자몽햄 글을 보면서 떠오른건 @Infinit_Labs @Lombard_Finance 처럼 야핑 황금기 시대에 보상 애매했던 친구들이 오히려 현재 이제야 전성기가 될 것 같다는 느낌이 들었음 구야핑->신야핑 세대교체(?)가 최근 빡시게 진행중인데 뭐랄까... 보상은 보상이긴한데... 예전의 그맛은 없는? 상황에서 오히려 구야핑(황금세대)에 기를 못폈던 친구들의 시즌2,3 보상이 현재로썬 매우매우매우 거대해졌음 ---- $IN 보상만 보더라도 상위500명 기준으론 대략 물량 2배정도고 $BARD 보상 또한 모수가 매달100명으로 엄청 줄어들어서 결과적으로 인당 보상이 엄청 커짐 심지어 둘 다 기대감으로 억지 쉴링하는게 아니라 실제 제품이 있고, 잘 작동하고, 수익을 벌 고 있는 사업들임 보상, 기간, 인원 모두 확실하게 정해져있고 약속 어긴적도 없음 (오히려 @Lombard_Finance 의 경우 더 빨리 당겨서 준거임) ---- 아아 그립읍니다... 하지만 자몽햄 말씀에도 매우 동감하는바... 사실 지금까지가 이상할 정도로 보상이 컸던게 맞다. 월천만 주다가 월백만 주니까 섭섭한거지 월백만 준다고 안할꺼냐? 그건 또 아니거든 ㅋㅋ...

Découverte de ROMA de Sentient En regardant le tableau de classement de @SentientAGI, il semble que la qualité des écrits soit également très importante. Donc, je vais parler de ROMA, que je considère comme ayant la plus haute technologie chez Sentient. 1. ROMA n'est pas un modèle d'IA. - ROMA est exactement un système multi-agents, c'est-à-dire un cadre où plusieurs agents d'IA se réfèrent hiérarchiquement et récursivement aux valeurs de chaque agent pour tirer la réponse la plus fiable et précise. En consultant le Readme sur GitHub, on peut généralement voir les relations de base de ces codes, et on utilise les clés API de modèles d'IA comme GPT, Gemini, etc. 2. Alors, quel est le cœur du système ? - C'est la répartition des rôles entre Atomizer, Executor, Planner et Aggregator. Lorsqu'une tâche est donnée, il faut décider si elle sera traitée par un seul ou plusieurs agents (Atomizer), déterminer comment la résoudre (Planner), exécuter selon le plan (Executor) et ensuite agréger (Aggregator) pour retourner la réponse. De plus, il est possible de choisir en option une étape de vérification (Verifier) pour valider la réponse. 3. Est-ce qu'un seul modèle est utilisé ? - Non. En consultant le code Quickstart, on voit que tous les modèles, à l'exception de l'Executor, sont spécifiés individuellement (ex. gpt-4o-mini, gemini-2.5-flash). Ainsi, il semble que plusieurs modèles soient utilisés pour obtenir la meilleure réponse. 4. La réponse est-elle toujours la même ? - Ce n'est pas le cas non plus. Chaque modèle d'IA peut donner des résultats différents pour une même tâche, et cela dépend aussi de la façon dont les paramètres sont ajustés, c'est-à-dire comment le fine-tuning est effectué. Par exemple, le paramètre le plus représentatif, la Temperature, peut avoir une valeur entre 0 et 2, où des valeurs proches de 0 donnent des réponses cohérentes, tandis que des valeurs proches de 2 produisent des réponses variées à chaque essai. En fin de compte, la différence de performance dépendra beaucoup de la façon dont l'utilisateur configure cela. Récemment, j'ai eu l'occasion de développer un agent IA par hasard, et en étudiant tout en faisant tourner l'IA, je pense que ce que j'ai appris semble maintenant plus clair en regardant le code GitHub, alors j'ai décidé d'écrire à ce sujet :)

[@SentientAGI ] C'était un projet qui avait atteint le top 10 autrefois, mais le seuil a baissé et je ne sais pas si c'est un verrouillage de compte de l'inner circle ou quoi que ce soit, mais la part de marché n'a pas été reflétée et il a quitté le top 100. Mais... depuis le meetup, ça a de nouveau débloquéㅠㅠ J'ai toujours travaillé dur, mais je vais redoubler d'efforts et si j'ai de bonnes nouvelles, je les partagerai avec enthousiasme ! 🫡