Naniniwala akong may 1M na context ako sa Codex. Pagkatapos ay napansin kong nagpapakita ang Astra chat ng 172k na ginamit sa 258k. Ang Astra's API specification ay listahan ang 1.05M na tokens, ngunit ang Codex ay maaaring gumamit ng mas maliit na context window bilang default. Sa aking setup, ang default ay 272,000 na tokens. Sa pamamagitan ng 95% na usable-window factor ng client, nalalaman ko kung bakit ipinapakita ang 258k sa app. Ang pinakamataas na halaga sa aking lokal na model catalog ay 872,000 na tokens, na tumutugma sa halos 828k na usable. Ang iyong setup ay maaaring magkaroon ng iba’t ibang limitasyon, kaya mahalaga na hayaan ang Codex na i-check bago baguhin ito. Isang tradeoff: ang pagpapanatili ng higit pang kasaysayan sa aktibong context ay maaaring gumamit ng higit sa iyong allowance. Ang pagtaas ng ceiling ay hindi nangangahulugang bawat request ay magkakaroon ng buong window. Para sa Codex na naka-sign in sa pamamagitan ng ChatGPT, walang hiwalay na long-context multiplier, ngunit ang pagproseso ng higit pang tokens ay patuloy na kumikita. Ang paggamit ng iyong sariling API key ay sumusunod sa API pricing. Kung nais mong gamitin ang pinakamalaking window na suportado ng iyong setup, i-paste ang sumusunod sa Codex: --------------------------- "Palakasin ang aking Codex context window sa pinakamataas na suportado ng aking kasalukuyang napiling model, account, at client. Suriin ang aktibong user configuration, sumunod sa CODEX_HOME at anumang epektibong profile o project overrides. Tukuyin ang napiling model at patunayan ang kanyang client-specific maximum gamit ang kasalukuyang awtoritatibong model metadata. Ihiwalay ang default context_window mula sa max_context_window. Huwag mag-assume ng 1M o hardcode ang 872000. Kung ang maximum ay hindi ma-verify, panatilihin ang setting na nakapag-iisa at ipaliwanag. Gumawa ng backup ng bawat file na iyong i-edit. Panatilihin ang mga di-kaugnay na settings, credentials, provider, model, speed, reasoning effort, Ultra visibility, at permission policies. Huwag mag-print ng secrets. Itakda ang model_context_window sa napatunayang maximum sa tamang configuration scope. Sa user config, dapat ito ay isang top-level key bago ang unang section. I-update ang umiiral na key sa halip na mag-duplicate. Suriin ang mas mataas na priority overrides at sundin ang mga managed policies. Panatilihin ang automatic compaction na naka-enable. I-report ang anumang umiiral na explicit compaction threshold nang hiwalay sa halip na lumikha ng bagong threshold. Huwag baguhin ang model catalogs o bypassin ang mga limitasyon. I-validate ang configuration at patunayan na tanging ang inaasahang settings ang nagbago. Huwag i-restart ang app o i-interrupt ang mga tumatagal na gawain. I-report ang backup location, eksaktong mga pagbabago, at inaasahang usable window. Gamitin ang effective_context_window_percent kung ibinibigay ito ng metadata. Bigyan ng mga instruksyon para sa restart at verification. Ihiwalay ang nakapag-iisang setting mula sa tunay na limitasyon na ipinapakita ng isang tumatakbo na chat." --------------------------- Pagkatapos matapos ang iyong aktibong gawain, buong pagsara at buksan muli ang app, pagkatapos ay suriin ang context indicator. Kung nananatili ang isang umiiral na chat sa nakaraang limitasyon, suriin ang isang bagong chat.

Sino man ang may katanungan ay maaari ngayong gawin ang totoong pananaliksik gamit ang AIPOCH Open-Science @aipoch_ai ay inilabas ang bersyon 1.0.0, isang open-source AI workbench na nagpapanatili ng code at data sa likod ng bawat resulta Ipinapakita mo sa simpleng salita at ang AI ay tumatakas ng analisis sa isang workspace Ang bawat resulta ay nananatiling kinalaanan sa mga input at code na naglikha nito, kaya maaaring suriin o muli itong patakbuhin ng sinuman Ito ay Apache 2.0 at nananatili ang iyong mga proyekto sa iyong sariling machine Mayroon kang desktop apps para sa Mac at Windows, kasama na rin ang Linux Pipili ka ng model, mula sa cloud providers hanggang sa isang Claude o Codex subscription Ang pananaliksik ay naglalakbay bilang isang .science package na maaaring buksan at pagbutihin ng iba Ang aking paborito ay ang gallery case na nag-backtest ng $10,000 sa NVIDIA kumpara sa bitcoin at nagpapanatili ng bawat hakbang sa tala Nakarating ito sa #1 sa BiomniBench-DA Public 50 community ranking may 79.05 score Sa ASI-Bench B1, nakakuha ito ng 79.35 sa sariling pagpapatakbo ng AIPOCH, mas mataas kaysa sa Codex sa parehong model Preprint na may buong .science spec https://t.co/2UBuP16Rie I-star ang repo at patakbuhin ang iyong unang katanungan ngayong gabi https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

Nilinaw ng NVIDIA at Arcee kung bakit umalis ang mga kumpanya patungo sa mga bukas na modelo 43 minuto mula sa pahina ng AI Engineer World's Fair Gusto nila ang isang modelo na maaari nilang i-run mismo at may palaging akses Nakapause na ang mga pagpaparehistro sa Jev, at ang mga bukas na kopya tulad ng Kev ay naka-run na sa laptop GPU Suriin ito, pagkatapos ay basahin ang buong gabay sa pagpapatakbo ng mga bukas na Jev modelo sa iyong sariling GPU sa ibaba

Isinama ng LangChain si Jev sa kanilang sariling agent loop at ipinakita ang tatlong gawain na ibinigay nila sa kanya. Sa demo, kumuha ng 5 segundo ang isang LLM upang sabihin kung ang isang teksto ay naglalaman ng PII, at agad na sumagot si Jev na may 98%. Kaya ang kanilang coding agents ay maaaring magtanong kay Jev kung gaano kalala ang isang gawain at i-save ang makapangyarihang model para sa mga mahirap na gawain. Ang kanilang auto mode middleware ay tumatanong kay Jev kung ang isang tool call ay may panganib at itinigil ito sa runtime, isang pagsusuri na isinara niya dahil dating sobrang mabagal ito. At ang parehong model ay nagtatasa ng sagot ng agent batay sa isang rubric sa online evals: tama, tumutugma sa reference, nakabatay sa katotohanan, at binanggit ang pinagkukunan. Ipinuntirya ng aking gabay ang setup na ito sa mga sanggunian sa pananaliksik, na may rubric na 0 hanggang 3 na kahalagahan sa 50 na papel at isang review queue para sa mga tawag na mababang tiwala. Kasama rin nito ang pagsusuri kung aling mga kapaki-pakinabang na papel ang tinago ng filter nang tahimik. Suriin ang sesyon, tapos kunin ang starter at ang mga prompt sa ibaba

Ang vibe coding ay sapat na mabilis upang matapos ang app at magpatuloy pa ring nakakapit sa paggawa ng video na nagpapaliwanag dito. Dito ko gagamitin ang @videoclawapp, na papanoorin nito ang desktop video creation agent. Iisipin ko muna ang mga post na naman ay aking sinuri at isinulat. Marami naman dito na maaaring i-convert sa mga video. Isinasama nito ang AI editor, video generator, at avatar maker sa isang app na drive ng chat. Ang AI ay awtomatikong nagpapadali ng mga kumplikadong gawain sa produksyon, at ikaw ay gumagawa ng tumpak na pagbabago sa pamamagitan ng simpleng mga hiling. Mas pipiliin kong sabihin sa ito na i-shorten ang intro kaysa mag-spent ng hapon para malaman kung paano ito gawin. Ang back-and-forth na ito ang nagiging dahilan kung bakit ang paggawa ng video ay parang vibe coding. Nakita natin ito sa acrylic paints, Photoshop, Canva, at AI image generation. Bawasan mo ang hadlang at mas maraming tao ang susubok na gumawa ng sarili nilang bagay. Dinala ng Videoclaw ito sa video para sa mga founder, developer, marketer, at iba pa na may kailangang i-share. Maaari kang mag-speak ng video kahit wala kang oras, kasanayan, o tim na makakatulong sa produksyon. Maaaring maging normal na job title ang content engineer para sa susunod na henerasyon ng mga creator. I-download ang Mac app sa https://t.co/I7KYl3p1mA, i-connect ang ChatGPT o Claude mo, at magsimula na mag-prompt. Darating pa ang iba pang mga platform. Ang public beta ay libreng gamitin, kasama ang $10 sa AI generation credits. Ang unang 300 tao ay makakatanggap ng $50 credits.

Ang CEO ng Replit, Amjad Masad: “Nagtapos kami ng loop at mayroon kaming agent sa loob ng Replit na patuloy na umuunlad ang Replit Agent.” Bawat gabi, ang agent na ito ay bumabasa ng mga trace mula sa mga user ng Replit at nagbubukas ng pull request na may mga pagbabago sa prompt para sa mga error at mga isyu sa damdamin na natuklasan nito. Bawat PR ay ipinapadala bilang A/B test, at ang resulta ang desisyong magpapahintulot sa Replit na ilabas ang pagbabago o baguhin ito. 46 minuto kasama ni SaaStr’s Jason Lemkin, kung saan ang kanyang agent ay nag-email nang 10K sa 331 na investor nang sarili nito. Tingnan ito, tapos kopyahin ang pangkalahatang loop prompt mula sa gabay sa ibaba

Isang kabataan ay natututo magmamaneho sa ilang dozeng oras. Nakakatulong ito dahil ginawa niya ang buong buhay niyang nakakakita ng mga bagay na bumabagsak at nagkakasalubong. Maraming robot ay nagsisimula nang walang anumang ganitong karanasan at natututo bawat gawain mula sa libu-libong paulit-ulit na demo, na tinatawag ng koponan ng Odyssey bilang brute force. Ang Odyssey-3 mula sa @odysseyml ay natututo nang parang kabataan. Ito ay isang world model na pinagsanay sa isang malaking amount ng visual data mula sa totoong mundo, kaya natututo muna ito ng cause and effect at kung paano umuugali ang mga tao. Pagkatapos, sapat na ang ilang oras ng data mula sa isang partikular na makina upang turuan ito ng mga kontrol. Sa preview, isang model ang nagpapagana sa isang humanoid, kinokontrol ang mga robot arm, nagmamaneho ng kotse, lumulupad ng drone, naglalaro ng mga video game, at pinagsanay ang iba pang AIs. Tinatawag nila itong physics agent, at magiging public ito sa mga darating na linggo. Kung mananatili ang paraan na ito, ang benepisyo ay lalampas sa mga demo. Maaaring takasan ng mga makina ang mga trabaho na nagdudulot ng panganib sa mga tao at makatulong sa mga pang-araw-araw na gawain na naging mahirap dahil sa edad o kapansanan. Papansin ko kung paano ito gagana kapag makakakuha ng access ang mga tao labas sa koponan.

Engineer ng LangChain: “Kung gumagamit ka ng 100,000 na tokens, kahit na naka-cache, patuloy pa ring 100,000 ang mga tokens.” 50 minuto tungkol sa bakit patuloy na nagpapadala ng parehong konteksto sa bawat kahilingan ng isang maliit na agent task. Tumatawag ang Manus ng humigit-kumulang 50 na mga tool bawat pagpapatakbo, at ang bawat resulta ay kasama sa susunod na kahilingan. Ang caching ay bumababa sa rate ng mga tokens pero hindi nagbababa sa bilang. Pansinin ito, pagkatapos ay basahin ang gabay sa ibaba tungkol sa pagpaprisa ng isang natapos na task.

Nakita ko ang account ni karpathy sa listahan ng Mga Kontribyutor ng EvoMap AutoResearch. Ang nagpapansin sa akin sa paglabas ni EvoMap ay kung paano ang pagkabigo sa pagsubok ang nagbigay-daan sa susunod na pagkakataon ng agent. https://t.co/7qWbs9v0xx

Ang karamihan sa staking ay may lockup kasama ang karagdagang hakbang. Ang Cosmos Hub ay nagpapahintulot sa iyo na maghintay ng 21 araw para mag-unbond. Ang validator exit queue ng Ethereum ay naging ilang linggo nang maraming tao ang tumungo sa pinto nang sabay-sabay. Ang Sui ay gumagamit ng 24-orang epochs. Mag-stake ka ngayon, ang mga reward ay magsisimula pagkatapos ng susunod na epoch. Mag-unstake ka, at ang SUI ay maging liquid pagkatapos ng susunod na epoch. Halos isang araw sa parehong direksyon. Ito ang pinakamaikling round trip na nakikita ko sa isang pangunahing PoS chain, at ito ang nagbabago sa pagkalkula para sa maliit na position. Ang minimum stake ay 1 SUI. Ang network APR ay umiikot sa paligid ng 1.47% sa kasalukuyan at lumulutang batay sa on-chain conditions. Ang Sui staking ay non-custodial. Ang iyong mga key ay nananatili sa iyong wallet, ang delegation ay nangyayari on-chain, at walang makakagalaw ng iyong SUI kundi ikaw lamang. Kaya ang tanging totoong desisyon ay kung aling validator ang makakatanggap ng iyong stake. Ang isang validator na nagsasara o nagsasailalim sa slashing ay kumakain ng iyong mga reward. Ang @HashKeyCloud ay nagpapatakbo ng mga validator sa 40+ na chains ilalim ng HashKey Group, na may lisensya sa Hong Kong. 5+ taon nang aktibo, 99.9% uptime, 0 slashing. Ang kanilang Sui commission ay 8%, kumpara sa market average na 9%, kaya mas marami kang matitira sa iyong mga reward kaysa sa isang karaniwang validator. Kung gusto mong subukan ito: 1. Buksan ang isang Sui wallet (Slush o anumang pangunahing wallet) 2. Pumunta sa Earn, pagkatapos ay Staking, at piliin ang isang validator 3. Hanapin ang HashKey Cloud 4. I-enter ang amount at i-confirm Magsisimula ang mga reward pagkatapos ng susunod na epoch, halos isang araw pagkatapos. Ang kabuuang stake, live APY, at bilang ng delegator ay publiko rito: https://t.co/Oreh2KZX0J