Odaily星球日报 повідомляє, що співзасновник Hyperliquid Джефф опублікував пост на платформі X, спростовуючи нещодавні звинувачення щодо ADL (механізму автоматичного зменшення позицій), заявивши, що деякі коментатори роблять хибні висновки, не розуміючи основних концепцій. Він підкреслив, що механізм ADL “не переносить прибутки чи збитки на HLP”, і вказав, що його обробка користувачів і HLP є повністю симетричною, “ADL не має жодного відношення до HLP або бек-ту-бек ліквідації”. Джефф також спростував твердження, що “ADL знищив прибуток у розмірі 653 мільйонів доларів”, зазначивши, що ці висловлювання базуються на неправильному розумінні, і розкритикував окремих авторів з нібито академічним бекграундом за “використання складних термінів машинного навчання для прикриття хибних висновків”, підкресливши, що перед публікацією досліджень чи коментарів слід спочатку зрозуміти предмет дослідження.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Співзасновник Hyperliquid Джефф відповів критикам: ADL не має стосунку до HLP, заперечив твердження про "знищення доходу у 653 мільйони доларів".
Odaily星球日报 повідомляє, що співзасновник Hyperliquid Джефф опублікував пост на платформі X, спростовуючи нещодавні звинувачення щодо ADL (механізму автоматичного зменшення позицій), заявивши, що деякі коментатори роблять хибні висновки, не розуміючи основних концепцій. Він підкреслив, що механізм ADL “не переносить прибутки чи збитки на HLP”, і вказав, що його обробка користувачів і HLP є повністю симетричною, “ADL не має жодного відношення до HLP або бек-ту-бек ліквідації”. Джефф також спростував твердження, що “ADL знищив прибуток у розмірі 653 мільйонів доларів”, зазначивши, що ці висловлювання базуються на неправильному розумінні, і розкритикував окремих авторів з нібито академічним бекграундом за “використання складних термінів машинного навчання для прикриття хибних висновків”, підкресливши, що перед публікацією досліджень чи коментарів слід спочатку зрозуміти предмет дослідження.