GHarga Gravity

Harga Solana (SOL) anjlok di bawah $65 untuk pertama kalinya sejak akhir 2023, menyentuh level terendah sekitar $60 pada 5 Juni. Tekanan bearish yang kuat di pasar kriptumemengaruhi pergerakannya. Analisis on-chain oleh Ali Martinez menunjukkan bahwa SOL kehilangan dukungan kunci di sekitar $77. Level dukungan kritis berikutnya kini berada di sekitar $53. Jika level ini gagal bertahan, zona dukungan berikutnya yang perlu diperhatikan adalah $35 dan $24. Data menunjukkan sedikit penyangga antara harga saat ini, yang berkisar di $63.23 (dengan penurunan hampir 8% dalam 24 jam terakhir), dan lantai terdekat di $53. Pemulihan apa pun memerlukan kembalinya permintaan di pasar spot, sementara tekanan jual yang berlanjut dapat menguji level-level dukungan yang lebih rendah tersebut.

Makalah rekayasa prompt telah diterima di konferensi ICML 2026, memicu perdebatan luas di komunitas. Makalah ini memperkenalkan metode "Verbalized Sampling" (VS) yang hanya dengan mengubah instruksi prompt, dapat meningkatkan keragaman output model bahasa besar (LLM) dan mengurangi masalah "Mode Collapse". Metode ini meminta model untuk menghasilkan beberapa jawaban sekaligus dan memberikan nilai probabilitas verbal untuk setiap opsi. Penulis berargumen bahwa akar masalah homogenitas output terletak pada bias tipikal dalam data preferensi manusia yang digunakan untuk melatih model, bukan semata-mata pada algoritma. Eksperimen menunjukkan peningkatan keragaman 1.6–2.1 kali dalam tugas kreatif tanpa mengorbankan akurasi atau keamanan. Reaksi di komunitas terbelah. Sebagian meragukan nilai inovasi metode yang "hanya" memodifikasi prompt dan mempertanyakan stabilitas serta generalisasinya. Mereka khawatir tren ini mencerminkan standar publikasi yang longgar. Di sisi lain, pendukung menekankan bahwa penelitian yang solid tidak harus kompleks, selama memiliki dasar teoretis, eksperimen ketat, dan hasil yang dapat direproduksi. Mereka menyamakannya dengan awal metode "Chain-of-Thought" (CoT), yang juga dimulai dari instruksi prompt sederhana namun membuka bidang penelitian baru. Makalah ini menandai pergeseran potensial dalam penelitian ML, di mana teknik pada fase inferensi mendapatkan perhatian setara dengan inovasi pelatihan model.

Karpathy dari Anthropic memperkenalkan "The Lord of the Rings (LOTR) Benchmark", sebuah tolok ukur baru untuk menguji kemampuan model bahasa besar (LLM) dalam tugas pemahaman ruang dan pembuatan kode yang kompleks. Tantangannya adalah meminta LLM (Claude 3.5 Opus dalam demo ini) untuk membaca awal novel "The Lord of the Rings" dan menerjemahkannya menjadi dunia 3D interaktif yang berjalan di browser menggunakan Three.js. Proses ini membutuhkan sekitar 100 juta token, 2 jam, dan 5500 baris kode. Hasilnya adalah animasi 3D sederhana yang menunjukkan karakter dan adegan awal cerita, meskipun masih terdapat kesalahan teknis seperti karakter yang melayang. Benchmark ini diusulkan sebagai pengganti tes "Pelican Riding a Bicycle" SVG yang populer sebelumnya. Tes baru ini dianggap lebih menantang karena tidak hanya menguji pembuatan gambar statis, tetapi juga kemampuan model untuk memahami hubungan spasial, merencanakan proyek besar, menulis kode panjang, dan memelihara konsistensi visual sepanjang waktu. Demo ini memicu respons luas dari komunitas. Banyak pengguna mencoba tugas serupa dengan model lain seperti DeepSeek, menghasilkan proyek seperti model 3D kota New York, konser Kanye West virtual, hingga prototipe game. Hal ini menunjukkan potensi LLM dalam menurunkan ambang batas pembuatan konten 3D dan prototipe yang dapat dimainkan. Diskusi berlanjut tentang apakah tes ini benar-benar mengukur "pemahaman spasial" atau hanya keterampilan penulisan kode Three.js yang baik. Namun, banyak yang setuju bahwa kemampuan model untuk menerjemahkan deskripsi tekstual yang kompleks ke dalam dunia 3D yang koheren merupakan kemajuan signifikan dalam kemampuan penalaran umum mereka. Karpathy telah membuka sumber proyek demo LOTR, mendorong eksplorasi lebih lanjut tentang bagaimana LLM dapat menciptakan, memahami, dan berinteraksi dengan dunia virtual.

Setahun setelah mengumumkan rencana ambisius, kerja sama antara Trump Media & Technology Group (DJT) dan bursa Crypto.com untuk mendirikan perusahaan treasury publik CRO senilai $6,4 miliar secara resmi dihentikan. Rencana yang diumumkan Agustus 2025 itu, yang bertujuan menimbun 6,3 miliar CRO (sekitar 20% pasokan saat itu), bersama dengan produk pasar prediksi dan layanan kustodian ETF yang diusulkan, semuanya dibatalkan. Satu-satunya transaksi yang terealisasi adalah pembelian $105 juta CRO oleh DJT dan pembelian $50 juta saham DJT oleh Crypto.com pada 2025. Kerja sama ini didahului oleh pendekatan politik Crypto.com ke kubu Trump, termasuk donasi besar. Namun, nilai CRO telah turun sekitar 70% sejak pengumuman, dan pasar bitcoin yang melemah membuat model perusahaan treasury publik kehilangan daya tarik. CEO Crypto.com, Kris Marszalek, menyatakan keputusan ini didasarkan pada penilaian ulang terhadap kelayakan pasar. Sementara itu, DJT sedang beralih fokus ke energi bersih, dengan mengumumkan rencana merger senilai $6 miliar dengan perusahaan fusi nuklir TAE Technologies pada Desember 2025. Penghentian rencana treasury CRO ini menandai pergeseran strategis DJT dari narasi kripto menuju sektor energi masa depan.

Dari Spekulasi ke Manajemen Risiko: Pasar Prediksi Mulai Mengisi Kekosongan Asuransi Bisnis Alat manajemen risiko berbasis AI seperti Blanket kini mencoba mengubah pasar prediksi menjadi alat asuransi yang dapat digunakan bisnis. Bisnis dapat mengidentifikasi paparan risiko utama mereka dan menggunakan kontrak acara di platform seperti Kalshi untuk melakukan lindung nilai. Mekanismenya sederhana: membeli kontrak berdasarkan probabilitas suatu peristiwa merugikan terjadi. Jika terjadi, pembayaran kontrak dapat mengimbangi kerugian operasional. Analisis data membandingkan perilaku perdagangan di pasar berjangka tradisional (CME), pasar olahraga Kalshi (dominan spekulasi), dan pasar cuaca Kalshi. Hasilnya menunjukkan perbedaan signifikan: kontrak cuaca memiliki tingkat perputaran harian yang lebih rendah (0.210 vs 0.315 olahraga), rasio ditahan hingga jatuh tempo yang jauh lebih tinggi (lebih dari 0.5 vs di bawah 0.033 olahraga), dan posisi dibangun lebih awal dalam siklus kontrak. Pola ini lebih mirip dengan pasar lindung nilai tradisional. Kesimpulannya, pasar cuaca Kalshi menunjukkan tanda-tanda penggunaan untuk lindung nilai riil, bukan hanya spekulasi. Namun, spekulasi tetap penting untuk menyediakan likuiditas dan penentuan harga. Pertumbuhan pasar prediksi selanjutnya tergantung pada kemampuannya menambahkan lebih banyak kebutuhan lindung nilai bisnis nyata di atas dasar likuiditas yang dibangun oleh spekulan.