Miya

瑞士轮的闹钟可以定了：北京时间本周六凌晨 1 点，GEN vs IG 打头阵，后面还有 HLE vs TES、BLG vs MKOI。首轮就排成这样，周末想睡懒觉有点难了 😂 这种比赛，赛前看阵容、聊状态，大家都能说出一套理由；真正开打以后，场上的变化又可能把判断全部推翻。@BinanceWallet 的 Legends Assemble 第二周周榜已经开启，第一名奖品是 PS5 Pro。这次我想跟着瑞士轮认真猜几场，看看自己的判断能走多远。 第二轮主队选择也开放了。选中的队伍在对应赛段赢下比赛，能拿额外 3 分。预测连胜则是另一条冲榜线：连续猜中时，单场积分依次是 2、4、8、16、32…

看出入金功能，第一眼通常会找收款户名。尤其是银行汇款，钱要汇给谁、填哪个账号、汇出后怎么确认，这些细节比首页多几个按钮更影响我敢不敢用。 这次看 Gate Money 的教程，我比较感兴趣的是专属美元同名账户。符合条件的用户可以在 Gate App 的 Money 模块申请，开通后，充值页面会显示与本人 KYC 姓名一致的收款资料，包括账号或 IBAN、SWIFT/BIC 等信息。汇款前能把户名和路径对清楚，这一点挺实在。 操作也可以先在 App 里看明白：更新到 8.39.0 或以上版本，切到 Money，依次进入「充值 → 银行转账 → USD → 开通专属美元账户」。接下来按页面查看…

机械臂在仿真环境里练得再久，到了真实桌面前，仍然可能抓偏、对不准，或者在最后的接触动作上失败。仿真能提供大量练习机会，却很难把真实世界的每个细节都复制进去。 @axisrobotics 展示的一条训练路径，恰好从这个落差入手：先用仿真数据训练策略，再让策略到实机上执行。即使起初成功率不高，它也可能完成少量真实任务；把这些成功操作留下来，与原有仿真数据一起训练下一版策略，再回到实机检验。 团队公布的一组实验里，经过这样的过程，实机成功率从约 22% 提高到 52%。我关注的不只是提高了多少，更是这批真实操作从哪里来——它们由已经部署的策略在实机上产生，随后又成为下一轮训练的反馈。 这让训练…

同样是一张医疗影像，两个人都可以在图上标出异常位置；同样是一段法律文本，两个人都可以给它分类。提交上来的标签可能整整齐齐，训练模型时也都能读进去。 可如果任务本来需要专业判断，标注者有没有相应资质，就不能只靠个人资料里的一句“我是专家”。 @primus_labs 在数据质量应用场景中提出，用 zkTLS 数据证明来核验医疗、法律等专业标注者的资格，例如他们是否具备相应的专业身份。这个想法切入的是 AI 训练很前面的一步：还没讨论模型学得好不好，先弄清给它提供判断的人是否符合任务要求。 资格证明当然不能保证某个人的每一条标注都正确，后续仍需要抽检、复核和纠错。但如果连资质都只能靠自述，质…

假设有个 Agent 接到一份研究任务，要整理几个项目的合约情况，最后交一份能让人看懂的报告。 它可能很擅长汇总资料，却不擅长检查代码。这个时候，继续让它硬写下去，结果未必好；把合约检查交给更合适的服务，再把返回结果纳入报告，会更接近正常的工作分工。 TermiX 做的是 Agent 经济的商业与结算基础设施，AACP 是它的核心协议，https://t.co/4VlJBjyOKo 则是基于 AACP 的 Agent 市场。 @termix_ai 的 AACP 文档里，有个设定挺适合拿来理解这件事：Agent 的身份是统一的，买方和卖方是每笔订单中的角色。一个 Agent 可以在这笔订单…