扫码下载
搜索“Ling”共有10条相关结果
Techub News 消息，蚂蚁集团旗下百灵大模型发布首个金融增强开放模型 Ling-3.0-flash-Fin。该模型专为金融场景设计，旨在进入真实的投资研究等工作流程。 （量子位）
Techub News 消息，堪萨斯大学橄榄球队在 2026 赛季揭幕战中展示 XRP 品牌标识，该校体育部此前与 Ripple 达成多年合作协议，XRP 标志已出现在全部运动队球衣上，合作内容还涵盖运动员金融科技教育。 Ripple 首席执行官 Brad Garlinghouse 为该校校友。除堪萨斯外，佛罗里达大学也于 9 月 4 日宣布与 Ripple 达成类似合作，XRP 标志将出现在该校球场及数字平台。上述合作旨在搭建毕业生与科技行业的就业通道。（U.Today）
Techub News 消息，Ripple CEO Brad Garlinghouse 援引荷兰央行转移 86 吨黄金储备的案例，论证加密网络在跨境转移价值方面比实物储备体系更快。荷兰央行此前宣布调整其黄金储备的存放地点。 Garlinghouse 在 X 平台发文表示，此类实物资产转移凸显了传统系统的低效，而加密网络能够实现近乎即时的全球价值转移。（Crypto.news）
Techub News 消息，Ripple CEO Brad Garlinghouse 称，让美国成为世界加密中心的目标触手可及，呼吁相关方面完成这项工作以实现这一愿景。 Garlinghouse 近期频繁就美国加密货币监管政策发声，此前曾批评 SEC 对加密货币行业的执法监管方式。Ripple 作为跨境支付解决方案提供商，长期致力于推动美国加密立法明确化。（Cointelegraph）
Techub News 消息，一种曾用于隐藏恶意提示以攻击 AI 代理的巧妙技术，现已被垃圾邮件发送者采用，用于规避旨在标记大规模群发垃圾邮件的邮件平台过滤器。该技术被称为 ASCII 走私，两年前因能使“提示注入”类 AI 攻击更隐蔽而受到关注。 恶意指令通过一系列特殊的 Unicode 标签嵌入电子邮件或其他待大语言模型处理的不受信任内容中，这些标签编码的字符计算机可读，但对人类几乎完全不可见。这使得大语言模型能检测到指令，而阅读邮件的人却无法察觉。（Ars Technica）
Techub News 消息，Ripple CEO Brad Garlinghouse 表示，美国仍有潜力成为全球的“加密货币中心”。（U.Today）
该文章为彭博社专栏作家 David Fickling 关于尼泊尔水电大坝建设的评论，讨论水力发电在防洪与环境保护之间的平衡问题。 文章分析了大坝建设对当地社区的影响、国际开发银行撤资后的发展现状，以及径流式发电机与蓄水式水库的利弊对比，属于传统能源政策与环境议题范畴。
Techub News 消息，模型聚合平台 OpenRouter 新上架由 InclusionAI 开发的金融专用 AI 模型「Ling 3.0 Flash Fin」。该模型基于 Ling 3.0 Flash 构建，采用专家混合架构，拥有 1240 亿总参数，其中 51 亿为激活参数，专为现实世界投资分析等金融任务设计。 （OpenRouter 官方公告）
Techub News 消息，固定利率借贷协议 TermMax 于 8 月 26 日宣布获得 YZi Labs 的战略投资，具体金额未披露。TermMax 已入选 YZi Labs EASY Residency 第三季，迄今总融资额超 800 万美元。该协议自 2025 年 4 月上线主网，现已部署在 10 条 EVM 兼容链上，拥有 60 个固定利率市场、40 个策略金库，总锁仓价值达数千万美元，注册钱包超 150 万个。 TermMax 于 2026 年 1 月集成 Ondo Global Markets，推出首个接受代币化美国股票作为抵押品的固定利率借贷市场，随后添加了币安的 bStock。8 月，其在 Robinhood Chain 上线，支持以 QQQ、SPY 和 NVDA 等代币化股票抵押借入 USDG。其原生代币 TMX 已于 8 月 25 日完成代币生成事件（TGE）。 TermMax 联合创始人兼 CEO Jerry Li 表示，其目标是构建链上利率曲线基础设施，让 DeFi 发展得足够专业以服务传统金融。该协议在 DeFiSafety 流程质量审查中得分为 93%，与 Aave V3 持平。 （CryptoPotato）
Techub News 消息，Multiverse Computing 研究人员开发新技术，将 GPT-OSS 模型从 1200 亿参数压缩至 600 亿参数，压缩版在九项测试中的七项上超越完整版性能。 该技术名为 Quantization-Aware Healing，使压缩模型直接从原始版本学习而非中间版本。研究团队称，此方法可在保持性能的同时，显著降低 AI 模型运行所需的内存、电力及计算资源。（CryptoBriefing）
