- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
本赛题整理了生活中常见的80种物体类别，比如冰箱、文具盒、蜡烛、鞭炮等，希望参赛者能够通过深度学习的方法提高物体识别的准确率。其中训练集、验证集和测试集划分比例为6:2:2.
参赛须知
参赛时间: 本次竞赛无时间限制，长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
| 参与奖（总奖金20%） |
所有人 |
根据基线得分与100分之间，分成5个奖金区间；不同得分区间获得相应的竞赛奖金。 |
| 突破奖（总奖金10%） |
所有人 |
更新排行榜最高分数，获得相应的竞赛奖金 |
| 排名奖（总奖金70%） |
月赛前5名 |
奖金发放最终以月为单位，前5名获奖占比以K系数表示，分别为：0.45，0.25，0.15，0.1，0.05 |
| 不同框架奖励 |
所有人 |
获得60FAI币用于GPU训练资源消耗 |
赛事主题和数据说明
赛题描述
通过实现算法并提交训练，获取奖金池奖金。小提示：抢先更新算法排行榜，有更大机会获取高额奖金哦！
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 |
字段名称 |
字段类型 |
备注 |
| img_path |
string |
不为空 |
图片的相对路径 |
| label |
string |
不为空 |
图片的对应类别 |
评审标准
算法输入输出格式
输入字段：
img_path,
输出字段：
label,
评审指标说明
- 准确率（Accuracy）：对于给定的测试数据集，预测正确的样本数与实际总样本数之比
- True，表示预测正确的样本数数量
- Total Number of Samples，表示实际总样本数数量
- 计算公式如下：
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法，调用模型得出评分。
超过 85分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.86。
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为98.26。
batch数据为30，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为98.05。
4
batch数据为22，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为98.01。
5
batch数据为1，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为97.84。
6
batch数据为22，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为97.80。
7
batch数据为16，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为97.37。
8
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为97.20。
9
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为97.12。
10
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为97.12。
11
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为96.65。
12
batch数据为128，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为96.57。
13
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为96.57。
14
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为96.48。
15
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为96.44。
16
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为96.27。
17
batch数据为3，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为96.06。
18
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为95.59。
19
batch数据为256，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为95.59。
20
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为94.79。
21
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为94.70。
22
batch数据为64，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为94.36。
23
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为94.32。
24
batch数据为256，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为94.28。
25
batch数据为128，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为93.77。
26
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为93.56。
27
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为93.13。
28
batch数据为200，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为92.75。
29
batch数据为500，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为92.03。
30
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为91.78。
31
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为90.93。
32
batch数据为128，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为90.46。
33
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为89.78。
34
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为89.61。
35
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为88.72。
36
batch数据为128，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为88.47。
37
batch数据为100，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为87.62。
38
batch数据为128，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为87.33。
39
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为85.63。
40
batch数据为64，循环次数为6次，通过在线上环境完成训练，模型最优精度评分为85.04。
41
batch数据为128，循环次数为150次，通过在线上环境完成训练，模型最优精度评分为84.65。
42
batch数据为128，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为84.23。
43
batch数据为512，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为83.89。
44
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为83.17。
45
batch数据为500，循环次数为128次，通过在线上环境完成训练，模型最优精度评分为82.66。
46
batch数据为512，循环次数为80次，通过在线上环境完成训练，模型最优精度评分为82.66。
47
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为81.22。
48
batch数据为128，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为80.54。
49
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为79.74。
50
batch数据为128，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为78.76。
51
batch数据为256，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为78.34。
52
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为78.21。
53
batch数据为32，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为78.00。
54
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为77.91。
55
batch数据为32，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为77.83。
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为77.74。
57
batch数据为32，循环次数为25次，通过在线上环境完成训练，模型最优精度评分为77.28。
58
batch数据为32，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为77.19。
59
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为76.94。
60
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为76.73。
61
batch数据为16，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为76.69。
62
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为76.64。
63
batch数据为20，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为76.64。
64
batch数据为32，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为76.56。
65
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为76.30。
66
batch数据为128，循环次数为256次，通过在线上环境完成训练，模型最优精度评分为75.92。
67
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为75.84。
68
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为75.79。
69
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为75.46。
70
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为75.37。
71
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为74.86。
72
batch数据为128，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为74.57。
73
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为74.10。
74
batch数据为64，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为73.51。
75
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为72.95。
76
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为72.91。
77
batch数据为16，循环次数为20次，通过在线上环境完成训练，模型最优精度评分为71.47。
78
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为70.54。
79
batch数据为64，循环次数为16次，通过在线上环境完成训练，模型最优精度评分为67.91。
80
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为67.10。
81
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为65.20。
82
batch数据为128，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为38.07。
83
batch数据为20，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为11.28。
84
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为1.61。
85
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
86
batch数据为64，循环次数为15次，通过在线上环境完成训练，模型最优精度评分为1.61。
87
batch数据为128，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为1.61。
88
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
89
batch数据为128，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为1.61。
90
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
91
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为1.61。
92
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
93
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
94
batch数据为32，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为1.61。
95
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
96
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
98
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
99
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
100
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为1.61。
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
102
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
103
batch数据为45，循环次数为33次，通过在线上环境完成训练，模型最优精度评分为1.61。
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
105
batch数据为64，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为1.61。
106
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
107
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
108
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
109
batch数据为16，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
110
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
111
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
112
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为1.61。
113
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
114
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为1.61。
115
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
116
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
117
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
118
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
119
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
120
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
121
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
122
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为1.61。
123
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
124
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
125
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
126
batch数据为64，循环次数为1000次，通过在线上环境完成训练，模型最优精度评分为1.61。
127
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为1.61。
128
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
129
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
130
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为1.61。
131
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
132
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为1.61。
133
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
134
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
135
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
136
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
137
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
138
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
139
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为1.61。
140
batch数据为70，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
141
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为1.61。
142
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
143
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
144
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
145
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
146
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
147
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
148
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
149
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为1.61。
150
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
151
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
152
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
153
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
154
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
155
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为1.61。
156
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为1.48。
- altair
-
模型得分为85.04，本次获得实时奖励奖金为10元
2020-03-19 11:42:09
- 学霸
-
模型得分为89.78，本次获得实时奖励奖金为10元
2020-03-16 14:10:28
- trickornot
-
模型得分为98.26，本次获得排名奖奖金为875元
2020-02-07 15:00:01
- 大木淡漠
-
模型得分为97.84，本次获得排名奖奖金为175元
2020-02-07 15:00:01
- alwaysbetter
-
模型得分为98.01，本次获得排名奖奖金为350元
2020-02-07 15:00:01
- 快来追我呀
-
模型得分为98.86，本次获得排名奖奖金为1575元
2020-02-07 15:00:01
- 鹏1577582907
-
模型得分为98.05，本次获得排名奖奖金为525元
2020-02-07 15:00:01
- Woz
-
模型得分为88.72，本次获得实时奖励奖金为10元
2020-02-04 14:51:18
- 快来追我呀
-
模型得分为98.86，本次获得实时奖励奖金为29元
2020-02-04 14:46:31
- ashora(啊瘦了)
-
模型得分为85.08，本次获得实时奖励奖金为10元
2020-02-04 14:19:35
- 鹏1577582907
-
模型得分为98.05，本次获得实时奖励奖金为1元
2020-01-28 13:44:04
- Woz
-
模型得分为87.24，本次获得实时奖励奖金为10元
2020-01-23 17:16:09
- 勿谓言之不预也
-
模型得分为88.38，本次获得实时奖励奖金为10元
2020-01-16 10:44:47
- 勿谓言之不预也
-
模型得分为86.52，本次获得实时奖励奖金为10元
2020-01-16 10:44:07
- 挺好的
-
模型得分为88.98，本次获得实时奖励奖金为10元
2020-01-13 10:57:13
- 挺好的
-
模型得分为85.42，本次获得实时奖励奖金为10元
2020-01-13 10:55:44
- mingda
-
模型得分为86.56，本次获得实时奖励奖金为10元
2020-01-10 14:12:29
- sigmoid
-
模型得分为91.56，本次获得实时奖励奖金为1.17元
2020-01-10 14:11:09
- 小林子
-
模型得分为97.08，本次获得实时奖励奖金为1.95元
2020-01-10 14:10:50
- 快来追我呀
-
模型得分为97.29，本次获得实时奖励奖金为3.91元
2020-01-10 14:10:42
- Zy.S
-
模型得分为94.23，本次获得实时奖励奖金为1.95元
2020-01-08 19:37:58
- WYC
-
模型得分为94.32，本次获得实时奖励奖金为3.91元
2020-01-08 19:37:15
- alwaysbetter
-
模型得分为98.01，本次获得实时奖励奖金为8元
2020-01-08 19:37:08
- Zy.S
-
模型得分为93.47，本次获得实时奖励奖金为2.34元
2020-01-08 19:35:55
- alwaysbetter
-
模型得分为97.8，本次获得实时奖励奖金为1元
2020-01-08 19:34:47
- 黄花寒后难逢蝶
-
模型得分为90.29，本次获得实时奖励奖金为10元
2020-01-08 19:33:12
- 满堂彩
-
模型得分为87.33，本次获得实时奖励奖金为10元
2020-01-08 19:32:38
- sigmoid
-
模型得分为88.98，本次获得实时奖励奖金为10元
2020-01-08 19:29:47
- dtrimina
-
模型得分为94.28，本次获得实时奖励奖金为7.81元
2020-01-08 19:28:40
- dtrimina
-
模型得分为92.2，本次获得实时奖励奖金为4.69元
2020-01-08 19:27:44
- WYC
-
模型得分为93.22，本次获得实时奖励奖金为9.38元
2020-01-08 19:27:20
- 嘻嘻嘻哈哈
-
模型得分为85.63，本次获得实时奖励奖金为10元
2020-01-08 19:26:24
- qqm
-
模型得分为94.28，本次获得实时奖励奖金为15.63元
2020-01-08 19:24:02
- 语言沉默
-
模型得分为93.56，本次获得实时奖励奖金为18.75元
2020-01-08 19:20:10
- 208.
-
模型得分为89.11，本次获得实时奖励奖金为10元
2020-01-08 19:18:09
- Mr.Fire
-
模型得分为96.74，本次获得实时奖励奖金为31.25元
2020-01-08 19:18:00
- wvinzh
-
模型得分为96.4，本次获得实时奖励奖金为62.5元
2020-01-08 19:16:04
- 大木淡漠
-
模型得分为97.2，本次获得实时奖励奖金为31.25元
2020-01-08 19:14:18
- 208.
-
模型得分为87.28，本次获得实时奖励奖金为10元
2020-01-08 19:13:20
- 前排板凳瓜子
-
模型得分为97.12，本次获得实时奖励奖金为62.5元
2020-01-08 19:12:47
- Whisney`逸文
-
模型得分为90.93，本次获得实时奖励奖金为20元
2020-01-08 19:11:11
- wvinzh
-
模型得分为92.41，本次获得实时奖励奖金为37.5元
2020-01-08 19:11:00
- 语言沉默
-
模型得分为88.77，本次获得实时奖励奖金为40元
2020-01-08 19:09:23
- 语言沉默
-
模型得分为86.52，本次获得实时奖励奖金为10元
2020-01-08 19:08:31
- 大木淡漠
-
模型得分为96.69，本次获得实时奖励奖金为125元
2020-01-08 19:05:35
- alwaysbetter
-
模型得分为97.75，本次获得实时奖励奖金为23元
2020-01-08 19:04:35
- 大木淡漠
-
模型得分为92.67，本次获得实时奖励奖金为75元
2020-01-08 19:02:05
- alwaysbetter
-
模型得分为97.08，本次获得实时奖励奖金为644元
2020-01-08 19:00:21
