算法激勵模型 (AIM)

要點總結

• 算法激勵模型（AIM）將於 1 月 29 日 00:00 UTC 正式上線，vePENDLE 將同步結束。本次升級預計將 PENDLE 排放量減少約 30%，並大幅提升運作效率
• 排放將依據協議和用戶於市場的實際貢獻，根據 TVL 及手續費產出量加權自動分配
• 新資金池於啟動初期可獲得更高 TVL 激勵以導入流動性，後續激勵將隨時間逐步轉向手續費貢獻
• 協議可透過自身外部激勵進一步提升獎勵，Pendle 亦將額外提供最高 40% 激勵加成
• 隨著 ve-boost 機制移除，LP 的年化報酬率（APR）有望提升，特別是在高交易量資金池中

簡介

過去，PENDLE 排放由人工投票決定。雖然可行，但歷史數據顯示此方式效率極低。

50% 排放分配至 10 個最不具獲利能力的資金池。簡單來說，排放被無效消耗，未能創造實質價值：

本次升級後，Pendle 將整體排放減少約 30%，獎勵將自動依流動性及交易量分配。

引進算法激勵模型（AIM）。

算法激勵模型

算法激勵模型（AIM）根據資金池對 Pendle 的實際貢獻分配排放，評估標準包括：

• 1. TVL（總鎖倉量）
• 1. 兌換手續費

AIM 不再採用一體適用的激勵結構，而是依資金池生命週期動態調整分配邏輯。

此系統旨在主動推動早期流動性成長，隨資金池成熟，激勵重點逐步轉向手續費驅動。

階段性激勵調整

1. 啟動階段：建構流動性（≤21 天）

資金池上線初期，首要挑戰為流動性。AIM 於早期階段策略性優先分配以 TVL 為基礎的排放，協助資金池快速達成關鍵初始成長。

每個資金池的 TVL 將直接決定其排放份額。於啟動階段，資金池每 1 美元 TVL 可獲得更多獎勵。

隨時間推進，此部分排放將逐步遞減，資金池需仰賴手續費產生以維持獎勵份額。

需特別注意，基於手續費的排放不受生命週期限制。無論第 1 天或第 100 天，資金池皆可憑手續費單獨獲得每週最高 7,500 枚 PENDLE 獎勵，確保高績效資金池於全生命週期均能獲得激勵。

2. 成長與成熟階段：績效驅動（>21 天）

隨資金池逐步成熟並建立流動性，激勵重點將轉向持續價值的展現。可持續的資金池不僅是閒置 TVL，更應促進交易活動，為協議及其用戶創造手續費收益。

為確保激勵與持續貢獻相符，基於手續費的排放上限為資金池歷史兌換手續費的 4 倍，並依近期權重調整。此舉確保激勵與經過驗證且持續的表現緊密連結，而非一次性波動。

聯合激勵：全階段獎勵加成

外部協議可透過 外部激勵活動（EIC），直接向 Pendle LP 或 YT 提供激勵，進一步放大其市場獎勵效益。

於聯合激勵預算上限內，每投入 1 美元，Pendle 將額外提供：

• 0.4 美元等值 PENDLE（若外部激勵以 PENDLE 發放）
• 0.3 美元等值 PENDLE（若外部激勵以其他代幣發放）

協議每部署 1 美元激勵，最高可撬動 1.40 美元總獎勵，大幅提升資本效率。對協議而言，有助於顯著降低 PENDLE 排放，LP 則可獲得與舊機制相當的獎勵水準。

EIC 與聯合激勵機制讓協議於任何生命週期階段皆能靈活掌控市場發展。無論是啟動期加速流動性，或成長期提升交易量，協議皆可在 AIM 基礎激勵之外，按需疊加額外獎勵。

全平台每週聯合激勵預算上限為 9,000 枚 PENDLE，若超出則將依比例分配。

總結

算法激勵模型將於 2026 年 1 月 29 日 00:00 UTC 上線，正值最後一輪 vePENDLE 結束。屆時，資金池將依對 Pendle 及其用戶的可量化貢獻自動獲得排放。透過削減無效排放並將激勵精準導向高效領域，AIM 可降低 Pendle 及其用戶的營運成本並提升收益率。

這標誌著大規模激勵機制改革的第一階段。請注意，作為全新系統，相關參數與變數將依實際運作表現持續優化，以進一步提升邏輯與效率。

去年，限價單功能促成 230 億美元交易量，占 Pendle 總量 45%。對於如 Ethena 的 USDe 與 sUSDe 等高交易量資金池，此比例超過 90%。這一直是大額兌換的核心驅動力，未來仍有顯著效率提升空間。

第二階段將聚焦於專為 Pendle v2 基礎設施設計的激勵機制。新模型根據回測結果，結合限價單功能有望實現最高 130 倍效率提升。更多細節，敬請期待！

我們將持續進化、優化並不斷提升標準，致力於將 Pendle 打造成全球領先的固定收益基礎設施。

征途未止！

免責聲明：

1. 本文轉載自 [pendle_fi]，版權歸原作者 [pendle_fi] 所有。如有轉載疑義，請聯絡 Gate Learn 團隊處理。
2. 免責聲明：本文所述觀點僅代表作者本人，不構成任何投資建議。
3. 本文其他語言版本由 Gate Learn 團隊翻譯。除特別說明外，禁止複製、分發或抄襲譯文內容。