Фьючерсы
Доступ к сотням фьючерсов
TradFi
Золото
Одна платформа мировых активов
Опционы
Hot
Торги опционами Vanilla в европейском стиле
Единый счет
Увеличьте эффективность вашего капитала
Демо-торговля
Введение в торговлю фьючерсами
Подготовьтесь к торговле фьючерсами
Фьючерсные события
Получайте награды в событиях
Демо-торговля
Используйте виртуальные средства для торговли без риска
Запуск
CandyDrop
Собирайте конфеты, чтобы заработать аирдропы
Launchpool
Быстрый стейкинг, заработайте потенциальные новые токены
HODLer Airdrop
Удерживайте GT и получайте огромные аирдропы бесплатно
Launchpad
Будьте готовы к следующему крупному токен-проекту
Alpha Points
Торгуйте и получайте аирдропы
Фьючерсные баллы
Зарабатывайте баллы и получайте награды аирдропа
Инвестиции
Simple Earn
Зарабатывайте проценты с помощью неиспользуемых токенов
Автоинвест.
Автоинвестиции на регулярной основе.
Бивалютные инвестиции
Доход от волатильности рынка
Мягкий стейкинг
Получайте вознаграждения с помощью гибкого стейкинга
Криптозаймы
0 Fees
Заложите одну криптовалюту, чтобы занять другую
Центр кредитования
Единый центр кредитования
Meta AI выпустила совместную встроенную предиктивную модель мира JEPA-WMs для физического планирования
Новости ME, сообщение от 3 апреля (UTC+8): исследовательская команда Meta AI Research опубликовала модель мира с совместным прогнозированием внедрений (JEPA-WMs) для физического планирования и связанные с ней исследования. В рамках этой работы рассматриваются ключевые факторы, обеспечивающие успех модели, и предоставляются полный код на PyTorch, набор данных и предобученные модели. Опубликованные модели включают базовую JEPA-WM, а также модели DINO-WM и V-JEPA-2-AC(fixed) в качестве базовых (baseline), и охватывают несколько роботизированных задач и навигационных сред, включая DROID & RoboCasa, Metaworld, Push-T, PointMaze и Wall. В модели используются визуальные энкодеры, такие как DINOv3 ViT-L/16, DINOv2 ViT-S/14 и V-JEPA-2 ViT-G/16; входное разрешение изображений в основном составляет 224×224 или 256×256. Проект также предоставляет опциональную декодирующую голову VM2M для визуализации и декодирования траекторий, но подчеркивается, что этот декодер не является обязательным для обучения world model или для проведения оценок планирования. Все ресурсы опубликованы на GitHub, Hugging Face и arXiv. (Источник: InFoQ)