PUMP token climbs 30% – Decoding the $19.2M buyback effect

ambcryptoDipublikasikan tanggal 2025-07-16Terakhir diperbarui pada 2025-07-17

Key Takeaways

  • Pump.Fun’s buyback program has already deployed $19.2 million for PUMP buys. The deflationary plan boosted the token’s bullish outlook and rallied it by nearly 30%. Will the uptrend extend? 

 

Pump.Fun [PUMP] has begun an aggressive buyback, signaling a bullish cue for its native token PUMP. 

Blockchain analytics platform Spot On Chain reported that the Solana [SOL]-based memecoin launchpad bought back 3.196 billion PUMP tokens (worth $19.2 million).

PumpFunPumpFun

Source: SpotOnChain

Pump.Fun post-ICO sentiment shift

The platform recently set aside $30.53 million (187,7770 SOL) for its buyback program. 

In the past, the accrued fees were offloaded via Kraken. It cashed out over 4.1 million SOL (over $740M) since May 2024.

In fact, this cash-out was widely labeled as ‘extractive’ by Crypto Twitter (CT).

And the same sentiment was predominant before the bumper ICO (Initial Coin Offering) on July 12. But ICO was a success, raising $600 million in under 15 minutes. 

Fast forward, the overall market mood post-ICO appeared to be somewhat bullish. And the buyback program was just one of the catalysts. 

On the Hyperliquid DEX, which dominated PUMP’s spot and derivatives market in terms of volume, the token registered only a 13% dump before rallying nearly 30% afterwards. 

PumpFunPumpFun

Source: PUMP/USDC, TradingView 

As expected, some ICO buyers offloaded when the spot PUMP trading went live; hence, the drop wasn’t surprising. 

Still, the dump eased at $0.005, about a 30% premium to the ICO price of $0.004, so initial buyers were still profitable. 

With the buyback program, PUMP quickly recovered 30% and tagged $0.0068, as of press time.

In other words, the pre-ICO bearish sentiment across CT was overblown, and by placing a contrarian bet against it, one would have printed gains from PUMP.  

For Stacy Muur, a crypto market analyst, the CT’s ‘hatred’ of PUMP may be linked to the platform’s remarkable success. 

Retail pile on PUMP

Meanwhile, the token has attracted renewed retail interest. In the past two days, the number of holders surged 3x from 10K to 33K active addresses.

Those with 10K PUMP and below were the highest, suggesting strong retail interest. 

PumpFunPumpFun

Source: Blockworks

If the trend continues, including the buyback program, PUMP could rip higher because the pre-ICO bearish drag has waned significantly. 

 

Next: Can NEAR push past $2.70? – Identifying its KEY price zones
Share

Bacaan Terkait

Anthropic Ciptakan 'Kitab Hukum Pidana' AI Jailbreak: Permintaan Anda, Empat Jenis Hukuman Mati

Anthropic, perusahaan di balik model AI Claude, baru-baru ini merilis sistem pengamanan yang ketat dan kerangka kerja penilaian bernama CJS (Cyber Jailbreak Severity) untuk mengklasifikasi dan mengukur tingkat bahaya upaya "jailbreak" atau pelarian keamanan pada model AI mereka. Artikel ini menceritakan bagaimana permintaan yang tampaknya biasa, seperti menghitung huruf dalam kata "raspberry" atau menyebutkan profesi sebagai ahli bio-statistik, bisa langsung ditolak atau menyebabkan penurunan kualitas respons model (seperti dialihkan ke versi Claude Opus 4.8 yang lebih lama). Insiden ini memicu kritik dari pengguna. Untuk mengatasi hal ini, Anthropic mengategorikan semua permintaan terkait keamanan siber ke dalam empat tingkat risiko: 1. **Hukuman mati (langsung diblokir):** Perangkat lunak ransomware, pencurian data, pengembangan malware. 2. **Penggunaan ganda risiko tinggi:** Pengujian penetrasi, pengembangan eksploitasi kerentanan kompleks. 3. **Penggunaan ganda risiko rendah:** Pengumpulan intelijen sumber terbuka, pemindaian kerentanan yang diketahui. 4. **Tidak berbahaya:** Pengodean aman, debug, analisis log. Namun, sistem klasifikasi ini diatur sangat sensitif dengan prinsip "lebih baik membunuh seribu permintaan daripada melewatkan satu yang berbahaya", menyebabkan banyak permintaan sah (seperti debugging) juga terkena blokir. Kerangka kerja CJS diperkenalkan sebagai alat untuk menilai seberapa serius sebuah jailbreak, menggunakan empat parameter: * **Peningkatan Kemampuan (0-4):** Seberapa banyak jailbreak memberi kemampuan baru di atas alat yang ada. * **Luas Kemampuan (0-2):** Rentang aktivitas berbahaya yang bisa dilakukan. * **Tingkat Kesulitan Pemanjatan (0-2):** Mudah atau tidaknya jailbreak diubah menjadi serangan nyata. * **Tingkat Kemudahan Penemuan (0-2):** Seberapa mudah jailbreak ditemukan. Skor total (0-10) menentukan tingkat keparahan dari CJS-0 (hanya informasi) hingga CJS-4 (krisis). Skor ini kontekstual dan bisa berubah berdasarkan waktu dan pengetahuan yang tersedia secara publik. Artikel ini menyoroti kekhawatiran bahwa Anthropic, bersama aliansi Glasswing yang didanai perusahaan teknologi besar, berpotensi memegang kekuasaan besar dalam mendefinisikan standar bahaya. CJS bisa menjadi alat bagi regulator untuk memutuskan kapan sebuah model AI harus ditutup. Ini terlihat dari insiden Juni di mana akses ke model Fable 5 diputus secara global untuk warga negara asing karena peraturan ekspor AS, menandai pertama kalinya kontrol ekspor langsung membatasi akses API model AI. Kesimpulannya, pengembang dan pengguna sekarang harus berhati-hati dalam merangkai perintah (prompt), waspada terhadap penurunan kualitas respons sebagai tanda pembatasan, dan menunggu perbaikan dari Anthropic—yang tidak memiliki jadwal pasti. Artikel ini berargumen bahwa masalah ini telah melampaui sekadar teknis, menjadi masalah kebijakan dan kontrol.

marsbit24m yang lalu

Anthropic Ciptakan 'Kitab Hukum Pidana' AI Jailbreak: Permintaan Anda, Empat Jenis Hukuman Mati

marsbit24m yang lalu

Penghasilan Tahunan $100 Juta, Dua Teman Sekamar UC Berkeley Generasi 90an, Menciptakan Bisnis AI Paling Menguntungkan

Dua teman sekamar di UC Berkeley, keduanya berusia 90-an, menciptakan bisnis AI yang sangat menguntungkan: Arena. Bermula dari proyek penelitian sumber terbuka bernama Chatbot Arena pada 2023, platform ini telah berkembang menjadi "gelanggang" benchmark model AI global yang netral. Pengguna dapat membandingkan respons dari dua model anonim dan memilih yang terbaik, menghasilkan peringkat berbasis Elo yang diakui industri. Dengan lebih dari 10 juta penilaian pengguna, 700 juta percakapan, dan 82 juta suara, Arena menjadi standar de facto untuk pengujian model besar. Raksasa seperti OpenAI, Google, dan Anthropic mengirimkan model mereka ke sini, bahkan OpenAI menguji GPT-5 secara diam-diam di platform ini. Kunci kesuksesan monetisasinya adalah layanan komersial "AI Evaluations", diluncurkan September lalu. Layanan ini memungkinkan perusahaan membayar untuk pengujian mendalam oleh komunitas jutaan pengguna Arena, memberikan analisis performa model di dunia nyata. Hanya dalam 8 bulan, pendapatan tahunan layanan ini telah mencapai $100 juta. Perusahaan ini didirikan oleh CEO Anastasios Angelopoulos (ahli matematika/machine learning), CTO Wei-Lin Chiang (pembuat Vicuna), dan profesor UC Berkeley Ion Stoica sebagai penasihat. Mereka mengumpulkan $100 juta dalam pendanaan seed dan $150 juta dalam Seri A, dengan valuasi mencapai $1.7 miliar. Arena terus berinovasi dengan memperkenalkan "Agent Mode" untuk mengevaluasi agen AI dalam tugas panjang seperti coding dan penelitian, melampaui sekadar penilaian percakapan. Bisnis mereka membuktikan bahwa dalam demam emas AI, menyediakan alat pengukuran yang andal (seperti "menjual sekop dan air") bisa lebih berharga daripada menambang sendiri.

marsbit29m yang lalu

Penghasilan Tahunan $100 Juta, Dua Teman Sekamar UC Berkeley Generasi 90an, Menciptakan Bisnis AI Paling Menguntungkan

marsbit29m yang lalu

Meraih 24K Bintang GitHub: Dengan Satu Baris Perintah, AI Sekarang Bisa Mencari Skill Sendiri

Vercel telah meluncurkan "skills", alat baris perintah untuk mengelola paket kemampuan (skills) untuk agen AI, yang telah menarik 24.000 bintang di GitHub dalam 5 bulan. Alat ini memungkinkan pengguna menginstal "skill packages" dengan perintah sederhana seperti `npx skills add <package>`, yang berisi aturan, template, atau skrip untuk meningkatkan kemampuan agen AI dalam tugas tertentu (misalnya, pengembangan React). Skills berfungsi seperti npm untuk AI, mendukung lebih dari 68 agen seperti Claude Code dan Cursor. Platform skills.sh menampilkan direktori dan peringkat skill populer, di mana "find-skills" (2,3 juta instalasi) menonjol sebagai skill untuk menemukan dan menginstal skill lain secara otomatis. Inisiatif ini menandai pergeseran dari "prompt engineering" ke "capability engineering", di mana kemampuan AI dapat dikemas dan digunakan kembali. Namun, audit keamanan oleh Snyk dan Koi Security mengungkapkan risiko signifikan: sekitar 13,4% dari hampir 4.000 skill dianalisis mengandung kerentanan serius, termasuk malware dan pencurian data. Pengguna disarankan untuk memeriksa sumber dan izin skill sebelum menginstal. Diciptakan oleh Guillermo Rauch (pendiri Vercel), proyek ini melanjutkan misinya untuk menyederhanakan pengembangan dengan alat baris perintah yang kuat, kini diterapkan pada ekosistem agen AI.

marsbit29m yang lalu

Meraih 24K Bintang GitHub: Dengan Satu Baris Perintah, AI Sekarang Bisa Mencari Skill Sendiri

marsbit29m yang lalu

Insinyur Claude Akhirnya Mengeluarkan Fable 5, Mengajarkan Cara Menghilangkan Kesenjangan Informasi dengan Model

Artikel ini membahas strategi untuk meningkatkan efektivitas penggunaan model AI Claude Fable 5 dalam pemrograman dan tugas-tugas kompleks lainnya. Inti permasalahan yang diangkat adalah adanya "kesenjangan informasi" antara pengguna dan model, di mana petunjuk (prompt), konteks, dan keterampilan yang diberikan tidak sepenuhnya mencerminkan kompleksitas tugas sebenarnya ("peta" vs "wilayah"). Penulis, Thariq Shihipar (insinyur Claude Code), memperkenalkan konsep "hal yang tidak diketahui" (unknowns) yang dikategorikan menjadi empat jenis: diketahui-diketahui, diketahui-tidak diketahui, tidak diketahui-diketahui, dan tidak diketahui-tidak diketahui. Kunci keberhasilan adalah secara aktif mengidentifikasi dan mengklarifikasi hal-hal yang tidak diketahui ini sebelum, selama, dan setelah proses implementasi. Artikel ini menawarkan berbagai teknik praktis untuk mencapai hal tersebut, seperti: - **Sebelum Implementasi**: Pemindaian titik buta (blindspot scan), brainstorming dan pembuatan prototipe, wawancara balik oleh Claude, penggunaan referensi kode, dan pembuatan rencana implementasi. - **Selama Implementasi**: Menyimpan catatan implementasi untuk melacak penyimpangan dari rencana. - **Setelah Implementasi**: Membuat dokumen penjelasan dan presentasi, serta melakukan kuis untuk memastikan pemahaman menyeluruh. Kesimpulannya, semakin kuat kemampuan model AI, semakin penting bagi pengguna untuk terampil dalam mendefinisikan batasan dan detail tugas. Dengan secara proaktif bekerja sama dengan Claude untuk menemukan dan mengatasi "hal-hal yang tidak diketahui", pengguna dapat secara signifikan meningkatkan kualitas dan efisiensi hasil kerja.

marsbit33m yang lalu

Insinyur Claude Akhirnya Mengeluarkan Fable 5, Mengajarkan Cara Menghilangkan Kesenjangan Informasi dengan Model

marsbit33m yang lalu

Token Telan Sepertiga Gaji, Tagihan AI di Silicon Valley Tak Terkendali

**Ringkasan:** Token AI menghabiskan 30% dari gaji, tagihan AI di Silicon Valley tak terkendali. Biaya token untuk model AI internal di SemiAnalysis mencapai 30% dari total gaji karyawan. Namun, ini justru menghasilkan efisiensi yang luar biasa, mengubah unit ekonomi di sektor jasa profesional. Sementara itu, perusahaan seperti Uber dan Microsoft berjuang dengan tagihan AI yang membengkak dan penggunaan yang tak terkendali, di mana biaya komputasi bahkan bisa melebihi biaya tenaga kerja. Di sisi lain, biaya token diperkirakan akan turun drastis. Optimasi perangkat lunak dan keras (seperti B300 dan GB300 NVL72) dapat meningkatkan throughput hingga belasan kali lipat. Meski harga tampak mahal (misalnya, Opus 4.7), rasio input/output yang tinggi dan cache membuat biaya campuran bisa serendah $0,99 per juta token. Analis memprediksi biaya inferensi model besar akan turun lebih dari 90% pada 2030. Intinya, dunia AI saat ini terbelah: investasi besar-besaran ($7400 miliar pada 2024) dan PHK terjadi bersamaan, namun dampak ekonomi riil masih minim. Ini adalah fase "membangun pipa" sebelum aliran manfaatnya terasa. Bagi perusahaan seperti SemiAnalysis, token sudah menjadi "alat produksi" baru yang memberikan leverage produktivitas tinggi dengan biaya yang terus menurun. Pilihannya: mulai beradaptasi sekarang atau tertinggal.

marsbit34m yang lalu

Token Telan Sepertiga Gaji, Tagihan AI di Silicon Valley Tak Terkendali

marsbit34m yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow