Saya mengira saya memiliki konteks 1M di Codex. Kemudian saya menyadari obrolan Astra saya menunjukkan 172k telah digunakan dari 258k. Spesifikasi API Astra memang mencantumkan 1,05M token, tetapi Codex secara default dapat menggunakan jendela konteks yang lebih kecil. Dalam pengaturan saya, default-nya adalah 272.000 token. Dengan faktor jendela yang dapat digunakan 95% dari klien, itu menjelaskan angka 258k yang ditampilkan di aplikasi. Maksimum di katalog model lokal saya adalah 872.000 token, yang sesuai dengan sekitar 828k yang dapat digunakan. Pengaturan Anda mungkin memiliki batas berbeda, jadi sebaiknya biarkan Codex memeriksa terlebih dahulu sebelum mengubahnya. Salah satu komprominya: menyimpan lebih banyak riwayat dalam konteks aktif dapat menggunakan lebih banyak kuota Anda. Menaikkan batas atas saja tidak membuat setiap permintaan menghabiskan seluruh jendela. Untuk Codex yang masuk melalui ChatGPT, tidak ada multiplier konteks panjang terpisah, tetapi pemrosesan lebih banyak token tetap dihitung. Menggunakan kunci API Anda sendiri mengikuti harga API. Jika Anda ingin jendela terbesar yang didukung oleh pengaturan Anda, tempelkan ini ke dalam Codex: --------------------------- "Tingkatkan jendela konteks Codex saya ke maksimum yang didukung oleh model, akun, dan klien yang saat ini dipilih. Periksa konfigurasi pengguna aktif, dengan menghormati CODEX_HOME dan setiap override profil atau proyek yang berlaku. Identifikasi model yang dipilih dan verifikasi maksimum spesifik klien-nya menggunakan metadata model otoritatif saat ini. Bedaikan context_window default dari max_context_window. Jangan asumsikan 1M atau hardcode 872000. Jika maksimum tidak dapat diverifikasi, biarkan pengaturan tetap tidak berubah dan jelaskan. Buat cadangan setiap file yang Anda edit. Pertahankan pengaturan, kredensial, penyedia, model, kecepatan, upaya penalaran, visibilitas Ultra, dan kebijakan izin yang tidak terkait. Jangan pernah mencetak rahasia. Atur model_context_window ke maksimum yang telah diverifikasi pada cakupan konfigurasi yang tepat. Dalam konfigurasi pengguna, itu harus menjadi kunci tingkat atas sebelum bagian pertama. Perbarui kunci yang sudah ada alih-alih menduplikasinya. Periksa override dengan prioritas lebih tinggi dan hormati kebijakan yang dikelola. Jaga kompaksi otomatis tetap aktif. Laporkan ambang batas kompaksi eksplisit yang ada secara terpisah, jangan membuat ambang batas baru. Jangan mengubah katalog model atau melewati batasan. Validasi konfigurasi dan verifikasi bahwa hanya pengaturan yang dimaksudkan yang berubah. Jangan me-restart aplikasi atau mengganggu tugas yang sedang berjalan. Laporkan lokasi cadangan, perubahan tepatnya, dan jendela yang dapat digunakan yang diharapkan. Gunakan effective_context_window_percent jika metadata menyediakannya. Berikan instruksi restart dan verifikasi. Bedaikan pengaturan yang disimpan dari batas aktual yang dilaporkan oleh obrolan yang sedang berjalan." --------------------------- Setelah tugas aktif Anda selesai, keluar sepenuhnya dan buka kembali aplikasi, lalu periksa indikator konteks. Jika obrolan lama tetap menggunakan batas lamanya, periksa obrolan baru.

Siapa pun yang memiliki pertanyaan kini dapat melakukan penelitian nyata dengan AIPOCH Open-Science. @aipoch_ai meluncurkan versi 1.0.0, sebuah meja kerja AI open-source yang menyimpan kode dan data di balik setiap hasil. Anda bertanya dengan bahasa sehari-hari, dan AI menjalankan analisis dalam satu workspace. Setiap hasil tetap terkait dengan input dan kode yang membuatnya, sehingga siapa pun dapat memeriksa atau menjalankannya kembali. Ini berlisensi Apache 2.0 dan proyek Anda tetap berada di mesin Anda sendiri. Tersedia aplikasi desktop untuk Mac dan Windows, serta dukungan untuk Linux. Anda memilih model, mulai dari penyedia cloud hingga langganan Claude atau Codex. Penelitian dapat dibagikan sebagai paket .science yang dapat dibuka dan dikembangkan oleh orang lain. Kasus galeri favorit saya melakukan backtest $10.000 pada NVIDIA dibandingkan Bitcoin dan mencatat setiap langkahnya. https://t.co/Oq1koKdlX9 Peringkat #1 di BiomniBench-DA Public 50 dengan skor 79,05. Pada ASI-Bench B1, AIPOCH mencatat skor 79,35 dalam pengujian mereka sendiri, lebih tinggi daripada Codex pada model yang sama. Preprint dengan spesifikasi .science lengkap https://t.co/2UBuP16Rie Berikan bintang ke repositori dan jalankan pertanyaan pertama Anda malam ini. https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

NVIDIA dan Arcee baru saja menjelaskan mengapa perusahaan beralih ke model terbuka 43 menit dari panggung AI Engineer World's Fair Mereka menginginkan model yang bisa mereka jalankan sendiri dan selalu memiliki aksesnya Pendaftaran Jev kini dihentikan, dan salinan terbuka seperti Kev sudah berjalan di GPU laptop Tonton videonya, lalu baca panduan lengkap tentang menjalankan model Jev terbuka di GPU Anda sendiri di bawah ini

LangChain memasukkan Jev ke dalam loop agen mereka sendiri dan menunjukkan tiga tugas yang mereka berikan kepadanya. Dalam demo, sebuah LLM membutuhkan sekitar 5 detik untuk menentukan apakah teks tersebut mengandung PII, sedangkan Jev menjawab segera dengan akurasi 98%. Jadi, agen pemrograman mereka dapat bertanya kepada Jev seberapa sulit suatu tugas dan menyimpan model kuat untuk tugas-tugas yang sulit. Middleware mode otomatis mereka meminta Jev untuk menilai apakah panggilan alat berisiko dan memblokirnya secara real-time, sebuah pemeriksaan yang sebelumnya dimatikannya karena dulu terlalu lambat. Dan model yang sama menilai jawaban agen berdasarkan rubrik dalam evaluasi online: benar, sesuai dengan referensi, berdasarkan fakta, dan mengutip sumber. Panduan saya menunjukkan pengaturan ini pada sumber penelitian, dengan rubrik relevansi 0 hingga 3 atas 50 makalah dan antrian tinjauan untuk panggilan dengan tingkat kepercayaan rendah. Ini juga memeriksa makalah-makalah berguna yang secara diam-diam diarsipkan oleh filter. Tonton sesinya, lalu ambil starter dan prompt di bawah ini

vibe coding cukup cepat sehingga Anda bisa menyelesaikan aplikasinya, tetapi tetap terjebak membuat video penjelasannya. di situlah saya akan menggunakan @videoclawapp, yang sedang meluncurkan secara publik agen pembuat video desktop-nya. saya akan memulai dengan postingan yang sudah saya teliti dan tulis. ada banyak bahan di sana yang bisa diubah menjadi video. aplikasi ini menggabungkan editor AI, generator video, dan pembuat avatar dalam satu aplikasi yang dikendalikan via obrolan. AI mengotomatisasi tugas produksi yang kompleks, dan Anda melakukan penyuntingan tepat melalui permintaan sederhana. saya jauh lebih suka meminta aplikasi ini mempersingkat intro daripada menghabiskan sore saya mencari tahu caranya. interaksi bolak-balik inilah yang membuat membuat video terasa seperti vibe coding. kita sudah melihat ini dengan cat akrilik, Photoshop, Canva, dan generasi gambar AI. Turunkan hambatannya, dan lebih banyak orang akan mencoba membuat sesuatu sendiri. Videoclaw membawa hal ini ke dunia video untuk para pendiri, pengembang, pemasar, dan kita semua yang punya sesuatu untuk dibagikan. Anda bisa berbicara dalam bentuk video bahkan tanpa waktu, keterampilan, atau tim untuk menangani produksi sendiri. judul pekerjaan "content engineer" mungkin akan menjadi judul yang sangat normal bagi generasi kreator berikutnya. unduh aplikasi Mac di https://t.co/I7KYl3p1mA, hubungkan ChatGPT atau Claude Anda, dan mulailah memberikan perintah. Platform lain akan segera menyusul. beta publik dapat digunakan secara gratis, dengan kredit generasi AI senilai $10. 300 orang pertama mendapatkan kredit senilai $50.

CEO Replit, Amjad Masad: “Kami menutup siklus dan kami memiliki agen internal di Replit yang terus berkembang dalam Replit Agent” Setiap malam, agen ini membaca jejak dari pengguna Replit dan membuka pull request dengan perubahan prompt untuk kesalahan dan masalah sentimen yang ditemukannya Setiap PR dirilis sebagai uji coba A/B, dan hasilnya menentukan apakah Replit merilis perubahan tersebut atau mengeditnya 46 menit bersama Jason Lemkin dari SaaStr, yang agennya mengirim email ke 331 investor secara mandiri Tonton, lalu salin prompt siklus umum dari panduan di bawah ini

Seorang remaja belajar mengemudi dalam beberapa puluh jam. Itu berhasil karena mereka telah menghabiskan seumur hidup mereka menyaksikan benda-benda jatuh dan saling bertabrakan. Banyak robot memulai tanpa pengalaman semacam itu dan belajar setiap tugas dari ribuan demonstrasi berulang, yang tim Odyssey sebut sebagai kekuatan kasar. Odyssey-3 dari @odysseyml belajar lebih seperti remaja itu. Ini adalah model dunia yang dilatih dengan sejumlah besar data visual dari dunia nyata, sehingga ia mempelajari sebab-akibat dan cara manusia berperilaku terlebih dahulu. Kemudian, hanya beberapa jam data dari mesin tertentu sudah cukup untuk mengajarkan kendalinya. Dalam preview, satu model menggerakkan humanoid, mengendalikan lengan robot, mengemudikan mobil, menerbangkan drone, bermain game video, dan melatih AI lainnya. Mereka menyebutnya sebagai agen fisika, dan akan dirilis ke publik dalam beberapa minggu mendatang. Jika pendekatan ini bertahan, manfaatnya jauh melampaui demo. Mesin bisa mengambil alih pekerjaan yang berisiko bagi manusia dan membantu dalam tugas-tugas sehari-hari yang menjadi sulit seiring bertambahnya usia atau disabilitas. Saya akan memantau bagaimana kinerjanya ketika orang di luar tim mendapatkan akses kepadanya.

Insinyur LangChain: "Jika Anda menggunakan 100.000 token, bahkan jika sudah di-cache, tetap saja 100.000 token." 50 menit membahas mengapa satu tugas agen kecil terus mengirim ulang konteks yang sama di setiap permintaan. Manus memanggil sekitar 50 alat per jalankan, dan setiap hasilnya ikut serta dalam panggilan berikutnya. Cache mengurangi laju penggunaan token tersebut, tetapi tidak pernah mengurangi jumlah totalnya. Perhatikan hal ini, lalu baca panduan di bawah ini tentang penetapan harga satu tugas yang selesai.

Saya memperhatikan akun karpathy dalam daftar Kontributor EvoMap AutoResearch. Yang menarik perhatian saya dalam rilis EvoMap adalah bagaimana kegagalan pengujian membentuk upaya berikutnya dari agen tersebut. https://t.co/7qWbs9v0xx

Sebagian besar staking melibatkan masa penguncian dengan langkah tambahan. Cosmos Hub meminta Anda menunggu 21 hari untuk melepaskan staking. Antrian keluar validator ethereum bisa memakan waktu berminggu-minggu ketika banyak orang mencoba keluar sekaligus. Sui bekerja berdasarkan epoch 24 jam. Lakukan staking sekarang, imbalan akan mulai setelah epoch berikutnya. Lakukan unstake, dan SUI akan cair setelah epoch berikutnya. Sekitar satu hari dalam kedua arah. Ini adalah putaran terpendek yang pernah saya lihat di rantai PoS utama, dan ini mengubah perhitungan untuk posisi kecil. Jumlah staking minimum adalah 1 SUI. APR jaringan saat ini sekitar 1,47% dan berfluktuasi sesuai kondisi on-chain. Staking Sui bersifat non-kustodial. Kunci Anda tetap berada di dompet Anda, delegasi terjadi on-chain, dan tidak ada yang bisa memindahkan SUI Anda selain Anda. Jadi, satu-satunya keputusan nyata adalah validator mana yang akan menerima staking Anda. Validator yang offline atau mengalami slashing akan mengurangi imbalan Anda. @HashKeyCloud menjalankan validator di lebih dari 40 rantai di bawah HashKey Group, berlisensi di Hong Kong. Sudah aktif lebih dari 5 tahun, uptime 99,9%, dan tidak pernah mengalami slashing. Komisi Sui mereka adalah 8%, lebih rendah dari rata-rata pasar sebesar 9%, sehingga Anda mendapatkan lebih banyak imbalan dibandingkan dengan validator biasa. Jika Anda ingin mencobanya: 1. Buka dompet Sui (Slush atau dompet utama lainnya) 2. Pergi ke Earn, lalu Staking, lalu pilih validator 3. Cari HashKey Cloud 4. Masukkan jumlah dan konfirmasi Imbalan akan mulai setelah epoch berikutnya, sekitar satu hari kemudian. Total staking, APY aktif, dan jumlah delegator tersedia publik di sini: https://t.co/Oreh2KZX0J