Futuros
Aceda a centenas de contratos perpétuos
TradFi
Ouro
Plataforma de ativos tradicionais globais
Opções
Hot
Negoceie Opções Vanilla ao estilo europeu
Conta Unificada
Maximize a eficiência do seu capital
Negociação de demonstração
Introdução à negociação de futuros
Prepare-se para a sua negociação de futuros
Eventos de futuros
Participe em eventos para recompensas
Negociação de demonstração
Utilize fundos virtuais para experimentar uma negociação sem riscos
Lançamento
CandyDrop
Recolher doces para ganhar airdrops
Launchpool
Faça staking rapidamente, ganhe potenciais novos tokens
HODLer Airdrop
Detenha GT e obtenha airdrops maciços de graça
Pre-IPOs
Desbloquear acesso completo a IPO de ações globais
Pontos Alpha
Negoceie ativos on-chain para airdrops
Pontos de futuros
Ganhe pontos de futuros e receba recompensas de airdrop
Investimento
Simple Earn
Ganhe juros com tokens inativos
Investimento automático
Invista automaticamente de forma regular.
Investimento Duplo
Aproveite a volatilidade do mercado
Soft Staking
Ganhe recompensas com staking flexível
Empréstimo de criptomoedas
0 Fees
Dê em garantia uma criptomoeda para pedir outra emprestada
Centro de empréstimos
Centro de empréstimos integrado
CEO Yuan Rong Qixing, Zhou Guang: Para resolver o "efeito de balança" dos pequenos modelos, é necessário mudar para o paradigma de grandes modelos
Em 12 de abril, no Fórum de Alto Nível sobre o Desenvolvimento de Veículos Elétricos Inteligentes, o CEO da Yuanrong Qixing, Zhou Guang, mencionou que, em 2025, a fidelidade dos usuários de NOA nas áreas urbanas estará na faixa de 20% a 30%, com uma taxa de penetração de NOA nas áreas urbanas de aproximadamente 15%. Zhou Guang acredita que a causa mais fundamental por trás disso é que, hoje, os pequenos modelos de condução inteligente em produção em massa possuem um número muito pequeno de parâmetros, na maioria abaixo de 1 bilhão, e até mesmo abaixo de 0,1 bilhão, com capacidade de processamento típica de 100 a 200 TOPS. Para resolver o “efeito de balança” dos pequenos modelos, é necessário mudar do paradigma de modelos pequenos para o paradigma de grandes modelos, usando a escalabilidade para melhorar sistematicamente a capacidade.