📢 Gate 广场 TradFi 交易分享挑战上线！
晒单瓜分 $30,000 奖池，新人首帖 100% 中奖！
📌 参与方式：
带 #TradFi交易分享挑战 发帖，满足以下任一即可：
🔹 带今日指定 TradFi 币种标签发帖交流。
🔹 完成单笔大于 $10U 的 TradFi CFD 交易并挂载交易卡片。
🏷️ 今日指定标签：USDJPY、AUDUSD、US30、TSLA、JPN225
🎁 宠粉福利：
1️⃣ 卡片分享奖： 抽 50 人，每人送 $100 仓位体验券！
2️⃣ 发帖榜单奖： 冲排行榜，赢 WCTC 限定 T 恤！
3️⃣ 新粉见面礼： 新人首次发帖，100% 领 $10 体验券！
详情：https://www.gate.com/announcements/article/51221
何恺明团队ELF：语言扩散模型终于跑通
扩散模型在图像生成里已经成熟，但放到文本上一直很别扭：图像天然是连续信号，语言却由离散 token 组成。此前不少连续扩散文本模型，要么在生成轨迹中反复引入 token 级监督，要么需要额外独立解码器。ELF 的做法更干净：大部分步骤只在连续向量空间里去噪，最终一步再用共享权重网络完成离散化。
实验结果也有冲击力。在 OpenWebText 无条件生成评测中，105M 参数的 ELF-B 用 32 步采样达到约 24.1 的 Gen. PPL，优于多种离散和连续扩散语言模型基线。更关键的是，ELF-B 只用了约 45B 训练 token，而对比方法通常超过 500B，训练 token 少了约一个数量级。这个结果至少说明，连续扩散路线在语言建模里并没有被「语言离散性」堵死，之前的问题更可能出在建模接口和采样设计上。