热门话题
查看更多99.32万 热度
138.4万 热度
10093.36万 热度
84.05万 热度
707.55万 热度
热门 Gate Fun
查看更多- 市值:$2224.13持有人数:10.00%
- 市值:$2220.68持有人数:00.00%
- 市值:$2255.17持有人数:10.00%
- 市值:$2262.06持有人数:10.00%
- 市值:$2343.37持有人数:11.57%
置顶
🍀 Spring Appointment, Lucky Draw Gifts! Growth Value Issue 1️⃣7️⃣ Spring Lucky Draw Carnival Begins!
Seize Spring Luck! 👉 https://www.gate.com/activities/pointprize?now_period=17
🌟 How to Participate?
1️⃣ Enter [Plaza] personal homepage, click the points icon next to your avatar to enter [Community Center]
2️⃣ Complete plaza or hot chat tasks like posting, commenting, liking, and speaking to earn growth value
🎁 Every 300 points can draw once, 10g gold bars, Gate Red Bull gift boxes, VIP experience cards and more great prizes await you!
Details 👉 https://www.gate.com/announcements/article/📢 Gate 广场创作者冲榜火热开启！
发文赢奖励，瓜分 1,500 USDT 总奖池 🔥
活动采用 曝光、互动、交易三重积分制——获得更多曝光、赢得用户互动、带动真实交易，每一项都能为你累积积分，让优质内容被看见、被奖励。
✅ 总榜大奖：Top 10 创作者分享 1,050 USDT
✅ 新人 & 回归激励：5 位潜力作者各得 30 USDT
✅ 深度内容奖：6 篇优质长文各获 50 USDT
📅 活动时间：3 月 19 日 - 4 月 4 日
📍 报名链接：https://www.gate.com/questionnaire/7494
📄 活动详情：https://www.gate.com/zh/announcements/article/50265
原创内容、深度思考、真实互动——让创作更有价值。
#Gate广场 #GateSquare #创作者冲榜 #内容挖矿福利加码，Gate 广场明星带单交易员三期招募开启！
入驻发帖 · 瓜分$30,000月度奖池 & 千万级流量扶持！
如何参与：
1️⃣ 报名成为跟单交易员：https://www.gate.com/copytrading/lead-trader-registration/futures
2️⃣ 报名活动：https://www.gate.com/questionnaire/7355
3️⃣ 入驻Gate广场，持续发布交易相关原创内容
丰厚奖励等你拿：
首发优质内容即得$30 跟单体验金
每双周瓜分$10,000U内容奖池
Top 10交易员额外瓜分$20,000U登榜奖池
精选帖推流、首页推荐、周度明星交易员曝光
详情：https://www.gate.com/announcements/article/50291🤖 寻找 Gate 广场 AI 测评官！$50,000 悬赏令发布！
发帖聊 AI，奖金拿到手软！新人首帖奖励翻倍，单帖最高 200U！
📝 立即报名：https://www.gate.com/questionnaire/7477
1️⃣ 发帖得红包，单帖最高 100U！
2️⃣ Top 体验分享官：带 #Gate广场AI测评官 聊技巧，赢国米球衣！
3️⃣ 收益率 PK 王：晒 AI 收益截图，赢 Gate 定制运动套装！
4️⃣ 深度好文额外加码 30U 每篇张榜公布！
💬 来 Gate 广场，把握行业新趋势：https://www.gate.com/post
时间：3/12 18:00 – 3/27 24:00 (UTC+8)
详情：https://www.gate.com/announcements/article/50206Gate 广场内容挖矿奖励继续升级！无论您是创作者还是用户，挖矿新人还是头部作者都能赢取好礼获得大奖。现在就进入广场探索吧！
创作者享受最高60%创作返佣
创作者奖励加码1500USDT：更多新人作者能瓜分奖池！
观众点击交易组件交易赢大礼！最高50GT等新春壕礼等你拿！
详情：https://www.gate.com/announcements/article/49802
当模型生成听起来合理但事实不正确的输出时，提出了一个根本性的问题：RLHF的惩罚是否真的能够覆盖我们试图保持的核心解释结构？这里真正的难题可能在于我们是否在追逐错误的优化目标。因此，实际的角度是——在当前的训练范式下，保持骨架完整性的损失函数是否真正可行，还是我们遇到了尚未充分认识到的硬性约束？在进一步扩展之前，值得仔细思考其机制。