Участник ICO Ethereum направил в стейкинг монеты на $665 млн

cryptonews.ru发布于2025-03-04更新于2025-09-05

5 сентября участвовавший в ICO кит отправил на стейкинговый адрес 150 000 ETH (~$665 млн) после четырех лет бездействия.

通过以太坊 ICO 获得 100 万枚 ETH 的远古巨鲸/机构，在休眠了 4 年之久后，今天醒来把 15 万枚 ETH ($6.46 亿) 存进了以太坊质押。

◎他们最初是通过 3 个地址在 2015 年以太坊 ICO 获得了 100 万枚的 ETH，最近一次的操作已经是 4 年前 (2021/7)：把 5.5 万枚 ETH 转进了 Gemini，当时 ETH 价格为… pic.twitter.com/y7MOe69Lt7
— 余烬 (@EmberCN) September 5, 2025

Согласно ончейн-данным, крупный инвестор приобрел 1 млн ETH через три адреса в ходе первичного предложения 2015 года.

В последний раз он перемещал свои активы в 2021 году, отправив 55 000 ETH на биржу Gemini. Тогда курс монеты находился на уровне $2500.

Он по-прежнему владеет 250 000 ETH стоимостью около $1,1 млрд, включая отправленные в стейкинг активы.

Ранее аналитики Santiment сообщили, что за последние пять месяцев крупные игроки увеличили свои запасы второй по капитализации криптовалюты на 14%, закупив 5,54 млн ETH.

В общей сложности Ethereum-киты владеют 42,5 млн ETH на сумму $186,4 млрд — приблизительно 35% от циркулирующего предложения.

Параллельно другой крупный держатель переместил часть своих биткоинов — 479 BTC стоимостью более $54 млн.

Источник: mempool.space.

Кит «проснулся» впервые с 2012 года, до этого на адрес поступали относительно небольшие суммы монет.

Напомним, CEO Bitcoin Magazine Дэвид Бейли обвинил двух китов в «торможении» биткоина. Упомянутые им кошельки продали 80 000 BTC и 120 000 BTC.

你可能也喜欢

Anthropic造了套AI越狱「刑法」：你的请求，四种死法

近日，Anthropic公布了其AI安全系统Fable的详细拦截规则，并将用户请求分为四类进行管理：明确禁止的恶意行为（如勒索软件）、高风险双用途行为（如渗透测试）、低风险双用途行为（如漏洞扫描）以及理论上无害的行为（如调试代码）。然而，该系统因“宁可错杀，不可放过”的原则，导致大量正常请求被误拦截，引发了用户不满。为更系统化地评估安全风险，Anthropic联合Glasswing联盟推出了“网络越狱严重性框架”（CJS）。该框架从能力增益、能力广度、武器化难度和可发现性四个维度对AI越狱行为进行0-10分的量化评分，并划分严重等级。CJS旨在为模型下架等决策提供“客观”依据，但其评分标准由Anthropic及其盟友主导制定，引发了对规则制定权垄断的担忧。文章指出，此前Fable 5模型因美国出口管制政策被全球断服，标志着监管首次直接作用于模型API。如今，重新上线的模型已配备更严格的过滤系统。而更强大的Mythos模型仅对特定合作机构开放，形成了“技术分层”的管控格局。在此背景下，CJS框架也被视为递给监管者的“行刑尺”。对于普通用户，文章建议在提示词中避免敏感词汇、注意模型降级信号，并耐心等待系统优化。最终，AI能力的边界已不纯粹是技术问题，更受到了商业策略与地缘政治规则的双重塑造。

marsbit27分钟前

marsbit27分钟前

年入1亿美元，两个90后伯克利室友，搞出最赚钱的AI生意

一家不造AI的公司，年收入却高达1亿美元。这家公司名为Arena，前身是加州大学伯克利分校团队在2023年发起的开源研究项目Chatbot Arena。它核心的产品是一个通过用户真实盲测生成的大模型排行榜：用户输入提示词，系统随机分配两个匿名模型作答，由用户投票选择更优者。凭借海量真实数据，该榜单已成为业界公认的权威评测平台，吸引了OpenAI、谷歌、Anthropic等顶级厂商在此“打擂台”。其商业模式在于“卖水”：为模型厂商和企业提供付费的深度评测服务，利用其庞大的用户社区对模型进行真实世界性能分析。这种服务切中了模型厂商激烈竞争、亟需优化调优的痛点。公司由两位伯克利室友创立。CEO Anastasios Angelopoulos师从多位学术大牛，专注于对黑箱模型进行数学严谨的评估；CTO Wei-Lin Chiang是知名开源聊天机器人Vicuna的创造者。项目发展迅速，在商业化仅8个月后年化营收便达到1亿美元，并已完成高额融资，估值达17亿美元。目前，Arena已将评测范围从简单的对话能力，扩展到智能体模式下的复杂长任务（如写代码、研究分析），用任务完成率、幻觉率等更客观的指标进行评估。在AI向智能体演进的时代，中立、可靠的评测变得愈发关键和昂贵，这正是Arena巨大价值的根基。

marsbit31分钟前

marsbit31分钟前

狂揽2.4万星标：一行命令，AI会自己找技能了

过去，AI开发者交换的是提示词模板；如今，风向转变为互相推荐可安装的“技能”（skill）。Vercel推出的Skills项目，正致力于成为AI智能体的“npm”包管理器。通过一行命令（如 `npx skills add <package>`），开发者可以为Claude Code、Cursor等多种AI工具快速安装能力包，涵盖代码规范、设计准则等，实现能力的即装即用和跨工具共享。该项目上线五个月便在GitHub获得2.4万星标，并配套上线了技能目录网站skills.sh，设有安装量排行榜。其中，“find-skills”技能尤为突出，安装量超230万次，它能让AI根据用户需求自动搜索、筛选并安装合适的技能，相当于为AI提供了“能力搜索引擎”。这标志着AI编程正从“提示词工程”迈向“能力工程”，将零散经验封装为可复用、可版本管理的模块。Vercel此举意在复制其通过Next.js卡位前端生态的成功经验，在AI智能体工具层建立新入口。然而，热潮背后存在安全隐患。安全审计发现，技能包中约有13.4%存在严重安全缺陷，可能携带恶意脚本、进行提示词注入或窃取密钥。与传统的npm包不同，技能包融合了提示词、代码和执行权限，风险直接触及本地系统和敏感数据。因此，用户需要像对待代码一样谨慎选择技能，仔细审查来源和所需权限。 Vercel创始人Guillermo Rauch的长期目标，正是将复杂工程简化为“一行命令”的极致体验。从Now、Next.js到如今的Skills，这一理念正被应用于AI领域，在带来便利的同时，也要求开发者带着判断力进场，共同迎接AI能力“npm化”的机遇与挑战。

marsbit32分钟前

marsbit32分钟前

Token吃掉三成工资，硅谷AI账单失控了

硅谷AI应用正呈现两极分化：一方面，研究机构SemiAnalysis通过大模型将内部Token支出控制在员工薪资的30%以内，实现了生产效率的数倍提升，重写了专业服务的成本结构。英伟达CEO黄仁勋更是积极推动AI工具普及，视Token为新时代的生产资料。另一方面，Uber、微软等巨头却因AI使用量激增而面临预算严重超支、成本失控的困境。有研究表明，在许多场景下，雇人仍然比使用AI更经济，且过度使用可能导致运维事故。关键在于未来的成本趋势。通过软件优化（如使吞吐量提升14倍）和硬件迭代（如新一代芯片性能可达旧款的数十倍），大模型推理成本正快速下降。Anthropic等公司的毛利率不降反升，预示Token价格将持续走低。当前全球科技公司一边大幅增加AI资本开支，一边持续裁员，但AI对宏观经济的直接影响尚不明显。这类似于基础设施建设的阵痛期：先投入铺设“管道”，应用和效益才会随之涌现。对于企业而言，选择是尽早利用成本下降的趋势拥抱AI转型，还是等待观望。

marsbit36分钟前

marsbit36分钟前

Claude工程师终于交出Fable 5焚诀，教你打破和模型之间的信息差

Claude Fable 5模型发布后经历波折，最终回归生产力工具。Claude工程师Thariq Shihipar指出，用户与模型间存在“信息差”（即提示词、技能与真实任务需求间的差距），这常导致输出不如预期。他将此差距称为“未知项”，并强调与Fable协作的核心是迭代地发现和澄清这些未知项。 Thariq将未知项分为四类：已知的已知（明确提出的需求）、已知的未知（自知未明的部分）、未知的已知（未言明的隐含知识）和未知的未知（完全未意识到的部分）。提升AI编程效率的关键在于减少未知项，并主动规划。他提供了一套贯穿工作流的方法： 1. **实现前**：通过“盲点扫描”让AI帮你发现认知盲区；进行“头脑风暴与原型”快速验证想法；通过“反问”让AI提问以澄清歧义；提供“参考资料”（如代码、设计）辅助沟通；制定“实现计划”并优先审阅易变部分。 2. **实现中**：要求AI维护“实现笔记”，记录临时决策与偏差原因。 3. **实现后**：创建“推介与解释文档”便于团队评审和获批；通过“测验”确保自己理解AI所做的全部变更。文章以Fable发布视频的制作为例，展示了如何串联这些方法，在陌生领域（视频剪辑与调色）逐步发现未知项并完成任务。总结认为，模型能力越强，用户越需通过系统方法定义未知项，从而让“地图”（计划）匹配“疆域”（现实），高效达成目标。

marsbit37分钟前