Трейдера Джеймса Уинна ликвидировали на $4,8 млн после его возвращения

cryptonews.ruPubblicato 2025-05-15Pubblicato ultima volta 2025-10-16

Известный своими высокими ставками с большими плечами на Hyperliquid трейдер Джеймс Уинн вновь столкнулся с ликвидацией спустя день после открытия новой позиции на $4,8 млн. На это обратили внимание в Lookonchain.

По данным сервиса, 14 октября Уинн открыл лонги на биткоин (BTC) c левериджем 40x и оценкой в $3,85 млн, на KingPepe (kPEPE) с левериджем 10x и оценкой в $917 000 и Hyperliquid (HYPE) с левериджем 10x и оценкой в $28 000.

«Вернулся с местью, чтобы получить то, что по праву принадлежит мне», — заявил он на тот момент.
Leverage, Trading
Источник: Lookonchain.

По данным Hypurrscan, в результате неблагоприятного для трейдера движения рынка, его баланс опустился до немногим более $60 000.

«Кажется, каждый раз, когда он возвращается на Hyperliquid, чтобы открыть новые позиции, проходит не так много времени, прежде чем он терпит крах», — отметили в Lookonchain.

По теме: трейдер потерял более $30 млн за шесть дней и приблизился к антирекорду Джеймса Уинна

«Слава» Уинна

Уинн приобрел широкую известность в сообществе благодаря тому, что заработал и лишился сотни миллионов долларов, торгуя бессрочными контрактами с левериджем.

В мае трейдера ликвидировали на $100 млн после провала цены биткоина до $105 000.

Однако через несколько дней он вернулся, чтобы повторно открыть лонг на аналогичную сумму. Тогда он попросил подписчиков в соцсетях пожертвовать средства «на продолжение торговли».

Вторая позиция также подверглась ликвидации, что побудило Уинна временно деактивировать свой аккаунт в X и взять перерыв.

По теме: как проиграть $100 млн и не сойти с ума — мастер-класс от Hyperliquid-кита Джеймса Уинна

Letture associate

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

Generalist AI's newly released robot foundation model GEN-1.5 is being hailed as the "GPT-3 moment" for embodied AI. The model demonstrates remarkable one-shot and few-shot learning capabilities in physical manipulation tasks. By watching a single 3-12 second demonstration video (physical prompting) without any training or code, the robot can attempt the task with a 59% average success rate across 10 tasks. With just 5 minutes of demonstration data and minimal fine-tuning (10 gradient steps), the success rate jumps to 83%. The most significant breakthrough is the emergence of spontaneous, improvisational problem-solving abilities not present in the training data. For instance, after learning to sweep blocks with a brush, the robot can adapt to use a banana similarly or switch to a completely new "scoop-and-pour" strategy when given a dustpan. Other emergent behaviors include removing obstacles, correcting errors, and spontaneously sorting objects. These capabilities stem from over 8 months of large-scale pre-training on physical interaction data, suggesting the existence of a Scaling Law for embodied intelligence—where model generalization improves with more data and training time. This approach drastically reduces the cost and expertise needed to teach robots new skills, potentially democratizing robot programming. The release coincides with a surge in the humanoid robotics sector, marked by events like the World Robot Conference and significant investments. While the demonstrated tasks are still relatively simple, the scaling trend and emergent behaviors point toward a future where general-purpose robot "brains" could be easily adapted to various hardware "bodies," reshaping the industry's competitive landscape.

marsbit1 h fa

Robotic GPT-3 Moment Shakes Silicon Valley: Zero Lines of Code, Learns Instantly, with Investments from Jensen Huang and Fei-Fei Li

marsbit1 h fa

Trading

Spot
活动图片