至顶网CIO与应用频道 08月24日 编译:今年的年度Bonham拍卖会上汽车拍卖开始时,现场竞标者为经典和异国情调法拉利、兰博基尼、Bentleys和布加迪等跑车频频举牌,也有来自中国、迪拜和土耳其的电话参加竞标,竞标者今年可以使用加密货币快速完成销售。
听起来可能不是什么大不了的事,但快速完成销售对许多竞标的百万富翁非常有吸引力,他们可能在出价竞标1913年的梅赛德斯 - 奔驰Phaeton或1964年的Shelby Cobra 289,该车出现在本周加利福尼亚州卡梅尔的Pebble Beach Concours d'Elegance车展上。
据The White Company首席执行官伊丽莎白·怀特(Elizabeth White)说,兰博基尼是加密货币财富群体喜欢的头号车型。White公司打造的市场为加密货币持有者提供奢侈品领域的支持。
拍卖后的销售可能需要数周甚至数月才能完成,特别是如果买方使用的是非美元外国货币。用这种加密货币方式进行销售,买方首先通过电子方式将自己的加密货币(通常是比特币但也并非总是比特币))发送给White公司的加密货币钱包。然后,White公司进行风险对冲运作,在大约30分钟内向Bonham支付美元。怀特表示, “加密货币是一种全球货币,这是一个忒大的好处,竞标者来自世界各地,加密货币非常适合拍卖这种情况。”
加密货币价值的波动比美元或其他货币都要大些。其价值差异可能会很大。拍卖行不希望旗下的部门卷入比特币市场。但是竞标如向比特币百万富翁开放可以吸引更多的竞标者,这些比特币百万富翁往往想将加密货币进行货币话或“美元化”。而更多的竞标者意味着卖家的价格可以更好些。
怀特已经做了若干桩销售交易,包括30多辆兰博基尼车、一辆价值400万美元的法拉利车,她甚至还与一名早期用自己的游戏电脑开始挖掘比特币的16岁男孩做过销售交易,他还没有驾驶执照但买了日产跑车Nissan GTR。
比特币及其他加密货币一直以来头上都顶着坏分子爱用的货币的恶名,坏分子往往钟爱兰博基尼跑车。但实际上,比特币已经不再像几年前那样只是被犯罪分子使用了,那时的药物和军火商就是在Tor网上诸如Silk Road等网站上用比特币购货。
网络安全公司Recorded Future的一份报告显示,犯罪分子现在开始渐渐弃用比特币,转用其他加密货币,如Dash及Litecoin。根据Recorded Future的问卷调查资料,30%的暗网供应商接受Litecoin,20%的暗网供应商接受Dash。
对于有人提出怀特将不良分子吸引到Bonham,她则反驳表示, “每个交易都记录在区块链上,可以公开访问,因此这种做法实际上更加透明。我们知道我们的客户是谁。”
怀特的公司真的是在为买家打造奢侈品市场,因为即使是用加密货币,购买价值百万美元的汽车也需要买家花费数周的时间,因为加密货币持有人每周只能用加密货币兑现10,000美元的现金,但他们却可以通过键盘将全部一百万美元转到White公司。当然,由于比特币价值的波动性,买家可能必须转110万美元或更多的加密货币才能购买100万美元的车,怀特的公司拿到比特币后再决定怎么做,是持有还是进行交易。
最近,怀特还推出了Stablecoin,Stablecoin的价格与美元挂钩,目的是避免波动。她推出了一个“钱包”交换,用户可以用比特币无缝交易WSD(英文怀特Stablecoin的缩写),因此在交易过程有更好的稳定性及抵消波动。
比特币是个不适合胆小人的东西。比特币的价值可能会在一天内下跌或飙升1000美元。与强劲的股票市场相比,加密货币整体处于低迷状态。但如果阁下在用加密货币购买兰博基尼和布加迪斯跑车的话,那么风险对于阁来说下很可能已经是习以为常的事了。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。