Topik trending
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Frank Downing
Ya.
Saya pernah mendengar "browser adalah distribusi utama untuk agen". Saya pikir ini terbalik.
Agen akan menggunakan browser sebagai alat, antara lain, untuk menyelesaikan tugas.
Anda akan menganggap agen sebagai produk, bukan browser.
Anda membayar untuk Agen ChatGPT, yang memutar browser untuk menyelesaikan tugas sesuai kebutuhan. Anda dapat menonton dan terjun, tetapi Anda tidak harus melakukannya.
Arah yang sama untuk Komet Perplexity. Ini bertemu pengguna di mana mereka berada saat ini, tetapi seiring waktu agen akan mengemudi lebih banyak dan Anda akan semakin tidak peduli untuk melihat bagaimana sosis dibuat.
22 Jul, 03.12
situs web menggantikan sebagian besar aplikasi desktop (2 dekade terakhir)
kemudian agen menggantikan sebagian besar situs web (2 dekade ke depan)
32,71K
Poin data yang baik tentang pentingnya "rekayasa konteks":
Token input mungkin lebih murah daripada token output, tetapi tugas konteks berat (seperti pengkodean) dapat memerlukan 300-400x lebih banyak token input konteks daripada token output, membuat konteks 98% dari total biaya penggunaan LLM.
Latensi juga tumbuh dengan ukuran konteks yang lebih besar.
Menggarisbawahi pentingnya menyediakan konteks yang tepat pada waktu yang tepat saat membangun aplikasi AI, dan, saya asumsi, menyisakan banyak ruang untuk diferensiasi kompetitif dalam aplikasi SaaS AI-navtive.
9 Jul, 01.36
Saat Anda menanyakan AI, ia mengumpulkan informasi yang relevan untuk menjawab Anda.
Tapi, berapa banyak informasi yang dibutuhkan model?
Percakapan dengan praktisi mengungkapkan intuisi mereka: inputnya ~20x lebih besar dari output.
Tetapi eksperimen saya dengan antarmuka baris perintah alat Gemini, yang menghasilkan statistik token terperinci, mengungkapkan bahwa itu jauh lebih tinggi.
Rata-rata 300x & hingga 4000x.
Inilah mengapa rasio input-ke-output yang tinggi ini penting bagi siapa saja yang membangun dengan AI:
Manajemen Biaya adalah Semua Tentang Input. Dengan panggilan API dengan harga per token, rasio 300:1 berarti biaya ditentukan oleh konteks, bukan jawabannya. Dinamika penetapan harga ini berlaku di semua model utama.
Di halaman harga OpenAI, token keluaran untuk GPT-4.1 4x lebih mahal dari token input. Tetapi ketika inputnya 300x lebih banyak, biaya input masih 98% dari total tagihan.
Latensi adalah Fungsi dari Ukuran Konteks. Faktor penting yang menentukan berapa lama pengguna menunggu jawaban adalah waktu yang dibutuhkan model untuk memproses input.
Ini mendefinisikan ulang tantangan teknik. Pengamatan ini membuktikan bahwa tantangan inti membangun dengan LLM tidak hanya mendorong. Ini adalah rekayasa konteks.
Tugas kritisnya adalah membangun pengambilan data yang efisien & konteks - membuat pipeline yang dapat menemukan informasi terbaik dan menyaringnya menjadi jejak token sekecil mungkin.
Caching menjadi sangat penting. Jika 99% token ada dalam input, membangun lapisan caching yang kuat untuk dokumen yang sering diambil atau konteks kueri umum berpindah dari "bagus-untuk-dimiliki" ke persyaratan arsitektur inti untuk membangun produk yang hemat biaya & dapat diskalakan.
Bagi pengembang, ini berarti berfokus pada pengoptimalan input adalah pengungkit penting untuk mengontrol biaya, mengurangi latensi, dan pada akhirnya, membangun produk bertenaga AI yang sukses.
1,47K
Dua roda gila penguat mempercepat adopsi AI IDE (lingkungan pengembangan terintegrasi):
1. Roda gila model-produk:
Seiring dengan peningkatan model fondasi (penalaran, perencanaan, penggunaan alat), IDE AI yang dibangun di atasnya langsung menjadi lebih baik, mendorong lebih banyak penggunaan produk. Karena IDE AI menjadi konsumen token utama, penyedia model yayasan diberi insentif untuk mengoptimalkan alur kerja tersebut — semakin meningkatkan kinerja.
2. Roda gila data pengguna:
Saat IDE AI menarik lebih banyak pengembang, mereka menghasilkan data penggunaan eksklusif (apa yang ditanyakan pengembang, bagaimana mereka membuat kode, di mana mereka macet). Data ini dapat digunakan untuk melatih model khusus yang disetel dengan baik untuk IDE itu sendiri — yang mengarah ke UX dan kinerja yang lebih baik, dan parit yang lebih dalam.
#1 menguntungkan kategori ini. #2 menguntungkan pemimpin kategori.
26,16K
Lucu bagi saya bahwa Claude melakukan pekerjaan yang lebih baik dalam menjawab pertanyaan tentang Gmail saya daripada Gemini Google.
Versi terbaru Gemini menghancurkannya pada tolok ukur dan telah mendengar annectodaly bahwa mereka hebat dalam pengkodean, tetapi penggunaan aplikasi Gemini di dunia nyata tidak pernah cocok untuk saya dibandingkan dengan ChatGPT, Claude, atau Grok
224,54K
Kami menerbitkan whitepaper dengan Coinbase pada Januari 2017, 8 bulan sebelum mereka menaikkan putaran seri D mereka dengan valuasi $1,6 miliar. Kami mengagumi pendekatan perusahaan untuk memasukkan pengguna baru ke ekonomi kripto - > bersandar pada inovasi dengan kecepatan produk tinggi sambil bermain sesuai aturan. Saat ini perusahaan bernilai ~$65 miliar, mewakili pengembalian tahunan sekitar 60% kepada investor Seri D selama ~8 tahun terakhir.
Tesla, Palantir, dan sekarang Coinbase: Semua perusahaan yang pada dasarnya tidak dipahami dan dihukum pasar seolah-olah mereka akan bangkrut, sekarang diakui sebagai pemimpin kategori di ruang masing-masing dan bagian dari S&P 500. Meskipun kami masih berpikir beberapa tahun terbesar untuk masing-masing perusahaan ini ada di depan mereka, mengakses inovasi lebih awal, sebelum perusahaan berhasil masuk ke indeks besar, adalah kunci untuk membangun portofolio yang lengkap.
14 Mei 2025
Coinbase bergabung dengan S&P 500. Bagi sebagian besar, ini adalah tonggak sejarah kripto. Bagi kami, itu adalah sinyal. 🧵
264,61K
Teratas
Peringkat
Favorit