Note de version Core 0.3.2 Quoi de neuf Core comprend désormais mieux les demandes complexes en les décomposant en leurs parties constitutives. Lorsque vous demandez quelque chose qui implique plusieurs étapes ou exigences, les unités identifieront et traiteront automatiquement chaque aspect beaucoup mieux, réduisant ainsi le besoin de clarifications supplémentaires. Fonctionnalités majeures • Moteur de décomposition des intentions amélioré : Amélioration de l'analyse et de la décomposition des demandes utilisateur complexes en composants exploitables • Analyse avancée des invites : Meilleure compréhension des exigences implicites et des demandes à plusieurs niveaux Améliorations • Compréhension contextuelle : Meilleure reconnaissance des besoins nuancés des utilisateurs dans des demandes uniques • Traitement multi-aspect : Identification automatique lorsque les demandes nécessitent plusieurs types de réponses (contenu + formatage + analyse) • Précision au premier essai : Réduction des échanges nécessaires pour satisfaire l'intention de l'utilisateur Corrections de bogues • Correction des échecs d'analyse des intentions qui causaient des sorties incomplètes • Résolution des cas où les exigences implicites étaient manquées ou ignorées • Correction des lacunes de réponse lorsque les utilisateurs demandaient plusieurs actions simultanées Améliorations de l'UX • Flux d'interaction rationalisé réduisant le besoin de demandes de clarification • Génération de réponses plus intuitive qui anticipe les besoins des utilisateurs • Sensation de collaboration améliorée - moins de sollicitations, plus d'assistance naturelle Statut : En direct, attendez-vous à plusieurs courtes maintenances pour ajuster la production à cette nouvelle mise à jour dans les 48h.

Moteur de Données de Chaîne Beta Juste Publié Version Beta : Maintenant en production. Nous déployons cette itération pour recueillir des retours et des modèles d'utilisation. Ce moteur est une mise à niveau majeure des capacités de traitement des données unitaires. L'approche prend des éléments sélectionnés des fondations MCP mais représente une méthodologie fondamentalement différente conçue pour résoudre les problèmes de fiabilité lors de la gestion de gros volumes de données. Le pipeline d'ingestion amélioré capture désormais les données onchain avec une précision significativement plus élevée, permettant aux unités de fournir des analyses plus approfondies sur tous les indicateurs. Améliorations Clés : • Précision de capture des données améliorée pour toutes les unités avec une fiabilité accrue • Profondeur analytique améliorée et capacités de génération d'insights • Meilleure reconnaissance des motifs à travers les ensembles de données • Capacités de reporting unitaire plus complètes • Précision accrue dans l'interprétation des données et la génération de graphiques • Nouvelle intégration @nansen_ai fournissant des insights plus profonds sur l'activité onchain Les unités fournissent désormais des analyses beaucoup plus détaillées avec une précision améliorée et une compréhension plus profonde du marché. Statut : En Production (Beta) - Nous avons besoin de vos tests ! Sources de Données : @coingecko @elfa_ai @nansen_ai @birdeye_so @dexscreener @DefiLlama ----- Lancement du Nouveau Logo Notre nouveau logo est maintenant en ligne. Il incarne les couches multimodales et parallèles de Core, le concept fondamental qui a donné naissance à notre premier prototype, @unit00x0, en 2024.

Notes de version de Core 0.3.1 Mémoire Comportementale : Directives de Core Auto-Adaptatives Quoi de Neuf Un nouveau type de mémoire appelé "mémoire comportementale" qui adapte explicitement le comportement des unités en fonction des demandes des utilisateurs tout en conservant tous les concepts appris. Inspirée par la mémoire génétique chez les humains, cette approche permet une adaptation comportementale dynamique grâce à des directives de core auto-modifiantes. La mémoire génétique sera au cœur d'un nombre significatif de mises à jour majeures de Core. Changements Clés • Adaptation Explicite : Ce qui était implicite est maintenant extrêmement explicite • Activation Sélective : S'active uniquement lorsque le raisonnement l'exige • Connaissances Préservées : Toute la mémoire conceptuelle reste inchangée • Directives de Core Dynamiques : Fonctionne comme des instructions auto-adaptatives intégrées profondément dans chaque unité Comment Ça Marche La mémoire comportementale agit comme une couche entre la connaissance et le comportement : • Analyse vos demandes • S'active lorsque nécessaire • Adapte les directives de core en temps réel • Préserve tous les concepts appris Exemples en Pratique Les adaptations comportementales peuvent se produire de deux manières : 1. Demandes explicites : Demandez directement des comportements spécifiques 2. Apprentissage implicite : Les unités infèrent les préférences à partir de vos schémas de conversation • Préférences de Notation : Demandez à une unité d'utiliser "B" pour milliards au lieu de l'épeler • Style de Communication : Demandez un langage formel pour les rapports ou un ton décontracté pour le brainstorming • Format de Sortie : Demandez aux unités de toujours présenter les données sous forme de tableaux plutôt que de paragraphes • Profondeur Technique : Ajustez des résumés de haut niveau à des explications techniques détaillées • Structure de Réponse : Alternez entre des points de balle, des listes numérotées ou une prose fluide • Langage de Domaine : Utilisez une terminologie spécifique à l'industrie (par exemple, "commits" contre "updates" pour les développeurs) Les unités s'adaptent continuellement en fonction de vos interactions, affinant leur comportement au fil du temps. Chaque adaptation persiste jusqu'à ce que vous demandiez un changement ou réinitialisiez complètement les comportements. Impact Les unités ajustent maintenant explicitement leur comportement pour correspondre à vos besoins sans oublier ce qu'elles ont appris. Pensez-y comme des directives de core dynamiques qui s'activent en fonction du contexte - similaire à la façon dont la mémoire génétique fournit des réponses adaptatives héritées dans les systèmes biologiques. Les utilisateurs peuvent réinitialiser la mémoire comportementale à tout moment en demandant simplement aux unités de réinitialiser leurs comportements. Migration Automatique. Aucune action requise.

Les unités Rei peuvent désormais accéder à tous les articles de recherche d'ArXiv et de Google Scholar. Les réponses incluent des pdf liés et des citations d'articles.

Mise à jour de la navigation Web : Les unités peuvent désormais accéder aux données web de manière significativement plus rapide et plus fiable. Qu'est-ce qui a changé : • Vitesse de traitement des données web augmentée de 40% • Accès élargi à des sites et types de contenu auparavant difficiles d'accès • Récupération des données plus cohérente à travers différentes structures de sites web Impact pratique : Les unités peuvent désormais gérer des demandes de recherche en temps réel qui étaient auparavant trop lentes ou peu fiables. Besoin de données de marché actuelles, d'analyses de nouvelles en direct ou de vérifications de faits multi-sources ? Les unités peuvent désormais extraire des données de dizaines de sources en quelques secondes au lieu de minutes. La plupart des applications web complexes, du contenu dynamique et des architectures de sites modernes qui causaient auparavant des échecs fonctionnent désormais sans problème. Cela signifie de meilleures réponses lorsque vous demandez aux unités d'analyser des événements actuels, de comparer des produits entre plusieurs détaillants ou de rechercher des sujets en évolution rapide.

3 jours depuis les codes d'invitation : • 3X demandes quotidiennes à Core • 5X demandes quotidiennes à Bowtie alors que 0.3 introduit l'apprentissage profond • La génération d'images est limitée pour l'allocation GPU Cette phase marque une étape significative vers la bêta ouverte alors que nous collectons des retours, étudions le comportement d'utilisation et développons l'infrastructure.

1/4 Qu'est-ce que Core ? Comprendre notre propre approche d'une architecture cérébrale synthétique Core n'est pas un LLM : Core n'est pas un LLM affiné, pas un nouveau LLM, et pas un LLM du tout. Au lieu de cela, Core est un cerveau synthétique multimodal, un type d'architecture IA fondamentalement différent. Terminologie clé pour comprendre Core : 1. Cerveau synthétique : Core est un système cognitif unifié où plusieurs modèles et algorithmes d'IA fonctionnent comme des composants neuronaux interconnectés au sein d'une seule architecture. Pensez-y comme un cerveau numérique avec des régions spécialisées, pas comme une collection d'outils. 2. L'architecture Bowtie : Le substrat de mémoire de Core qui stocke l'information à la fois sous forme de vecteurs sémantiques ET de nœuds de concepts abstraits, crée des connexions entre des concepts apparemment non liés, et permet une véritable formation de concepts, pas seulement un appariement de motifs. 3. Cluster de raisonnement : La partie cognitive de Core qui orchestre tous les processus de pensée, prenant des décisions sur les voies neuronales à activer pour une tâche donnée. Le cluster de raisonnement est profondément multimodal et fonctionne via un traitement parallèle et des biais de sophistication.

Les codes d'invitation sont actifs ! Chaque utilisateur existant dispose de trois codes d'invitation pour la bêta fermée à partager avec des amis. Inscrivez-vous avec votre code :

2025.07.09 Mise à jour bihebdomadaire Core 0.3 est en ligne ! Détails : DÉVELOPPEMENT INTERNE Technologie Core + Système déployé avec mise à l'échelle élastique automatique + Corrections de bugs de la nouvelle architecture Core 0.3 + Tests initiaux de 0.3.1 + Test de la communication non linguistique Agent2Agent Infrastructure + Test du nouveau protocole MCP intégré + Refonte complète de l'interface utilisateur en cours ACCÈS EXTERNE MVP.a + Mémoires, concepts et relations accessibles aux utilisateurs + Graphiques dynamiques et interactifs + Transition vers la connexion SSO par email @unit00x0 + Test du cœur mis à jour (priorité inférieure) Mises à jour générales + Amélioration de la latence + Accès aux candidats Tier1/Dev Points forts de la communauté + Test de stress de la cognition Core .3 + Analyse de scénario macro Core .3 + Thèse d'innovation Rei + Paradigme IA et Rei + Aperçu de Rei + Création d'univers créatifs + Étude de cas sur le flux de travail multi-unités : terrain de jeu d'expérimentation de pensée

La mise à niveau de la latence est maintenant en production avec Core .3 Les tests initiaux montrent une réduction de la latence de plus de 80 % pour les requêtes générales et de plus de 60 % pour les mathématiques. Quelques exemples : Théorie de la relativité d'Einstein ELI5 ↓93,57 % Vérification grammaticale ↓92,04 % Génération d'essai ↓84,77 % Top 5 des memecoins sur Solana ↓81,21 % Problème de taux de changement AMC 8 ↓51,23 % Problème du volume d'une sphère ↓56,43 % Problème de la pente d'une droite ↓64,00 %