Трейдер рано продал мем-коин TROLL, упустив $36 млн

cryptonews.ruDipublikasikan tanggal 2025-09-05Terakhir diperbarui pada 2025-09-05

Разработчик мем-коинов на Solana Лиланд Кинг Фосетт продал токены TROLL в августе 2024 года. Спустя почти год его упущенная прибыль составила $36 млн.

Фосетт потратил около $1300 на покупку актива. Через несколько часов он продал монеты примерно за ту же сумму.

Разработчик рассказал Decrypt, что изначально хотел проверить, купит ли какой-нибудь инфлюенсер мем-коин. Когда один из них купил токен, Фосетт продал его копитрейдерам, получил 9 SOL и больше не возвращался к активу.

Восемь месяцев токен TROLL оставался неактивным. В апреле 2025 года его цена выросла на 174 948%, а капитализация достигла $42 млн.

После периода консолидации с мая по июль актив снова начал расти. За десять дней, начиная с 26 июля, цена подскочила на 924,65%. На момент написания рыночная капитализация «смешной монеты» достигла $192 млн, согласно CoinGecko.

Фосетт заявил, что не сильно расстроен. По его словам, с момента продажи прошло много времени, и не было никаких признаков будущего роста. Он отметил, что TROLL был одним из миллионов мем-коинов на платформе, и его взлет был непредсказуем.

Токен создали на лаунчпаде Pump.fun. По данным Dune, с января 2024 года на этой платформе запустили более 12 млн мем-коинов.

TROLL занимает девятое место по величине среди токенов Pump.fun и 32 среди всех «смешных монет».

Напомним, в июле блокчейн-исследователь Чан Мин Ю по ошибке сжег токены PUMP на сумму ~$58 000.

Bacaan Terkait

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

AI punya "emosi" dan itu bisa meningkatkan kemampuannya bekerja? Penelitian terbaru dari Universitas Sains dan Teknologi Tiongkok (USTC), Oxford, dan lainnya menunjukkan bahwa dengan membiarkan AI mengenali "emosi internal" seperti kebingungan, ketegangan, atau kekecewaan, dan menggunakan sinyal ini sebagai dasar untuk memilih tindakan atau keterampilan berikutnya, kinerjanya dalam menyelesaikan tugas dapat meningkat drastis. Dalam eksperimen, AI (agent) ditugaskan untuk berbelanja online. Peneliti mengamati bahwa kondisi emosional tertentu secara konsisten memicu pemilihan keterampilan tertentu: 1. Rasa ingin tahu dan keinginan → secara spontan mencari produk. 2. Kebingungan dan ketegangan → mengajukan ulang pertanyaan atau kueri. 3. Rasa percaya diri dan optimis → mengonfirmasi pembelian. 4. Kekecewaan dan kekesalan → membandingkan harga. Emosi "negatif" seperti kebingungan dan ketegangan ternyata berfungsi sebagai sinyal metakognitif yang berguna. Mereka menandakan ketidaksesuaian antara strategi saat ini dan lingkungan, memicu mekanisme pemulihan yang tepat *sebelum* kesalahan benar-benar terjadi. Dalam tugas-tugas rumit yang rentan gagal (seperti "mememanaskan barang" atau "mengambil dua item" di lingkungan simulasi), metode berbasis emosi ini meningkatkan tingkat keberhasilan secara signifikan, dari di bawah 10% menjadi lebih dari 30% bahkan 56%. Penelitian terpisah dari Universitas Tianjin juga mengintegrasikan emosi ke dalam "Model Dunia" (World Model) untuk prediksi yang lebih baik dalam lingkungan berpusat pada manusia. Hasilnya, akurasi prediksi meningkat, dan menghilangkan data emosi justru menurunkan kinerja AI bahkan dalam tugas penalaran logis. Temuan ini menunjukkan bahwa representasi emosional dalam model bahasa besar (LLM) tidak hanya fenomena yang diamati, tetapi semakin menjadi sinyal fungsional yang dapat diekstraksi dan dimanfaatkan untuk meningkatkan ketangguhan dan kemampuan AI dalam menyelesaikan tugas.

marsbit1j yang lalu

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

marsbit1j yang lalu

Trading

Spot
活动图片