Futures
Accédez à des centaines de contrats perpétuels
TradFi
Or
Une plateforme pour les actifs mondiaux
Options
Hot
Tradez des options classiques de style européen
Compte unifié
Maximiser l'efficacité de votre capital
Trading démo
Lancement Futures
Préparez-vous à trader des contrats futurs
Événements futures
Participez aux événements et gagnez
Trading démo
Utiliser des fonds virtuels pour faire l'expérience du trading sans risque
Lancer
CandyDrop
Collecte des candies pour obtenir des airdrops
Launchpool
Staking rapide, Gagnez de potentiels nouveaux jetons
HODLer Airdrop
Conservez des GT et recevez d'énormes airdrops gratuitement
Launchpad
Soyez les premiers à participer au prochain grand projet de jetons
Points Alpha
Tradez on-chain et gagnez des airdrops
Points Futures
Gagnez des points Futures et réclamez vos récompenses d’airdrop.
Investissement
Simple Earn
Gagner des intérêts avec des jetons inutilisés
Investissement automatique
Auto-invest régulier
Double investissement
Profitez de la volatilité du marché
Staking souple
Gagnez des récompenses grâce au staking flexible
Prêt Crypto
0 Fees
Mettre en gage un crypto pour en emprunter une autre
Centre de prêts
Centre de prêts intégré
Ceres annonce un brevet pour la détection du mal des transports
Les informations sur la propriété intellectuelle de Tianyancha indiquent que récemment, la société Sailisi Automobile a publié un brevet intitulé « Méthode, dispositif, support de stockage et appareil pour la détection du mal des transports ». Selon le résumé, dans cette méthode, un modèle enseignant destiné à prédire l’état de mal des transports des passagers est entraîné à l’aide d’échantillons de signaux multi-sources. Grâce à la technique de distillation de connaissances, le modèle étudiant est entraîné en utilisant les étiquettes molles fournies par le modèle enseignant entraîné ainsi que des échantillons de signaux IMU. Le modèle étudiant ainsi entraîné est défini comme le modèle de détection du mal des transports, puis déployé sur une puce embarquée dans le véhicule. En traitant en temps réel les signaux IMU du véhicule collectés, le modèle peut déterminer l’état de mal des transports des passagers du véhicule. Ainsi, le modèle enseignant basé sur des signaux multi-sources est compressé en un modèle étudiant ne nécessitant que l’entrée de signaux IMU, ce qui résout les problèmes de limitation de la collecte de signaux et de faibles capacités de calcul côté véhicule dans les applications pratiques, permettant une détection en temps réel et précise de l’état de mal des transports. (Source : Ji Mian Xinwen)