Bandingkan Harga & Kinerja Fluid (FLUID) vs Neuron (NRN)
Kinerja harga (24 Jam Terakhir)
Statistik utama
Statistik utama
Perbedaan Fluid dan Neuron: Fluid diperdagangkan di Rp18.670 (kapitalisasi pasar Rp1,46T, volume 24 jam Rp33,33M), sedangkan Neuron diperdagangkan di Rp63,99 (kapitalisasi pasar Rp26,48M, volume 24 jam Rp841,43jt). Perbedaan utamanya: Fluid jauh lebih besar — sekitar 55,1× kapitalisasi pasar Neuron, dan suplai Neuron dibatasi (358,6M / 1B NRN (36%)), sedangkan Fluid terus bertambah. Mana yang lebih baik tergantung tujuan investasimu — di Pluang, investor rata-rata menyimpan Fluid selama 9 Hari dan Neuron selama 10 Hari.
| FLUID | NRN | |
|---|---|---|
Kap. Pasar | Rp1,46T | Rp26,48M |
Volume (24h) | Rp33,33M | Rp841,43jt |
Suplai yang Beredar | 78,7M FLUID | 358,6M / 1B NRN (36%) |
Typical Hold Time | 9 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.
Tentang Fluid
Fluid Protocol (sebelumnya Instadapp) adalah platform DeFi generasi baru yang menDeFinisikan ulang efisiensi modal melalui manajemen smart collateral yang mulus, peminjaman Vault inovatif, dan DEX terintegrasi. Dengan rebranding ini, Fluid memposisikan diri sebagai “Liquidity Layer of DeFi,” didukung oleh tokenomics baru, mekanisme buyback algoritmik, serta strategi pertumbuhan yang kuat. Migrasi token INST ke FLUID dilakukan mulus dengan rasio 1:1 tanpa dilusi, memberdayakan komunitas sekaligus membangun Fluid sebagai pusat likuiditas utama di ekosistem Ethereum.
Selengkapnya di halaman FLUID →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 →
