三月代币解锁将达60亿美元,WhiteBIT成为供应量增长的主要推手

ambcrypto發佈於 2026-02-16更新於 2026-02-16

文章摘要

2026年3月预计将成为该年度规模最大的代币解锁月份,总价值约60.3亿美元的加密资产将进入流通市场,较2月份的20亿美元大幅增长。其中,WhiteBIT是最大的单一贡献者,其解锁量达418亿美元,占当月总解锁量的主导地位,远超Sui、Arbitrum等其他协议。尽管不同数据平台(如CryptoRank和DeFiLlama)因计算方法存在差异,但均确认WhiteBIT是3月解锁活动的核心驱动因素。大规模集中解锁可能加剧市场波动性,实际影响取决于持有人行为、流动性及市场情绪。历史数据显示,此类事件往往在风险偏好谨慎时期引发显著价格波动。

2026年3月将成为代币解锁量最大的月份,预计将有超过60亿美元的加密资产进入流通市场。

此次解锁规模较前几个月急剧增长,由于市场对流动性冲击保持敏感,供应端动态再次成为关注焦点。

WhiteBIT占据三月解锁最大份额

CryptoRank数据显示,三月代币解锁总量预计将达到约60.3亿美元,这使其成为本年度迄今为止最重大的月度代币释放事件。

相比之下,二月解锁量仅为20亿美元左右,凸显出此次增幅之巨大。

三月解锁高度集中,WhiteBIT以约41.8亿美元的代币解锁量成为最大贡献者。这意味着仅WhiteBIT一家就占据了三月份流通代币总量的大部分,远超其他项目的解锁规模。

其余解锁部分分散在众多协议中,每个协议的贡献量相对较小。虽然涉及Sui和Arbitrum等知名网络,但无一能接近WhiteBIT的释放规模,这凸显了该时期供应压力分布的不均衡性。

DeFiLlama数据印证集中化趋势

DeFiLlama的并行数据虽因方法论、代币覆盖范围和估值时点差异将三月总解锁量预估为44亿美元,但仍支持整体趋势。两家机构均认定WhiteBIT是三月解锁活动的主导力量,这一共识强化了市场预期:与广泛分布的解锁计划相比,大型单一来源的代币释放更可能产生显著市场影响。

二月解锁数据为三月激增提供参照

上月TON和Jupiter等主要网络以各自超过5000万美元的解锁量位居前列。尽管这些数字值得关注,但与三月的计划相比仍显逊色,这也解释了为何该月在2026年代币解锁日历中如此突出。

需要指出的是,代币解锁并不自动转化为即时抛压,具体结果取决于持有者行为、流动性状况及整体市场情绪。但历史表明,大规模集中解锁往往伴随波动性上升,尤其在风险偏好谨慎的时期。

随着三月临近,市场必将密切关注这批新增供应的消化情况——尤其是在单一主体占据绝对比重的情况下。


核心摘要

  • 2026年3月将迎来年度最大代币解锁事件,其中WhiteBIT占据绝对主导地位
  • 供应量的集中增长引发流动性及波动性考量,市场需消化新增代币

相關問答

Q2026年3月的代币解锁总额预计是多少?

A根据CryptoRank的数据,2026年3月的代币解锁总额预计约为60.3亿美元。

Q哪一项目是3月代币解锁的最大贡献者?其解锁金额是多少?

AWhiteBIT是3月代币解锁的最大贡献者,其解锁金额约为41.8亿美元。

Q与2月相比,3月的代币解锁量有何变化?

A2月的代币解锁量约为20亿美元,而3月的解锁量预计达到60.3亿美元,显示出大幅增长。

Q除了WhiteBIT,还有哪些项目在3月有代币解锁?

A除了WhiteBIT,其他项目如Sui和Arbitrum也有代币解锁,但它们的规模远小于WhiteBIT。

Q代币解锁是否一定会导致市场抛压?

A代币解锁不一定导致立即的抛压,其结果取决于持有者行为、流动性条件和整体市场情绪,但大规模集中解锁历史上常与波动性增加相关。

你可能也喜歡

Anthropic全球警告,OpenAI已跨“可靠性阈值”:AI自我加速启动

AI领域出现重要警告与发展洞察。Anthropic发出全球警告,指出AI递归自我改进进程加速,已接近“自己造自己”的临界点,呼吁减缓研究。 与此同时,OpenAI后训练团队负责人Yann Dubois在访谈中揭示了关键内部视角: 1. **能力提升是连续线性,但实用性感知是跳跃的**。AI能力在达到“可靠性阈值”前如同玩具,跨越后则成为可托付工作的可靠工具。OpenAI被认为在去年12月左右跨过了此阈值。 2. **AI正进入自我加速循环**。模型能力提升后,本身已成为研发的有力工具(如辅助编程),从而加速下一代模型的开发,形成越转越快的正反馈回路。 3. **AI构建更像“手艺”而非纯科学**。在硬核领域,经验、直觉和反复试错(类似“炼金术”)目前扮演关键角色,科学解释常事后补足。 4. **垂直应用(Harness)价值巨大,甚至能触及AGI体验**。Dubois认为,若冻结现有模型,仅通过精心打磨针对特定领域的编排系统,即可在许多场景中实现类似通用人工智能(AGI)的效果。当前瓶颈常在于“最后一公里”——权限、数据连接与业务流程集成,而非模型智能本身。 5. **持续学习仍是核心挑战**。模型难以像人类一样在特定环境中持续学习和优化,其学习曲线容易趋于平缓,这是亟待解决的重要问题。 综上,AI发展已迈过关键可靠性门槛,进入自我加速阶段,同时为垂直领域的深度应用与集成创造了巨大机遇与挑战。

marsbit5 小時前

Anthropic全球警告,OpenAI已跨“可靠性阈值”:AI自我加速启动

marsbit5 小時前

交易

現貨
合約
活动图片