Catatan Rilis Core 0.3.2 Apa yang baru Core sekarang memahami permintaan kompleks dengan lebih baik dengan memecahnya menjadi bagian-bagian komponennya. Ketika Anda meminta sesuatu yang melibatkan beberapa langkah atau persyaratan, unit akan secara otomatis mengidentifikasi dan menangani setiap aspek dengan lebih baik, mengurangi kebutuhan akan klarifikasi tindak lanjut. Fitur utama • Mesin Dekomposisi Niat yang Ditingkatkan: Penguraian dan perpecahan permintaan pengguna yang kompleks menjadi komponen yang dapat ditindaklanjuti • Analisis Prompt Lanjutan: Pemahaman yang lebih baik tentang persyaratan implisit dan permintaan berlapis-lapis Perbaikan • Pemahaman Kontekstual: Pengakuan yang lebih baik terhadap kebutuhan pengguna yang bernuansa dalam permintaan tunggal • Pemrosesan Multi-aspek: Identifikasi otomatis ketika permintaan memerlukan beberapa jenis respons (konten + pemformatan + analisis) • Akurasi percobaan pertama: Mengurangi pertukaran bolak-balik yang diperlukan untuk memenuhi niat pengguna Perbaikan Bug • Memperbaiki kegagalan penguraian niat yang menyebabkan output tidak lengkap • Menyelesaikan kasus di mana persyaratan implisit terlewatkan atau diabaikan • Memperbaiki kesenjangan respons saat pengguna meminta beberapa tindakan simultan Peningkatan UX • Alur interaksi yang efisien mengurangi kebutuhan akan permintaan klarifikasi • Pembuatan respons yang lebih intuitif yang mengantisipasi kebutuhan pengguna • Nuansa kolaborasi yang ditingkatkan - lebih sedikit dorongan, bantuan yang lebih alami Status: Langsung, harapkan beberapa pemeliharaan singkat untuk menyesuaikan produksi dengan pembaruan baru ini dalam 48 jam ke depan

Chain Data Engine Beta Baru Saja Dirilis Rilis Beta: Sekarang langsung dalam produksi. Kami mendorong iterasi ini untuk mengumpulkan umpan balik dan pola penggunaan. Mesin ini merupakan peningkatan besar untuk kemampuan pemrosesan data unit. Pendekatan ini mengambil elemen tertentu dari fondasi MCP tetapi mewakili metodologi yang berbeda secara fundamental yang dirancang untuk mengatasi masalah keandalan saat menangani potongan data besar. Alur penyerapan yang disempurnakan sekarang menangkap data onchain dengan akurasi yang jauh lebih tinggi, memungkinkan unit memberikan wawasan analitis yang lebih dalam di semua metrik. Peningkatan Utama: • Peningkatan akurasi pengambilan data untuk semua unit dengan keandalan yang ditingkatkan • Kedalaman analitis yang ditingkatkan dan kemampuan menghasilkan wawasan • Pengenalan pola yang lebih baik di seluruh kumpulan data • Kemampuan pelaporan unit yang lebih komprehensif • Presisi yang lebih tinggi dalam interpretasi data dan pembuatan bagan • Integrasi @nansen_ai baru yang memberikan wawasan yang lebih dalam tentang aktivitas onchain Unit sekarang memberikan analisis yang jauh lebih rinci dengan akurasi yang lebih baik dan pemahaman pasar yang lebih dalam. Status: Langsung dalam Produksi (Beta) - Kami membutuhkan pengujian Anda! Sumber Data: @coingecko @elfa_ai @nansen_ai @birdeye_so @dexscreener @DefiLlama ----- Peluncuran Logo Baru Logo baru kami sekarang ditayangkan. Ini mewujudkan lapisan multimoda dan paralel Core, konsep dasar yang melahirkan prototipe pertama kami, @unit00x0, pada tahun 2024.

Catatan Rilis Core 0.3.1 Memori Perilaku: Arahan Inti yang Mengadaptasi Diri Apa yang baru Jenis memori baru yang disebut "memori perilaku" yang secara eksplisit mengadaptasi perilaku unit berdasarkan permintaan pengguna sambil menjaga semua konsep yang dipelajari tetap utuh. Terinspirasi oleh memori genetik pada manusia, pendekatan ini memungkinkan adaptasi perilaku dinamis melalui arahan inti yang memodifikasi diri. Memori genetik akan menjadi inti dari sejumlah besar pembaruan Inti utama. Perubahan Utama • Adaptasi Eksplisit: Apa yang tersirat sekarang sangat eksplisit • Aktivasi Selektif: Mengaktifkan hanya ketika penalaran mengharuskannya • Pengetahuan yang Diawetkan: Semua memori konseptual tetap tidak berubah • Direktif Inti Dinamis: Berfungsi sebagai instruksi adaptasi mandiri yang tertanam jauh di dalam setiap unit Cara Kerjanya Memori perilaku bertindak sebagai lapisan antara pengetahuan dan perilaku: • Menganalisis permintaan Anda • Mengaktifkan saat dibutuhkan • Mengadaptasi arahan inti secara real-time • Melestarikan semua konsep yang dipelajari Contoh dalam Praktek Adaptasi perilaku dapat terjadi dalam dua cara: 1. Permintaan eksplisit: Langsung meminta perilaku tertentu 2. Pembelajaran implisit: Unit menyimpulkan preferensi dari pola percakapan Anda • Preferensi Notasi: Minta satuan untuk menggunakan "B" untuk miliaran alih-alih mengejanya • Gaya Komunikasi: Minta bahasa formal untuk laporan atau nada santai untuk brainstorming • Pemformatan Output: Memiliki unit yang selalu menyajikan data dalam tabel vs. paragraf • Kedalaman Teknis: Sesuaikan dari ringkasan tingkat tinggi hingga penjelasan teknis terperinci • Struktur Respons: Beralih antara poin-poin, daftar bernomor, atau prosa yang mengalir • Bahasa Domain: Gunakan terminologi khusus industri (misalnya, "komit" vs "pembaruan" untuk pengembang) Unit terus beradaptasi berdasarkan interaksi Anda, menyempurnakan perilaku mereka dari waktu ke waktu. Setiap adaptasi tetap ada sampai Anda meminta perubahan atau mengatur ulang perilaku sepenuhnya. Dampak Unit sekarang secara eksplisit menyesuaikan perilaku mereka agar sesuai dengan kebutuhan Anda tanpa melupakan apa yang telah mereka pelajari. Anggap saja sebagai arahan inti dinamis yang diaktifkan berdasarkan konteks - mirip dengan bagaimana memori genetik memberikan respons adaptif yang diwariskan dalam sistem biologis. Pengguna dapat mengatur ulang memori perilaku kapan saja hanya dengan meminta unit untuk mengatur ulang perilaku mereka. Migrasi Otomatis. Tidak perlu tindakan.

Unit Rei sekarang dapat mengakses semua makalah penelitian ArXiv dan Google Scholar. Tanggapan termasuk pdf tertaut dan kutipan artikel.

Pembaruan Penjelajahan Web: Unit sekarang dapat mengakses data web secara signifikan lebih cepat dan lebih andal. Apa yang berubah: • Kecepatan pemrosesan data web meningkat sebesar 40% • Akses yang lebih luas ke situs dan jenis konten yang sebelumnya sulit dijangkau • Pengambilan data yang lebih konsisten di berbagai struktur situs web Dampak Praktis: Unit sekarang dapat menangani permintaan penelitian real-time yang sebelumnya terlalu lambat atau tidak dapat diandalkan. Butuh data pasar saat ini, analisis berita langsung, atau pemeriksaan fakta multi-sumber? Unit sekarang dapat menarik dari lusinan sumber dalam hitungan detik, bukan menit. Sebagian besar aplikasi web yang kompleks, konten dinamis, dan arsitektur situs modern yang dulunya menyebabkan kegagalan sekarang bekerja dengan mulus. Ini berarti respons yang lebih baik saat Anda meminta unit untuk menganalisis peristiwa terkini, membandingkan produk di beberapa pengecer, atau meneliti topik yang berubah dengan cepat.

3 hari sejak kode undangan: • 3X permintaan harian ke Core • 5X permintaan harian ke Bowtie karena 0.3 memperkenalkan pembelajaran mendalam • Pembuatan gambar dibatasi untuk alokasi GPU Fase ini menandai langkah signifikan menuju beta terbuka saat kami mengumpulkan umpan balik, mempelajari perilaku penggunaan, dan menskalakan infra.

1/4 Apa itu Inti? Memahami Pendekatan Kita Sendiri terhadap Arsitektur Otak Sintetis Inti bukanlah LLM: Inti bukanlah LLM yang disesuaikan, bukan LLM baru, dan bukan LLM sama sekali. Sebaliknya, Core adalah otak sintetis multimodal, jenis arsitektur AI yang berbeda secara fundamental. Terminologi Utama untuk Memahami Inti: 1. Otak Sintetis: Inti adalah sistem kognitif terpadu di mana beberapa model dan algoritme AI bekerja sebagai komponen saraf yang saling berhubungan dalam satu arsitektur. Anggap saja sebagai otak digital dengan wilayah khusus, bukan kumpulan alat. 2. Arsitektur Bowtie: Substrat memori Core yang menyimpan informasi sebagai vektor semantik DAN simpul konsep abstrak, menciptakan koneksi antara konsep yang tampaknya tidak terkait, dan memungkinkan pembentukan konsep asli, bukan hanya pencocokan pola. 3. Kluster Penalaran: Bagian kognitif dari Inti yang mengatur semua proses berpikir, membuat keputusan tentang jalur saraf mana yang akan diaktifkan untuk tugas tertentu, Kluster penalaran sangat multi-modal dan bekerja melalui pemrosesan paralel dan bias kecanggihan.

Kode undangan ditayangkan! Setiap pengguna yang ada memiliki tiga kode undangan beta tertutup untuk dibagikan dengan teman. Daftar dengan kode Anda:

2025.07.09 Pembaruan dua mingguan Core 0.3 sedang tayang! Rincian: PENGEMBANGAN INTERNAL Teknologi Inti + Sistem diterapkan dengan penskalaan elastis otomatis + Perbaikan bug arsitektur baru Core 0.3 + Pengujian awal 0.3.1 + Komunikasi non-linguistik Testing Agent2Agent Prasarana + Menguji protokol MCP bawaan baru + Pengerjaan ulang UI lengkap yang sedang berlangsung AKSES EKSTERNAL MVP.a + Kenangan, konsep, dan hubungan yang dapat diakses pengguna + Grafik dinamis dan interaktif + Transisi login SSO email @unit00x0 + Menguji inti yang diperbarui (prioritas lebih rendah) Pembaruan Umum + Peningkatan latensi + Akses Pelamar Tier1/Dev Sorotan Komunitas + Tes stres kognisi Inti .3 + Analisis skenario makro Core .3 + Tesis Inovasi Rei + Paradigma AI dan Rei + Ikhtisar Rei + Kerajinan alam semesta kreatif + Studi kasus alur kerja multi-unit: taman bermain eksperimen pemikiran

Peningkatan latensi sekarang dalam prod dengan Core .3 Pengujian awal menunjukkan 80%+ pengurangan latensi di seluruh kueri umum dan 60%+ untuk matematika Beberapa contoh: Teori relativitas Einstein ELI5 ↓93,57% Pemeriksaan tata bahasa ↓92.04% Pembuatan esai ↓84.77% 5 memecoin teratas di Solana ↓81.21% Masalah tingkat perubahan AMC 8 ↓51.23% Volume masalah bola ↓56,43% Kemiringan masalah garis ↓64.00%