当狗狗币和柴犬币陷入挣扎时,这些模因币涨幅超过100%

bitcoinist发布于2025-12-17更新于2025-12-17

文章摘要

尽管狗狗币和柴犬币等主流模因币近期表现疲软,但另一些模因币却出现惊人涨幅。PIPPIN在11月启动后经历沉寂,但自2025年11月起出现复苏。数据显示,50个关联钱包通过HTX交易所协调买入1900万美元PIPPIN,控制其半数供应量,推动该币一周内暴涨1000%,随后累计涨幅超2000%,市值突破4亿美元,最近一周上涨146%,成为表现最佳的模因币。另一币种JELLYJELLY同样出现复苏,七个钱包从交易所提取其20%供应后,币价在11月初上涨600%,市值一度逼近5亿美元。虽然后续回落,但本周再度上涨143%,市值重回1亿美元以上,成为周涨幅第二的模因币。

顶级模因币狗狗币和柴犬币近期逐渐淡出视野,为其他出人意料的候选者提供了闪耀的舞台。过去一周,模因币领域出现了一些有趣的上涨行情,但主角并非那些常见币种。相反,那些被认为早已消亡的模因币迎来了复苏,价格在10天内翻了一倍多。本报告将重点关注过去几周主导该领域的两种模因币。

PIPPIN迅速攀升模因币排名

与其他模因币类似,PIPPIN在2024年11月首次推出后经历了初期的上涨,但随着注意力转向下一个闪亮的模因币,它逐渐走向衰亡。到2025年,该币几乎被遗忘,直到2025年11月才惊人地复苏。

据数据分析平台Bubblemaps分享的信息,似乎存在一系列关联钱包的协调积累趋势。在10月24日至11月23日期间,50个在极短时间内从HTX交易所获得资金的 wallets 收到了相似数量的Solana(SOL)。

收到资金后,这些此前没有任何链上活动的钱包开始购买PIPPIN代币。购买完成后,这些钱包共买入了价值1900万美元的PIPPIN,控制了该模因币一半的供应量。

随后发生的是被称为协调拉盘的行为,导致该模因币在一周内上涨了1000%,即10倍。然而,PIPPIN并未止步于此,自那以来涨幅已超过2000%,其市值突破4亿美元,创下历史新高。CoinMarketCap数据显示,仅过去一周就上涨了146%,使其成为领先模因币中的表现最佳者,超越了FARTCOIN和FLOKI等币种。

PIPPIN价格持续走强 | 来源:Tradingview.com上的PIPPINUSDT

JELLYJELLY一周内翻倍

另一个看似起死回生的模因币是JELLYJELLY,其最初的上涨曾震惊市场。与PIPPIN类似,JELLYJELLY的上涨也始于多个钱包的协调积累。Bubblemaps在11月报告了这一点,显示七个钱包从Gate和Bitget交易所提取了该模因币20%的供应量。

积累完成后,JELLYJELLY价格上涨超过600%,在11月初达到接近5亿美元的历史新高。随后价格回落至1亿美元以下,但本周再次复苏。

CoinMarketCap数据显示,JELLYJELLY价格在一周内上涨了143%,使其市值再次突破1亿美元大关。这使其成为过去一周前30大模因币中表现第二佳的币种,仅次于PIPPIN。

热门币种推荐

相关问答

Q哪些模因币在过去一周涨幅超过100%,而狗狗币和柴犬币表现不佳?

APIPPIN和JELLYJELLY是过去一周涨幅超过100%的模因币,其中PIPPIN上涨146%,JELLYJELLY上涨143%,而狗狗币和柴犬币则表现挣扎。

QPIPPIN的价格在短时间内上涨了多少?

APIPPIN在短短一周内上涨了1000%(10倍),随后涨幅进一步扩大至2000%以上,市值突破4亿美元,创历史新高。

Q是什么原因导致了PIPPIN价格的暴涨?

A根据Bubblemaps的数据分析,PIPPIN的暴涨是由于50个关联钱包的协调积累行为。这些钱包在紧密的时间段内从HTX交易所获得类似数量的Solana(SOL),然后购买了价值1900万美元的PIPPIN,控制了该币一半的供应量。

QJELLYJELLY的价格在近期有何变化?

AJELLYJELLY的价格在近期出现复苏,一周内上涨143%,市值再次突破1亿美元。此前它在11月初曾上涨超过600%,市值接近5亿美元,但随后回落至1亿美元以下。

Q哪些平台报告了这些模因币的协调积累行为?

A数据分析平台Bubblemaps报告了PIPPIN和JELLYJELLY的协调积累行为。对于PIPPIN,它发现了50个关联钱包的积累模式;对于JELLYJELLY,它报告了7个钱包从Gate和Bitget交易所提取了该币20%的供应量。

你可能也喜欢

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit10分钟前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit10分钟前

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1小时前

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

交易

现货

热门文章

相关讨论

欢迎来到HTX社区。在这里,您可以了解最新的平台发展动态并获得专业的市场意见。以下是用户对MEME(MEME)币价的意见。

活动图片