📢 Gate 廣場 TradFi 交易分享挑戰上線！
晒单瓜分 $30,000 獎池，新人首帖 100% 中獎！
📌 參與方式：
帶 #TradFi交易分享挑战 發帖，滿足以下任一即可：
🔹 帶今日指定 TradFi 幣種標籤發帖交流。
🔹 完成單筆大於 $10U 的 TradFi CFD 交易並掛載交易卡片。
🏷️ 今日指定標籤：USDJPY、AUDUSD、US30、TSLA、JPN225
🎁 寵粉福利：
1️⃣ 卡片分享獎： 抽 50 人，每人送 $100 仓位體驗券！
2️⃣ 發帖榜單獎： 衝排行榜，贏 WCTC 限定 T 恤！
3️⃣ 新粉見面禮： 新人首次發帖，100% 領 $10 體驗券！
詳情：https://www.gate.com/announcements/article/51221
何恺明團隊ELF：語言擴散模型終於跑通
擴散模型在圖像生成裡已經成熟，但放到文本上一直很別扭：圖像天生是連續信號，語言卻由離散 token 組成。此前不少連續擴散文本模型，要么在生成軌跡中反覆引入 token 級監督，要么需要額外獨立解碼器。ELF 的做法更乾淨：大部分步驟只在連續向量空間裡去噪，最終一步再用共享權重網絡完成離散化。
實驗結果也有沖擊力。在 OpenWebText 無條件生成評測中，105M 參數的 ELF-B 用 32 步採樣達到約 24.1 的 Gen. PPL，優於多種離散和連續擴散語言模型基線。更關鍵的是，ELF-B 只用了約 45B 訓練 token，而對比方法通常超過 500B，訓練 token 少了約一個數量級。這個結果至少說明，連續擴散路線在語言建模裡並沒有被「語言離散性」堵死，之前的問題更可能出在建模接口和採樣設計上。