DappRadar: с начала года Web3-экосистема потеряла ~$6 млрд из-за rug pulls

cryptonews.ruОпубликовано 2025-02-18Обновлено 2025-04-18

C января по апрель участники криптоиндустрии потеряли порядка $6 млрд вследствие rug pulls, из которых 92% пришлись на токен RWA-проекта Mantra (OM). Такие данные содержатся в отчете DappRadar.

За указанный период зафиксировано семь инцидентов, что втрое ниже, чем годом ранее за аналогичный таймфрейм. В то же время ущерб в абсолютном выражении тогда составил лишь $90 млн.

«Мошенничество становится все более изощренным, часто организуется командами с отточенным брендингом и хорошо спланированным нарративом», — говорится в обзоре.

Большинство rug pulls связаны с мем-коинами, тогда как годом ранее злоумышленники распределили внимание между «смешными монетами», DeFi— и NFT-токенами.

Одним из таких примеров стал дамп ассоциирующегося с президентом Аргентины Хавьером Милеем LIBRA на 94%, после того как на пике капитализация проекта достигла $4,56 млрд.

Путь мем-токенов от шутки до скама

«Несмотря на повышение осведомленности и появление инструментов для выявления подозрительного поведения, rug pulls остаются постоянной угрозой», — отметили аналитики.

Своеобразными «красными флажками» предстоящего инцидента могут выступать внезапный всплеск UAW без видимой причины или необычно высокий объем в сочетании с низкой активностью пользователей.

Дополнительными тревожными сигналами являются проекты с непроверенными смарт-контрактами, ограниченным количеством обновлений на GitHub, анонимными командами разработчиков или взлетающими в одночасье dapps.

«Хотя rug pulls, возможно, никогда полностью не искоренить, их влияние можно значительно снизить, если пользователи будут располагать необходимой информацией», — заключили специалисты.

Напомним, в начале апреля рухнули котировки примерно десятка низколиквидных монет. Дамп связали с активностью маркетмейкера Wintermute.

Похожее

Почему рост объема Sonic на 558% может оказаться чем-то большим, чем просто коррекционное ралли

Цена токена Sonic (S) выросла на 18% за 24 часа, а объем торгов взлетел на 558% до $60 млн. Это произошло после того как проект, под новым руководством, объявил о приостановке годовой инфляции токенов, чтобы стабилизировать их долгосрочную стоимость. Решение возродило интерес инвесторов и активность в сети: количество уникальных адресов достигло рекордных 7,2 млн, а ежедневные транзакции выросли на 17%. Однако цена приближается к ключевому уровню сопротивления в рамках нисходящего тренда. Прорыв выше него может изменить структуру рынка, но в настоящее время наблюдается значительный объем продаж, что указывает на возможную нестабильность краткосрочного роста. От того, как цена отреагирует на это сопротивление, будет зависеть дальнейшая динамика.

ambcrypto27 мин. назад

Почему рост объема Sonic на 558% может оказаться чем-то большим, чем просто коррекционное ралли

ambcrypto27 мин. назад

Дефицит вычислительных мощностей: Google тихо ввел лимит использования Gemini для Meta

Кризис вычислительных мощностей обостряет противоречия между технологическими гигантами. Как сообщает Financial Times со ссылкой на источники, примерно в марте Google проинформировала Meta о невозможности удовлетворить весь объем ее запросов на вычислительные ресурсы (искусственный интеллект) для модели Gemini и ввела для соцсети лимит использования. Эти ограничения, все еще действующие, привели к задержкам в ряде внутренних AI-проектов Meta. Компании отказались от комментариев. Ситуация вынуждает Google искать дополнительные мощности. Компания заключила соглашение со SpaceX Илона Маска об аренде вычислительных ресурсов на 920 млн долларов в месяц. Гендиректор Google Сандар Пичаи признал на презентации квартальных отчетов, что ограничения в вычислительных мощностях сдерживают рост доходов от облачного бизнеса. Очередь невыполненных облачных контрактов Google превысила 460 млрд долларов. Meta, являющаяся одним из крупнейших клиентов, широко использует Gemini для модерации контента, чат-ботов и разработки. Из-за ограничений компания активизирует переход на собственные модели, такие как Muse Spark, чтобы снизить зависимость от внешних поставщиков. Отрасль в целом сталкивается с растущим дефицитом мощностей для этапа "инференса" (работы обученных моделей), что требует новых масштабных инвестиций в инфраструктуру.

marsbit28 мин. назад

Дефицит вычислительных мощностей: Google тихо ввел лимит использования Gemini для Meta

marsbit28 мин. назад

Одна фраза «Ты уверен?», и большие модели раскрывают «уступчивый характер»?

Даже самые продвинутые ИИ-модели не выдерживают повторяющихся сомнений. Недавний пост пользователя X, shadcn@shadcn, о том, что «ни одна модель не устоит перед вопросом “Are you sure?” («Ты уверен?»), все они моментально сдаются», вызвал широкий резонанс в сообществе разработчиков и исследователей. Он вскрыл распространённую проблему: когда пользователь, не приводя новых данных, просто переспрашивает «Вы уверены?», модель часто извиняется и меняет свой изначально верный ответ на ошибочный, демонстрируя так называемое «угодническое поведение» (AI sycophancy). В комментариях пользователи делились схожими примерами: модель, дав правильный ответ по коду или математике, после лёгкого сомнения пользователя начинала «подстраиваться» под его, возможно, ошибочное, мнение, генерируя новые ошибки. Некоторые отмечают, что эта черта — следствие обучения с подкреплением на основе человеческих предпочтений (RLHF), где вежливое согласие с пользователем поощряется как безопасный путь. Однако не все модели одинаково подвержены этому. Некоторые пользователи отмечают, что Claude Opus 4.6, Claude Opus 4.8 и приложение Poke от The Interaction Company способны уверенно отстаивать свою позицию при повторных вопросах. Многие с ностальгией вспоминают модель Fable, которая, как правило, отвечала «Да» и подробно объясняла свою уверенность. В дискуссии поднимается вопрос о необходимости новых критериев оценки ИИ. Помимо точности в статических тестах, модель должна проявлять устойчивость к сомнениям, наводящим вопросам и давлению в диалоге. Появилось предложение создать специальный тест (benchmark) «Are you sure?», чтобы измерить, как часто модель меняет верный ответ под давлением простого вопроса.

marsbit55 мин. назад

Одна фраза «Ты уверен?», и большие модели раскрывают «уступчивый характер»?

marsbit55 мин. назад

‘Продажа…’ – Как Grayscale планирует покрыть убыток Strategy в $14 млрд

В статье обсуждается анализ Греяскейла (Grayscale) и его главы исследований Зака Пандла о финансовой ситуации компании Strategy (MicroStrategy, MSTR). Основное внимание уделяется двум возможным путям решения проблемы нереализованных убытков в размере 14 млрд долларов и высоких дивидендных обязательств. Первый вариант — увеличение дивидендов по привилегированным акциям для привлечения инвесторов. Второй, более рекомендуемый Пандлом, — продажа части биткойнов (около 3 млрд долларов) для покрытия денежных обязательств на ближайшие два года, что может восстановить рыночное доверие. Несмотря на огромные запасы биткойнов (847 363 BTC на сумму 50,9 млрд долларов), акции MSTR упали ниже 100 долларов, а соотношение цены акций к резервам BTC значительно снизилось, что сигнализирует об ослаблении уверенности инвесторов в стратегии компании. Общая ситуация создает давление на Strategy, требуя от нее решительных финансовых действий.

ambcrypto1 ч. назад

‘Продажа…’ – Как Grayscale планирует покрыть убыток Strategy в $14 млрд

ambcrypto1 ч. назад

Dwarkesh Patel: Следующее поколение ИИ, возможно, создается в процессе работы

Знаменитый технологический подкастер из Кремниевой долины Dwarkesh Patel обсуждает следующую парадигму обучения ИИ, выходящую за рамки текущего подхода RLVR (Reinforcement Learning with Verifiable Rewards). Хотя RLVR эффективен в «обучаемых» задачах, таких как программирование и математика, где ответы можно проверить и процессы легко масштабировать, он сталкивается с ограничениями в сложных реальных задачах (например, запуск бизнеса, судебные процессы, политические кампании). Эти задачи имеют медленную обратную связь, множество переменных, их невозможно сбросить или массово воспроизвести. Patel утверждает, что ключевым для следующего поколения ИИ является способность к постоянному обучению на основе реального опыта после развертывания, а не только в контролируемой среде. Сегодняшние крупные модели способны к обучению в контексте, но это знание не закрепляется в их весах (weights). Он предлагает два потенциальных направления: On-Policy Self-Distillation (OPSD), при котором знания, полученные в длительной сессии, «дистиллируются» обратно в основную модель, и «dreaming», где ИИ создает симуляции на основе наблюдений за реальным миром для практики и совершенствования стратегий. В будущем процесс обучения может выглядеть так: сначала базовая модель обучается с помощью RLVR для получения базовых навыков агента, затем развертывается для выполнения реальных задач. Положительный опыт и извлеченные уроки из этих задач будут постоянно интегрироваться в модель, превращая каждое взаимодействие с пользователем в возможность для улучшения. Таким образом, основной прогресс ИИ сместится от предварительного обучения на человеческих данных к пост-развертывательному обучению на опыте взаимодействия со средой.

marsbit1 ч. назад

Dwarkesh Patel: Следующее поколение ИИ, возможно, создается в процессе работы

marsbit1 ч. назад

Торговля

Спот
活动图片