Bandingkan Harga & Kinerja Hyperlane (HYPER) vs Neuron (NRN)
Kinerja harga (24 Jam Terakhir)
Statistik utama
Statistik utama
Perbedaan Hyperlane dan Neuron: Hyperlane diperdagangkan di Rp1.147 (kapitalisasi pasar Rp450,7M, volume 24 jam Rp175,26M), sedangkan Neuron diperdagangkan di Rp63,99 (kapitalisasi pasar Rp26,48M, volume 24 jam Rp841,43jt). Perbedaan utamanya: Hyperlane jauh lebih besar — sekitar 17× kapitalisasi pasar Neuron, dan suplai beredar Hyperlane 393,2M / 1B HYPER (40%) dibanding 358,6M / 1B NRN (36%) milik Neuron. Mana yang lebih baik tergantung tujuan investasimu — di Pluang, investor rata-rata menyimpan Hyperlane selama 31 Hari dan Neuron selama 11 Hari.
| HYPER | NRN | |
|---|---|---|
Kap. Pasar | Rp450,7M | Rp26,48M |
Volume (24h) | Rp175,26M | Rp841,43jt |
Suplai yang Beredar | 393,2M / 1B HYPER (40%) | 358,6M / 1B NRN (36%) |
Typical Hold Time | 31 Hari | 11 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 Hyperlane
Hyperlane adalah lapisan interoperabilitas inovatif yang dirancang untuk menghubungkan ekosistem blockchain modular, memungkinkan komunikasi lintas jaringan seperti Layer 1, rollup, dan app-chain secara mulus. Dengan pendekatan deployment tanpa izin (permissionless), Hyperlane memudahkan pengembang dalam menjembatani berbagai chain, sekaligus menawarkan model keamanan yang dapat disesuaikan sesuai kebutuhan aplikasi mereka.
Selengkapnya di halaman HYPER →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 →
