Khi đọc bài viết về thịt xông khói bưởi, điều tôi nghĩ đến là @Infinit_Labs @Lombard_Finance như những người bạn đã nhận phần thưởng không rõ ràng trong thời kỳ vàng son của Yapping, thì giờ đây có cảm giác rằng họ mới thực sự bước vào thời kỳ hoàng kim. Sự chuyển giao thế hệ từ cũ Yapping sang mới Yapping (?) đang diễn ra rất mạnh mẽ gần đây, nhưng mà... phần thưởng thì vẫn là phần thưởng, nhưng... không còn hương vị như trước? Trong tình huống này, thực sự phần thưởng cho những người bạn không thể tỏa sáng trong thế hệ cũ Yapping (thế hệ vàng) đã trở nên rất rất rất lớn trong mùa 2, 3 hiện tại. ---- Chỉ riêng phần thưởng $IN, theo tiêu chí 500 người hàng đầu, thì lượng phần thưởng khoảng gấp đôi, phần thưởng $BARD cũng giảm mạnh số lượng xuống chỉ còn 100 người mỗi tháng, do đó phần thưởng cho mỗi người trở nên rất lớn. Thậm chí cả hai đều không phải là những thứ được tạo ra từ sự kỳ vọng, mà thực sự có sản phẩm, hoạt động tốt và đang tạo ra lợi nhuận. Phần thưởng, thời gian, số lượng đều được xác định rõ ràng và chưa từng vi phạm lời hứa. (Thực tế, trong trường hợp @Lombard_Finance, họ còn đưa phần thưởng sớm hơn.) ---- Ôi, tôi nhớ quá... Nhưng tôi cũng rất đồng cảm với những gì bưởi nói... Thực tế, cho đến bây giờ, phần thưởng lớn đến mức bất thường là đúng. Khi mà trước đây nhận được hàng triệu mỗi tháng, giờ chỉ còn hàng trăm nghìn thì thấy buồn. Nhưng có phải vì vậy mà không làm nữa không? Điều đó thì không phải đâu, haha...

Khám phá ROMA của Sentient Khi nhìn vào bảng xếp hạng của @SentientAGI, tôi thấy chất lượng bài viết cũng rất quan trọng. Vì vậy, tôi sẽ viết về ROMA, mà tôi nghĩ là có công nghệ cao nhất tại Sentient. 1. ROMA không phải là một mô hình AI. - ROMA chính xác là một Multi-agent, tức là một khung làm việc mà nhiều AI agent hoạt động theo cách phân cấp và đệ quy, tham khảo giá trị của từng agent để đưa ra câu trả lời có độ tin cậy và độ chính xác cao nhất. Khi xem Readme trên GitHub, bạn có thể thấy mối quan hệ cơ bản của các mã nguồn, và chúng ta thường sử dụng API key của các mô hình AI như GPT, Gemini. 2. Vậy điểm mấu chốt là gì? - Chính là sự phân chia vai trò của bốn yếu tố: Atomizer, Executor, Planner, Aggregator. Khi một nhiệm vụ được giao, nó sẽ quyết định xử lý một cách đơn lẻ hay nhiều cách (Atomizer), sau đó quyết định cách giải quyết (Planner), thực hiện theo kế hoạch (Executor) và cuối cùng tổng hợp lại (Aggregator) để trả về câu trả lời. Ngoài ra, có thể chọn thêm bước xác minh (Verifier) để kiểm tra câu trả lời. 3. Chỉ sử dụng một mô hình thôi sao? - Không phải. Nếu tham khảo mã Quickstart, bạn sẽ thấy rằng tất cả các mô hình đều được chỉ định riêng biệt, ngoại trừ Executor (ví dụ: gpt-4o-mini, gemini-2.5-flash). Như vậy, không phải chỉ một mô hình mà là nhiều mô hình được sử dụng để đưa ra câu trả lời tốt nhất. 4. Câu trả lời có luôn giống nhau không? - Cũng không phải. Kết quả thực thi cho một nhiệm vụ của mỗi mô hình AI là khác nhau và phụ thuộc vào cách điều chỉnh các tham số, tức là cách fine-tuning. Ví dụ, tham số Temperature là một trong những tham số điển hình có giá trị từ 0-2, trong đó càng gần 0 thì câu trả lời càng nhất quán, còn càng gần 2 thì mỗi lần thực hiện sẽ cho ra các câu trả lời khác nhau. Cuối cùng, cách người dùng thiết lập điều này sẽ tạo ra sự khác biệt lớn về hiệu suất. Gần đây, tôi tình cờ có cơ hội phát triển AI agent và trong quá trình đó, tôi đã học được nhiều điều khi chạy AI, và giờ nhìn vào mã GitHub, tôi cảm thấy có thể viết ra những gì mình đã học được :)

[@SentientAGI ] Đã từng là một dự án lọt vào top 10 nhưng ngưỡng đã giảm xuống và không biết có phải là khóa tài khoản của inner circle hay không, nhưng Mindshare không được phản ánh nên đã rơi ra khỏi top 100. Nhưng... sau buổi meetup, lại có dấu hiệu hồi phục rồiㅠㅠ Luôn nỗ lực hết mình nhưng sẽ cố gắng hơn nữa để nếu có tin tốt sẽ chia sẻ thật nhiều! 🫡