Je pensais avoir 1M de contexte dans Codex. Ensuite, j’ai remarqué que mon chat Astra affichait 172k utilisés sur 258k. La spécification API d’Astra mentionne bien 1,05M de jetons, mais Codex utilise par défaut une fenêtre de contexte plus petite. Dans ma configuration, la valeur par défaut était de 272 000 jetons. Avec le facteur de fenêtre utilisable de 95 % du client, cela explique les 258k affichés dans l’application. Le maximum dans mon catalogue de modèles locaux était de 872 000 jetons, ce qui correspond à environ 828k utilisables. Votre configuration peut avoir une limite différente, il est donc utile de faire vérifier par Codex avant de la modifier. Un compromis : conserver plus d’historique dans le contexte actif consomme davantage de votre quota. Élever la limite maximale ne fait pas en sorte que chaque requête utilise intégralement la fenêtre. Pour Codex connecté via ChatGPT, il n’existe pas de multiplicateur séparé pour le long contexte, mais le traitement de plus de jetons compte toujours. L’utilisation de votre propre clé API suit la tarification API. Si vous souhaitez la plus grande fenêtre prise en charge par votre configuration, collez ceci dans Codex : --------------------------- « Augmentez ma fenêtre de contexte Codex au maximum pris en charge par mon modèle actuellement sélectionné, mon compte et mon client. Inspectez la configuration utilisateur active, en respectant CODEX_HOME et toutes les surcharges de profil ou de projet effectives. Identifiez le modèle sélectionné et vérifiez son maximum spécifique au client à l’aide des métadonnées actuelles et officielles du modèle. Distinguez context_window par défaut de max_context_window. N’assumez pas 1M ni ne codez pas 872000. Si le maximum ne peut être vérifié, laissez le paramètre inchangé et expliquez pourquoi. Sauvegardez chaque fichier que vous modifiez. Préservez les paramètres, identifiants, fournisseur, modèle, vitesse, effort de raisonnement, visibilité Ultra et politiques d’autorisation non liés. Ne jamais afficher de secrets. Définissez model_context_window sur le maximum vérifié au niveau de configuration approprié. Dans la configuration utilisateur, il doit être une clé de niveau supérieur avant la première section. Mettez à jour une clé existante au lieu de la dupliquer. Vérifiez les surcharges de priorité supérieure et respectez les politiques gérées. Gardez la compactage automatique activé. Signalez tout seuil de compactage explicite existant séparément, sans inventer un nouveau seuil. Ne modifiez pas les catalogues de modèles ni ne contournez les limites. Validez la configuration et vérifiez que seuls les paramètres prévus ont changé. Ne redémarrez pas l’application ni n’interrompez les tâches en cours. Signalez l’emplacement de la sauvegarde, les modifications exactes et la fenêtre utilisable attendue. Utilisez effective_context_window_percent si les métadonnées le fournissent. Donnez des instructions de redémarrage et de vérification. Distinguez le paramètre enregistré de la limite réelle rapportée par un chat en cours d’exécution. » --------------------------- Après la fin de vos tâches actives, quittez complètement et rouvrez l’application, puis vérifiez l’indicateur de contexte. Si un chat existant conserve son ancienne limite, vérifiez un nouveau chat.

Toute personne ayant une question peut désormais effectuer des recherches réelles avec AIPOCH Open-Science. @aipoch_ai a publié la version 1.0.0, un atelier IA open-source qui conserve le code et les données derrière chaque résultat. Vous posez votre question en langage naturel, et l’IA effectue l’analyse dans un seul espace de travail. Chaque résultat reste lié aux entrées et au code qui l’ont généré, permettant à quiconque de vérifier ou de relancer l’analyse. Il est sous licence Apache 2.0 et vos projets restent sur votre propre machine. Des applications de bureau sont disponibles pour Mac et Windows, avec une prise en charge de Linux également. Vous choisissez le modèle, qu’il s’agisse de fournisseurs cloud ou d’un abonnement à Claude ou Codex. La recherche est transportée sous forme de package .science, que quelqu’un d’autre peut ouvrir et améliorer. Mon cas d’usage préféré dans la galerie effectue un backtest de 10 000 $ en NVIDIA contre le bitcoin et conserve chaque étape enregistrée : https://t.co/Oq1koKdlX9 Il occupe la première place sur le classement communautaire BiomniBench-DA Public 50 avec un score de 79,05. Sur ASI-Bench B1, il a obtenu 79,35 lors des tests effectués par AIPOCH, dépassant Codex sur le même modèle. Prépublication avec la spécification complète du .science : https://t.co/2UBuP16Rie Étoilez le dépôt et lancez votre première question ce soir : https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

NVIDIA et Arcee viennent d'expliquer pourquoi les entreprises ont opté pour des modèles ouverts À 43 minutes de la scène du World's Fair des ingénieurs en IA Ils voulaient un modèle qu'ils pouvaient exécuter eux-mêmes et avoir toujours accès à Les inscriptions Jev sont actuellement suspendues, et des copies ouvertes comme Kev fonctionnent déjà sur une GPU d'ordinateur portable Regardez-la, puis consultez le guide complet pour exécuter des modèles Jev ouverts sur votre propre GPU ci-dessous

LangChain a intégré Jev dans leur propre boucle d'agent et a montré les trois tâches qu'ils lui ont confiées. Lors de la démonstration, un LLM a mis environ 5 secondes pour déterminer si un texte contient des données personnelles, tandis que Jev a répondu immédiatement avec une précision de 98 %. Ainsi, leurs agents de codage peuvent demander à Jev la difficulté d'une tâche et réserver le modèle puissant pour les tâches les plus complexes. Le middleware en mode automatique demande à Jev si un appel d'outil est risqué et le bloque en temps réel — une vérification qu'elle avait désactivée car elle était auparavant trop lente. Le même modèle évalue la réponse d'un agent selon une grille : correct, correspond à la référence, fondé, cite une source. Mon guide pointe cette configuration vers des sources de recherche, avec une grille de pertinence de 0 à 3 sur 50 articles et une file d'attente pour les appels à faible confiance. Il vérifie également quels articles utiles le filtre a silencieusement archivés. Regardez la session, puis récupérez le modèle de départ et les invites ci-dessous.

Vibe coding est suffisamment rapide pour que vous puissiez terminer l’application tout en restant bloqué à créer la vidéo qui l’explique. C’est là que j’utiliserais @videoclawapp, qui lance publiquement son agent de création vidéo de bureau. Je commencerais avec les publications que j’ai déjà recherchées et écrites. Il y a de quoi transformer tout cela en vidéos. Il intègre un éditeur IA, un générateur vidéo et un créateur d’avatar dans une seule application pilotée par chat. L’IA automatise les tâches de production complexes, et vous effectuez des modifications précises via des demandes simples. Je préfère largement demander à l’outil de raccourcir l’introduction que de passer mon après-midi à comprendre comment le faire. Ce retour en arrière et en avant est ce qui rend la création vidéo semblable au vibe coding. Nous avons déjà vu cela avec les peintures acryliques, Photoshop, Canva et la génération d’images par IA. Abaissez la barrière, et plus de gens essaieront de créer eux-mêmes. Videoclaw apporte cela au vidéo pour les fondateurs, développeurs, marketeurs et tous ceux qui ont quelque chose à partager. Vous pouvez parler en vidéo, même sans le temps, les compétences ou l’équipe nécessaires pour gérer vous-même la production. « Content engineer » pourrait devenir un titre de poste parfaitement normal pour la prochaine génération de créateurs. Téléchargez l’application Mac sur https://t.co/I7KYl3p1mA, connectez votre ChatGPT ou Claude, et commencez à donner des instructions. D’autres plateformes arriveront prochainement. La bêta publique est gratuite et inclut 10 $ de crédits de génération IA. Les 300 premières personnes reçoivent 50 $ de crédits.

Amjad Masad, PDG de Replit : « Nous avons bouclé la boucle et nous avons un agent interne à Replit qui évolue constamment Replit Agent. » Chaque nuit, cet agent lit les traces des utilisateurs de Replit et ouvre une pull request avec des modifications de prompt pour les erreurs et les problèmes de sentiment qu’il détecte. Chaque PR est déployée en tant que test A/B, et le résultat détermine si Replit publie le changement ou le modifie. 46 minutes avec Jason Lemkin de SaaStr, dont l’agent 10K a envoyé 331 e-mails à des investisseurs de manière autonome. Regardez-le, puis copiez le prompt général de la boucle dans le guide ci-dessous.

Un adolescent apprend à conduire en quelques dizaines d'heures. Cela fonctionne parce qu'il a passé toute sa vie à observer les objets tomber et entrer en collision. Beaucoup de robots commencent sans aucune de cette expérience et apprennent chaque tâche à partir de milliers de démonstrations répétées, que l'équipe Odyssey appelle la force brute. Odyssey-3 de @odysseyml apprend plus comme l'adolescent. C'est un modèle mondial entraîné sur une énorme quantité de données visuelles du monde réel, donc il apprend d'abord la cause et l'effet ainsi que le comportement humain. Ensuite, quelques heures de données provenant d'une machine spécifique suffisent pour lui apprendre les commandes. Dans la démonstration, un seul modèle pilote un humanoïde, contrôle des bras robotiques, conduit une voiture, pilote un drone, joue à des jeux vidéo et forme d'autres IA. Ils l'appellent un agent physique, et il sera disponible au grand public dans les semaines à venir. Si cette approche tient bon, les retombées dépasseront largement les démonstrations. Les machines pourraient prendre en charge des emplois qui mettent les personnes en danger et aider aux tâches quotidiennes qui deviennent difficiles avec l'âge ou un handicap. Je suivrai attentivement son comportement une fois que des personnes extérieures à l'équipe pourront y avoir accès.

Ingénieur LangChain : « Si vous utilisez 100 000 jetons, même s’ils sont mis en cache, ce sont toujours 100 000 jetons » 50 minutes consacrées à comprendre pourquoi une petite tâche d’agent réenvoie constamment le même contexte à chaque requête. Manus appelle environ 50 outils par exécution, et chaque résultat de ces appels est transmis avec la requête suivante. Le cache réduit le taux de consommation de ces jetons, mais ne réduit jamais le nombre total. Surveillez cela, puis consultez le guide ci-dessous pour évaluer le coût d’une tâche terminée.

J'ai remarqué le compte karpathy dans la liste des contributeurs d'EvoMap AutoResearch. Ce qui a retenu mon attention dans la publication d'EvoMap, c'est la manière dont les échecs de test ont influencé la prochaine tentative de l'agent. https://t.co/7qWbs9v0xx

La plupart du staking implique un blocage avec des étapes supplémentaires. Cosmos Hub vous oblige à attendre 21 jours pour désigner. La file d'attente de sortie des validateurs d'ethereum a duré plusieurs semaines lorsque beaucoup de personnes ont cherché à sortir en même temps. Sui fonctionne avec des epochs de 24 heures. Mettez en staking maintenant, les récompenses commencent après le prochain epoch. Désactivez le staking, et le SUI devient liquide après le suivant. Environ un jour dans les deux sens. C'est le trajet aller-retour le plus court que j'aie vu sur une chaîne PoS majeure, et cela change la donne pour les petites positions. Le montant minimum en staking est de 1 SUI. L'APR du réseau est actuellement d'environ 1,47 % et varie selon les conditions en chaîne. Le staking sur Sui est non-custodial. Vos clés restent dans votre wallet, la délégation se fait sur la chaîne, et personne ne peut déplacer vos SUI sauf vous. La seule véritable décision à prendre est donc quel validateur reçoit votre staking. Un validateur qui tombe en panne ou est sanctionné réduit vos récompenses. @HashKeyCloud gère des validateurs sur plus de 40 chaînes sous HashKey Group, agréé à Hong Kong. Plus de 5 ans en ligne, 99,9 % de disponibilité, 0 sanction. Leur commission sur Sui est de 8 %, contre une moyenne du marché de 9 %, ce qui signifie que vous conservez davantage de récompenses qu'avec un validateur typique. Si vous souhaitez essayer : 1. Ouvrez un wallet Sui (Slush ou tout autre wallet principal) 2. Allez sur Earn, puis Staking, puis choisissez un validateur 3. Recherchez HashKey Cloud 4. Entrez le montant et confirmez Les récompenses commencent après le prochain epoch, environ un jour plus tard. Le montant total en staking, l'APY en direct et le nombre de délégués sont publiques ici : https://t.co/Oreh2KZX0J