Crypto.com Luncurkan Pasar Prediksi Setelah Lonjakan Pengguna

TheNewsCryptoDipublikasikan tanggal 2026-02-04Terakhir diperbarui pada 2026-02-04

Abstrak

Crypto.com meluncurkan platform pasar prediksi baru sebagai bagian dari strategi ekspansinya, menyusul laporan pertumbuhan pengguna yang meningkat lebih dari 40 kali lipat dalam periode singkat. Platform ini memungkinkan pengguna memperdagangkan kontrak berdasarkan peristiwa dunia nyata di bidang keuangan, politik, dan budaya. Pasar prediksi menargetkan segmen pengguna baru dan memperkuat keterlibatan melalui siklus perdagangan berulang. Crypto.com mengintegrasikan layanan ini ke dalam ekosistemnya yang sudah ada, menawarkan akses terpadu ke perdagangan spot dan layanan pembayaran. Peluncuran ini mencerminkan keyakinan platform dalam pemulihan pasar dan pertumbuhan Web3, sekaligus memperkuat lanskap kompetitif di industri aset digital. Keberhasilan operasi bursa kini semakin bergantung pada keterlibatan pengguna, di mana pasar prediksi berperan sebagai penggerak siklus perdagangan baru dan efek jaringan.

Bursa global Crypto.com melanjutkan pendekatan ekspansionisnya dengan meluncurkan platform pasar prediksi baru. Ini terjadi setelah perusahaan melaporkan pertumbuhan eksponensial dalam keterlibatan pengguna, yang dilaporkan meningkat lebih dari empat puluh kali lipat dalam periode singkat.

Peningkatan keterlibatan dalam pembaruan pasar Bitcoin dan tren Web3 umum menunjukkan bahwa pengguna semakin tertarik pada berbagai layanan kripto. Crypto.com bertujuan untuk memanfaatkan ini dengan menawarkan pasar yang digerakkan oleh peristiwa yang memungkinkan pengguna memprediksi hasil peristiwa di bidang keuangan, politik, dan budaya.

Pasar prediksi memungkinkan pengguna untuk memperdagangkan kontrak berdasarkan peristiwa dunia nyata. Pasar ini menggabungkan fungsionalitas perdagangan dengan penemuan informasi. Pengguna memasang taruhan berdasarkan prediksi mereka, dan pasar digerakkan oleh sentimen kolektif.

Diversifikasi Di Luar Perdagangan Tradisional

Bursa kripto semakin beralih dari layanan perdagangan tradisional. Mereka menggabungkan layanan baru seperti derivatif, staking, lending, dan sekarang peramalan. Crypto.com menggunakan strategi ini untuk memperkuat keterlibatan dan menciptakan aliran biaya tambahan.

Pasar prediksi menarik segmen pengguna yang berbeda. Beberapa peserta berfokus pada analisis data, sementara yang lain mencari alat lindung nilai. Campuran produk memperluas daya tarik platform dan meningkatkan waktu yang dihabiskan dalam ekosistem.

Crypto.com mengintegrasikan platform baru ke dalam infrastruktur yang ada. Pengguna dapat mengakses pasar prediksi, pasar spot, dan layanan pembayaran dalam satu antarmuka.

Lanskap Kompetitif Memanas

Sudah ada beberapa platform yang beroperasi di pasar prediksi. Tapi Crypto.com memiliki banyak pengikut dan pengakuan. Ini bisa menjadi katalis untuk adopsi yang lebih cepat.

Peluncuran pasar prediksi oleh Crypto.com menunjukkan bahwa platform tersebut yakin tentang pemulihan pasar dan keterlibatan pengguna. Bursa biasanya meluncurkan produk baru selama masa pertumbuhan.

Keterlibatan Pengguna sebagai Metrik Inti

Keberhasilan operasi bursa semakin bergantung pada keterlibatan pengguna daripada saldo akun. Produk seperti pasar prediksi memfasilitasi keterlibatan berulang. Setiap pasar prediksi memicu siklus perdagangan baru.

Platform ini juga mendapat manfaat dari efek jaringan. Lebih banyak peserta meningkatkan akurasi harga dan likuiditas, yang menarik lebih banyak pengguna.

Crypto.com memposisikan peluncuran sebagai bagian dari visi jangka panjangnya. Perusahaan ingin membangun ekosistem kripto all-in-one daripada bursa layanan tunggal.

Prospek untuk Pasar Prediksi

Seiring pasar aset digital matang, platform mencari peluang yang berdekatan. Pasar prediksi menghubungkan keuangan, data, dan hiburan. Potensi penggunaan ganda ini bisa menjadi kunci pertumbuhan berkelanjutan.

Peluncuran Crypto.com menunjukkan bahwa bursa beradaptasi dengan keterlibatan pengguna. Saat keterlibatan pengguna meningkat secara dramatis, pengembangan produk baru menyusul.

Peluncuran ini menandakan keyakinan pada keterlibatan kripto yang berkelanjutan dan perluasan kasus penggunaan Web3.

Berita Kripto yang Disorot:

Ondo Finance Bermitra Dengan MetaMask untuk Membawa Saham dan ETF yang Ditokenisasi On-Chain

Tagperdagangan kriptoPengguna kriptoCrypto.comAset digitalWeb3

Pertanyaan Terkait

QApa yang mendorong Crypto.com meluncurkan platform pasar prediksi baru?

APeningkatan keterlibatan pengguna yang sangat besar, yang dilaporkan meningkat lebih dari empat puluh kali lipat dalam periode singkat, mendorong peluncuran platform prediksi baru oleh Crypto.com.

QApa itu pasar prediksi dan bagaimana cara kerjanya?

APasar prediksi memungkinkan pengguna untuk memperdagangkan kontrak berdasarkan peristiwa dunia nyata. Pengguna memasang taruhan berdasarkan prediksi mereka, dan harga pasar digerakkan oleh sentimen kolektif peserta.

QBagaimana strategi diversifikasi layanan yang dilakukan oleh Crypto.com?

ACrypto.com beralih dari layanan perdagangan tradisional dengan menggabungkan layanan baru seperti derivatif, staking, lending, dan sekarang peramalan (forecasting) untuk memperkuat keterlibatan dan menciptakan aliran pendapatan tambahan.

QApa keunggulan kompetitif yang dimiliki Crypto.com dalam pasar prediksi?

ACrypto.com memiliki basis pengguna yang sangat besar dan pengakuan merek yang luas, yang dapat menjadi katalis untuk adopsi platform pasar prediksinya yang lebih cepat.

QMengapa keterlibatan pengguna menjadi metrik kunci untuk kesuksesan operasi pertukaran?

AKesuksesan operasi pertukaran semakin bergantung pada keterlibatan pengguna yang berulang, bukan hanya saldo akun. Produk seperti pasar prediksi memfasilitasi keterlibatan ini dan memicu siklus perdagangan baru, yang menguntungkan platform melalui efek jaringan.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit43m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit43m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist44m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist44m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit49m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit49m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit1j yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow