Pensé que tenía 1M de contexto en Codex. Luego noté que mi chat de Astra mostraba 172k utilizados de 258k. La especificación de la API de Astra sí lista 1.05M de tokens, pero Codex puede usar una ventana de contexto más pequeña por defecto. En mi configuración, el valor predeterminado era de 272,000 tokens. Con el factor de ventana utilizable del 95% del cliente, eso explica los 258k mostrados en la aplicación. El máximo en mi catálogo de modelos locales era de 872,000 tokens, lo que corresponde a aproximadamente 828k utilizables. Tu configuración puede tener un límite diferente, por lo que vale la pena que Codex lo verifique antes de cambiarlo. Una compensación: mantener más historial en el contexto activo puede consumir más de tu límite. Aumentar el techo solo no hace que cada solicitud consuma toda la ventana. Para Codex iniciado sesión a través de ChatGPT, no hay un multiplicador separado para contexto largo, pero procesar más tokens aún cuenta. Usar tu propia clave de API sigue la tarificación de la API. Si deseas la ventana más grande que tu configuración admite, pega esto en Codex: --------------------------- "Aumenta mi ventana de contexto de Codex al máximo admitido por mi modelo actualmente seleccionado, cuenta y cliente. Inspecciona la configuración activa del usuario, respetando CODEX_HOME y cualquier sobrescritura efectiva de perfil o proyecto. Identifica el modelo seleccionado y verifica su máximo específico del cliente utilizando los metadatos actuales y autorizados del modelo. Distingue el context_window predeterminado del max_context_window. No asumas 1M ni codifiques 872000. Si no se puede verificar el máximo, deja la configuración sin cambios y explica. Haz una copia de seguridad de cada archivo que edites. Preserva la configuración, credenciales, proveedor, modelo, velocidad, esfuerzo de razonamiento, visibilidad Ultra y políticas de permisos no relacionadas. Nunca imprimes secretos. Establece model_context_window en el máximo verificado en el ámbito de configuración adecuado. En la configuración del usuario, debe ser una clave de nivel superior antes de la primera sección. Actualiza una clave existente en lugar de duplicarla. Verifica las sobrescrituras de mayor prioridad y respeta las políticas gestionadas. Mantén la compactación automática habilitada. Informa cualquier umbral de compactación explícito existente por separado en lugar de inventar un nuevo umbral. No modifiques catálogos de modelos ni evites límites. Valida la configuración y verifica que solo los ajustes previstos hayan cambiado. No reinicies la aplicación ni interrumpas tareas en curso. Informa la ubicación de la copia de seguridad, los cambios exactos y la ventana utilizable esperada. Usa effective_context_window_percent cuando los metadatos lo proporcionen. Proporciona instrucciones de reinicio y verificación. Distingue la configuración guardada del límite real informado por un chat en ejecución." --------------------------- Después de que terminen tus tareas activas, cierra completamente y vuelve a abrir la aplicación, luego verifica el indicador de contexto. Si un chat existente mantiene su límite antiguo, revisa un chat nuevo.

Cualquier persona con una pregunta ahora puede realizar investigación real con AIPOCH Open-Science. @aipoch_ai lanzó la versión 1.0.0, un entorno de trabajo de IA de código abierto que mantiene el código y los datos detrás de cada resultado. Haces preguntas en lenguaje sencillo y la IA ejecuta el análisis en un solo espacio de trabajo. Cada resultado permanece vinculado a las entradas y el código que lo generaron, por lo que cualquiera puede verificarlo o volver a ejecutarlo. Es bajo licencia Apache 2.0 y tus proyectos permanecen en tu propia máquina. Hay aplicaciones de escritorio para Mac y Windows, con soporte también para Linux. Tú eliges el modelo, desde proveedores en la nube hasta una suscripción a Claude o Codex. La investigación se transmite como un paquete .science que otra persona puede abrir y desarrollar. Mi caso favorito en la galería realiza un backtest de $10,000 en NVIDIA frente al bitcoin y registra cada paso. https://t.co/Oq1koKdlX9 Ocupa el puesto #1 en la clasificación comunitaria BiomniBench-DA Public 50 con una puntuación de 79.05. En ASI-Bench B1 obtuvo 79.35 en los propios experimentos de AIPOCH, por encima de Codex en el mismo modelo. Preimpresión con la especificación completa del .science https://t.co/2UBuP16Rie Marca el repositorio con una estrella y ejecuta tu primera pregunta esta noche. https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

NVIDIA y Arcee acaban de explicar por qué las empresas se pasaron a modelos abiertos. A 43 minutos del escenario de la Feria Mundial de Ingenieros de IA. Querían un modelo que pudieran ejecutar por sí mismos y al que siempre tuvieran acceso. Las inscripciones a Jev están pausadas ahora, y copias abiertas como Kev ya funcionan en una GPU de portátil. Míralo, luego lee la guía completa sobre cómo ejecutar modelos abiertos de Jev en tu propia GPU a continuación.

LangChain integró a Jev dentro de su propio ciclo de agente y mostró los tres trabajos que le asignaron. En la demostración, un LLM tardó aproximadamente 5 segundos en determinar si un texto contiene PII, y Jev respondió inmediatamente con un 98%. Por lo tanto, sus agentes de codificación pueden preguntarle a Jev qué tan difícil es una tarea y reservar el modelo potente para las más complejas. Su middleware en modo automático le pregunta a Jev si una llamada a herramienta es riesgosa y la bloquea en tiempo real, una verificación que ella había desactivado porque antes era demasiado lenta. Y el mismo modelo califica la respuesta de un agente según una rúbrica en evaluaciones en línea: correcta, coincide con la referencia, fundamentada, cita una fuente. Mi guía señala esta configuración en fuentes de investigación, con una rúbrica de relevancia de 0 a 3 sobre 50 artículos y una cola de revisión para las llamadas con baja confianza. También verifica qué artículos útiles el filtro archivó silenciosamente. Mire la sesión, luego obtenga el inicio y los prompts a continuación.

vibe coding es lo suficientemente rápido como para que termines la app y aún así te quedes atascado haciendo el video que la explica. ahí es donde yo usaría @videoclawapp, que está lanzando públicamente su agente de creación de video para escritorio. empezaría con publicaciones que ya he investigado y escrito. hay suficiente material allí para convertir en videos. pone un editor de IA, generador de video y creador de avatares en una sola app impulsada por chat. La IA automatiza tareas de producción complejas, y tú haces ediciones precisas mediante solicitudes simples. preferiría mucho pedirle que acorte la introducción que pasar la tarde intentando averiguar cómo hacerlo. Ese intercambio es lo que hace que crear videos se sienta como vibe coding. Ya hemos visto esto con pinturas acrílicas, Photoshop, Canva y la generación de imágenes por IA. Baja la barrera y más personas intentan crear algo por sí mismas. Videoclaw lleva eso al video para fundadores, desarrolladores, marketineros y el resto de nosotros que tenemos algo que compartir. Puedes hablar en video incluso sin el tiempo, las habilidades o el equipo necesarios para manejar la producción tú mismo. “content engineer” podría convertirse en un título de trabajo perfectamente normal para la próxima generación de creadores. Descarga la app para Mac en https://t.co/I7KYl3p1mA, conecta tu ChatGPT o Claude y comienza a hacer prompts. Pronto llegarán más plataformas. La beta pública es gratuita y viene con $10 en créditos de generación por IA. Los primeros 300 usuarios reciben $50 en créditos.

El CEO de Replit, Amjad Masad: “Cerramos el ciclo y tenemos un agente interno en Replit que está evolucionando constantemente al Replit Agent”. Cada noche, ese agente lee los registros de los usuarios de Replit y abre una solicitud de extracción con cambios en los prompts para los errores y problemas de sentimiento que detecta. Cada PR se implementa como una prueba A/B, y el resultado determina si Replit lanza el cambio o lo modifica. 46 minutos con Jason Lemkin de SaaStr, cuyo agente 10K envió por correo electrónico 331 inversores por sí solo. Míralo, luego copia el prompt general del ciclo de la guía a continuación

Un adolescente aprende a conducir en unas pocas docenas de horas. Eso funciona porque ha pasado toda su vida observando cómo las cosas caen y chocan entre sí. Muchos robots comienzan sin ninguna de esa experiencia y aprenden cada tarea a partir de miles de demostraciones repetidas, lo que el equipo de Odyssey llama fuerza bruta. Odyssey-3 de @odysseyml aprende más como el adolescente. Es un modelo de mundo entrenado con una enorme cantidad de datos visuales del mundo real, por lo que primero aprende causa y efecto y cómo se comportan las personas. Luego, unas pocas horas de datos de una máquina específica son suficientes para enseñarle los controles. En la previsualización, un solo modelo controla un humanoide, mueve brazos robóticos, conduce un automóvil, vuela un dron, juega videojuegos y entrena otras IA. Lo llaman un agente físico, y se lanzará al público en las próximas semanas. Si el enfoque se mantiene, el beneficio va mucho más allá de las demostraciones. Las máquinas podrían asumir trabajos que ponen en riesgo a las personas y ayudar con tareas cotidianas que se vuelven difíciles con la edad o la discapacidad. Voy a observar cómo se desempeña una vez que personas externas al equipo tengan acceso a él.

Ingeniero de LangChain: “Si estás utilizando 100 000 tokens, incluso si están en caché, siguen siendo 100 000 tokens”. 50 minutos dedicados a explicar por qué una pequeña tarea de agente sigue reenviando el mismo contexto en cada solicitud. Manus llama aproximadamente 50 herramientas por ejecución, y cada uno de esos resultados se incluye en la siguiente llamada. La caché reduce la tasa de esos tokens, pero nunca reduce el conteo. Observa esto, luego lee la guía a continuación sobre cómo calcular el precio de una tarea finalizada.

Noté la cuenta de karpathy en la lista de colaboradores de EvoMap AutoResearch. Lo que llamó mi atención en el lanzamiento de EvoMap fue cómo los fallos en las pruebas moldearon el siguiente intento del agente. https://t.co/7qWbs9v0xx

La mayoría del stake implica un periodo de bloqueo con pasos adicionales. Cosmos Hub te obliga a esperar 21 días para desvincular. La cola de salida de validadores de ethereum ha llegado a durar semanas cuando muchas personas intentan salir al mismo tiempo. Sui funciona con epoches de 24 horas. Haz stake ahora, los recompensas comenzarán después del próximo epoch. Deshaz el stake, y el SUI estará líquido después del siguiente. Aproximadamente un día en ambas direcciones. Es el viaje de ida y vuelta más corto que he visto en una cadena PoS importante, y cambia la ecuación para posiciones pequeñas. El stake mínimo es de 1 SUI. El APR de la red es actualmente de alrededor del 1,47% y fluctúa según las condiciones en cadena. El stake en Sui es no custodial. Tus claves permanecen en tu monedero, la delegación ocurre en cadena, y nadie puede mover tus SUI excepto tú. Por lo tanto, la única decisión real es qué validador recibe tu stake. Un validador que se desconecte o sea penalizado reduce tus recompensas. @HashKeyCloud opera validadores en más de 40 cadenas bajo HashKey Group, con licencia en Hong Kong. Más de 5 años en operación, 99,9% de tiempo de actividad y 0 penalizaciones. Su comisión en Sui es del 8%, frente a un promedio del mercado del 9%, por lo que conservas más de las recompensas que con un validador típico. Si deseas probarlo: 1. Abre un monedero Sui (Slush o cualquiera principal) 2. Ve a Earn, luego Staking, y elige un validador 3. Busca HashKey Cloud 4. Ingresa la cantidad y confirma Las recompensas comenzarán después del próximo epoch, aproximadamente un día después. El stake total, el APY en vivo y el número de delegadores son públicos aquí: https://t.co/Oreh2KZX0J