Bagaimana MegaETH Menargetkan 15K–35K TPS dalam Uji Stres Mainnet 7 Hari

ambcryptoDipublikasikan tanggal 2026-01-21Terakhir diperbarui pada 2026-01-21

Abstrak

MegaETH, blockchain yang kompatibel dengan EVM dan dirancang untuk kinerja real-time, akan meluncurkan mainnet pada 22 Januari. Mereka akan melakukan uji stres global dengan target memproses 11 miliar transaksi dalam 7 hari, menargetkan TPS berkelanjutan 15.000–35.000. Dalam pengujian sebelumnya, MegaETH mencapai hampir 47.000 TPS dengan waktu blok hanya 10 milidetik, menjadikannya salah satu blockchain tercepat. Namun, laporan Messari menyoroti kekhawatiran tentang sentralisasi dan risiko sensor. Selama uji coba, pengguna dapat berinteraksi dengan aplikasi game dan perdagangan. Mainnet publik akan diluncurkan setelah uji stres selesai.

MegaETH, blockchain yang kompatibel dengan EVM dan beroperasi secara real-time, mengumumkan akan meluncurkan mainnetnya pada tanggal 22 Januari. Dijuluki sebagai uji stres MegaETH, ini bertujuan untuk memproses 11 miliar transaksi dalam 7 hari.

Mereka "membuka mainnet kepada pengguna untuk beberapa aplikasi yang sensitif terhadap latensi sementara rantai berada di bawah beban yang intens dan berkelanjutan."

Proyek ini bertujuan untuk mencapai tingkat kinerja yang setara dengan blockchain berkecepatan tinggi seperti Solana [SOL] sekaligus menyediakan latensi yang sangat rendah dan throughput yang tinggi.

MegaETH telah mencapai hampir 47 ribu transaksi per detik (TPS), catat growthepie dalam sebuah postingan di X. MegaETH menargetkan TPS sejati yang berkelanjutan sebesar 15K-35K selama 7 hari uji stres.

“Pada akhirnya, MegaETH akan memiliki jumlah transaksi terbesar dalam sejarah di semua rantai EVM sementara pengguna dengan lancar berinteraksi dengan rantai.”

Messari melaporkan bahwa testnet MegaETH mencapai waktu blok 10 milidetik, jauh lebih cepat daripada blockchain lainnya.

Meskipun desainnya mengutamakan kecepatan, laporan tersebut mengungkapkan kekhawatiran tentang desentralisasi dan potensi risiko sensor karena sekuensing yang terpusat.

MegaETH mendorong batas kemampuan blockchain

“Uji stres hanya berarti jika terasa tidak nyaman”, kata postingan blockchain tersebut di X. Selama pengujian, pengguna dapat berinteraksi dengan aplikasi permainan seperti Stomp.gg, Smasher.fun, dan Crossy Fluffle.

Di backend, tim akan mendorong campuran transfer ETH dan pertukaran otomatis pasar pembuat melalui pertukaran terdesentralisasi Kumbaya.xyz.

Mainnet publik akan diluncurkan setelah uji stres global. Sejumlah aplikasi DeFi dan konsumen hari pertama yang didukung oleh stablecoin aslinya, USDm, juga akan diluncurkan.

Messari juga mencatat bahwa pada Oktober 2025, MegaETH mengumpulkan $50 juta selama penjualan token MEGA, yang menjadi oversubscribed dalam hitungan menit. Angka ini merupakan bagian dari hampir $75 juta yang dikumpulkan dari berbagai upaya pendanaan akar rumput.


Pemikiran Akhir

  • MegaETH adalah blockchain yang kompatibel dengan EVM dan bertujuan untuk memberikan kinerja crypto secara real-time, dengan waktu blok 10 ms dan hampir 47k TPS dalam pengujian.
  • Uji stres global menargetkan total 11 miliar transaksi dalam 7 hari, dimulai pada tanggal 22 Januari.

Pertanyaan Terkait

QApa yang menjadi target MegaETH dalam uji ketahanan mainnet selama 7 hari?

AMegaETH menargetkan 11 miliar transaksi dalam 7 hari dengan TPS berkelanjutan 15.000-35.000.

QKapan mainnet MegaETH akan diluncurkan secara resmi?

AMainnet MegaETH akan diluncurkan secara resmi setelah uji ketahanan global, dimulai pada 22 Januari.

QApa keunggulan utama MegaETH dibandingkan blockchain lain berdasarkan laporan Messari?

AMegaETH mencapai waktu blok 10 milidetik dalam testnet, jauh lebih cepat dari blockchain manapun.

QAplikasi apa saja yang dapat diuji pengguna berinteraksi selama stress test?

APengguna dapat berinteraksi dengan aplikasi gaming seperti Stomp.gg, Smasher.fun, dan Crossy Fluffle.

QBerapa total pendanaan yang berhasil dikumpulkan MegaETH dari penjualan token MEGA?

AMegaETH mengumpulkan $50 juta dari penjualan token MEGA dan total nearly $75 juta dari berbagai pendanaan grassroot.

Bacaan Terkait

Dari Kode ke Kognisi: Panduan Panjang Evolusi Otak Robot

**Dari Kode ke Kognisi: Evolusi Otak Robot** Era robot sebelumnya bergantung pada kode yang dirancang dengan hati-hati untuk persepsi, perencanaan, dan kontrol (seperti PID), membatasi kemampuan generalisasi. Kemajuan datang dengan pembelajaran mendalam untuk persepsi visual dan pembelajaran penguatan untuk kontrol motorik, tetapi kebijakan tetap sempit. Titik balik terjadi dengan munculnya Model Bahasa Besar (LLM). LLM bertindak sebagai perencana tingkat tinggi, menerjemahkan instruksi bahasa alami menjadi urutan keterampilan atomik untuk dieksekusi oleh sistem robot tradisional (seperti ROS2). Ini adalah lompatan besar, tetapi LLM hanya penjadwal cerdas, bukan penggerak langsung. Lompatan berikutnya adalah Model Visi-Bahasa-Aksi (VLA). Model ini menggabungkan persepsi visual dan instruksi bahasa langsung ke dalam satu jaringan neural untuk menghasilkan perintah gerakan, menyatukan penalaran dan tindakan. Ini memungkinkan generalisasi yang lebih baik. Arsitektur populer (seperti di Figure AI, NVIDIA GR00T) menggunakan sistem "otak ganda": Model S2 yang besar dan lambat (7-9Hz) untuk penalaran tingkat tinggi, dan model S1 yang kecil dan cepat (200Hz) untuk menghasilkan gerakan halus. Lapisan S0 (1kHz) menangani keseimbangan dan koordinasi refleksif. Komputasi untuk kontrol keselamatan yang kritis dijalankan secara lokal di papan (mis., pada NVIDIA Jetson) karena masalah latensi dan keandalan jaringan. Cloud digunakan untuk antarmuka percakapan dan pembelajaran kumpulan data. Model sumber terbuka (seperti OpenVLA, NVIDIA GR00T, π0) sangat penting, memungkinkan startup mengadaptasi model dasar dengan data robot mereka sendiri, mempercepat inovasi. Namun, VLA masih memiliki keterbatasan: pemulihan kesalahan, efisiensi sampel, generalisasi lintas platform, perencanaan jangka panjang, dan pemahaman fisika yang mendalam. Di sinilah **Model Dunia** menjadi kunci. Model Dunia adalah jaringan neural yang memprediksi keadaan dunia masa depan berdasarkan keadaan saat ini dan tindakan yang diusulkan (misalnya, menghasilkan video yang disimulasikan). Ini memungkinkan robot untuk "berpikir sebelum bertindak", mensimulasikan berbagai skenario, mengevaluasi hasil, dan memilih tindakan terbaik sebelum eksekusi. Pendekatan ini meningkatkan pemulihan, generalisasi, perencanaan, keamanan, dan memungkinkan pembangkitan data sintetis skala besar. Arsitektur utama termasuk difusi video tingkat piksel (Cosmos/Sora), JEPA (LeCun), dan model dunia tindakan laten (Genie). Masa depan robot humanoid mungkin menggabungkan VLA dengan Model Dunia untuk perencanaan berbasis simulasi. Data (terutama melalui operasi jarak jauh) tetap menjadi penghalang utama. Sementara narasi "momen ChatGPT" untuk robot agak menyesatkan (saat ini lebih mirip era GPT-2), kemajuan menuju robot yang mampu beradaptasi secara umum sangat cepat. Evolusi dari kode buatan ke model dunia yang dipelajari secara perlahan memindahkan kecerdasan dari pikiran insinyur ke dalam sistem yang mampu memahami dan membayangkan dunia.

marsbit12m yang lalu

Dari Kode ke Kognisi: Panduan Panjang Evolusi Otak Robot

marsbit12m yang lalu

Gelembung AI Sedang Pecah

Judul asli: Gelembung AI Sedang Pecah Pasar saat ini mengalami volatilitas tinggi, dengan banyak yang menyatakan adanya "gelembung AI". Pendiri Bridgewater, Ray Dalio, mengakui adanya gelembung di pasar AI, sementara CEO NVIDIA, Jensen Huang, menekankan peluang besar dan ledakan permintaan daya komputasi. Keduanya benar. Memang ada gelembung di industri AI, tetapi ini adalah fenomena umum pada awal kemunculan teknologi disruptif, seperti gelembung dot-com tahun 2000. Meski menyebabkan kerugian besar saat itu, infrastruktur yang dibangun (seperti kabel serat optik) justru menjadi fondasi bagi raksasa teknologi seperti Netflix dan Zoom, serta era cloud. Ini mengikuti Hukum Amara: kita cenderung melebih-lebihkan dampak jangka pendek teknologi baru namun meremehkan dampak jangka panjangnya. Pada tahun 2026, investasi infrastruktur AI oleh raksasa cloud mencapai $690 miliar, jauh melampaui pendapatan gabungan perusahaan AI murni. Namun, logika di baliknya berbeda. Biaya inferensi AI (contoh: per juta token) telah turun lebih dari 99.7% sejak 2023. Penurunan biaya drastis ini, sesuai "Paradoks Jevons", justru mendorong peningkatan permintaan dan pengeluaran yang masif. Perusahaan sekarang menggunakan agen AI untuk menjalankan ribuan tugas seperti menulis kode atau menganalisis dokumen, membuka permintaan baru yang sebelumnya tidak ekonomis. Industri dari SaaS, biofarmasi, hingga manufaktur canggih sekarang mengadopsi "AI+". Pertanyaannya bukan lagi "apakah akan menggunakan AI", tetapi "bagaimana mengimplementasikannya secara optimal". Gelembung AI memang mulai pecah, terutama di tingkat perusahaan rintisan yang hanya mengandalkan konsep tanpa diferensiasi nyata. Ini adalah proses pemurnian pasar. Pergeseran mendasar sedang terjadi: 1. Nilai bergeser dari pengeluaran modal (CapEx) untuk infrastruktur ke pengeluaran operasional (OpEx) untuk aplikasi yang menyelesaikan masalah di industri spesifik. 2. Valuasi tinggi di infrastruktur dapat diserap seiring waktu oleh pertumbuhan pendapatan yang kuat, didukung oleh efisiensi nyata yang dibawa AI ke berbagai sektor. Sejarah teknologi ditandai oleh "penghancuran kreatif". Meski investasi besar dalam infrastruktur akan menyebabkan koreksi pasar dan menghilangkan perusahaan yang tidak berkelanjutan, hasil akhirnya adalah infrastruktur komputasi yang murah dan kuat serta algoritma yang teroptimasi. Seperti internet yang kini mendasari semua industri, kita sedang menuju era di mana semua industri akan ditransformasi dan diberdayakan oleh AI. Di balik kegaduhan gelembung, tenaga produktif dasar terus berkembang tanpa henti.

marsbit26m yang lalu

Gelembung AI Sedang Pecah

marsbit26m yang lalu

43 Menit Trump: Narasi Pemimpin Kuat Tak Terkendali, Perang Media Memanas

Presiden AS Donald Trump kembali muncul di depan publik setelah menghilang lebih dari seminggu, dalam konferensi pers selama 43 menit yang dimaksudkan untuk menunjukkan kendali. Namun, pidatonya justru menyimpang ke topik-topik seperti kolam refleksi, perbandingan jumlah massa dengan Martin Luther King, serta serangan terhadap jurnalis, lawan politik, dan sejumlah kota AS. Ia menandatangani perintah eksekutif yang menghapus perlindungan jabatan bagi ribuan pegawai federal senior, berpotensi memperkuat loyalitas pribadi di atas profesionalisme. Trump secara pribadi menyerang jurnalis CNN, Kaitlan Collins, menyebutnya "penuh kebencian". Artikel ini menyoroti tekanan pada media independen, mengutip pemecatan veteran CBS Scott Pelley yang menolak campur tangan editorial untuk menyenangkan pemerintahan. Penulis menekankan pentingnya mendukung jurnalis dan media independen sebagai penjaga fakta publik ketika media arus utama menghadapi tekanan politik dan komersial. Aktivitas tiba-tiba diakhiri secara mendadak oleh stafnya, meninggalkan kesan kepanikan. Sementara itu, di tengah kekhawatiran tentang kesehatannya dan perang di Iran, empat anggota Partai Republik di DPR mendukung resolusi yang menuntut penghentian perang, menunjukkan retakan dalam dukungan partainya. Artikel ini menggambarkan penampilan Trump sebagai pertunjukan politik yang penuh kecemasan, yang mencerminkan ketegangan institusional AS: perluasan kekuasaan pribadi, pelemahan birokrasi, erosi kepercayaan media, dan penyusutan ruang fakta publik.

marsbit5j yang lalu

43 Menit Trump: Narasi Pemimpin Kuat Tak Terkendali, Perang Media Memanas

marsbit5j yang lalu

Trading

Spot
Futures
活动图片