Најди сличен содржај

🐳 Ethereum (ETH) Whale Alert •核心動態： 巨鯨「0xa339」透過循環借貸 (Loop Borrowing) 槓桿做多 $ETH 後，今日再次賣出 10,002 枚 ETH。 • 交易數據： • 本次賣出： 以 $2,938 萬 USDC 脫手。 • 累計賣出： 50,623 枚 ETH（均價 $2,921），換回約 $1.47 億 穩定幣。 • 盈利狀況： 總計實現獲利約 $1,500 萬+ ($15M+)。 • 分析： 該巨鯨在 $ETH 價格回暖至 $2,900 以上後選擇大規模獲利了結。雖然本次獲利豐厚，但對比其 4 月在底部割肉虧損的 $4,000 萬，整體仍未完全回本。 #ETH#Whale#OnChain #以太坊#现货#巨鲸动态#杠杆 ——— 👇⭐️👇 🤣 🥲👇 資源搜索 🖲️👆

💎CapsGame is launched! Caps are back from the 90s! 🧑‍💻CapsGame finished beta testing, fixed bugs and improved the app itself. Added in-game purchases for stars, plans to add support for payment in $TON and new activities based on the rating table 👌 The public release introduced a leaderboard that will be formed based on unique player collections. This means that each chip you collect will earn you points. By upgrading chips or completing collections, you will earn additional points. Each chip will be unique, with its own number, and collections will be strictly limited. More details. 🙂 For active participants of the beta test, special rewards were provided, which you can read about in this post. Play in our Yard and start collecting rare chips, let's try to rise in the district rating together!😎 1️⃣Go to bot 2️⃣ Come into our yard 3️⃣ Play and win! #CapsGame#TON#NFT#GameFi#ChildhoodComingBack

📌Kirish – Tadqiqotning dolzarbligi va maqsadi haqida qisqacha tushuntirish 📌Metodologiya – Tadqiqot qanday ma’lumotlar va usullar asosida bajarilgan 📌SWOT-tahlil natijalari: 🔹Kuchli tomonlar (Strengths) – Raqobatchilardan ustunlik beradigan jihatlar 🔹Zaif tomonlar (Weaknesses) – Ishlab chiqarish, xizmat yoki marketingdagi kamchiliklar 🔹Bozordagi imkoniyatlar (Opportunities) – Yangi mijozlar jalb qilish yoki o‘sish imkoniyatlari 🔹Tahdidlar (Threats) – Bozordagi xavf-xatarlar, raqobatchilar yoki regulyativ muammolar 📌 Xulosa va strategik tavsiyalar – SWOT-tahlil natijasida chiqarilgan eng muhim xulosalar va biznesga tavsiyalar 🎯Deep Research kimlar uchun foydali? 📌Startaplar va biznes egalari – yangi mahsulot chiqarishdan oldin bozor tahlili qilish uchun 📌Marketing mutaxassislari – raqobatchilar va mijozlar segmentatsiyasini yaxshiroq tushunish uchun 📌 Investorlarga – yangi biznesga kirishdan oldin bozor xatarlarini baholash uchun 📌Tadbirkorlar va tadqiqotchilar – bozor haqida chuqur tushunchaga ega bo‘lish uchun 💡Deep Research sizga nima beradi? ✅Bozor haqida chuqur tushuncha – Eng muhim biznes qarorlarini asoslash ✅Raqobatchilarni chuqur tahlil qilish – Bozorda eng kuchli va zaif jihatlarni tushunish ✅Strategik reja ishlab chiqish – Ishni to‘g‘ri yo‘nalishda rivojlantirish 📌Ishonch bilan ayta olamiz – bu vaqtni tejash va samaradorlikni oshirish uchun mukammal vosita! #Marketing#AI#SWOT#BiznesStrategiya 📡@kunuzai

ByteDance'ning yangi mo''jizasi: OmniHuman-1 texnologiyasi taqdim etildi 🔍Asosiy xususiyatlari: ▫️Har qanday o'lchamdagi portretlarni jonlantirish ▫️Rasmlar va chizmalarga harakat berish ▫️Audio va video orqali harakatni boshqarish 💡Afzalliklari: ▫️Yuqori sifatli animatsiya ▫️Universal qo'llanilish ▫️Real vaqtda jonlantirish ⚡️Muhim: Texnologiyaning ochiq kodi mavjud emas. 🔗 Batafsil: omnihuman-lab.github.io #AI#ByteDance#Animation#Technology

🌟 FlexTok: адаптивная 1D-токенизация изображений от Apple. FlexTok - метод токенизации изображений, который преобразует 2D-изображения в упорядоченные 1D-последовательности переменной длины. Его цель - сократить объем данных, необходимых для обучения генеративных моделей, и при этом оставить достаточную информацию для качественной реконструкции и генерации. В отличие от традиционных подходов, где число токенов фиксировано и зависит только от размера изображения, FlexTok подстраивается под сложность контента: простейшая сцена может кодироваться несколькими токенами, а сложная - десятками и сотнями . FlexTok, это по сути, пайплайн из 3 компонентов: ViT‑энкодер, квантование регистров и маскирование внимания: ViT‑энкодер с набором «регистровых» токенов читает латентные представления VAE‑GAN и конденсирует их в 1D-последовательность до 256 регистров . Затем, с помощью FSQ‑квантования, каждый регистр дискретизируется в код из заранее определенного словаря размером ~64 000. На этом этапе применяется "nested dropout": во время обучения случайно обрезаются последние токены, чтобы модель научилась упорядочивать информацию от грубых форм к деталям. Параллельно применяется авторегрессионная маска внимания: каждый токен в цепочке видит только те, что были до него, и не знает о тех, что идут после. Это заставляет модель генерировать изображения шаг за шагом, от первого токена к последнему, и упрощает ей задачу прогнозирования следующих элементов. Декодер в FlexTok - это модель rectified flow, которая на вход берет укороченные токены и слегка зашумленные латенты VAE и учится предсказывать тот шум, который нужно убрать, чтобы вернуть исходное представление. Чтобы обучение шло быстрее и давало более точные результаты, добавляют REPA‑Loss: он сравнивает промежуточные признаки с векторами из DINOv2‑L. Благодаря этому даже при очень жесткой компрессии (от 1 до 256 токенов), FlexTok успешно восстанавливает детали изображения. FlexTok легко встраивается в текстово‑ориентированные модели и может улучшить соответствие изображения описанию, даже если число токенов меняется. К тому же его адаптивная токенизация применима не только к картинкам, но и к аудио или видео. ▶️Набор токенизаторов: 🟢Flextok_d12_d12_in1k - 12\12 слоев энкодер-декодер, датасет IN1K; 🟢Flextok_d18_d18_in1k - 18\18 слоев энкодер-декодер, датасет IN1K; 🟢Flextok_d18_d28_in1k - 18\28 слоев энкодер-декодер, датасет IN1K; 🟢Flextok_d18_d28_dfm - 18\28 слоев энкодер-декодер, датасет DFN. ▶️VAE: 🟠Flextok_vae_c4 - 4 каналов латента, коэффициент понижающей дискретизации 8; 🟠Flextok_vae_c8 - 8 каналов латента, коэффициент понижающей дискретизации 8; 🟠Flextok_vae_c16 - 16 каналов латента, коэффициент понижающей дискретизации 8. 🟡Страница проекта 🟡Набор на HF 🟡Arxiv 🟡Demo 🖥GitHub @ai_machinelearning_big_data #AI#ML#Tokenizer#Flextok#Apple

🇺🇸📊 以太全球新聞 📆 2025-10-11 EthereumGlobalNews 📈 鏈上數據追蹤 🎢🧨【#BTC CQ：川普事件是引爆點，但槓桿才是底層脆弱因素】 • 山寨幣未平倉合約（OI）暴跌 285.8 億美元（-41%） • 比特幣未平倉合約（OI）下跌 106.9 億美元（-24%） #BTC#槓桿風險#未平倉合約#市場崩盤#市場動態

🇺🇸📊 以太全球新聞 📆 2025-10-08 EthereumGlobalNews ｜市場趨勢觀察 — 📊 CQ: #BTC 反彈趨勢依舊穩健。獲利了結僅屬溫和，淨實現利潤持續攀升。價格峰值尚未現蹤。 #BTC走勢#獲利了結#多頭持續#價格趨勢 🛰️ 以太區塊鏈新聞極搜聊天

🇺🇸📊 以太全球新聞 📆 2025-10-07 EthereumGlobalNews ｜市場觀察 — 📊👀#BTC 最新鏈上指標：Coinbase Quantitative（CQ）數據顯示，短期持有者（STH）SOPR 指標已升至 1.013，並持續位於中性區以上。 📈 此數值通常代表市場處於擴張階段，短期持有者開始獲利了結但整體情緒偏多，顯示牛市動能仍在延續。 #BTC鏈上數據#STHSOPR#擴張階段#牛市信號 🛰️ 以太區塊鏈新聞極搜聊天

☮️极客港湾 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 Epusdt 安卓讨论群 Python中文群 C++中文群 Ubuntu中文群 TypeScript中文群 极客分享 AI中文社区 ios优质应用 巨魔商店 ios破解 秋名山巨魔俱乐部 QX & Surge & Loon 脚本收集 广告必须死 佩克斯资源网 破解软件分享 邑轻尘软件脚本破解库 Midjourney作品分享 AI爱好者中文社区 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 🩷 #极客#编程#脚本#破解软件#技术交流#AI#插件

大长腿美女 #完美身材 🔥🔥#AI去衣#AI换装#AI绘图 #AI#绘画#美女#nsfw#风格#推荐#频道#群组#教学#教程 AI绘画学习AI美女教学，感兴趣的小伙伴联系 @almosthoney 发送“绘画”获取教程。 频道 https://t.me/aihuihuaxx2 群组 https://t.me/aihuihuajxq 🔥原价128，现在仅需120元即可进入学习福利群,简单易学，电脑、手机皆可使用无限制，群里每天激情满满，收获颇丰，自己用可以满足需求，学完后接个单分分钟就把学费赚回来了，感兴趣的小伙伴抓紧时间啦！ 你将收获: 1、学会AI生成真人美女、二次元等， 2、学会脱衣、换脸、二次元互转等 3、获得800G大小各种AI资源 5、提供免费云端部署绘图工具 6、学会chat GPT的各种场景应用 7、群主全程在线指导答疑解惑 8、熟悉AI绘画多个变现方式途径，实操讲解 9、获得多个老司机专享频道 10、探索更多AI工具应用、语言、声音、视频等，同众多AI爱好者互助交流 11、紧跟时代不被淘汰，获取最新AI发展动向 .........包括不限于以上内容，持续更新。花最少的钱学到别人几百上千的AI资源，这就是共享社群的优势，共建共创共享，迎接美好AI时代！ 🏄🏻终于找到组织了，就是这种感觉。 从本频道进内部学习群有优惠，点击联系👉https://t.me/almosthoney 群内已经1200+学员火热学习接单中！

#BTC#Legacy#SegWit#Taproot#база ❗️Виды биткоин-адресов: какой выбрать? Биткоин-адрес — это ключевой элемент для получения и отправки BTC, но не все адреса одинаковы. С развитием сети появились новые форматы, улучшающие скорость, комиссии и анонимность транзакций. Разбираемся, какой биткоин-адрес лучше выбрать в 2025 году. 📌1. Legacy-адреса (P2PKH) – первый стандарт биткоина Пример: 1A1zP1eP5QGefi2DMPTfTL5SLmv7DivfNa Legacy-адреса (или P2PKH – Pay to Public Key Hash) – это оригинальный формат биткоин-адресов, использующийся с 2009 года. Они начинаются с цифры 1. Преимущества: ✅ Поддерживаются всеми кошельками и биржами. ✅ Простота в использовании. Недостатки: ❌ Высокие комиссии (из-за больших размеров транзакций). ❌ Не поддерживают современные улучшения, такие как SegWit. Кому подходит? Тем, кто использует старые кошельки или хочет совместимость со всеми сервисами. 📌2. SegWit-адреса (P2SH, P2WPKH) – снижение комиссий Пример: 🔹 P2SH: 3J98t1WpEZ73CNmQviecrnyiWrnqRhWNLy 🔹 P2WPKH (Native SegWit): bc1qw508d6qejxtdg4y5r3zarvaryvaxxpcs SegWit (Segregated Witness) – это обновление сети Биткоина, введенное в 2017 году для уменьшения размера транзакций и снижения комиссий. Варианты SegWit-адресов: P2SH (Pay to Script Hash) – начинаются с 3, обеспечивают совместимость со старыми адресами. P2WPKH (Native SegWit) – начинаются с bc1q, дают максимальную экономию комиссии. Преимущества: ✅ Снижение комиссий на 30-40% (за счет меньшего размера транзакции). ✅ Повышенная безопасность (защита от модификации данных). ✅ Поддерживаются большинством современных кошельков и бирж. Недостатки: ❌ Старые сервисы могут не поддерживать Native SegWit (bc1q-адреса). Кому подходит? Тем, кто хочет экономить на комиссиях и использовать современные решения. 📌3. Taproot-адреса (P2TR) – максимальная приватность и эффективность Пример: bc1p... Taproot – это последнее крупное обновление биткоина (2021 год), которое значительно улучшает конфиденциальность и снижает комиссии для сложных транзакций. Преимущества: ✅ Максимальная приватность – транзакции выглядят как обычные платежи, даже если внутри них смарт-контракт. ✅ Оптимизированные комиссии – особенно полезно для мультиподписей и сложных контрактов. ✅ Более гибкие и мощные транзакции. Недостатки: ❌ Поддерживается не всеми кошельками и биржами. ❌ Пока что используется реже, чем SegWit. Кому подходит? Тем, кто хочет максимальной конфиденциальности и использует сложные транзакции (мультиподписи, Lightning Network). ❓Какой биткоин-адрес выбрать в 2025 году? ✔ Legacy (P2PKH, 1...) – если нужна полная совместимость со всеми сервисами, но готов платить высокие комиссии. ✔ SegWit (P2SH, 3... или P2WPKH, bc1q...) – лучший вариант для большинства пользователей: снижает комиссии и поддерживается повсюду. ✔ Taproot (P2TR, bc1p...) – если хочешь максимум конфиденциальности и пользуешься мультиподписями. Выбирайте биткоин-адрес, соответствующий вашим потребностям, и следите за развитием сети! 👍Подпишитесь на наш канал, чтобы узнавать больше о биткоине и криптовалютах! ___________ @MirraChannel😎

🌟Theory of Space: умеют ли ИИ-агенты строить карты пространства? Команда из Stanford, University of Washington и Cornell опубликовала для ICLR 2026 бенчмарк Theory of Space. В исследовании принимали участие звезды индустрии: Ли Фэй-Фэй, Едзин Чой и Ранджей Кришна. Работа проверяет, способны ли языковые модели самостоятельно исследовать незнакомое пространство и строить его связную карту так же, как это делают люди. Концепция выстроена по аналогии с Theory of Mind из когнитивной науки. Если Theory of Mind измеряет, насколько наблюдаемый понимает скрытые психические состояния других, то Theory of Space проверяет способность ИИ-агента моделировать скрытую физическую структуру среды. Определению подлежали 3 навыка: 🟠построить карту из частичных наблюдений; 🟠обновить ее при изменении обстановки; 🟠использовать для решения пространственных задач определения направлений, локализации объектов и смены перспективы. Принципиальное требование: все это должно происходить в активном режиме. Агент стартует в незнакомом пространстве с несколькими комнатами, сам решает, куда двигаться и куда смотреть, и на каждом шаге выгружает JSON с координатами объектов. Оценивается не только финальный ответ, но и качество построенной пространственной модели. Всего было сгенерировано 2700 вопросов на каждую конфигурацию среды (по 9 задач в 100 сценах) для 6 топовых моделей: GPT-5.2, Gemini 3 Pro, Claude Sonnet 4.5, GLM-4.6V, Qwen3-VL-235B и InternVL 3.5-241B. Для ориентира: люди набрали 96,4% в визуальной среде и добрались до нужного охвата примерно за 10 шагов. Результаты 🟡Активное исследование стало слабым звеном. Когда модель должна сама решать, что исследовать, точность резко падает. Например, GPT-5.2 в визуальной среде теряет 11% (с 57 до 46). Для сравнения авторы написали скрипт-агентов - детерминированные программы с жестко заданной стратегией обхода: зайти в комнату, сделать полный оборот на 360°, зафиксировать все объекты, перейти в следующую комнату. Никакого интеллекта, только алгоритм. Такой агент достигает нужного покрытия за 9 шагов; модели тратят 14 и больше и при этом строят менее точную карту. Авторы зафиксировали показательный факт: когда языковым моделям давали готовую правильную карту, точность на задачах вырастала почти до 95% , то есть с форматом представления все в порядке, проблема именно в процессе построения. 🟡Модели ведут себя по-разному. GPT-5.2 бросается к каждой новой двери, не дообследовав текущую комнату. Gemini 3 Pro придерживается методичной стратегии "повернуться и осмотреться", напоминающей поведение скрипт-агента. У Claude Sonnet 4.5 четкого паттерна исследования не прослеживается вовсе. 🟡Ревизия убеждений - отдельная проблема. В эксперименте объекты тайно перемещали после первичного исследования. GPT-5.2 правильно определял новую ориентацию объекта в визуальной среде лишь в 14,3% случаев против 97,9% в текстовой. Более тревожный показатель - "инерция убеждений": модель видит объект на новом месте, но продолжает держаться за старые координаты из первичного исследования, как будто новая информация не пробивается сквозь уже сформированную картину мира. У GPT-5.2 это происходило в 68,9% случаев. 🟡Разрыв между текстом и картинкой огромен. Ориентация объектов в визуальной среде определяется правильно в 20-32% случаев против 91-92% в текстовой. Значительная часть провалов - не провал пространственного мышления как такового, а проблема восприятия изображений на входе. Вывод исследования Модели умеют рассуждать о пространстве, когда им дают готовую картину. Но самостоятельно добывать нужную информацию, эффективно перемещаться и при этом удерживать целостную карту в памяти - пока нет. Это разные задачи, и тут ИИ проигрывает даже примитивному алгоритму. 🟡Страница проекта 🟡Статья 🟡Датасет 🖥GitHub @ai_machinelearning_big_data #AI#ML#LLM#TheoryOfSpace#ICML2026