Saya sangka saya mempunyai 1M konteks dalam Codex. Kemudian saya perhatikan chat Astra saya menunjukkan 172k telah digunakan daripada 258k. Spesifikasi API Astra memang menyenaraikan 1.05M token, tetapi Codex boleh menggunakan tetingkap konteks yang lebih kecil secara lalai. Dalam tetapan saya, lalainya ialah 272,000 token. Dengan faktor tetingkap boleh digunakan 95% daripada klien, ia menjelaskan 258k yang ditunjukkan dalam aplikasi. Maksimum dalam katalog model tempatan saya ialah 872,000 token, yang sepadan dengan kira-kira 828k yang boleh digunakan. Tetapan anda mungkin mempunyai had yang berbeza, jadi patutlah Codex menyemak sebelum mengubahnya. Salah satu kompromi: menyimpan sejarah lebih banyak dalam konteks aktif boleh menggunakan lebih banyak kuota anda. Menaikkan had sahaja tidak menjadikan setiap permintaan menggunakannya keseluruhan tetingkap. Untuk Codex yang log masuk melalui ChatGPT, tiada multiplier konteks panjang yang berasingan, tetapi pemprosesan lebih banyak token masih dihitung. Menggunakan kekunci API anda sendiri mengikuti harga API. Jika anda ingin tetingkap terbesar yang disokong oleh tetapan anda, tampal ini ke dalam Codex: --------------------------- "Tingkatkan tetingkap konteks Codex saya kepada maksimum yang disokong oleh model, akaun, dan klien yang dipilih semasa saya. Semak konfigurasi pengguna aktif, menghormati CODEX_HOME dan sebarang penggantian profil atau projek yang berkesan. Kenal pasti model yang dipilih dan sahkan maksimum khusus klien menggunakan metadata model berkuasa semasa. Beza antara context_window lalai dengan max_context_window. Jangan andaikan 1M atau tetapkan 872000 secara keras. Jika maksimum tidak boleh disahkan, biarkan tetapan tidak berubah dan terangkan. Buat sandaran setiap fail yang anda sunting. Kekalkan tetapan, kredensial, penyedia, model, kelajuan, usaha penalaran, kelihatan Ultra, dan dasar kebenaran yang tidak berkaitan. Jangan cetak rahsia. Tetapkan model_context_window kepada maksimum yang disahkan pada skop konfigurasi yang sesuai. Dalam konfigurasi pengguna, ia mesti menjadi kunci aras atas sebelum bahagian pertama. Kemas kini kunci yang sedia ada bukannya menduplikasikannya. Semak untuk penggantian berkuasa lebih tinggi dan hormati dasar yang dikelola. Kekalkan pemadatan automatik diaktifkan. Laporkan ambang pemadatan eksplisit yang sedia ada secara berasingan bukannya mencipta ambang baru. Jangan ubah katalog model atau melintasi had. Sahkan konfigurasi dan pastikan hanya tetapan yang dimaksudkan berubah. Jangan mulakan semula aplikasi atau ganggu tugas yang sedang berjalan. Laporkan lokasi sandaran, perubahan tepat, dan tetingkap boleh digunakan yang dijangka. Gunakan effective_context_window_percent apabila metadata menyediakannya. Berikan arahan memulakan semula dan penyemakan. Beza antara tetapan yang disimpan dengan had sebenar yang dilaporkan oleh chat yang sedang berjalan." --------------------------- Selepas tugas aktif anda selesai, tutup sepenuhnya dan buka semula aplikasi, kemudian semak penunjuk konteks. Jika chat sedia ada kekal dengan had lamanya, semak chat baharu.

Sesiapa yang mempunyai soalan kini boleh melakukan penyelidikan sebenar dengan AIPOCH Open-Science. @aipoch_ai telah melancarkan versi 1.0.0, sebuah meja kerja AI sumber terbuka yang menyimpan kod dan data di sebalik setiap keputusan. Anda bertanya dalam perkataan biasa, dan AI akan menjalankan analisis dalam satu ruang kerja. Setiap keputusan tetap dikaitkan dengan input dan kod yang menghasilkannya, jadi sesiapa sahaja boleh memeriksa atau menjalankan semula. Ia adalah Apache 2.0 dan projek anda kekal di mesin anda sendiri. Terdapat aplikasi desktop untuk Mac dan Windows, dengan penyokongan Linux juga. Anda pilih model, dari penyedia awan hingga langganan Claude atau Codex. Penyelidikan bergerak sebagai pakej .science yang boleh dibuka dan dibangunkan oleh orang lain. Kes galeri kesukaan saya menguji semula $10,000 dalam NVIDIA berbanding bitcoin dan menyimpan setiap langkah secara rekod. https://t.co/Oq1koKdlX9 Ia menduduki tempat #1 dalam penarafan komuniti BiomniBench-DA Public 50 dengan skor 79.05. Pada ASI-Bench B1, ia mendapat skor 79.35 dalam larian AIPOCH sendiri, lebih tinggi daripada Codex pada model yang sama. Preprint dengan spesifikasi .science penuh https://t.co/2UBuP16Rie Bintangkan repositori dan jalankan soalan pertama anda malam ini. https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

NVIDIA dan Arcee baru sahaja menjelaskan mengapa syarikat berpindah ke model terbuka 43 minit dari pentas AI Engineer World's Fair Mereka ingin model yang boleh mereka jalankan sendiri dan sentiasa mempunyai akses kepadanya Pendaftaran Jev kini dihentikan, dan salinan terbuka seperti Kev sudah berjalan pada GPU laptop Tontonnya, kemudian baca panduan penuh tentang menjalankan model Jev terbuka pada GPU anda sendiri di bawah

LangChain meletakkan Jev di dalam gelung agen mereka sendiri dan menunjukkan tiga tugas yang mereka berikan kepadanya. Dalam demo, model LLM mengambil kira-kira 5 saat untuk menentukan sama ada teks tersebut mengandungi PII, dan Jev menjawab segera dengan 98%. Oleh itu, agen pemrograman mereka boleh bertanya kepada Jev seberapa sukar suatu tugas dan menyimpan model berkuasa untuk tugas-tugas yang sukar sahaja. Middleware mod auto mereka bertanya kepada Jev sama ada panggilan alat berisiko dan menghalangnya semasa berjalan, pemeriksaan yang telah dia matikan kerana dahulunya terlalu perlahan. Dan model yang sama menilai jawapan agen berdasarkan rubrik dalam penilaian dalam talian: betul, sepadan dengan rujukan, berasaskan, dan mengutip sumber. Panduan saya menunjukkan pengaturan ini pada sumber penyelidikan, dengan rubrik kepentingan 0 hingga 3 meliputi 50 kertas dan siri semakan untuk panggilan dengan keyakinan rendah. Ia juga memeriksa kertas-kertas berguna yang disimpan secara senyap oleh penapis. Tonton sesi ini, kemudian ambil pemula dan petikan di bawah

vibe coding cukup pantas sehingga anda boleh menyelesaikan aplikasi dan masih terperangkap dalam membuat video yang menjelaskannya. di sinilah saya akan gunakan @videoclawapp, yang sedang melancarkan agen penciptaan video desktop secara awam. saya akan bermula dengan post yang sudah saya teliti dan tulis. terdapat banyak bahan di sana yang boleh diubah menjadi video. ia membawa penyunting AI, penghasil video, dan pembuat avatar dalam satu aplikasi yang dikendalikan melalui chat. AI mengautomatikan tugas penghasilan yang kompleks, dan anda membuat suntingan tepat melalui permintaan mudah. saya lebih suka meminta ia memendekkan pengenalan daripada menghabiskan petang saya mencari cara melakukannya. perbincangan dua hala inilah yang menjadikan penciptaan video terasa seperti vibe coding. Kita telah melihat ini dengan cat akrilik, Photoshop, Canva, dan penghasilan imej AI. Kurangkan halangan dan lebih ramai orang mencuba membuat sesuatu sendiri. Videoclaw membawa pendekatan ini kepada video untuk pendiri, pembangun, pemasar, dan semua orang lain yang mempunyai sesuatu untuk dikongsi. Anda boleh berbicara dalam bentuk video walaupun tiada masa, kemahiran, atau pasukan untuk mengendalikan penghasilan sendiri. “content engineer” mungkin akan menjadi tajuk jawatan yang biasa bagi generasi pencipta seterusnya. Muat turun aplikasi Mac di https://t.co/I7KYl3p1mA, sambungkan ChatGPT atau Claude anda, dan mulakan memberi arahan. Lebih banyak platform akan datang segera. Beta awam percuma digunakan, dengan kredit penghasilan AI sebanyak $10. 300 orang pertama mendapat kredit sebanyak $50.

CEO Replit, Amjad Masad: “Kami menutup lingkaran itu dan kami mempunyai agen dalaman di Replit yang terus memperkembangkan Replit Agent.” Setiap malam, agen ini membaca jejak daripada pengguna Replit dan membuka permintaan tarik dengan perubahan prompt bagi ralat dan isu perasaan yang ditemui. Setiap PR dihantar sebagai ujian A/B, dan keputusannya menentukan sama ada Replit melancarkan perubahan itu atau mengeditnya. 46 minit bersama Jason Lemkin dari SaaStr, yang agennya 10K menghantar e-mel kepada 331 pelabur secara sendiri. Tonton ia, kemudian salin prompt lingkaran umum daripada panduan di bawah

Seorang remaja belajar memandu dalam beberapa puluh jam sahaja. Ia berjaya kerana mereka telah menghabiskan seumur hidup mereka memperhatikan benda-benda jatuh dan bertumbukan antara satu sama lain. Banyak robot bermula tanpa sebarang pengalaman semacam itu dan belajar setiap tugas daripada ribuan demonstrasi berulang, yang dipanggil oleh pasukan Odyssey sebagai kekuatan kasar. Odyssey-3 dari @odysseyml belajar lebih seperti remaja itu. Ia adalah model dunia yang dilatih dengan jumlah besar data visual dari dunia nyata, jadi ia terlebih dahulu memahami sebab-akibat dan bagaimana manusia bertindak. Kemudian, beberapa jam data daripada mesin tertentu sudah cukup untuk mengajarinya kawalan. Dalam pra-paparan, satu model mengendalikan humanoid, mengawal lengan robot, memandu kereta, menerbangkan drone, bermain permainan video, dan melatih AI lain. Mereka memanggilnya sebagai agen fizik, dan ia akan dilancarkan kepada umum dalam beberapa minggu mendatang. Jika pendekatan ini berkesan, manfaatnya melampaui sekadar demonstrasi. Mesin boleh mengambil alih pekerjaan yang membahayakan manusia dan membantu dengan tugas harian yang menjadi sukar seiring penuaan atau kecacatan. Saya akan memantau bagaimana ia berprestasi apabila orang luar pasukan mendapat akses kepadanya.

Jurutera LangChain: "Jika anda menggunakan 100,000 token, walaupun ia disimpan dalam cache, ia masih 100,000 token." 50 minit membincangkan mengapa satu tugas agen kecil terus menghantar konteks yang sama dalam setiap permintaan. Manus memanggil sekitar 50 alat setiap kali berjalan, dan setiap hasilnya dibawa bersama dalam panggilan seterusnya. Cache mengurangkan kadar token tersebut, tetapi tidak pernah mengurangkan jumlahnya. Perhatikan ini, kemudian baca panduan di bawah mengenai penentuan harga satu tugas yang selesai.

Saya memperhatikan akaun karpathy dalam senarai Kontributor EvoMap AutoResearch. Apa yang menarik perhatian saya dalam pelancaran EvoMap adalah bagaimana kegagalan ujian membentuk cubaan seterusnya agen tersebut. https://t.co/7qWbs9v0xx

Sebahagian besar staking melibatkan tempoh penguncian dengan langkah tambahan. Cosmos Hub memerlukan anda menunggu 21 hari untuk membatalkan delegasi. Antrean keluar validator ethereum telah berlarutan selama berminggu-minggu apabila ramai orang keluar serentak. Sui beroperasi dengan epoch 24 jam. Bertaruh sekarang, ganjaran bermula selepas epoch seterusnya. Batalkan staking, dan SUI akan cair selepas epoch seterusnya. Lebih kurang sehari dalam kedua-dua arah. Ini adalah pusingan terpendek yang pernah saya lihat pada rantai PoS utama, dan ia mengubah perhitungan untuk kedudukan kecil. Jumlah staking minimum ialah 1 SUI. APR rangkaian kini sekitar 1.47% dan berubah mengikut keadaan di atas rantai. Staking Sui adalah bukan kustodian. Kunci anda kekal di dompet anda, delegasi berlaku di atas rantai, dan tiada siapa pun boleh memindahkan SUI anda selain anda. Oleh itu, keputusan sebenar satu-satunya ialah validator mana yang akan menerima staking anda. Validator yang offline atau disanksi akan mengurangkan ganjaran anda. @HashKeyCloud mengendalikan validator di lebih 40 rantai di bawah Kumpulan HashKey, berlesen di Hong Kong. Telah aktif selama 5+ tahun, uptime 99.9%, tiada slashing. Komisen Sui mereka ialah 8%, berbanding purata pasaran 9%, jadi anda kekal dengan lebih banyak ganjaran berbanding validator biasa. Jika anda ingin mencuba: 1. Buka dompet Sui (Slush atau mana-mana dompet utama) 2. Pergi ke Earn, kemudian Staking, kemudian pilih validator 3. Cari HashKey Cloud 4. Masukkan jumlah dan sahkan Ganjaran bermula selepas epoch seterusnya, lebih kurang sehari kemudian. Jumlah staking, APY semasa, dan bilangan delegator adalah awam di sini: https://t.co/Oreh2KZX0J