- 話題
53k 熱度
29k 熱度
53k 熱度
18k 熱度
49k 熱度
21k 熱度
7k 熱度
4k 熱度
116k 熱度
- 10我的Gate時刻
29k 熱度
- 置頂
- 📢 ETH衝擊4800？我有話說！快來“Gate廣場”秀操作，0.1 ETH大獎等你拿！
牛市預言家，可能下一個就是你！想讓你的觀點成爲廣場熱搜、贏下ETH大獎？現在就是機會！
💰️ 廣場5位優質發帖用戶+X瀏覽量前5發帖用戶，瓜分0.1 ETH！
🎮 活動怎麼玩，0門檻瓜分ETH！
1.話題不服來辯！
帶 #ETH冲击4800# 和 #ETH# 在 廣場 或 K線ETH下 圍繞一下主題展開討論：
-ETH是否有望突破4800？
-你看好ETH的原因是什麼？
-你的ETH持倉策略是？
-ETH能否引領下一輪牛市？
2. X平台同步嗨
在X平台發帖討論，記得帶 #GateSquare# 和 #ETH冲击4800# 標籤！
把你X返連結提交以下表單以瓜分大獎：https://www.gate.com/questionnaire/6896
✨發帖要求：
-內容須原創，字數不少於100字，且帶活動指定標籤
-配圖、行情截圖、分析看法加分，圖文並茂更易精選
-禁止AI寫手和灌水刷屏，一旦發現取消獎勵資格
-觀點鮮明、邏輯清晰，越有料越好！
關注ETH風向，創造觀點價值，從廣場發帖開始！下一個牛市“預言家”，可能就是你！🦾🏆
⏰ 活動時間：2025年7月18日 16:00 - 2025年7月28日 23:59（UTC+8）
【立即發帖】 展現你的真知灼見，贏取屬於你的ETH大獎！
- 🎉 #Gate Alpha 第三届积分狂欢节 & ES Launchpool# 聯合推廣任務上線！
本次活動總獎池：1,250 枚 ES
任務目標：推廣 Eclipse（$ES）Launchpool 和 Alpha 第11期 $ES 專場
📄 詳情參考：
Launchpool 公告：https://www.gate.com/zh/announcements/article/46134
Alpha 第11期公告：https://www.gate.com/zh/announcements/article/46137
🧩【任務內容】
請圍繞 Launchpool 和 Alpha 第11期 活動進行內容創作，並曬出參與截圖。
📸【參與方式】
1️⃣ 帶上Tag #Gate Alpha 第三届积分狂欢节 & ES Launchpool# 發帖
2️⃣ 曬出以下任一截圖：
Launchpool 質押截圖（BTC / ETH / ES）
Alpha 交易頁面截圖（交易 ES）
3️⃣ 發布圖文內容，可參考以下方向（≥60字）：
簡介 ES/Eclipse 項目亮點、代幣機制等基本信息
分享你對 ES 項目的觀點、前景判斷、挖礦體驗等
分析 Launchpool 挖礦 或 Alpha 積分玩法的策略和收益對比
🎁【獎勵說明】
評選內容質量最優的 10 位 Launchpool/Gate - 和其他領域不一樣的是：你想支持一個 Web3 遊戲項目，你必須要「雙投」——既要投時間，也要投錢。
- 🎉【Gate 3000萬紀念】曬出我的Gate時刻，解鎖限量好禮！
Gate用戶突破3000萬！這不僅是數字，更是我們共同的故事。
還記得第一次開通帳號的激動，搶購成功的喜悅，或陪伴你的Gate週邊嗎？
📸 參與 #我的Gate时刻# ，在Gate廣場曬出你的故事，一起見證下一個3000萬！
✅ 參與方式：
1️⃣ 帶話題 #我的Gate时刻# ，發布包含Gate元素的照片或視頻
2️⃣ 搭配你的Gate故事、祝福或感言更佳
3️⃣ 分享至Twitter（X）可參與瀏覽量前10額外獎勵
推特回鏈請填表單：https://www.gate.com/questionnaire/6872
🎁 獨家獎勵：
🏆 創意大獎（3名）：Gate × F1紅牛聯名賽車模型一輛
👕 共創紀念獎（10名）: 國際米蘭同款球員衛衣
🥇 參與獎（50名）：Gate 品牌抱枕
📣 分享獎（10名）：Twitter前10瀏覽量，送Gate × 國米小夜燈！
*海外用戶紅牛聯名賽車折合爲 $200 合約體驗券，國米同款球衣折合爲 $50 合約體驗券，國米小夜燈折合爲 $30 合約體驗券，品牌抱枕折合爲 $20 合約體驗券發放
🧠 創意提示：不限元素內容風格，曬圖帶有如Gate logo、Gate色彩、週邊產品、GT圖案、活動紀念品、活動現場圖等均可參與！
活動截止於7月25日 24:00 UTC+8
3
IT 之家今日發文表示，AI 模型盲堆體積實際上效果並不見得更好，更多要看訓練數據的質量，微軟日前最近發布了一款13 億參數的語言模型phi-1，採用“教科書等級”的高品質資料集訓練而成，據稱“實際效果勝於千億參數的GPT 3.5”。該模型以Transformer 架構為基礎，微軟團隊使用了包括來自網絡的“教科書等級”數據和以GPT-3.5 經過處理的“邏輯嚴密的內容”，以及8 個英偉達A100 GPU，在短短4 天內完成訓練。微軟團隊表示，比起增加模型的參數量，通過提高模型的訓練數據集質量，也許更能強化模型的準確率和效率，於是，他們利用高質量數據訓練出了phi-1 模型。在測試中，phi-1 的分數達到50.6%，比起1750 億參數的GPT-3.5（47%）還要好。微軟還表示，phi-1 接下來會在HuggingFace 中開源，而這不是微軟第一次開發小型LLM，此前，他們打造一款130 億參數的Orca，使用了GPT-4 合成的數據訓練而成，表現也同樣比ChatGPT 更好。