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...

Zgłębianie ROMA w Sentient Patrząc na tablicę wyników @SentientAGI, wydaje się, że jakość tekstu jest również bardzo ważna. Dlatego postanowiłem napisać o ROMA, które moim zdaniem szczyci się najwyższą technologią w Sentient. 1. ROMA nie jest modelem AI. - ROMA to dokładnie Multi-agent, czyli framework, w którym wiele agentów AI działa hierarchicznie i rekurencyjnie, odnosząc się do wartości innych agentów, aby uzyskać najbardziej wiarygodną i dokładną odpowiedź. W dokumentacji na GitHubie można zobaczyć podstawowe relacje między kodami, które zazwyczaj wykorzystują klucze API znanych modeli AI, takich jak GPT czy Gemini. 2. A więc, co jest kluczowe? - Chodzi o podział ról na Atomizer, Executor, Planner i Aggregator. Gdy zadanie jest przydzielone, decyduje się, czy przetworzyć je jako jedno, czy wiele (Atomizer), następnie ustala, jak je rozwiązać (Planner), wykonuje zgodnie z planem (Executor) i na końcu zbiera wyniki (Aggregator), aby zwrócić odpowiedź. Dodatkowo można opcjonalnie wybrać etap weryfikacji odpowiedzi przez Weryfikatora (Verifier). 3. Czy używany jest tylko jeden model? - Nie. Jeśli spojrzymy na kod Quickstart, to poza Executor, każdy z agentów jest określony jako osobny model (np. gpt-4o-mini, gemini-2.5-flash). W ten sposób nie używa się jednego modelu, ale wiele modeli, aby uzyskać najlepszą odpowiedź. 4. Czy odpowiedzi zawsze będą takie same? - Również nie. Każdy model AI może dawać różne wyniki dla tego samego zadania, a także zależy to od tego, jak dostosowuje się parametry, czyli jak przeprowadza się fine-tuning. Na przykład, najbardziej reprezentatywny parametr Temperature ma wartości od 0 do 2, gdzie wartości bliższe 0 dają spójne odpowiedzi, a wartości bliższe 2 generują różnorodne odpowiedzi w każdym przypadku. Ostatecznie, to jak użytkownik ustawi te parametry, może znacząco wpłynąć na wydajność. Ostatnio miałem przypadkową okazję do rozwijania AI agentów i podczas tego procesu uczyłem się, a teraz, patrząc na kod GitHub, wydaje mi się, że mam lepsze pojęcie o tym, co robiłem :)

[@SentientAGI ] To był projekt, który kiedyś dotarł do top 10, ale próg się obniżył i nie wiem, czy to z powodu zablokowania konta w wewnętrznym kręgu, ale udział w myśleniu nie został odzwierciedlony, przez co wypadliśmy z setki. Jednak... po meet-upie znowu wszystko się rozkręciłoㅠㅠ Zawsze ciężko pracowałem, ale znowu postaram się, jeśli będą dobre wieści, z chęcią je rozprzestrzenię! 🫡