыль, а также игра на рыночных тенденциях и ажиотаже.

Влияние рынка и эффект «Леброна»

Крупные трейдеры, такие как «Леброн», на самом деле могут влиять на цены токенов, особенно на небольших рынках, таких как мем-коины.

Внезапная покупка или продажа с таких кошельков может спровоцировать ценовые колебания, привлекая внимание розничных инвесторов и институциональных игроков.

По теме: Оповещение о сбросе: трейдеры Bitcoin вывели на биржи более 4 миллиардов долларов прибыли

Успех «Леброна» поднимает вопросы о том, действует ли трейдер в одиночку или в рамках скоординированной стратегии. Некоторые рыночные трейдеры предполагают, что связи с инсайдерской информацией или сложными торговыми алгоритмами помогают подпитывать такие невероятно прибыльные сделки.

Kripto yang Sedang Tren

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

Artikel Populer

Cara Membeli MELANIA

Selamat datang di HTX.com! Kami telah membuat pembelian MELANIA (MELANIA) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli MELANIA (MELANIA) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan MELANIA (MELANIA) AndaSetelah melakukan pembelian, simpan MELANIA (MELANIA) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading MELANIA (MELANIA)Lakukan trading MELANIA (MELANIA) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

193 Total TayanganDipublikasikan pada 2025.01.20Diperbarui pada 2026.06.02

Cara Membeli MELANIA

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga MELANIA (MELANIA) disajikan di bawah ini.

活动图片