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...

Explorando o ROMA da Sentient Ao olhar para o leaderboard da @SentientAGI, parece que a qualidade do texto é bastante importante. Por isso, vou escrever sobre o ROMA, que considero ter a maior capacidade técnica na Sentient. 1. O ROMA não é um modelo de IA. - O ROMA é exatamente um Multi-agent, ou seja, uma estrutura onde vários agentes de IA trabalham de forma hierárquica e recursiva, referenciando os valores de cada agente para obter a resposta mais confiável e precisa. No Readme do GitHub, geralmente podemos ver as relações básicas entre os códigos, onde usamos chaves de API de modelos de IA como o GPT e o Gemini. 2. Então, qual é o cerne? - Está na divisão de papéis entre Atomizer, Executor, Planner e Aggregator. Quando uma tarefa é dada, decide-se se será tratada por um ou vários (Atomizer), determina-se como resolver (Planner), executa-se conforme o planejado (Executor) e, em seguida, agrega-se (Aggregator) para retornar a resposta. Além disso, há a opção de incluir um Verificador para validar a resposta. 3. Apenas um modelo é utilizado? - Não. Ao consultar o código Quickstart, vemos que, exceto pelo Executor, todos os outros modelos são especificados individualmente (ex. gpt-4o-mini, gemini-2.5-flash). Assim, parece que não se utiliza um único modelo, mas sim vários para obter a melhor resposta. 4. A resposta é sempre a mesma? - Também não. Cada modelo de IA pode ter resultados diferentes para uma única tarefa, e isso depende de como os parâmetros são ajustados, ou seja, como é feito o fine-tuning. Por exemplo, o parâmetro mais representativo, Temperature, varia de 0 a 2, onde quanto mais próximo de 0, mais consistentes são as respostas, e quanto mais próximo de 2, mais variadas são as respostas a cada execução. No final, parece que a diferença de desempenho dependerá muito de como o usuário configura isso. Recentemente, tive a oportunidade de desenvolver um agente de IA e, enquanto estudava, percebi que o que aprendi agora parece fazer sentido ao olhar para o código do GitHub, então decidi escrever sobre isso :)

[@SentientAGI ] Era um projeto que já esteve entre os 10 melhores, mas o limiar diminuiu e não sei se é um bloqueio de conta do círculo interno ou o que seja, mas a participação não foi refletida e caiu para fora do top 100. Mas... depois do meetup, as coisas voltaram a fluir 😭 Sempre trabalhei duro, mas vou me esforçar novamente e se houver boas notícias, vou compartilhar com entusiasmo! 🫡