Wat me opkwam terwijl ik het artikel over grapefruit ham las, is dat vrienden zoals @Infinit_Labs en @Lombard_Finance, die in de gouden periode van Yaping een onduidelijke beloning kregen, nu eindelijk in hun hoogtijdagen lijken te komen. De overgang van oude Yaping naar nieuwe Yaping (?) is recentelijk intensief aan de gang, maar hoe moet ik het zeggen... beloningen zijn wel beloningen, maar... het heeft niet die oude smaak? In een situatie waarin de beloningen voor vrienden die niet konden opbloeien in de oude Yaping (gouden generatie) nu enorm zijn gegroeid in seizoen 2 en 3. ---- Als we alleen naar de $IN beloningen kijken, is het ongeveer het dubbele van de hoeveelheid voor de top 500, terwijl de $BARD beloningen ook zijn gedaald naar ongeveer 100 mensen per maand, waardoor de beloning per persoon enorm is toegenomen. Zelfs beide zijn geen geforceerde hype op basis van verwachtingen, maar zijn echte producten die goed functioneren en winst maken. Beloningen, periodes en aantallen zijn allemaal duidelijk vastgesteld en er is nooit een belofte gebroken. (In feite heeft @Lombard_Finance het zelfs sneller gegeven.) ---- Oh, ik mis het... Maar ik ben het ook zeer eens met wat grapefruit ham zegt... Eigenlijk was het tot nu toe ongewoon dat de beloningen zo groot waren. Als je eerst tienduizend per maand kreeg en nu honderdduizend, dan ben je teleurgesteld, maar zou je het niet doen als ze honderdduizend geven? Dat is ook niet het geval, haha...

Sentient ROMA ontleden @SentientAGI De ranglijst laat zien dat de kwaliteit van de teksten ook behoorlijk belangrijk lijkt te zijn. Daarom ga ik schrijven over ROMA, waarvan ik denk dat het de hoogste technische vaardigheden heeft binnen Sentient. 1. ROMA is geen AI-model. - ROMA is precies een Multi-agent, dat wil zeggen, een framework waarin meerdere AI-agenten hiërarchisch en recursief de waarden van elkaar raadplegen om de meest betrouwbare en nauwkeurige antwoorden te genereren. In de GitHub Readme kun je meestal de basisrelaties van die codes zien, en we gebruiken de API-sleutels van AI-modellen zoals GPT en Gemini. 2. Wat is de kern? - Het draait allemaal om de rolverdeling van Atomizer, Executor, Planner en Aggregator. Wanneer een taak wordt gegeven, wordt eerst bepaald of deze als één of meerdere moet worden behandeld (Atomizer), daarna wordt besloten hoe deze moet worden opgelost (Planner), vervolgens wordt het uitgevoerd zoals gepland (Executor) en tenslotte wordt het samengevoegd (Aggregator) om het antwoord terug te geven. Daarnaast is er ook een optie om een verificator (Verifier) toe te voegen om het antwoord te controleren. 3. Wordt er slechts één model gebruikt? - Nee. Als je de Quickstart-code bekijkt, zie je dat, behalve de Executor, elk model afzonderlijk wordt vermeld (bijv. gpt-4o-mini, gemini-2.5-flash). Het lijkt erop dat er meerdere modellen worden gebruikt om het beste antwoord te genereren. 4. Is het antwoord altijd hetzelfde? - Ook dit is niet het geval. Elk AI-model heeft verschillende uitvoeringsresultaten voor dezelfde taak, en het hangt af van hoe de parameters worden aangepast, dat wil zeggen, hoe de fine-tuning wordt uitgevoerd. Bijvoorbeeld, de meest representatieve parameter, Temperature, heeft waarden van 0-2, waarbij antwoorden dichter bij 0 consistenter zijn en antwoorden dichter bij 2 variabeler zijn. Uiteindelijk lijkt het erop dat de prestaties sterk afhankelijk zijn van hoe de gebruiker dit instelt. Onlangs had ik toevallig de kans om een AI-agent te ontwikkelen, en terwijl ik dat deed, leerde ik veel. Nu, kijkend naar de GitHub-code, lijkt het alsof ik een idee heb van wat ik heb geleerd, dus ik heb het opgeschreven :)

[@SentientAGI ] Het was ooit een project dat in de top 10 stond, maar de drempelwaarde is verlaagd en ik weet niet of het een inner circle account lock is of wat dan ook, maar de mindshare is niet weerspiegeld en het is uit de top 100 gevallen. Maar... na de meetup is het weer opengebrokenㅠㅠ Ik heb altijd hard gewerkt, maar ik zal opnieuw mijn best doen en als er goed nieuws is, zal ik het hard delen! 🫡