Telegram Gandeng Lighter untuk Perdagangan Perps 50x di Kripto, Saham, dan Komoditas: Detail

ambcryptoDipublikasikan tanggal 2026-04-04Terakhir diperbarui pada 2026-04-04

Abstrak

Ringkasan: Lighter, sebuah DEX yang fokus pada perdagangan perpetual (perps), telah dipilih untuk mengintegrasikan perdagangan leverage ke dalam aplikasi perpesanan Telegram. Pengguna Wallet di Telegram kini dapat memperdagangkan crypto, saham, logam mulia, dan minyak dengan leverage hingga 50x. Integrasi ini berpotensi meningkatkan volume perdagangan Lighter, yang sebelumnya mengalami penurunan signif sejak Desember 2025. Volume mingguan turun 89% dari rekor $75B menjadi $8B, dan pendapatan anjlok 91%. Namun, integrasi dengan Telegram—yang memiliki 150 juta pengguna terdaftar dan 25 juta aktif—dapat membalikkan tren ini. Pemulihan 30% pada token LIT di awal April menunjukkan optimisme pasar, meski keberlanjutannya bergantung pada peningkatan aktivitas perdagangan pasca-integrasi.

Lighter, sebuah DEX yang berfokus pada perdagangan perpetual (perps), telah dipilih untuk mendukung perdagangan leverage native di Telegram.

Dalam pernyataan pada tanggal 2 April, Wallet in Telegram mengatakan bahwa pengguna di messenger yang berfokus pada privasi ini sekarang dapat memperdagangkan kripto, saham, logam, dan minyak dengan leverage hingga 50x.

Dompet ini telah mengalami adopsi yang kuat dengan lebih dari 150 juta pengguna terdaftar.

Sekitar 25 juta dari pengguna ini dianggap aktif, terutama dalam transfer P2P dan on-ramp fiat, menjadikan Telegram terminal perdagangan kripto yang penting. Messenger itu sendiri memiliki lebih dari 1 miliar pengguna.

Oleh karena itu, integrasi Lighter dapat meningkatkan volume perdagangan di DEX juga. Sejauh ini, ini adalah integrasi Lighter terbesar dan utama hingga saat ini.

Sebagai perbandingan, rivalnya Hyperliquid menjalankan perdagangan perps untuk Phantom, Rabby, MetaMask, dan lainnya. Ini memicu adopsi awal Hyperliquid dengan berbagi biaya dari perdagangan yang diarahkan oleh aplikasi.

Bisakah Lighter mendapatkan manfaat dari traksi yang serupa?

Akankah kesepakatan ini meningkatkan aktivitas perdagangan Lighter?

Kolaborasi ini datang pada saat permintaan untuk perdagangan perpetual telah meledak. Pada puncak pasar Oktober lalu, volume perp keseluruhan mencapai $350 miliar dan $25 miliar dalam Open Interest (OI).

Sumber: DeFiLlama

Meskipun terjadi penurunan kripto yang lebih luas dalam beberapa bulan terakhir, volume perp masih berkisar $150 miliar.

Namun, aktivitas perdagangan Lighter telah menurun secara signifikan. Terutama setelah debut token LIT pada akhir Desember lalu, yang mengakhiri periode farming. Akibatnya, trader yang berburu airdrop bermigrasi ke tempat lain untuk mencari peluang baru.

Oleh karena itu, aktivitas perdagangan Lighter turun tajam setelah Desember. Penurunan ini berlanjut hingga Q1 2026, dan belum ada pemulihan yang berarti di Q2 karena pasar kripto yang lebih luas tetap lesu.

Sejauh ini, volume perps mingguan turun dari rekor $75B pada November menjadi sekitar $8B pada April—penurunan 89% dalam aktivitas perdagangan.

Sumber: DeFiLlama

Pendapatan protokol juga menurun. Itu turun dari rata-rata mingguan $4M menjadi $325K, yang berarti penurunan pendapatan sebesar 91%.

Perlu dicatat bahwa keringanan singkat pada Februari meningkatkan aktivitas dan pendapatan. Pada akhirnya, ini memicu pembelian kembali LIT, token native protokol.

Jika integrasi Telegram meningkatkan aktivitas dan pendapatan membaik pada April, maka rally pemulihan 30% baru-baru ini bisa berlanjut. Jika tidak, penolakan di $1 dan aktivitas rendah dapat menyeret LIT kembali ke $0.78 atau di bawahnya.

Sumber: LIT/USDT, TradingView

Ringkasan Akhir

  • Integrasi Telegram telah memicu pemulihan LIT sebesar 30% pada awal April.
  • Pendapatan Lighter DEX anjlok 91%, tetapi aktivitas perdagangan yang baru dari Telegram dapat membantu membalikkannya dan meningkatkan pembelian kembali LIT.

Pertanyaan Terkait

QApa yang diumumkan oleh Wallet in Telegram pada tanggal 2 April?

AWallet in Telegram mengumumkan bahwa pengguna aplikasi perpesanan yang berfokus pada privasi tersebut kini dapat memperdagangkan cryptocurrency, saham, logam, dan minyak dengan leverage hingga 50x, didukung oleh Lighter.

QBerapa jumlah pengguna aktif Wallet in Telegram yang terlibat dalam transfer P2P dan on-ramp fiat?

ASekitar 25 juta dari lebih dari 150 juta pengguna terdaftar dianggap aktif, khususnya dalam transfer peer-to-peer (P2P) dan on-ramp fiat.

QBagaimana kinerja volume perdagangan Lighter DEX setelah debut token LIT pada Desember lalu?

AVolume perdagangan mingguan Lighter turun drastis dari rekor $75 miliar pada November menjadi sekitar $8 miliar pada April, penurunan aktivitas perdagangan sebesar 89%.

QApa dampak dari penurunan aktivitas perdagangan terhadap pendapatan protokol Lighter?

APendapatan protokol juga mengalami penurunan, turun dari rata-rata mingguan $4 juta menjadi $325 ribu, yang berarti terjadi penurunan pendapatan sebesar 91%.

QApa potensi dampak integrasi Telegram terhadap token LIT menurut artikel?

AJika integrasi Telegram berhasil meningkatkan aktivitas dan pendapatan, pemulihan 30% yang terjadi pada awal April dapat berlanjut. Sebaliknya, penolakan pada level $1 dan aktivitas yang rendah dapat menurunkan nilai LIT kembali ke $0.78 atau lebih rendah.

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.

marsbit45m yang lalu

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

marsbit45m 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