10,000 USDT 悬赏，寻找Gate广场跟单金牌星探！🕵️♀️
挖掘顶级带单员，赢取高额跟单体验金！
立即参与：https://www.gate.com/campaigns/4624
🎁 三大活动，奖金叠满：
1️⃣ 慧眼识英：发帖推荐带单员，分享跟单体验，抽 100 位送 30 USDT！
2️⃣ 强力应援：晒出你的跟单截图，为大神打 Call，抽 120 位送 50 USDT！
3️⃣ 社交达人：同步至 X/Twitter，凭流量赢取 100 USDT！
📍 标签： #跟单金牌星探 #GateCopyTrading
⏰ 限时： 4/22 16:00 - 5/10 16:00 （UTC+8）
详情：https://www.gate.com/announcements/article/50848
何恺明團隊ELF：語言擴散模型終於跑通
據動察 Beating 監測，MIT 何恺明團隊發布語言擴散模型 ELF（Embedded Language Flows）。它沒有沿用 GPT 式的自回歸「預測下一個 token」路線，而是把文本生成放進連續 embedding 空間裡完成，直到最後一步才轉換回離散 token。
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。