Futuros
Aceda a centenas de contratos perpétuos
TradFi
Ouro
Plataforma de ativos tradicionais globais
Opções
Hot
Negoceie Opções Vanilla ao estilo europeu
Conta Unificada
Maximize a eficiência do seu capital
Negociação de demonstração
Introdução à negociação de futuros
Prepare-se para a sua negociação de futuros
Eventos de futuros
Participe em eventos para recompensas
Negociação de demonstração
Utilize fundos virtuais para experimentar uma negociação sem riscos
Lançamento
CandyDrop
Recolher doces para ganhar airdrops
Launchpool
Faça staking rapidamente, ganhe potenciais novos tokens
HODLer Airdrop
Detenha GT e obtenha airdrops maciços de graça
Launchpad
Chegue cedo ao próximo grande projeto de tokens
Pontos Alpha
Negoceie ativos on-chain para airdrops
Pontos de futuros
Ganhe pontos de futuros e receba recompensas de airdrop
Investimento
Simple Earn
Ganhe juros com tokens inativos
Investimento automático
Invista automaticamente de forma regular.
Investimento Duplo
Aproveite a volatilidade do mercado
Soft Staking
Ganhe recompensas com staking flexível
Empréstimo de criptomoedas
0 Fees
Dê em garantia uma criptomoeda para pedir outra emprestada
Centro de empréstimos
Centro de empréstimos integrado
Meta AI lança o modelo de mundo preditivo de incorporação conjunta para planeamento físico JEPA-WMs
Notícia da ME, mensagem de 3 de abril (UTC+8), da equipa de Meta AI Research, que publicou o modelo de mundo com previsão de embeddings conjunta para planeamento físico JEPA-WMs e os seus trabalhos relacionados. Este estudo explora os factores-chave para o sucesso do modelo e fornece uma implementação completa em PyTorch, um conjunto de dados e modelos pré-treinados. Os modelos divulgados incluem o núcleo JEPA-WM, bem como os modelos de base DINO-WM e V-JEPA-2-AC(fixed), cobrindo vários ambientes de operações robóticas e navegação, como DROID & RoboCasa, Metaworld, Push-T, PointMaze e Wall. O modelo utiliza codificadores visuais como DINOv3 ViT-L/16, DINOv2 ViT-S/14 e V-JEPA-2 ViT-G/16, com a resolução de entrada de imagem principalmente em 224×224 ou 256×256. O projecto também disponibiliza uma cabeça descodificadora opcional do VM2M para visualização e descodificação de trajectórias, mas salienta que este descodificador não é necessário para treinar modelos de mundo nem para avaliar o planeamento. Todos os recursos estão publicados no GitHub, Hugging Face e arXiv. (Fonte: InFoQ)