Ostium увеличила объем торговли до $1,8 млрд

cryptonews.ruDipublikasikan tanggal 2023-08-13Terakhir diperbarui pada 2025-04-13

Платформа Ostium, работающая в сети Arbitrum, зафиксировала резкий рост активности на фоне запуска собственной программы очков. За 2 недели совокупный объем торговли увеличился с $1,1 млрд до $1,8 млрд. До 24 марта недельные значения не превышали $313 млн, но после старта новой программы показатель достиг $693 млн.

Согласно графику, основную долю объема составили сделки по парам BTC/USD и SPX/USD. По 1–й зафиксировано $716 млн, по 2-й — $270 млн. Остальная часть пришлась на другие активы, торгуемые на платформе. Примечательно, что рост затронул не только криптоинструменты, но и индексы, сырье и валютные пары. Это говорит о расширении аудитории и появлении новых стратегий у участников рынка.

Ранее Ostium демонстрировала стабильные, но умеренные темпы роста. За период с января по начало марта недельный объем увеличивался постепенно и редко превышал $250 млн. Лишь с середины прошлого месяца началось ощутимое ускорение. Переход к более агрессивному росту совпал с запуском пользовательских стимулов. Это подтверждает высокую чувствительность рынка к таким механикам привлечения трафика.

Площадка представляет собой децентрализованную биржу для торговли деривативами. В отличие от большинства конкурентов, она предлагает широкий выбор рынков — от криптовалют до традиционных финансовых инструментов. Все операции на Ostium проходят прозрачно и без участия посредников. Это снижает риски и упрощает доступ для новых пользователей. Продукт ориентирован на трейдеров, желающих работать в рамках Web3-пространства.

Текущая динамика позволяет предположить, что платформа удержит повышенные объемы и в следующих отчетных неделях. Если интерес к поинтам сохранится, итоговая сумма может превысить $2 млрд уже к середине следующей недели. При этом основной вклад продолжат вносить пары с биткоином и индексами, что отражает предпочтения активных участников, которые используют платформу для хеджирования и спекуляций.

Ошибка в тексте? Выделите её мышкой и нажмите Ctrl + Enter

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