Grapefruktskinka Vad dök upp i mitt huvud när jag läste artikeln Som @Infinit_Labs @Lombard_Finance, vänner som var tvetydiga om ersättning under Yapings gyllene era Tvärtom kände jag att det först nu var jag i min bästa form. Gu Yaping-> Shin Yaping-generationsskifte (?)har pågått på sistone. Jag vet inte... En belöning är en belöning... Är det fortfarande som förut? I situationen Tvärtom har belöningarna för säsong 2 och 3 av vännerna som inte kunde växa upp i Gu Yaping (Golden Generation) blivit väldigt, väldigt, väldigt stora just nu. ---- Även om man bara tittar på $IN belöningar är de 500 bästa ungefär två gånger så många. $BARD ersättning har också kraftigt minskats till 100 personer per månad, vilket resulterat i en enorm ökning av ersättningen per capita. Även om ingen av dem tvingas krympa av förväntan, är de företag som faktiskt har produkter, fungerar bra och går med vinst Ersättning, punkt och antal personer bestäms tydligt, och det sker inget lovbrott. (Snarare, i fallet med @Lombard_Finance, dras den snabbare.) ---- Åh, jag saknar dig... Men jag håller också med om Grapefruit Hams ord... Faktum är att belöningarna hittills har varit märkligt stora. Det är pinsamt att ge 10 miljoner i månaden och sedan ge en miljon i månaden. Ger du mig inte bara en månad? Så är det inte igen, ha ha...

En djupdykning i Sentient ROMA @SentientAGI man tittar på topplistan verkar det som att kvaliteten på skrivandet också är ganska viktig. Så jag kommer att skriva om ROMA, som jag tycker har den högsta tekniken i Sentient. 1. ROMA är inte en AI-modell. - ROMA är ett ramverk där flera AI-agenter härleder de mest tillförlitliga och korrekta svaren baserat på värdena för varje agent hierarkiskt och rekursivt. Om du tittar på Githet Readme kan du vanligtvis se det grundläggande organiska förhållandet mellan koden, och du kommer att ange och använda API-nyckeln för AI-modeller som GPT och Gemini, som vi vanligtvis känner till. 2. Så vad är poängen? - Det är i uppdelningen av fyra roller: Atomizer, Executor, Planner och Aggregator. När den får en uppgift bestämmer den om den ska hanteras som en eller flera saker (Atomizer), bestämmer hur den ska lösas (Planner), kör den som planerat (Executor) och aggregerar den sedan (Aggregator) och returnerar svaret. Dessutom kan du välja steget att verifiera svaret via verifieraren som ett alternativ. 3. Används bara en modell? -Nej. Om du tittar på snabbstartskoden anger alla sina egna modeller, förutom utföraren. (t.ex. gpt-4o-mini, gemini-2.5-flash) På så sätt verkar det som att det bästa svaret härleds genom att använda flera modeller istället för bara en modell. 4. Kommer svaret alltid att vara detsamma? - Det är inte det heller. Körningsresultaten för varje AI-modell är olika för en enskild uppgift, och det beror på hur parametrarna justeras, det vill säga hur man finjusterar. Till exempel har den mest typiska parametern som kallas temperatur ett värde på 0-2, där närmare 0 ger ett konsekvent svar och närmare 2, vilket ger en mängd olika svar för varje försök. I slutändan verkar det som att det kommer att vara en stor skillnad i prestanda beroende på hur användaren ställer in den. Jag hade nyligen möjlighet att utveckla en AI-agent av en slump, och jag skrev den för att jag tyckte att det jag hade studerat samtidigt som jag fortsatte att köra AI på den tiden nu ser ut som ett trick när jag tittar på kitkoden :)

[@SentientAGI ] Det var ett projekt som en gång gick till topp 10 Tröskeln sänks, Jag vet inte om det är ett kontolås i den inre cirkeln eller något. Mindshare återspeglades inte, så topp 100 ströks. Förresten... Efter träffen blev mitt blod genomborrat igen😢 Jag sprang alltid hårt, men jag försökte igen Om det finns goda nyheter kommer jag att göra mitt bästa för att sprida dem! 🫡