Cá nhân nội bộ đặt cược? Ví liên kết với người dùng Axiom thu lợi sau khi ZachXBT nêu tên sàn giao dịch

ambcryptoXuất bản vào 2026-02-26Cập nhật gần nhất vào 2026-02-26

Tóm tắt

Sự kiện liên quan đến Axiom Exchange nổi lên sau khi nhà điều tra blockchain ZachXBT công bố báo cáo ngày 26/2 về cáo buộc nhân viên sàn này lạm dụng công cụ nội bộ để thực hiện giao dịch nội gián. Trước đó, vào ngày 23/2, ZachXBT đã báo hiệu một cuộc điều tra sắp diễn ra, gây xôn xao trên thị trường dự đoán. Một ví với biệt danh "predictorxyz" trên Polymarket đã đặt cược 65.800 USD vào kịch bản Axiom bị cáo buộc giao dịch nội gián khi tỷ lệ thắng chỉ là 13,8%. Sau khi sàn bị đặt tên, ví này thu lời hơn 400.000 USD. ZachXBT truy vết nguồn tiền của ví này về một người dùng Axiom có tên "JustADegen", với giao dịch nạp 70.000 USDC đáng ngờ trước khi đặt cược. Sự việc làm dấy lên lo ngại về rò rỉ thông tin nội bộ, kiểm soát lỏng lẻo tại các sàn giao dịch crypto, và cách thị trường dự đoán có thể bị lợi dụng bởi những người có thông tin đặc quyền. Axiom cho biết đang xem xét cáo buộc nội bộ.

Một vụ đặt cược trên thị trường dự đoán diễn ra trước một cuộc điều tra tiền điện tử nổi bật đã thu hút sự giám sát sau khi các nhà phân tích on-chain liên kết tài khoản chiến thắng với một người dùng tích cực của Axiom Exchange, nền tảng sau đó được nêu tên trong cuộc điều tra.

Sự việc này một lần nữa làm dấy lên lo ngại về rò rỉ thông tin, kiểm soát nội bộ tại các công ty tiền điện tử và liệu bản thân các cuộc điều tra có đang trở thành sự kiện có thể giao dịch trên các thị trường on-chain hay không.

Cuộc điều tra được báo trước trước khi tiết lộ

Nhà điều tra blockchain ZachXBT lần đầu tiên ám chỉ vào ngày 23 tháng 2 rằng một cuộc điều tra lớn về giao dịch nội gián tại một công ty tiền điện tử sắp xảy ra. Lời ám chỉ đã châm ngòi cho các suy đoán trên mạng xã hội và các thị trường dự đoán, nhưng không có tên công ty cụ thể nào được đề cập vào thời điểm đó.

Vào ngày 26 tháng 2, ZachXBT đã công bố một cuộc điều tra chi tiết. Ông cáo buộc rằng các nhân viên tại Axiom Exchange đã lạm dụng các công cụ nội bộ để truy cập dữ liệu ví nhạy cảm của người dùng, cho phép giao dịch nội gián và tìm kiếm lợi nhuận có phối hợp.

Báo cáo bao gồm các bản ghi âm, ảnh chụp màn hình của bảng điều khiển nội bộ và bằng chứng theo dõi ví có từ đầu năm 2025.

Axiom sau đó đã thừa nhận các cáo buộc và cho biết họ đang xem xét nội bộ các tuyên bố này.

Một vụ đặt cược sinh lợi thu hút sự chú ý

Sau khi công bố công khai, công ty phân tích on-chain Lookonchain đã chỉ ra một nhà giao dịch với tên người dùng “predictorxyz” trên Polymarket. Nhà giao dịch này đã đặt cược khoảng 65.800 đô la vào một thị trường hỏi liệu Axiom có bị cáo buộc giao dịch nội gián hay không.

Vào thời điểm mở vị thế, tỷ lệ cược được báo cáo là chỉ ngụ ý xác suất 13,8%. Sau khi Axiom được nêu tên trong cuộc điều tra, vị thế đã được thanh toán với lợi nhuận, thu về hơn 400.000 đô la, theo dữ liệu từ Polymarket được Lookonchain chia sẻ.

Thời điểm này ngay lập tức đặt ra câu hỏi: vụ đặt cược được thực hiện sau khi ZachXBT ám chỉ công khai, nhưng trước khi sàn giao dịch được xác định.

Lookonchain cũng báo cáo rằng hai ví ẩn danh mới được tạo khác đã đặt cược 59,8 nghìn đô la vào việc Axiom là công ty bị điều tra. Dữ liệu cho thấy những ví này kiếm được 109 nghìn đô la trong ba giờ.

Ví được truy ngược về một người dùng Axiom

Trong một phản hồi tiếp theo, ZachXBT cho biết ông đã truy tìm nguồn tài trợ của tài khoản Polymarket. Nó được truy ngược thông qua các sàn giao dịch tức thì về một ví Solana được liên kết với một người dùng Axiom tích cực, được biết đến trên một nền tảng khác với tên người dùng “JustADegen”.

Theo ZachXBT, tài khoản này được tạo mới và được cấp vốn khoảng 70.000 đô la USDC ngay trước khi vụ đặt cược diễn ra. Mô hình này được mô tả là đáng ngờ, mặc dù không phải là bằng chứng dứt khoát về hành vi sai trái.

ZachXBT nhấn mạnh rằng phát hiện của ông dựa trên phân tích thời gian và luồng giao dịch. Việc xác nhận thêm sẽ yêu cầu quyền truy cập vào nhật ký trao đổi nội bộ. Chưa có cáo buộc hình sự nào được đưa ra và chưa có hành động thực thi pháp luật nào được công bố.

Những gì sự việc Axiom tiết lộ

Trong khi các cáo buộc chống lại Axiom vẫn đang được xem xét, trình tự sự kiện làm nổi bật một vấn đề rộng lớn hơn đối với thị trường tiền điện tử: các cuộc điều tra, rò rỉ và hành động thực thi giờ đây có thể di chuyển giá — và tỷ lệ cược trên thị trường dự đoán — trước khi sự thật được công bố đầy đủ.

Ngay cả khi không có bằng chứng về sự phối hợp nội gián, vụ việc minh họa cách thông tin bất đối xứng, hoặc thậm chí là nhận thức về nó, có thể tạo ra cơ hội kiếm lời trên các thị trường on-chain.

Nó cũng đặt ra những câu hỏi khó chịu cho các sàn giao dịch về quyền truy cập của nhân viên vào dữ liệu nhạy cảm và các biện pháp bảo vệ để ngăn chặn việc sử dụng sai.

Đối với các thị trường dự đoán, sự việc này nhấn mạnh một căng thẳng ngày càng gia tăng giữa việc đặt cược công khai vào các sự kiện tương lai và rủi ro những người trong cuộc có thể khai thác kiến thức đặc quyền — hoặc có vẻ như làm như vậy — theo những cách làm suy yếu lòng tin.

Điều gì xảy ra tiếp theo

Axiom chưa công khai bình luận về các tuyên bố theo dõi ví cụ thể liên quan đến vụ đặt cược Polymarket.

ZachXBT đã nói rằng ông hy vọng công ty tiến hành một cuộc xem xét nội bộ sâu hơn và xem xét hành động pháp lý chống lại bất kỳ nhân viên nào bị phát hiện lạm dụng quyền truy cập của họ.

Liệu các cơ quan quản lý hoặc công tố viên có quan tâm hay không vẫn còn phải chờ xem.

Nhưng đối với thị trường tiền điện tử, sự việc này đã đưa ra một lời nhắc nhở rõ ràng: khi chính các cuộc điều tra trở thành chất xúc tác thị trường, ranh giới giữa thông tin, suy đoán và lợi thế nội gián có thể nhanh chóng bị xóa nhòa.


Tóm tắt cuối cùng

  • Cuộc điều tra Axiom nhấn mạnh cách quyền truy cập nội bộ và kiểm soát nội bộ yếu kém có thể biến thông tin nhạy cảm thành một công cụ tài chính trước khi câu chuyện công chúng hình thành đầy đủ.
  • Khi các thị trường dự đoán giao thoa với tính minh bạch on-chain, các sàn giao dịch có thể phải đối mặt với áp lực ngày càng cao để chứng minh rằng quyền truy cập dữ liệu nội bộ không thể bị khai thác trước các tiết lộ gây chấn động thị trường.

Câu hỏi Liên quan

QSự kiện nào liên quan đến Axiom Exchange đã thu hút sự chú ý của cộng đồng crypto?

AĐiều tra của ZachXBT công bố ngày 26/2 cáo buộc nhân viên Axiom Exchange lạm dụng công cụ nội bộ để truy cập dữ liệu ví nhạy cảm, cho phép giao dịch nội gián và tìm kiếm lợi nhuận có phối hợp.

QNhà giao dịch 'predictorxyz' trên Polymarket đã thu lợi bao nhiêu từ vụ cáo buộc Axiom?

ANhà giao dịch này đã đặt cược 65.800 USD và thu về lợi nhuận hơn 400.000 USD sau khi vụ việc Axiom được công bố, với tỷ lệ cược ban đầu chỉ 13.8%.

QZachXBT đã phát hiện mối liên hệ nào giữa tài khoản Polymarket và Axiom Exchange?

AZachXBT truy vết nguồn tiền của tài khoản Polymarket về một ví Solana liên kết với người dùng Axiom có tên 'JustADegen', được tạo mới và nạp 70.000 USDC ngay trước khi đặt cược.

QSự kiện Axiom tiết lộ vấn đề lớn nào trong thị trường crypto?

ASự kiện cho thấy thông tin điều tra và hành động pháp lý có thể di chuyển giá và tỷ lệ thị trường dự đoán trước khi sự thật được công khai, tạo cơ hội lợi nhuận từ thông tin bất đối xứng.

QPhản ứng của Axiom Exchange trước cáo buộc này là gì?

AAxiom thừa nhận các cáo buộc và cho biết đang tiến hành xem xét nội bộ, nhưng chưa bình luận công khai về các tuyên bố theo dõi ví liên quan đến vụ cược Polymarket.

Nội dung Liên quan

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

Mô hình tạo sinh (generative models) từ lâu đã phụ thuộc vào các phương pháp đào tạo nhiều giai đoạn (như diffusion, autoregressive), dẫn đến "exposure bias" - sự khác biệt giữa cách huấn luyện và suy luận. Bài báo "Explorative Modeling" (XM) từ UIUC và Harvard đề xuất một giải pháp đơn giản nhưng mạnh mẽ: thay vì tách quá trình tạo mẫu, hãy tách vòng lặp huấn luyện. Trong mỗi bước huấn luyện, mô hình tạo ra K ứng viên, sau đó chỉ chọn ứng viên gần nhất với dữ liệu thực để cập nhật gradient. Vòng lặp `for` đơn giản này giải quyết vấn đề "mode blurring" - xu hướng của hàm mất mát tái tạo đẩy đầu ra về trung bình của các mode hợp lệ, tạo ra kết quả mờ nhạt. Bằng cách khám phá nhiều ứng viên, mô hình học cách bao phủ nhiều mode khác nhau trong phân phối dữ liệu. Khả năng này được gọi là "biểu đạt tạo sinh" (generative expressivity). Thí nghiệm cho thấy "khám phá" (exploration) trở thành một trục mở rộng quy mô hiệu quả thứ ba, bên cạnh quy mô dữ liệu và tham số. Khi quy mô tăng, lợi ích từ việc khám phá càng lớn, cải thiện hiệu suất FLOP, mẫu và tham số. XM đạt được kết quả tạo ảnh trên ImageNet (FID 1.43 không guidance) ngang bằng các mô hình hàng đầu. Quan trọng hơn, XM cho phép huấn luyện mô hình tạo sinh "end-to-end" thực sự. Trong thí nghiệm điều khiển robot, Explorative Policy chỉ cần một lượt truyền thẳng mạng, đạt hiệu suất tương đương Diffusion Policy cần hàng trăm bước suy luận. Điều này chuyển chi phí tính toán từ giai đoạn suy luận sang giai đoạn huấn luyện, mở ra khả năng cho các mô hình tạo sinh nhanh và hiệu quả hơn. Công trình dựa trên lý thuyết "Mode Forcing" trước đó của nhóm tác giả. Hạn chế hiện tại bao gồm chi phí tính toán cho "Forward XM" trên phân phối nhiều mode và thách thức với mô hình ngôn ngữ tự hồi quy thuần túy.

marsbit47 phút trước

Mô hình sinh đã có thể huấn luyện end-to-end? Cốt lõi chỉ là một vòng lặp for

marsbit47 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

Tác giả Google DeepMind Dan Roy đã khởi xướng một kiến nghị trào phúng nhằm phản đối quy định mới của hội nghị AI hàng đầu ICLR, giới hạn mỗi tác giả chỉ được đăng ký tối đa 20 bài báo tham dự ICLR 2027. Quy định này được đưa ra do số lượng bài nộp tăng đột biến 68% vào năm 2026, gây áp lực nặng nề lên hệ thống phản biện. Trong bài đăng của mình, Dan Roy giả vờ ủng hộ việc để AI Agent tạo ra càng nhiều nghiên cứu gia tăng càng tốt, và cho rằng giới hạn này sẽ "làm chậm sự phát triển của AI". Anh còn mỉa mai nhận xét rằng "tất cả công việc phản biện giờ đã được giao cho các mô hình ngôn ngữ lớn xử lý", ám chỉ đến một nghiên cứu trước đó phát hiện khoảng 21% ý kiến phản biện tại ICLR 2026 có khả năng cao là do AI tạo ra. Bài viết chỉ ra rằng thông điệp trào phúng của Roy thực chất phản ánh mối lo ngại về một vòng luẩn quẩn: AI tạo ra bài báo hàng loạt, nhà nghiên cứu gửi đi hàng loạt, và phản biện viên lại dùng AI để đánh giá hàng loạt. Qua đó, tác giả đặt câu hỏi liệu biện pháp giới hạn số lượng cứng nhắc có phải là giải pháp tối ưu cho những thách thức căn bản về chất lượng học thuật trong kỷ nguyên AI này.

marsbit53 phút trước

Mỗi người tối đa 20 bài? Quy định mới của ICLR bị nhà nghiên cứu DeepMind 'mỉa mai' kiến nghị

marsbit53 phút trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

OpenAI đã điều chỉnh giá, giảm 80% cho mô hình GPT-5.6 Luna và 20% cho Terra, đồng thời giới thiệu chế độ Fast cho mô hình mạnh nhất Sol. Động thái này, cùng với việc Anthropic giới thiệu Claude Opus 5 với giá bằng một nửa so với flagship Fable 5, đánh dấu sự thay đổi chiến lược quan trọng: các hãng không còn chỉ tập trung bán mô hình mạnh nhất. Thay vào đó, họ khuyến nghị người dùng kết hợp các mô hình theo nhiệm vụ: dùng Sol (đắt, mạnh) để phân tích và lập kế hoạch phức tạp, sau đó giao cho Luna (rẻ, hiệu quả) thực thi. Điều này cho thấy trọng tâm thương mại đang chuyển từ các mô hình flagship (chứng minh năng lực kỹ thuật) sang các mô hình tầm trung, phục vụ cho lượng truy vấn API khổng lồ hàng ngày của doanh nghiệp, nơi hiệu quả chi phí (ROI) và độ ổn định là yếu tố quyết định. Một yếu tố then chốt giúp giảm chi phí là việc chính các mô hình AI (như Sol) tham gia tối ưu hóa mã nguồn và quy trình vận hành của chính chúng, tạo ra một vòng lặp tự thúc đẩy giảm chi phí. Điều này có thể đẩy nhanh hơn nữa đà giảm giá trong tương lai. Cạnh tranh đang chuyển từ "mô hình thông minh nhất" sang "hệ sinh thái hiệu quả nhất". OpenAI muốn biến các mô hình như Luna thành lựa chọn mặc định cho các tác vụ thường ngày, từ đó gia tăng độ phụ thuộc và chi phí chuyển đổi cho doanh nghiệp. Tương tự như ngành điện hay điện toán đám mây, mục tiêu cuối cùng là AI trở thành một tiện ích phổ biến, hoạt động âm thầm và không thể thiếu trong mọi quy trình, thay vì chỉ là một sản phẩm công nghệ đình đám.

marsbit2 giờ trước

OpenAI không bán tiền dựa trên mô hình đắt nhất

marsbit2 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

Cuộc đua AI đang vấp phải nút thắt mới: thiếu hụt nghiêm trọng lao động lành nghề như thợ điện và công nhân xây dựng để xây dựng các trung tâm dữ liệu quy mô lớn. Tại Mỹ, dự báo cần thêm 130.000 thợ điện và 240.000 công nhân xây dựng từ 2023-2030 cho hạ tầng AI, trong khi mỗi năm có 80.000 vị trí thợ điện không thể lấp đầy. Các công ty AI sẵn sàng trả lương cao (thợ điện giỏi có thể kiếm 240.000-280.000 USD/năm), nhưng sự chậm trễ xây dựng vẫn gây thiệt hại hàng chục triệu USD. Độ phức tạp của các trung tâm dữ liệu AI, với công suất điện khổng lồ, hệ thống phân phối điện và làm mát phức tạp, đòi hỏi lao động có kỹ năng đặc biệt. Để giải quyết, các gã khổng lồ công nghệ như Meta và Google đang đầu tư hàng trăm triệu USD vào đào tạo. Meta mở trường dạy nghề miễn phí, cung cấp cả trợ cấp sinh hoạt, trong khi OpenAI hợp tác với công đoàn xây dựng. Chiến dịch tuyển dụng nhắm đến cả học sinh trung học, góp phần làm tăng mạnh tỷ lệ Gen Z theo học trường nghề. Tuy nhiên, nhu cầu điện cho AI tiếp tục bùng nổ, chiếm phần ngày càng lớn trong tổng tiêu thụ điện và đẩy giá điện lên cao. Một nghịch lý tồn tại: các dự án xây dựng cần hàng nghìn lao động cùng lúc, nhưng khi hoàn thành chỉ cần số ít vận hành, dẫn đến rủi ro dư thừa lao động lành nghề trong tương lai.

marsbit2 giờ trước

Lương trăm nghìn đô la săn thợ điện, Meta vội vàng tự mở trường dạy nghề

marsbit2 giờ trước

Giao dịch

Giao ngay
活动图片