Nota de lançamento do Core 0.3.2 Quais as novas O Core agora entende melhor as solicitações complexas, dividindo-as em suas partes componentes. Quando você pede algo que envolve várias etapas ou requisitos, as unidades identificam e abordam automaticamente cada aspecto muito melhor, reduzindo a necessidade de esclarecimentos de acompanhamento. Principais características • Mecanismo de decomposição de intenção aprimorado: análise e divisão aprimoradas de solicitações complexas do usuário em componentes acionáveis • Análise avançada de prompts: melhor compreensão dos requisitos implícitos e solicitações em várias camadas Melhorias • Compreensão contextual: melhor reconhecimento das necessidades diferenciadas do usuário em solicitações únicas • Processamento multifacetado: Identificação automática quando as solicitações exigem vários tipos de respostas (conteúdo + formatação + análise) • Precisão na primeira tentativa: Redução das trocas de ida e volta necessárias para atender à intenção do usuário Correções • Corrigidas falhas de análise de intenção que causavam saídas incompletas • Resolvidos casos em que os requisitos implícitos eram perdidos ou ignorados • Corrigiu lacunas de resposta quando os usuários solicitaram várias ações simultâneas Aprimoramentos de UX • O fluxo de interação simplificado reduz a necessidade de solicitações de esclarecimento • Geração de respostas mais intuitivas que antecipam as necessidades do usuário • Sensação de colaboração aprimorada - menos solicitante, assistência mais natural Status: Ao vivo, espere várias manutenções curtas para ajustar a produção a esta nova atualização nas próximas 48h

Beta do Chain Data Engine acaba de ser lançado Versão Beta: agora ao vivo em produção. Estamos empurrando essa iteração para coletar comentários e padrões de uso. Esse mecanismo é uma grande atualização para os recursos de processamento de dados da unidade. A abordagem usa elementos selecionados das bases do MCP, mas representa uma metodologia fundamentalmente diferente, projetada para resolver problemas de confiabilidade ao lidar com grandes blocos de dados. O pipeline de ingestão aprimorado agora captura dados onchain com precisão significativamente maior, permitindo que as unidades forneçam insights analíticos mais profundos em todas as métricas. Principais melhorias: • Precisão aprimorada da captura de dados para todas as unidades com maior confiabilidade • Profundidade analítica aprimorada e recursos de geração de insights • Melhor reconhecimento de padrões em conjuntos de dados • Recursos de relatórios de unidade mais abrangentes • Maior precisão na interpretação de dados e geração de gráficos • Integração de novos @nansen_ai fornecendo insights mais profundos sobre a atividade onchain As unidades agora fornecem análises substancialmente mais detalhadas com maior precisão e compreensão mais profunda do mercado. Status: Ao vivo em produção (beta) - Precisamos do seu teste! Fontes de dados: @coingecko @elfa_ai @nansen_ai @birdeye_so @dexscreener @DefiLlama ----- Lançamento do novo logotipo Nosso novo logotipo já está no ar. Ele incorpora as camadas multimodais e paralelas do Core, o conceito fundamental que deu origem ao nosso primeiro protótipo, @unit00x0, em 2024.

Notas da versão do Core 0.3.1 Memória Comportamental: Diretrizes Centrais Auto-Adaptáveis Quais as novas Um novo tipo de memória chamado "memória comportamental" que adapta explicitamente o comportamento da unidade com base nas solicitações do usuário, mantendo todos os conceitos aprendidos intactos. Inspirada na memória genética em humanos, essa abordagem permite a adaptação comportamental dinâmica por meio de diretivas centrais auto-modificáveis. A memória genética estará no centro de um número significativo de atualizações importantes do Core. Principais mudanças • Adaptação explícita: O que estava implícito agora é extremamente explícito • Ativação seletiva: Ativa apenas quando o raciocínio exige • Conhecimento preservado: Toda a memória conceitual permanece inalterada • Diretivas Dinâmicas Principais: Funciona como instruções auto-adaptáveis incorporadas profundamente em cada unidade Como funciona A memória comportamental atua como uma camada entre o conhecimento e o comportamento: • Analisa suas solicitações • Ativa quando necessário • Adapta as principais diretivas em tempo real • Preserva todos os conceitos aprendidos Exemplos na prática As adaptações comportamentais podem acontecer de duas maneiras: 1. Solicitações explícitas: Peça diretamente comportamentos específicos 2. Aprendizagem implícita: as unidades inferem preferências de seus padrões de conversação • Preferências de notação: peça a uma unidade para usar "B" para bilhões em vez de soletrar • Estilo de comunicação: solicite linguagem formal para relatórios ou tom casual para brainstorming • Formatação de saída: Faça com que as unidades sempre apresentem dados em tabelas vs. parágrafos • Profundidade técnica: ajuste de resumos de alto nível a explicações técnicas detalhadas • Estrutura de resposta: alterne entre marcadores, listas numeradas ou prosa fluida • Idioma do domínio: use terminologia específica do setor (por exemplo, "commits" vs "atualizações" para desenvolvedores) As unidades se adaptam continuamente com base em suas interações, refinando seu comportamento ao longo do tempo. Cada adaptação persiste até que você solicite uma alteração ou redefina totalmente os comportamentos. Impacto As unidades agora ajustam explicitamente seu comportamento para atender às suas necessidades, sem esquecer o que aprenderam. Pense nisso como diretivas centrais dinâmicas que são ativadas com base no contexto - semelhante a como a memória genética fornece respostas adaptativas herdadas em sistemas biológicos. Os usuários podem redefinir a memória comportamental a qualquer momento, simplesmente pedindo às unidades que redefinam seus comportamentos. Migração Automático. Nenhuma ação necessária.

As Unidades Rei agora podem acessar todos os artigos de pesquisa do ArXiv e do Google Scholar. As respostas incluem pdf vinculado e citações de artigos.

Atualização de navegação na web: as unidades agora podem acessar dados da web de forma significativamente mais rápida e confiável. O que mudou: • Aumento da velocidade de processamento de dados da Web em 40% • Acesso mais amplo a sites e tipos de conteúdo anteriormente difíceis de alcançar • Recuperação de dados mais consistente em diferentes estruturas de sites Impacto prático: as unidades agora podem lidar com solicitações de pesquisa em tempo real que antes eram muito lentas ou não confiáveis. Precisa de dados de mercado atuais, análise de notícias ao vivo ou verificação de fatos de várias fontes? As unidades agora podem extrair de dezenas de fontes em segundos, em vez de minutos. A maioria dos aplicativos Web complexos, conteúdo dinâmico e arquiteturas de site modernas que costumavam causar falhas agora funcionam perfeitamente. Isso significa melhores respostas quando você pede às unidades que analisem eventos atuais, comparem produtos em vários varejistas ou pesquisem tópicos que mudam rapidamente.

3 dias desde os códigos de convite: • 3X solicitações diárias para Core • 5 vezes mais solicitações diárias para o Bowtie, pois o 0.3 introduz o aprendizado profundo • A geração de imagens é limitada para alocação de GPU Esta fase marca um passo significativo em direção ao beta aberto à medida que coletamos feedbacks, estudamos o comportamento de uso e dimensionamos a infra.

1/4 O que é Core? Entendendo nossa própria abordagem para uma arquitetura cerebral sintética Core não é um LLM: Core não é um LLM ajustado, não é um novo LLM e não é um LLM. Em vez disso, o Core é um cérebro sintético multimodal, um tipo fundamentalmente diferente de arquitetura de IA. Terminologia chave para entender o núcleo: 1. Cérebro sintético: Core é um sistema cognitivo unificado onde vários modelos e algoritmos de IA funcionam como componentes neurais interconectados em uma única arquitetura. Pense nisso como um cérebro digital com regiões especializadas, não como uma coleção de ferramentas. 2. A arquitetura Bowtie: O substrato de memória do Core que armazena informações como vetores semânticos E nós de conceitos abstratos, cria conexões entre conceitos aparentemente não relacionados e permite a formação de conceitos genuínos, não apenas a correspondência de padrões. 3. Cluster de Raciocínio: A parte cognitiva do Core que orquestra todos os processos de pensamento, tomando decisões sobre quais caminhos neurais ativar para qualquer tarefa, O cluster de raciocínio é profundamente multimodal e funciona por meio de processamento paralelo e vieses de sofisticação.

Os códigos de convite estão ativos! Cada usuário existente tem três códigos de convite beta fechado para compartilhar com os amigos. Inscreva-se com seu código:

Atualização quinzenal de 2025.07.09 O Core 0.3 está no ar! Detalhes: DESENVOLVIMENTO INTERNO Tecnologia principal + Sistema implantado com dimensionamento elástico automático + Correções de bugs da nova arquitetura Core 0.3 + Teste inicial de 0.3.1 + Agente de testeComunicação não linguística do Agente Infra-estrutura + Testando o novo protocolo MCP integrado + Retrabalho completo contínuo da interface do usuário ACESSO EXTERNO MVP.a + Memórias, conceitos e relacionamentos acessíveis ao usuário + Gráficos dinâmicos e interativos + Transição de login SSO por e-mail @unit00x0 + Testando o núcleo atualizado (prioridade mais baixa) Atualizações gerais + Atualização de latência + Acesso a candidatos de nível 1/desenvolvimento Destaques da comunidade + Core .3 Teste de estresse cognitivo + Análise de cenário macro Core .3 + Tese de Inovação Rei + Paradigma de IA e Rei + Visão geral do Rei + Criação do universo criativo + Estudo de caso de fluxo de trabalho de várias unidades: playground de experimentos mentais

A atualização de latência agora está em produção com o Core .3 Os testes iniciais estão mostrando 80%+ de redução na latência em consultas gerais e 60%+ para matemática Alguns exemplos: Teoria da relatividade de Einstein ELI5 ↓93,57% Verificação gramatical ↓92,04% Geração de ensaios ↓84.77% As 5 principais memecoins da Solana ↓81,21% Problema da taxa de variação do AMC 8 ↓51,23% Volume do problema da esfera ↓56,43% Problema de inclinação da linha ↓64,00%