DappRadar: с начала года Web3-экосистема потеряла ~$6 млрд из-за rug pulls

cryptonews.ruDipublikasikan tanggal 2025-02-18Terakhir diperbarui pada 2025-04-18

C января по апрель участники криптоиндустрии потеряли порядка $6 млрд вследствие rug pulls, из которых 92% пришлись на токен RWA-проекта Mantra (OM). Такие данные содержатся в отчете DappRadar.

За указанный период зафиксировано семь инцидентов, что втрое ниже, чем годом ранее за аналогичный таймфрейм. В то же время ущерб в абсолютном выражении тогда составил лишь $90 млн.

«Мошенничество становится все более изощренным, часто организуется командами с отточенным брендингом и хорошо спланированным нарративом», — говорится в обзоре.

Большинство rug pulls связаны с мем-коинами, тогда как годом ранее злоумышленники распределили внимание между «смешными монетами», DeFi— и NFT-токенами.

Одним из таких примеров стал дамп ассоциирующегося с президентом Аргентины Хавьером Милеем LIBRA на 94%, после того как на пике капитализация проекта достигла $4,56 млрд.

Путь мем-токенов от шутки до скама

«Несмотря на повышение осведомленности и появление инструментов для выявления подозрительного поведения, rug pulls остаются постоянной угрозой», — отметили аналитики.

Своеобразными «красными флажками» предстоящего инцидента могут выступать внезапный всплеск UAW без видимой причины или необычно высокий объем в сочетании с низкой активностью пользователей.

Дополнительными тревожными сигналами являются проекты с непроверенными смарт-контрактами, ограниченным количеством обновлений на GitHub, анонимными командами разработчиков или взлетающими в одночасье dapps.

«Хотя rug pulls, возможно, никогда полностью не искоренить, их влияние можно значительно снизить, если пользователи будут располагать необходимой информацией», — заключили специалисты.

Напомним, в начале апреля рухнули котировки примерно десятка низколиквидных монет. Дамп связали с активностью маркетмейкера Wintermute.

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.

marsbit2j yang lalu

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

marsbit2j yang lalu

Trading

Spot
活动图片