与「审核」相关的搜索结果

我在 @SolvProtocol ：约 50 $BTC 至今无法正常赎回，我贪的是你 3% 的年化收益，你图的却是我的全部本金。 2026年7月8日，我从 Binance 提取约 50 BTC，通过正常渠道转换为 SolvBTC → BTC+。 我的目的非常简单，没有进行任何复杂交易或投机操作，只是希望通过持有 BTC+ 获得约 3% 的年化收益。 因为投入金额很大，存入以后我基本每天都会登录 Solv 官网查看 BTC+ 的净值以及收益增长情况。后来我发现 BTC+ 的铸造和赎回功能突然暂停。 7月13日，BTC+ 发生安全事件，但当时作为普通用户的我并不知道究竟发生了什么。 7月18日、7月20日，我两次在官方社区询问为什么 BTC+ 暂停铸造和赎回，希望了解自己的资产到底发生了什么，但始终没有得到针对这一问题的有效回复。 7月22日，Solv Protocol 才公开披露此次安全事件，并表示用户资产未受损。 7月31日，项目方宣布相关功能恢复，工作人员也明确告诉我“现在可以发起赎回了”。但当我实际操作时，却发现我的地址仍然受到限制，约 50 BTC 对应资产无法正常赎回。 从7月31日至今，我持续通过官方 Discord、Telegram 和邮件寻求解决。项目方要求我提供的资金来源、交易记录、钱包控制证明、账户信息以及其他说明，我都一直积极配合提交。 截至目前，双方已有约 60封邮件往来，其中约50封由我发送。9月份也通过各种渠道，联系该项目相关人员，但都没有给我回复任何有效信息。 我的诉求只有一个：解除限制，恢复正常赎回，让我取回自己约 50 BTC 对应的资产。 我愿意继续配合合理的风控及合规审核，也已经按照要求提供相关资料。 请 @SolvProtocol 正面回答： 资料已经提交，审核还需要多久？ 为什么我的地址至今仍然受到限制？ 什么时候才能恢复正常赎回？ 我之所以选择 BTC+，是因为当时我在 Binance Web3 Wallet 的 BTC 理财/收益相关页面看到了 BTC+ 产品的展示/推荐入口。出于我长期以来对 Binance 平台的信任，我对通过 Binance Web3 Wallet 接触到的该产品也产生了较高的信任，因此决定将约 50 BTC 转入 BTC+。 也希望 Binance 联合创始人兼 Co-CEO 何一 @heyibinance，以及 Binance Co-CEO Richard Teng @_RichardTeng 能够关注我的遭遇。 @Venusprotocol 作为Solvbtc重要的借贷市场，针对该项目目前官方群组出现的大量用户反馈长期无法赎回受限的情况，你们是否已经启动专项的风险评估？ 同时，我也希望 @SolvProtocol 的投资方及生态相关方能够关注此事： @yzilabs @blockchaincap @LaserDigital_ @OKX_Ventures @TheSpartanGroup @IOSGVC @hashed_official @mirana 我并不是要求这些投资方或 Binance 为 Solv 承担责任。 我只是希望各位作为 Solv 的投资方、生态相关方，以及我最初接触这一产品的重要渠道，能够关注一个普通用户约50 BTC长期无法正常赎回的问题，并协助推动 @SolvProtocol @Ryanchow_defi @Will42w @myantokengeek 给出明确、透明且可执行的处理方案。 希望大家能对我伸以援手，感谢感谢。

170万USDT被盗，Gate的“负责到底”最后只剩沉默。 我把账户被接管的经过、审核疑点和后续沟通整理在了这篇文章里。钱没赔，事情没解决。 请帮我转发，别让这件事被拖到无人再提。 @Gate_zh @Han_Gate #Gate#

市场可以 24/7，你不必。🌿 TOKEN2049 新加坡期间，「Health · Crypto 加密养生局」，共同倡议：把健康，排进行程。 邀请你给自己留一个上午，免费参与健康筛查。 🗓 日期：2026 年 10 月 7 日、8 日 ⏰ 时间：每天 09:00–13:00，新加坡时间（UTC+8） 📍 地址：新加坡（luma报名后会显示） 🎟 名额：每天 50 人，两天共 100 人；请选择一天报名，预约以审核确认为准。 🩺 新加坡持牌医疗机构 也欢迎你，把这份关心传递出去。 参会准备 🍽 体检前需空腹 8 小时；饮水、用药及特殊健康情况，请提前向医疗机构确认，勿自行调整用药。 🛂 请携带有效护照，现场直接向医疗机构出示。 马上报名 👉 #SelfCare# #HealthCrypto# #加密养生局# #爱自己# #LovingYourself#

果然不出我所料 抹茶用户这事已经光速处理赔付了... 毕竟现在技术太过发达，交易所难免出现因为审核不严导致用户资产被盗的情况。 其实大家都能理解，大大方方的赔付改正就可以了。 @Gate 给友商已经做出了错误示范， @jheioff 老哥的钱到现在不赔付，死鸭子嘴硬到最后只能是打脸更疼、负面影响更大

K 线没有黄昏 行情从不打烊 我们在无数个凌晨醒着 最近，身边有朋友因为身体原因不得不停下来 这件事，一直放在我们心里 所以这次 TOKEN2049，我们想做一件小事 请你，去做个体检 Health · Crypto 行业健康倡议 📅 10.7 / 10.8 每天 09:00–13:00（SGT） 📍 新加坡 🩺持牌医疗机构专业体检 🎁 100 个免费名额，每天 50 人，任选一天 怎么参加？ 转发活动，并写一条关于健康或关爱自己的故事，截图上传 Luma 报名，审核通过就能来 爱自己，是每天最重要的事，VIP 可直接私信我预约 💛

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。