Bandingkan Harga & Kinerja Magic Eden (ME) vs Neuron (NRN)
Kinerja harga (24 Jam Terakhir)
Statistik utama
Statistik utama
Perbedaan Magic Eden dan Neuron: Magic Eden diperdagangkan di Rp1.196 (kapitalisasi pasar Rp694,12M, volume 24 jam Rp3,1T), sedangkan Neuron diperdagangkan di Rp63,99 (kapitalisasi pasar Rp26,48M, volume 24 jam Rp841,43jt). Perbedaan utamanya: Magic Eden jauh lebih besar — sekitar 26,2× kapitalisasi pasar Neuron, dan suplai beredar Magic Eden 582,2M / 1B ME (59%) dibanding 358,6M / 1B NRN (36%) milik Neuron. Mana yang lebih baik tergantung tujuan investasimu — di Pluang, investor rata-rata menyimpan Magic Eden selama 31 Hari dan Neuron selama 10 Hari.
| ME | NRN | |
|---|---|---|
Kap. Pasar | Rp694,12M | Rp26,48M |
Volume (24h) | Rp3,1T | Rp841,43jt |
Suplai yang Beredar | 582,2M / 1B ME (59%) | 358,6M / 1B NRN (36%) |
Typical Hold Time | 31 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 Magic Eden
$ME adalah token resmi dari Magic Eden yang mendukung trading lintas blockchain, minting, dan wallet protocol. Memiliki peran penting dalam ekonomi onchain, $ME menghubungkan komunitas pengguna yang luas untuk mendapatkan reward dengan cara trading NFT dan token di berbagai ekosistem utama. $ME merepresentasikan kekuatan dari aplikasi terdesentralisasi dan dengan mobile app yang user-friendly, $ME menjadi pintu utama bagi pengguna baru untuk menjelajahi dunia kripto.
Selengkapnya di halaman ME →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 →
