Ba năm trì hoãn, bài viết mới nhất của cựu sinh viên Bắc Đại Weng Lilian gây bão mạng

marsbitXuất bản vào 2026-06-26Cập nhật gần nhất vào 2026-06-26

Tóm tắt

Sau ba năm trì hoãn, Lilian Weng, cựu Phó chủ tịch OpenAI và là cựu sinh viên Đại học Bắc Kinh, đã đăng một bài blog dài về Scaling Laws (Định luật Mở rộng Quy mô) - quy tắc toán học định hình sự phát triển của AI hiện đại. Bài viết chỉ ra rằng, mặc dù các định luật này cung cấp nền tảng để dự đoán hiệu suất mô hình khi mở rộng quy mô tính toán, dữ liệu và tham số, nhưng chúng lại rất mong manh và chứa đầy các vấn đề tinh vi. Một điểm quan trọng là sự mâu thuẫn trong các khuyến nghị từ OpenAI (2020) và DeepMind (2022) về cách phân bổ ngân sách tính toán tối ưu giữa quy mô mô hình và dữ liệu. Sự khác biệt này, hóa ra, bắt nguồn từ cách đếm tham số (có bao gồm embedding layer hay không) và quy mô thí nghiệm hạn chế. Hơn nữa, ngay cả công thức nổi tiếng của DeepMind (Chinchilla) - từng được coi là chuẩn mực trong ngành - cũng được phát hiện có lỗi phương pháp luận vào năm 2024, như việc sử dụng hàm mất mát trung bình khiến bộ tối ưu hóa dừng sớm. Bài viết cảnh báo việc ngoại suy các định luật được khớp từ mô hình nhỏ lên mô hình nghìn tỷ tham số là rất rủi ro. Thách thức cơ bản hơn là nguồn dữ liệu văn bản chất lượng cao đang cạn kiệt, làm suy yếu giả định dữ liệu vô hạn của các định luật cổ điển. Các nghiên cứu mới đang cố gắng tích hợp yếu tố lặp lại dữ liệu vào công thức, cho thấy hiệu suất giảm dần và mô hình lớn nhạy cảm hơn với việc huấn luyện lặp. Điều này giải thích tại sao ngành công nghiệp đang chuyển hướng sang các hướng tiếp cận như học tăng cường, tính toán tại...

Blog bị trì hoãn ba năm, cuối cùng Lilian Weng cũng đã đăng.

Ngay lúc này, một bài viết dài bị trì hoãn hơn ba năm của cựu phó chủ tịch OpenAI Lilian Weng đang gây bão mạng.

Trong bài blog có tựa đề "Scaling Laws, Carefully", cô ấy đã phân tích Scaling Laws từ đầu đến cuối—

Định luật mà ngành AI đã đổ hàng trăm tỷ đô la để đặt cược này, yếu ớt hơn bất kỳ ai tưởng tượng.

Tổng quan trong một phút: Bài viết dài vạn chữ này nói về điều gì

Một công thức điều hành cả ngành công nghiệp trong năm năm. Scaling Laws nói rằng "làm mô hình lớn hơn, cho nhiều dữ liệu hơn, cung cấp đủ sức mạnh tính toán, hiệu suất sẽ tăng lên theo một tỷ lệ cố định". Nó biến AI từ một thứ huyền bí thành một việc kinh doanh có thể tính toán, gián tiếp chỉ đạo dòng chảy của hàng nghìn tỷ đô la.

OpenAI và DeepMind đưa ra câu trả lời trái ngược. Cùng một câu hỏi "làm thế nào để phân bổ ngân sách sức mạnh tính toán", vào năm 2020 OpenAI nói mô hình nên tăng nhanh hơn dữ liệu, đến năm 2022 DeepMind nói cả hai bên phải tăng cùng nhau. Sau này phát hiện, nguồn gốc của sự bất đồng là do sự khác biệt trong cách thống kê một tham số, cộng với quy mô thí nghiệm không đủ lớn.

Công thức của người chiến thắng cũng ẩn chứa bug. Tỷ lệ tối ưu mà DeepMind đưa ra và được cả ngành sao chép trong hai năm, vào năm 2024 khi được kiểm chứng lại từng dòng, người ta phát hiện: hàm mất mát lấy giá trị trung bình thay vì tổng, khiến bộ tối ưu hóa dừng sớm, các tham số đầu ra hoàn toàn không phải là nghiệm tối ưu.

Phải rất cẩn thận khi dùng quy luật từ mô hình nhỏ để dự đoán mô hình lớn. Đường cong này được khớp trên các mô hình tương đối nhỏ, khi ngoại suy lên cấp độ nghìn tỷ tham số, một sự khác biệt do làm tròn có thể khiến kết luận sai lệch một khoảng lớn. Bài blog có kèm một trình mô phỏng tương tác, chỉ cần kéo thanh trượt là có thể thấy tận mắt.

Còn một vấn đề căn bản hơn: dữ liệu sắp cạn. Công thức mặc định dữ liệu có thể cung cấp vô hạn, nhưng văn bản chất lượng cao là có hạn. Đây cũng là lý do tại sao toàn bộ ngành công nghiệp chuyển hướng tập thể sang học tăng cường, tính toán tại thời điểm kiểm tra và dữ liệu tổng hợp.

Một đường thẳng, nghìn tỷ đô la

Như đã biết, cốt lõi của Scaling Laws có thể được tóm gọn trong một câu—

Mô hình càng lớn, dữ liệu càng nhiều, sức mạnh tính toán càng mạnh, thì biểu hiện càng tốt. Và cái "càng tốt" này không phải ngẫu nhiên, nó có quy luật toán học chính xác.

Vẽ hàm mất mát khi huấn luyện mô hình trên tọa độ logarit, nó sẽ giảm xuống theo một đường thẳng khi số lượng tham số mô hình N, lượng dữ liệu D, sức mạnh tính toán C tăng lên.

Viết thành công thức là L(x) = E + A/x^α, trong đó x có thể là N, D hoặc C, E là mất mát tối ưu lý thuyết (entropy của chính dữ liệu), A và α là các hằng số được khớp.

Huấn luyện một mô hình N tham số với D token, tổng sức mạnh tính toán C ≈ 6ND—lan truyền thuận 2ND, lan truyền ngược 4ND.

Đường thẳng này có nghĩa là sự cải thiện hiệu suất là có thể dự đoán được.

Chạy trước vài mô hình nhỏ, khớp đường thẳng đó, ngoại suy sang phải, có thể ước tính biểu hiện của mô hình lớn sau khi huấn luyện. Không cần thực sự tiêu vài tỷ đô la để huấn luyện xong mô hình lớn mới biết nó có được hay không.

Trước đó, học sâu luôn bị chế giễu là "thuật giả kim", biết cái gì hiệu quả nhưng không biết tại sao nó hiệu quả.

Năm 2020, nhóm Kaplan của OpenAI công bố quy luật lũy thừa này, lần đầu tiên kéo thứ huyền bí vào vùng đất "có thể dự đoán".

Đây chính là niềm tin để tất cả các công ty mô hình lớn dám đổ tiền.

Nhưng lời khuyên quan trọng nhất mà công thức đưa ra, với ngân sách sức mạnh tính toán cho trước, phân bổ mô hình và dữ liệu như thế nào, OpenAI và DeepMind lại đưa ra câu trả lời trái ngược.

Cùng một bài toán

OpenAI và DeepMind đưa ra đáp án trái ngược

Năm 2020, nhóm Kaplan của OpenAI đưa ra kết luận: Kích thước mô hình tối ưu N_opt ∝ C^0.73.

Dịch ra là: Sức mạnh tính toán tăng gấp 10 lần, 5.5 lần cho mô hình, 1.8 lần cho dữ liệu—mô hình phải tăng nhanh hơn nhiều so với dữ liệu.

Điều này trực tiếp hướng dẫn phương án huấn luyện GPT-3.

Mô hình 175 tỷ tham số, chỉ được cho ăn 300 tỷ token (token là đơn vị nhỏ nhất mà mô hình xử lý văn bản, khoảng 1-2 token tương ứng với một từ).

Theo tiêu chuẩn sau này, đây thuộc loại huấn luyện thiếu nghiêm trọng.

Năm 2022, nhóm Chinchilla của DeepMind đưa ra kết luận ngược lại: N_opt ∝ C^0.50, mô hình và dữ liệu nên tăng trưởng theo tỷ lệ.

Các kỹ sư sau đó đúc kết nó thành một con số có thể nói ra ngay: Tỷ lệ token và tham số tối ưu khoảng 20:1.

Sau đó DeepMind thực hiện một cuộc đối đầu trực tiếp.

Gopher của họ, 280 tỷ tham số với 300 tỷ token. Chinchilla, 70 tỷ tham số với 1.4 nghìn tỷ token. Hai mô hình sử dụng cùng một sức mạnh tính toán.

Chinchilla áp đảo toàn diện.

Một mô hình vừa nhỏ vừa "ăn nhiều", đã đánh bại đối thủ vừa to lớn vừa "đói".

Sự đồng thuận của toàn ngành vì thế đảo ngược: từ "làm mô hình lớn" thành "hầu hết mô hình đều được huấn luyện chưa đủ".

0.73 vs 0.50, cùng một vấn đề, đáp án trái ngược, sẽ khiến bạn phân bổ ngân sách sức mạnh tính toán theo hai hướng hoàn toàn khác nhau.

Nguyên nhân hóa ra là một "vấn đề kế toán"

Năm 2024, hai nhà nghiên cứu đã xuất bản một bài báo hòa giải trên tạp chí hàng đầu về máy học TMLR, truy tìm tận gốc sự bất đồng này.

Kết luận khiến người ta vừa buồn cười vừa bực mình.

Nguyên nhân đầu tiên: Hai bên đếm tham số theo cách khác nhau.

Trong mô hình có một lớp tham số gọi là embedding, chịu trách nhiệm chuyển đổi chữ viết thành vectơ số mà mô hình có thể hiểu. Trong mô hình nhỏ, lớp này chiếm tỷ lệ rất lớn trong tổng số tham số, mô hình vài chục triệu tham số có thể chiếm đến một phần ba.

Kaplan khi thống kê số lượng tham số đã loại trừ embedding, trong khi Chinchilla tính nó vào.

Chỉ một sự khác biệt trong cách thống kê tham số như vậy, đủ để làm biến dạng chỉ số lũy thừa được khớp cuối cùng.

Họ đưa ra một công thức hiệu chỉnh ngắn gọn: N = N_\E + ω·N_\E^(1/3), trong đó N_\E là số lượng tham số đã loại bỏ embedding, ω là hằng số. Với mô hình nhỏ, số hạng thứ hai chiếm tỷ trọng lớn, ảnh hưởng của embedding đáng kể; mô hình càng lớn, số hạng thứ hai tiến về 0, hai cách đếm cuối cùng cũng giống nhau.

Nguyên nhân thứ hai: Quy mô thí nghiệm của Kaplan quá nhỏ.

Mô hình lớn nhất mà Kaplan thử nghiệm chỉ đến 1.5 tỷ tham số, trong khi thí nghiệm của Chinchilla quét lên đến trên 16 tỷ. Trong tọa độ logarit, sai lệch khớp nhỏ sẽ bị khuếch đại mạnh khi ngoại suy.

Họ dùng cách thống kê tham số thống nhất để suy ra lại công thức của Chinchilla, phát hiện một quy luật then chốt—

Chỉ số lũy thừa sẽ thay đổi theo quy mô sức mạnh tính toán tăng lên. Trong phạm vi thí nghiệm nhỏ của Kaplan, chỉ số thực sự gần 0.73; nhưng khi quy mô tăng lên, chỉ số hội tụ về 0.50.

Kaplan không "sai", ông ấy đúng trong phạm vi thí nghiệm của mình.

Nhưng ông ấy đã ngoại suy một quy luật cục bộ thành kết luận toàn cục.

Một vấn đề kế toán về cách đếm tham số, cộng với quy mô thí nghiệm không đủ lớn, đã khiến hai nhóm hàng đầu đưa ra lời khuyên phân bổ tài nguyên trái ngược.

Cả ngành đã điều chỉnh công thức huấn luyện theo kết luận này trong hai năm.

Ngay cả người chiến thắng cũng có bug

Kaplan bị Chinchilla sửa chữa, đó là câu chuyện tiêu chuẩn mà ai cũng biết.

Nhưng Weng đã tiến thêm một bước—Phương pháp luận của chính Chinchilla, cũng có vấn đề.

Bài báo Chinchilla sử dụng ba phương pháp độc lập để kiểm chứng chéo kết luận của mình:

Phương pháp 1: Cố định kích thước mô hình, thay đổi lượng dữ liệu

Phương pháp 2: Vẽ đường cong đẳng sức tính toán (IsoFLOP profiles)

Phương pháp 3: Trực tiếp khớp tham số cho công thức mất mát L(N,D) = E + A/N^α + B/D^β

Ba con đường chỉ đến cùng một kết luận, trông rất vững chắc.

Suy luận toán học của Phương pháp 3 đặc biệt tao nhã: Tối ưu hóa L(N,D) dưới ràng buộc C ≈ 6ND, có thể thu được nghiệm đóng N_opt ∝ (C/6)^(β/(α+β)). Khi α ≈ β, số mũ xấp xỉ 0.5, tức là mô hình và dữ liệu tăng trưởng theo tỷ lệ. Đây là nguồn gốc toán học của 0.50.

Năm 2024, nhóm của tổ chức nghiên cứu AI Epoch AI đã trích xuất thủ công các điểm dữ liệu gốc từ biểu đồ trong bài báo Chinchilla, chạy lại việc khớp của Phương pháp 3.

Hai bug, một cái càng lúc càng khó tin.

Bug 1: Hàm mất mát lấy giá trị trung bình thay vì tổng.

Khi khớp năm tham số này, Chinchilla cần cực tiểu hóa khoảng cách giữa mất mát dự đoán và mất mát thực tế.

Mục tiêu tối ưu hóa đầy đủ như sau: min Σ Huber_δ(log L̂(Nᵢ,Dᵢ) − log Lᵢ), trong đó Huber Loss là một hàm mất mát không nhạy cảm với giá trị ngoại lai (δ = 10⁻³), kết hợp với bộ tối ưu hóa L-BFGS-B để tìm kiếm nghiệm tối ưu.

Vấn đề nằm ở một chi tiết: Họ lấy trung bình (mean) chứ không phải tổng (sum) Huber Loss cho từng mẫu. Hàng trăm mẫu lấy trung bình, giá trị mất mát bị nén xuống mức cực nhỏ.

Bộ tối ưu hóa L-BFGS-B có một tiêu chí hội tụ tích hợp sẵn. Nó tự động dừng khi giá trị mất mát đủ nhỏ. Nó thấy giá trị số nhỏ như vậy, tưởng nhầm đã hội tụ, lập tức dừng lại.

Bộ tối ưu hóa hoàn toàn chưa chạy xong. Các tham số đầu ra không phải là giá trị tối ưu thực sự.

Bug 2: Các tham số then chốt chỉ được giữ lại hai chữ số thập phân.

Trong bài báo Chinchilla có hai chỉ số cốt lõi điều khiển hình dạng quy luật lũy thừa, chỉ được giữ lại đến hai chữ số sau dấu thập phân.

Trông có vẻ là làm tròn vô hại.

Nhưng khi suy ngược lại các hằng số khác từ hai con số thô này, sai số bị khuếch đại theo cấp số nhân. Khoảng tin cậy cuối cùng hẹp một cách phi lý, hẹp đến mức cần độ chính xác đạt được sau hơn 600,000 lần thí nghiệm, trong khi thực tế họ chỉ chạy chưa đến 500 lần.

Một công thức được cả ngành tôn sùng như kim chỉ nam, đằng sau lại ẩn giấu một bug hàm loss chưa chạy xong, và bug này đã ẩn náu suốt hai năm trời.

Weng trong blog còn đính kèm một trình mô phỏng tương tác, ba thanh trượt lần lượt điều khiển độ chính xác mất mát, nhiễu mất mát và khoảng khớp.

Mỗi lần di chuyển, Scaling Law được khớp ra lại biến thành một dạng khác.

Kết luận của OpenAI có độ lệch cục bộ, kết luận của DeepMind có khiếm khuyết phương pháp luận. Cuộc tranh luận học thuật quan trọng nhất ngành AI, cả hai bên đều có vết nứt.

Dữ liệu sắp cạn kiệt

Ba phần trước nói về các vấn đề phương pháp khớp, tham số đếm thế nào, mất mát tính ra sao, độ chính xác lấy mấy chữ số.

Nhưng ngay cả khi tất cả những vấn đề này đều được sửa chữa, Scaling Laws cổ điển vẫn còn một mối nguy cơ căn bản hơn—

Nó giả định mỗi dữ liệu huấn luyện là duy nhất, không lặp lại, không huấn luyện nhiều lượt, mặc định bạn có dữ liệu vô hạn.

Thực tế là, dữ liệu văn bản chất lượng cao dự kiến sẽ bị các phòng thí nghiệm lớn quét sạch trong khoảng từ 2026 đến 2028.

Việc lặp lại huấn luyện trên dữ liệu là không thể tránh khỏi, tiền đề của công thức cổ điển đang sụp đổ.

Một thí nghiệm quy mô lớn năm 2023 huấn luyện khoảng 400 mô hình, từ vài chục triệu đến 9 tỷ tham số, tối đa lặp lại huấn luyện 1500 lượt.

Tư tưởng cốt lõi là đưa vào khái niệm "lượng dữ liệu hiệu dụng" để thay thế lượng dữ liệu thực tế—

Nếu bạn có U mẫu dữ liệu duy nhất được lặp lại R lượt, lượng dữ liệu hiệu dụng không phải là U×R, mà được quy đổi theo đường cong suy giảm hàm mũ D_eff = U·(1 - e^(-R)). Lặp lại lượt đầu tiên vẫn có thể học được nhiều thứ mới, đến lượt thứ năm, thứ mười, lợi ích học tập biên tiệm cận về không.

Họ còn phát hiện một kết luận trái với trực giác: Tham số thừa "mất giá" nhanh hơn dữ liệu lặp lại. Tức là, khi ngân sách hạn chế, thay vì tăng mô hình, chi bằng chạy thêm vài lượt huấn luyện sẽ hiệu quả hơn.

Một bài báo mới vào tháng 5/2026 đổi hướng tiếp cận.

Họ không quy đổi lượng dữ liệu hiệu dụng, mà trực tiếp thêm vào sau công thức mất mát cổ điển một số hạng phạt quá khớp rõ ràng—mô hình xem cùng một lô dữ liệu càng nhiều lần, hình phạt càng lớn, và hình phạt này liên quan đến kích thước mô hình.

Công thức đầy đủ của họ như thế này:

Số hạng phạt màu đỏ cuối cùng là then chốt.

R là số lần lặp lại, N/U là tỷ số giữa số lượng tham số mô hình và lượng dữ liệu duy nhất (mô hình "thừa" bao nhiêu so với dữ liệu), P, δ, κ là các tham số được khớp từ thí nghiệm. Lặp lại càng nhiều, mô hình càng lớn, hình phạt càng nặng.

Phát hiện cốt lõi của bài báo này là: Mô hình lớn nhạy cảm hơn với việc lặp lại dữ liệu. Cũng lặp lại huấn luyện dữ liệu 10 lượt, một mô hình 500 triệu tham số có thể vẫn chịu được, nhưng một mô hình 5 tỷ tham số sẽ bị suy giảm hiệu suất nghiêm trọng hơn nhiều.

Một phát hiện trực tiếp hữu ích trong kỹ thuật là: Tăng cường suy giảm trọng số (weight decay) có thể giảm nhẹ đáng kể hiện tượng quá khớp do huấn luyện lặp lại mang lại.

Đây cũng là lý do tại sao từ 2025 đến 2026, sự chú ý của toàn ngành chuyển hướng tập trung sang ba con đường vượt qua bức tường dữ liệu—

Học tăng cường, DeepSeek R1, OpenAI o-series, để mô hình tự đấu với chính nó trong các nhiệm vụ có thể kiểm chứng như toán học và lập trình, tạo ra tín hiệu huấn luyện.

Tính toán tại thời điểm kiểm tra, không tăng chi phí huấn luyện, để mô hình "suy nghĩ" thêm vài bước khi trả lời câu hỏi để đổi lấy biểu hiện tốt hơn.

Dữ liệu tổng hợp, dùng mô hình mạnh hiện có để tạo ra dữ liệu mới huấn luyện thế hệ mô hình kế tiếp.

Ẩn ý của ba con đường giống nhau: Quy luật lũy thừa thuần túy dựa vào "chồng chất quy mô", đã không còn đủ dùng.

Từ Bắc Đại đến OpenAI đến công ty riêng

Lilian Weng, cử nhân Bắc Đại, tiến sĩ Đại học Indiana Bloomington.

Thú vị là, hướng tiến sĩ của cô không phải học sâu, mà là Khoa học Mạng và Hệ thống Phức tạp, nghiên cứu thông tin lan truyền trong mạng xã hội như thế nào.

Sau khi tốt nghiệp, cô đầu tiên đến Dropbox làm khoa học dữ liệu, lại đến công ty fintech Affirm, năm 2018 mới gia nhập OpenAI.

Đến OpenAI, dự án đầu tiên Weng tham gia là robot. Cánh tay cơ khí Dactyl mất hai năm để học giải khối Rubik, cô là một trong những người đóng góp cốt lõi.

Sau đó chuyển sang xây dựng nhóm nghiên cứu ứng dụng, sau khi GPT-4 ra mắt được giao nhiệm vụ thành lập nhóm Safety Systems, đến khi cô rời đi, nhóm này đã có hơn 80 nhà khoa học, kỹ sư và chuyên gia chính sách.

Tháng 8/2024 được thăng chức lên Phó chủ tịch Nghiên cứu và An toàn, ba tháng sau tuyên bố rời đi.

Năm 2017, Weng mới tiếp xúc học sâu không lâu, đã mở một blog cá nhân tên Lil'Log, ban đầu chỉ để tổng hợp ghi chú học tập của mình.

Cô từng nói, "Giải thích rõ ràng một khái niệm, là cách tốt nhất để kiểm tra xem bản thân có thực sự hiểu nó hay không".

Kết quả viết liền chín năm, học tăng cường, mô hình khuếch tán, đại tác tử mô hình lớn, mỗi bài đều viết từ nguyên lý cơ bản, bài dài hàng chục trang kèm sơ đồ tự vẽ.

Blog này sau đó trở thành một trong những blog kỹ thuật cá nhân được trích dẫn nhiều nhất trong lĩnh vực AI, nhiều trường đại học trực tiếp lấy làm giáo trình.

Tháng 2/2025, cô và cựu CTO OpenAI Mira Murati thành lập Thinking Machines Lab, đồng sáng lập còn có đồng sáng lập OpenAI John Schulman, cựu phó chủ tịch nghiên cứu Barret Zoph và Luke Metz. a16z dẫn đầu vòng hạt giống 20 tỷ đô la, định giá 120 tỷ.

Và trong khi công ty phát triển tốc độ cao, cô dành thời gian viết xong bài viết dài về Scaling Laws bị trì hoãn ba năm này.

ChatGPT, Claude, Gemini mà bạn dùng hàng ngày, đằng sau đều là những công thức này quyết định thế hệ tiếp theo sẽ được huấn luyện như thế nào.

Thế hệ AI tiếp theo có dễ dùng hay không, không phụ thuộc vào ai có nhiều GPU hơn, mà phụ thuộc vào ai xử lý những chi tiết này chính xác hơn.

Tài liệu tham khảo:

https://x.com/lilianweng/status/2070237256070389897?s=20

https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

Bài viết từ tài khoản công chúng WeChat "Tân Trí Nguyên", tác giả: ASI Khải Thị Lục, biên tập: Môi-tây

Tiền kỹ thuật số thịnh hành

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

PancakeSwapCAKE

DAPPOSDOS

Câu hỏi Liên quan

QBài viết của Lilian Weng đề cập đến những khiếm khuyết chính nào trong Scaling Laws?

ABài viết chỉ ra ba khiếm khuyết chính: (1) Kết luận của OpenAI năm 2020 (mô hình nên phát triển nhanh hơn dữ liệu) chỉ đúng trong phạm vi thí nghiệm nhỏ và không áp dụng được khi ngoại suy. (2) Phương pháp luận của DeepMind năm 2022 có lỗi: hàm loss sử dụng trung bình thay vì tổng khiến bộ tối ưu dừng sớm, và các tham số then chốt chỉ được làm tròn đến hai chữ số thập phân, dẫn đến sai số lớn. (3) Định luật cổ điển giả định nguồn dữ liệu chất lượng cao là vô hạn, trong khi thực tế chúng sắp cạn kiệt, làm suy yếu tiền đề cơ bản.

QSự khác biệt trong cách tính tham số mô hình giữa nghiên cứu của OpenAI và DeepMind là gì và nó ảnh hưởng thế nào đến kết quả?

AOpenAI (Kaplan et al., 2020) loại trừ các tham số embedding (lớp chuyển đổi token thành vector) khi đếm tổng số tham số mô hình (N). Trong khi đó, DeepMind (Chinchilla, 2022) bao gồm cả các tham số này. Sự khác biệt trong cách 'ghi sổ' này đặc biệt ảnh hưởng đến các mô hình nhỏ (vì embedding chiếm tỷ lệ lớn), làm lệch số mũ quy luật tỷ lệ (scaling exponent) được ước tính. Điều này góp phần dẫn đến các khuyến nghị trái ngược về phân bổ ngân sách tính toán giữa quy mô mô hình và khối lượng dữ liệu.

QTại sao bài viết nói rằng việc ngoại suy Scaling Laws từ mô hình nhỏ lên mô hình cực lớn là nguy hiểm?

ABởi vì đường cong Scaling Laws thường được khớp (fit) dựa trên các thí nghiệm với mô hình có quy mô tương đối nhỏ (ví dụ: dưới vài chục tỷ tham số). Khi ngoại suy đường cong này đến quy mô nghìn tỷ tham số, ngay cả một sai số nhỏ trong việc làm tròn số mũ (ví dụ: từ 0.499 xuống 0.50) hoặc nhiễu trong dữ liệu thí nghiệm cũng có thể bị khuếch đại theo cấp số nhân, dẫn đến dự đoán về hiệu suất hoặc phân bổ tối ưu bị lệch rất lớn so với thực tế.

QCác nghiên cứu gần đây đã đề xuất những cách nào để điều chỉnh Scaling Laws trong bối cảnh dữ liệu lặp lại?

AHai hướng tiếp cận chính được đề cập: (1) Khái niệm 'dữ liệu hiệu quả' (effective data): D_eff = U·(1 - e^(-R)), trong đó U là dữ liệu duy nhất và R là số lần lặp. Công thức này phản ánh việc lợi ích biên từ các epoch lặp lại giảm dần. (2) Thêm một 'hạng phạt quá khớp' (overfitting penalty) trực tiếp vào công thức loss cổ điển, dạng A*(R^δ)*(N/U)^κ, để phạt việc lặp dữ liệu, đặc biệt khi mô hình lớn so với dữ liệu. Cả hai đều cho thấy mô hình lớn nhạy cảm hơn với việc lặp dữ liệu.

QLilian Weng là ai và bài viết này có ý nghĩa như thế nào trong bối cảnh sự nghiệp của cô ấy?

ALilian Weng là cựu Phó Chủ tịch Nghiên cứu & An toàn của OpenAI, đồng sáng lập Thinking Machines Lab. Xuất thân từ ngành Khoa học Mạng, cô nổi tiếng với blog kỹ thuật cá nhân 'Lil'Log' đã 9 năm, nơi giải thích các khái niệm AI phức tạp một cách rõ ràng. Bài viết 'Scaling Laws, Carefully' này, được cô ấp ủ trong ba năm, thể hiện triết lý 'giải thích rõ ràng để thực sự hiểu' của cô. Nó tổng hợp và phê bình chi tiết nền tảng lý thuyết đằng sau sự phát triển AI hiện đại, phản ánh tầm nhìn sâu sắc và sự cẩn trọng của một nhà lãnh đạo nghiên cứu hàng đầu trong ngành.

Nội dung Liên quan

BlackRock, một trong những công ty quản lý tài sản lớn nhất thế giới, đã mua Bitcoin và Ethereum! Dưới đây là chi tiết

BlackRock, một trong những công ty quản lý tài sản lớn nhất thế giới, đã thực hiện giao dịch mua lớn trên thị trường tiền mã hóa. Theo dữ liệu On-Chain từ Onchain Lens, công ty đã mua Bitcoin (BTC) và Ethereum (ETH) với tổng trị giá khoảng 240 triệu USD. Các tài sản sau đó được chuyển đến các ví liên kết với các sản phẩm ETF tiền mã hóa của BlackRock. Cụ thể, BlackRock đã mua tổng cộng 2,802,904 BTC và 6,580 ETH. Bitcoin được chuyển đến ví của quỹ ETF Bitcoin dạng spot IBIT, trong khi Ethereum được chuyển đến các ví của các quỹ ETF ETHA và ETHB hỗ trợ staking. Các giao dịch này cho phép các nhà đầu tư tổ chức theo dõi hoạt động của BlackRock trên thị trường tiền mã hóa thông qua dữ liệu blockchain. Thị phần của BlackRock trong thị trường tài sản mã hóa đã tăng đáng kể, đặc biệt sau khi các quỹ ETF dạng spot của họ bắt đầu giao dịch tại Mỹ. IBIT nổi bật là một trong những quỹ ETF Bitcoin lớn nhất, cung cấp cho các nhà đầu tư tổ chức khả năng tiếp cận Bitcoin. Các giao dịch mua gần đây được xem như một dấu hiệu cho thấy nhu cầu tổ chức đối với Bitcoin và Ethereum vẫn được duy trì. Việc các giao dịch được thực hiện trong khuôn khổ hoạt động ETF cho thấy chúng có thể không phải là các khoản đầu tư đầu cơ vào bảng cân đối kế toán của công ty. Tuy nhiên, quy mô của các tài sản được mua cho thấy sự hiện diện ngày càng tăng của các nhà đầu tư tổ chức trên thị trường tiền mã hóa. Các thành viên thị trường đang theo dõi chặt chẽ các động thái tiếp theo của BlackRock với BTC và ETH, cũng như dòng tiền vào các quỹ ETF của công ty.

cryptonews.ru3 phút trước

BlackRock, một trong những công ty quản lý tài sản lớn nhất thế giới, đã mua Bitcoin và Ethereum! Dưới đây là chi tiết

cryptonews.ru3 phút trước

Chainlink Thêm 12 Tích Hợp Trên 10 Blockchain

Chainlink vừa công bố 12 tích hợp mới trên 10 blockchain, mở rộng mạng lưới dữ liệu xuyên chuỗi và cơ sở hạ tầng của họ. Các tích hợp này bao gồm các dịch vụ DeFi, thanh khoản và dữ liệu, củng cố vị thế của Chainlink với tư cách là một trong những mạng oracle được sử dụng rộng rãi nhất trong crypto. Bản cập nhật này nên được xem xét dưới góc độ phát triển hạ tầng, không phải là tín hiệu suy đoán giá token LINK. Giá trị chính nằm ở việc mở rộng phạm vi tiếp cận đa chuỗi, một yếu tố thiết yếu trong bối cảnh hệ sinh thái crypto ngày càng phân tán. Các ứng dụng trên các blockchain mới vẫn cần dữ liệu đáng tin cậy, và Chainlink đang định vị mình là nhà cung cấp mặc định. DeFi vẫn là trường hợp sử dụng rõ ràng nhất cho cơ sở hạ tầng oracle, nơi mà dữ liệu chính xác là sống còn cho các giao thức cho vay, phái sinh và tài sản tổng hợp. Mỗi tích hợp mới đều củng cố danh tiếng về độ tin cậy của Chainlink. Tuy nhiên, tác động thị trường ngắn hạn không nên bị phóng đại. Trong khi số lượng tích hợp tăng lên hỗ trợ tiện ích mạng lưới lâu dài, giá token còn chịu ảnh hưởng bởi nhiều yếu tố khác. Tín hiệu quan trọng tiếp theo cần theo dõi là mức độ sử dụng thực tế và ý nghĩa của từng tích hợp, chứ không chỉ là số lượng. Nhìn chung, bản cập nhật này khẳng định nhu cầu liên tục đối với cơ sở hạ tầng của Chainlink trong hệ sinh thái crypto đa chuỗi.

bitcoinist7 phút trước

Chainlink Thêm 12 Tích Hợp Trên 10 Blockchain

bitcoinist7 phút trước

Bitcoin RSI phân kỳ tăng trưởng so sánh với 2022 khi phân tích cân nhắc xu hướng giá mới

Bitcoin (BTC) đang đưa ra những tín hiệu trái chiều sau khi chạm mốc 80.000 USD, khiến các nhà giao dịch bất đồng về xu hướng thị trường. Chỉ số Sức mạnh Tương đối (RSI) hàng tuần của Bitcoin hiện ở mức 58.3, lặp lại mô hình phân kỳ tăng (bullish divergence) từng xuất hiện vào cuối thị trường gấu năm 2022, gợi ý về một bước ngoặt chu kỳ tiềm năng. Trong khi đó, RSI hàng ngày đã chạm vùng "mua quá mức" (overbought) gần 83, mức cao nhất kể từ tháng 11/2024, khiến một số người thận trọng về khả năng đảo chiều. Các nhà phân tích chỉ ra rằng, trong lịch sử, các đợt tăng giá mạnh của Bitcoin thường đi kèm nhiều giai đoạn RSI vượt ngưỡng 70. Sự gia tăng cực đoan của RSI hàng ngày, tương tự cuối năm 2022, có thể báo hiệu sự khởi đầu của một giai đoạn mới trong chu kỳ. Ngoài ra, chỉ báo Stochastic RSI trên khung thời gian hai tháng cũng đã in một điểm cắt (crossover) quan trọng, thường là tín hiệu cho sự thay đổi xu hướng tăng. Tuy nhiên, lần này nó không chạm đáy sâu gần bằng như trong các đợt đảo chiều trước đây. Dữ liệu kỹ thuật hỗn hợp này khiến cộng đồng tranh luận liệu đợt phục hồi 25% tuần trước của Bitcoin có bền vững hay không và liệu thị trường gấu hiện tại đã thực sự kết thúc.

cointelegraph27 phút trước

Bitcoin RSI phân kỳ tăng trưởng so sánh với 2022 khi phân tích cân nhắc xu hướng giá mới

cointelegraph27 phút trước

Chung Sản Sản, đầu tư vào Lương Văn Phong

Đầu tư hiếm hoi của tỷ phú Trung Quốc Chung Sản Sản (Chung Shanshan) vào DeepSeek, một công ty AI lớn, cho thấy sự quan tâm ngày càng tăng của các "tư bản cũ" (old money) - những doanh nhân đã thành công từ các làn sóng công nghiệp trước - đối với lĩnh vực trí tuệ nhân tạo và công nghệ cứng. Trong vòng gọi vốn đầu tiên của DeepSeek hồi tháng 6, bên cạnh các quỹ quốc doanh, công ty internet và tổ chức tài chính, còn có sự tham gia của những nhà đầu tư từ các tập đoàn thực nghiệp như CATL (50 tỷ NDT), Jiuan Medical, By-Health, Septwolves. Ít người biết rằng Chung Sản Sản, người giàu nhất Trung Quốc, cũng đã đầu tư khoảng 350 triệu NDT vào DeepSeek thông qua quỹ đầu tư tư nhân Quan Tử (Guanzi) do ông kiểm soát. Chung Sản Sản, người sáng lập Tập đoàn Nông Phu Sơn Tuyền và có cổ phần lớn trong WanTai BioPharm, thường được biết đến với các khoản đầu tư vào lĩnh vực thực phẩm, đồ uống và dược phẩm. Tuy nhiên, thông qua Quan Tử Venture Capital và hai thực thể đầu tư khác thuộc Tập đoàn Dưỡng Sinh Đường (Yangshengtang) là Phòng thí nghiệm Vật liệu Mới Tiền Đường (Qiantang) và Quỹ Cách Vật Trí Tri Côn Sơn (Kunshan), ông đang âm thầm xây dựng một bản đồ đầu tư công nghệ rộng lớn, tập trung vào sinh học, vật liệu mới, chip và gần đây là AI. Việc đầu tư vào DeepSeek của Chung Sản Sản không phải là trường hợp cá biệt. Các "tư bản cũ" khác như chủ tịch Septwolves, Chu Thiếu Hùng (Zhou Shaoxiong), cũng tham gia vòng này. Họ mang theo nguồn vốn dồi dào, tầm nhìn kinh doanh sắc bén và mạng lưới tài nguyên rộng lớn để tìm kiếm cơ hội mới trong kỷ nguyên AI và công nghệ cứng, khi các ngành công nghiệp cũ của họ bước vào giai đoạn tăng trưởng chậm lại. Sự dịch chuyển này cho thấy sự tập trung lại của của cải và nguồn lực theo nhịp đập của thời đại công nghệ mới.

marsbit41 phút trước

Chung Sản Sản, đầu tư vào Lương Văn Phong

marsbit41 phút trước

Trưởng bộ phận nghiên cứu CryptoQuant chỉ ra điểm kháng cự tiếp theo cho Bitcoin! Dưới đây là chi tiết

Bitcoin hiện đang giao dịch trên mức 80.000 USD, với mức kháng cự quan trọng được xác định ở 83.000 USD. Julio Moreno, Trưởng bộ phận Nghiên cứu tại CryptoQuant, chỉ ra rằng đường trung bình động 365 ngày (365-day MA) trên biểu đồ ngày của Bitcoin đang đóng vai trò như một mức kháng cự quan trọng, có thể được coi là "trở ngại cuối cùng" trong xu hướng tăng hiện tại. Theo phân tích của Moreno, việc Bitcoin vượt lên trên đường trung bình động này có thể mở đường cho đà tăng tiếp theo. Ông ước tính đường 365-day MA hiện nằm quanh khu vực 83.000 USD. Do đó, các nhà đầu tư cần theo dõi sát sao biến động giá của Bitcoin quanh ngưỡng này trong ngắn hạn. Tại thời điểm bài viết, Bitcoin được giao dịch ở mức 80.868 USD, tăng 2,38% so với ngày trước đó. Như vậy, Bitcoin chỉ còn cách mức kháng cự then chốt 83.000 USD khoảng 2.100 USD. Phân tích kỹ thuật sử dụng các đường trung bình động để đánh giá xu hướng thị trường. Đường 365-day MA là một chỉ báo quan trọng thường được các nhà đầu tư dài hạn và nhà phân tích theo dõi để nghiên cứu xu hướng của Bitcoin. Nếu Bitcoin có thể phá vỡ mức kháng cự 83.000 USD, thị trường có khả năng duy trì đà tăng. Ngược lại, nếu không vượt qua được, có thể xảy ra điều chỉnh do chốt lời hoặc củng cố trong ngắn hạn. Sau đợt tăng mạnh gần đây, việc theo dõi các chỉ báo kỹ thuật là rất quan trọng. Tuyên bố của Moreno nhấn mạnh rằng Bitcoin đang tiến gần đến ngưỡng then chốt và vùng giá 83.000 USD sẽ là khu vực quyết định cho hướng đi ngắn hạn của thị trường.

cryptonews.ru50 phút trước

Trưởng bộ phận nghiên cứu CryptoQuant chỉ ra điểm kháng cự tiếp theo cho Bitcoin! Dưới đây là chi tiết

cryptonews.ru50 phút trước

Giao dịch

Giao ngay

Bài viết Nổi bật

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

Để giúp bạn nắm bắt bản chất của Conflux, HTX Learn đã ra mắt chiến dịch Tìm hiểu & Kiếm tiền này.

Tổng lượt xem 1.4kXuất bản vào 2024.12.23Cập nhật vào 2024.12.23

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

AGENT S là gì

Agent S: Tương Lai của Tương Tác Tự Động trong Web3 Giới thiệu Trong bối cảnh không ngừng phát triển của Web3 và tiền điện tử, các đổi mới đang liên tục định nghĩa lại cách mà cá nhân tương tác với các nền tảng kỹ thuật số. Một dự án tiên phong như vậy, Agent S, hứa hẹn sẽ cách mạng hóa tương tác giữa con người và máy tính thông qua khung tác nhân mở của nó. Bằng cách mở đường cho các tương tác tự động, Agent S nhằm đơn giản hóa các nhiệm vụ phức tạp, cung cấp các ứng dụng chuyển đổi trong trí tuệ nhân tạo (AI). Cuộc khám phá chi tiết này sẽ đi sâu vào những phức tạp của dự án, các tính năng độc đáo của nó và những tác động đối với lĩnh vực tiền điện tử. Agent S là gì? Agent S đứng vững như một khung tác nhân mở đột phá, được thiết kế đặc biệt để giải quyết ba thách thức cơ bản trong việc tự động hóa các nhiệm vụ máy tính: Thu thập Kiến thức Cụ thể theo Miền: Khung này học một cách thông minh từ nhiều nguồn kiến thức bên ngoài và kinh nghiệm nội bộ. Cách tiếp cận kép này giúp nó xây dựng một kho lưu trữ phong phú về kiến thức cụ thể theo miền, nâng cao hiệu suất của nó trong việc thực hiện nhiệm vụ. Lập Kế Hoạch Qua Các Tầm Nhìn Nhiệm Vụ Dài Hạn: Agent S sử dụng lập kế hoạch phân cấp tăng cường kinh nghiệm, một cách tiếp cận chiến lược giúp phân chia và thực hiện các nhiệm vụ phức tạp một cách hiệu quả. Tính năng này nâng cao đáng kể khả năng quản lý nhiều nhiệm vụ con một cách hiệu quả và hiệu suất. Xử Lý Các Giao Diện Động, Không Đều: Dự án giới thiệu Giao Diện Tác Nhân-Máy Tính (ACI), một giải pháp đổi mới giúp nâng cao tương tác giữa các tác nhân và người dùng. Sử dụng các Mô Hình Ngôn Ngữ Lớn Đa Phương Thức (MLLMs), Agent S có thể điều hướng và thao tác các giao diện người dùng đồ họa đa dạng một cách liền mạch. Thông qua những tính năng tiên phong này, Agent S cung cấp một khung vững chắc giải quyết các phức tạp liên quan đến việc tự động hóa tương tác giữa con người với máy móc, mở ra nhiều ứng dụng trong AI và hơn thế nữa. Ai là Người Tạo ra Agent S? Mặc dù khái niệm về Agent S là hoàn toàn đổi mới, thông tin cụ thể về người sáng lập vẫn còn mơ hồ. Người sáng lập hiện vẫn chưa được biết đến, điều này làm nổi bật giai đoạn sơ khai của dự án hoặc sự lựa chọn chiến lược để giữ kín các thành viên sáng lập. Bất chấp sự ẩn danh, sự chú ý vẫn tập trung vào khả năng và tiềm năng của khung này. Ai là Các Nhà Đầu Tư của Agent S? Vì Agent S còn tương đối mới trong hệ sinh thái mã hóa, thông tin chi tiết về các nhà đầu tư và những người tài trợ tài chính của nó không được ghi chép rõ ràng. Sự thiếu vắng thông tin công khai về các nền tảng đầu tư hoặc tổ chức hỗ trợ dự án dấy lên câu hỏi về cấu trúc tài trợ và lộ trình phát triển của nó. Hiểu biết về sự hỗ trợ là rất quan trọng để đánh giá tính bền vững và tác động tiềm năng của dự án. Agent S Hoạt Động Như Thế Nào? Tại cốt lõi của Agent S là công nghệ tiên tiến cho phép nó hoạt động hiệu quả trong nhiều bối cảnh khác nhau. Mô hình hoạt động của nó được xây dựng xung quanh một số tính năng chính: Tương Tác Giống Như Con Người: Khung này cung cấp lập kế hoạch AI tiên tiến, cố gắng làm cho các tương tác với máy tính trở nên trực quan hơn. Bằng cách bắt chước hành vi của con người trong việc thực hiện nhiệm vụ, nó hứa hẹn nâng cao trải nghiệm người dùng. Ký Ức Tường Thuật: Được sử dụng để tận dụng các trải nghiệm cấp cao, Agent S sử dụng ký ức tường thuật để theo dõi lịch sử nhiệm vụ, từ đó nâng cao quy trình ra quyết định của nó. Ký Ức Tình Huống: Tính năng này cung cấp cho người dùng hướng dẫn từng bước, cho phép khung này cung cấp hỗ trợ theo ngữ cảnh khi các nhiệm vụ diễn ra. Hỗ Trợ OpenACI: Với khả năng chạy cục bộ, Agent S cho phép người dùng duy trì quyền kiểm soát đối với các tương tác và quy trình làm việc của họ, phù hợp với tinh thần phi tập trung của Web3. Tích Hợp Dễ Dàng với Các API Bên Ngoài: Tính linh hoạt và khả năng tương thích với nhiều nền tảng AI khác nhau đảm bảo rằng Agent S có thể hòa nhập liền mạch vào các hệ sinh thái công nghệ hiện có, làm cho nó trở thành lựa chọn hấp dẫn cho các nhà phát triển và tổ chức. Những chức năng này cùng nhau góp phần vào vị trí độc đáo của Agent S trong không gian tiền điện tử, khi nó tự động hóa các nhiệm vụ phức tạp, nhiều bước với sự can thiệp tối thiểu của con người. Khi dự án phát triển, các ứng dụng tiềm năng của nó trong Web3 có thể định nghĩa lại cách mà các tương tác kỹ thuật số diễn ra. Thời Gian Phát Triển của Agent S Sự phát triển và các cột mốc của Agent S có thể được tóm tắt trong một dòng thời gian nêu bật các sự kiện quan trọng của nó: 27 tháng 9, 2024: Khái niệm về Agent S được ra mắt trong một bài nghiên cứu toàn diện mang tên “Một Khung Tác Nhân Mở Sử Dụng Máy Tính Như Một Con Người,” trình bày nền tảng cho dự án. 10 tháng 10, 2024: Bài nghiên cứu được công bố công khai trên arXiv, cung cấp một cái nhìn sâu sắc về khung và đánh giá hiệu suất của nó dựa trên tiêu chuẩn OSWorld. 12 tháng 10, 2024: Một video trình bày được phát hành, cung cấp cái nhìn trực quan về khả năng và tính năng của Agent S, thu hút thêm sự quan tâm từ người dùng và nhà đầu tư tiềm năng. Những dấu mốc trong dòng thời gian không chỉ minh họa sự tiến bộ của Agent S mà còn chỉ ra cam kết của nó đối với sự minh bạch và sự tham gia của cộng đồng. Những Điểm Chính Về Agent S Khi khung Agent S tiếp tục phát triển, một số thuộc tính chính nổi bật, nhấn mạnh tính đổi mới và tiềm năng của nó: Khung Đổi Mới: Được thiết kế để cung cấp cách sử dụng máy tính trực quan giống như tương tác của con người, Agent S mang đến một cách tiếp cận mới cho việc tự động hóa nhiệm vụ. Tương Tác Tự Động: Khả năng tương tác tự động với máy tính thông qua GUI đánh dấu một bước tiến tới các giải pháp tính toán thông minh và hiệu quả hơn. Tự Động Hóa Nhiệm Vụ Phức Tạp: Với phương pháp mạnh mẽ của nó, nó có thể tự động hóa các nhiệm vụ phức tạp, nhiều bước, làm cho các quy trình nhanh hơn và ít sai sót hơn. Cải Tiến Liên Tục: Các cơ chế học tập cho phép Agent S cải thiện từ các trải nghiệm trước đó, liên tục nâng cao hiệu suất và hiệu quả của nó. Tính Linh Hoạt: Khả năng thích ứng của nó trên các môi trường hoạt động khác nhau như OSWorld và WindowsAgentArena đảm bảo rằng nó có thể phục vụ một loạt các ứng dụng rộng rãi. Khi Agent S định vị mình trong bối cảnh Web3 và tiền điện tử, tiềm năng của nó để nâng cao khả năng tương tác và tự động hóa quy trình đánh dấu một bước tiến quan trọng trong công nghệ AI. Thông qua khung đổi mới của mình, Agent S minh họa cho tương lai của các tương tác kỹ thuật số, hứa hẹn một trải nghiệm liền mạch và hiệu quả hơn cho người dùng trên nhiều ngành công nghiệp khác nhau. Kết luận Agent S đại diện cho một bước nhảy vọt táo bạo trong sự kết hợp giữa AI và Web3, với khả năng định nghĩa lại cách chúng ta tương tác với công nghệ. Mặc dù vẫn còn ở giai đoạn đầu, những khả năng cho ứng dụng của nó là rộng lớn và hấp dẫn. Thông qua khung toàn diện của mình giải quyết các thách thức quan trọng, Agent S nhằm đưa các tương tác tự động lên hàng đầu trong trải nghiệm kỹ thuật số. Khi chúng ta tiến sâu hơn vào các lĩnh vực tiền điện tử và phi tập trung, các dự án như Agent S chắc chắn sẽ đóng một vai trò quan trọng trong việc định hình tương lai của công nghệ và sự hợp tác giữa con người với máy tính.

Tổng lượt xem 1.3kXuất bản vào 2025.01.14Cập nhật vào 2025.01.14

Làm thế nào để Mua S

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Sonic (S) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Sonic (S) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Sonic (S) của BạnSau khi mua Sonic (S), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Sonic (S)Giao dịch Sonic (S) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 2.6kXuất bản vào 2025.01.15Cập nhật vào 2026.06.02

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến của người dùng về giá của S (S) được trình bày dưới đây.