Bandingkan Harga & Kinerja DeepBook Protocol (DEEP) vs Neuron (NRN)
Kinerja harga (24 Jam Terakhir)
Statistik utama
Statistik utama
Perbedaan DeepBook Protocol dan Neuron: DeepBook Protocol diperdagangkan di Rp332,64 (kapitalisasi pasar Rp1,8T, volume 24 jam Rp80,66M), sedangkan Neuron diperdagangkan di Rp63,99 (kapitalisasi pasar Rp26,48M, volume 24 jam Rp841,43jt). Perbedaan utamanya: DeepBook Protocol jauh lebih besar — sekitar 68× kapitalisasi pasar Neuron, dan suplai beredar DeepBook Protocol 5,5B / 10B DEEP (55%) dibanding 358,6M / 1B NRN (36%) milik Neuron. Mana yang lebih baik tergantung tujuan investasimu — di Pluang, investor rata-rata menyimpan DeepBook Protocol selama 13 Hari dan Neuron selama 10 Hari.
| DEEP | NRN | |
|---|---|---|
Kap. Pasar | Rp1,8T | Rp26,48M |
Volume (24h) | Rp80,66M | Rp841,43jt |
Suplai yang Beredar | 5,5B / 10B DEEP (55%) | 358,6M / 1B NRN (36%) |
Typical Hold Time | 13 Hari | 10 Hari |
Sentimen investor di Pluang
Aktivitas investor Pluang dalam 30 hari terakhir
Sentimen investor di Pluang
Aktivitas investor Pluang dalam 30 hari terakhir
Belum ada data sentimen.
Berita terkini
Berita terbaru kedua aset
Berita terkini
Berita terbaru kedua aset
Tentang DeepBook Protocol
DeepBook adalah buku pesanan terdesentralisasi (CLOB) di blockchain Sui yang menawarkan kinerja tinggi dan latensi rendah. Beroperasi sepenuhnya on-chain, DeepBook meningkatkan kemampuan pemrograman dan likuiditas di ekosistem DeFi. Dengan menyediakan likuiditas yang lebih rapat dan kontrol lebih besar bagi penyedia likuiditas dibandingkan model tradisional, DeepBook berfungsi sebagai pusat likuiditas grosir utama untuk berbagai layanan keuangan.
Selengkapnya di halaman DEEP →Tentang Neuron
NRN mengembangkan ekosistem yang bertujuan mempercepat perjalanan menuju Artificial General Intelligence (AGI) dengan menjadikan Gaming dan robotika sebagai platform eksperimental. Inti dari ekosistem ini adalah NRN Agents, sebuah platform yang memfasilitasi integrasi agen AI ke dalam pengalaman Gaming canggih, baik di lingkungan virtual maupun fisik. Tumpukan teknologinya menggabungkan agregasi data, pelatihan model, dan inspeksi model, dengan memanfaatkan imitation learning serta reinforcement learning untuk mendorong kemajuan pengembangan AI.
Selengkapnya di halaman NRN →
