Я думал, что у меня 1 млн контекста в Codex. Затем я заметил, что в моём чате Astra отображается 172K использовано из 258K. В спецификации API Astra указано 1,05 млн токенов, но Codex по умолчанию может использовать меньшее окно контекста. В моей настройке значение по умолчанию составляло 272 000 токенов. С учётом коэффициента 95% доступного окна клиента это объясняет значение 258K, отображаемое в приложении. Максимальное значение в моём локальном каталоге моделей — 872 000 токенов, что соответствует примерно 828K доступных. В вашей настройке может быть другое ограничение, поэтому стоит проверить это в Codex перед изменением. Один из компромиссов: сохранение большего объёма истории в активном контексте потребляет больше вашего лимита. Повышение потолка само по себе не означает, что каждый запрос будет использовать всё окно. Для Codex, вошедшего через ChatGPT, отдельного множителя для длинного контекста нет, но обработка большего числа токенов всё равно учитывается. Использование собственного ключа API подчиняется тарифам API. Если вы хотите использовать максимальное окно, поддерживаемое вашей настройкой, вставьте это в Codex: --------------------------- "Увеличьте окно контекста Codex до максимального, поддерживаемого моей текущей выбранной моделью, аккаунтом и клиентом. Проверьте активную конфигурацию пользователя, учитывая CODEX_HOME и любые действующие переопределения профиля или проекта. Определите выбранную модель и проверьте её клиентско-специфичный максимум с использованием текущих авторитетных метаданных модели. Различайте default_context_window и max_context_window. Не предполагайте значение 1M или жёстко кодируйте 872000. Если максимальное значение не может быть подтверждено, оставьте настройку без изменений и объясните почему. Создайте резервную копию каждого редактируемого файла. Сохраняйте все другие настройки, учётные данные, провайдера, модель, скорость, усилие рассуждения, видимость Ultra и политики разрешений. Никогда не выводите секреты. Установите model_context_window в подтверждённое максимальное значение на соответствующем уровне конфигурации. В пользовательской конфигурации он должен быть ключом верхнего уровня до первой секции. Обновите существующий ключ, а не дублируйте его. Проверьте наличие переопределений с более высоким приоритетом и соблюдайте управляемые политики. Сохраните включённую автоматическую компактизацию. Отдельно сообщите о существующем явном пороге компактизации, не придумывая новый порог. Не изменяйте каталоги моделей и не обходите ограничения. Проверьте конфигурацию и убедитесь, что изменились только намеренные параметры. Не перезапускайте приложение и не прерывайте выполняющиеся задачи. Сообщите расположение резервной копии, точные изменения и ожидаемое доступное окно. Используйте effective_context_window_percent, если он указан в метаданных. Укажите инструкции по перезапуску и проверке. Различайте сохранённую настройку и фактический лимит, сообщаемый работающим чатом." --------------------------- После завершения ваших активных задач полностью закройте и повторно откройте приложение, затем проверьте индикатор контекста. Если существующий чат сохраняет старое ограничение, проверьте новый чат.

Любой, у кого есть вопрос, теперь может проводить настоящие исследования с помощью AIPOCH Open-Science. @aipoch_ai выпустил версию 1.0.0 — открытую рабочую среду для ИИ, которая сохраняет код и данные, лежащие в основе каждого результата. Вы задаёте вопрос простыми словами, а ИИ выполняет анализ в одном рабочем пространстве. Каждый результат остаётся привязанным к входным данным и коду, которые его породили, поэтому любой может проверить или запустить его заново. Проект лицензирован под Apache 2.0, и ваши проекты остаются на вашем собственном компьютере. Существуют десктопные приложения для Mac и Windows, а также поддержка Linux. Вы выбираете модель — от облачных провайдеров до подписки на Claude или Codex. Исследование передаётся в виде пакета .science, который другой человек может открыть и развивать. Мой любимый пример из галереи: бэктестинг $10 000 в NVIDIA против bitcoin с полной фиксацией каждого шага. https://t.co/Oq1koKdlX9 Он занимает первое место в общественном рейтинге BiomniBench-DA Public 50 с результатом 79,05. В тестах ASI-Bench B1 в собственных запусках AIPOCH получил 79,35 — выше, чем Codex на той же модели. Препринт с полным описанием формата .science: https://t.co/2UBuP16Rie Поставьте звёздочку репозиторию и запустите свой первый запрос сегодня вечером: https://t.co/p6qqQQHKtJ #AI4Science #OpenScience

NVIDIA и Arcee только что объяснили, почему компании перешли на открытые модели 43 минуты со сцены AI Engineer World's Fair Им нужна была модель, которую они могли бы запускать самостоятельно и всегда иметь доступ к ней Регистрации на Jev сейчас приостановлены, а открытые копии, такие как Kev, уже работают на GPU ноутбука Посмотрите видео, а затем прочитайте полное руководство по запуску открытых моделей Jev на вашем собственном GPU ниже

LangChain встроила Jev в свой собственный агентный цикл и показала три задачи, которые они ей поручили. В демо LLM занимал около 5 секунд, чтобы определить, содержит ли текст PII, а Jev ответила мгновенно с точностью 98%. Таким образом, их кодирующие агенты могут спрашивать Jev, насколько сложна задача, и сохранять мощную модель для самых сложных случаев. Их промежуточное ПО в автономном режиме спрашивает Jev, является ли вызов инструмента рискованным, и блокирует его во время выполнения — проверку, которую она ранее отключила, потому что раньше она работала слишком медленно. Та же модель оценивает ответ агента по критериям в онлайн-тестах: правильно, соответствует эталону, обоснованно, ссылается на источник. Мой гид указывает на эту настройку в исследовательских источниках: шкала релевантности от 0 до 3 по 50 статьям и очередь на проверку вызовов с низкой уверенностью. Он также проверяет, какие полезные статьи фильтр тихо архивировал. Посмотрите сессию, затем скачайте стартовый шаблон и промпты ниже.

vibe coding настолько быстр, что ты можешь закончить приложение и всё ещё застрять, снимая видео, которое его объясняет. вот тут я бы использовал @videoclawapp — он публично запускает свой десктопный агент для создания видео. я бы начал с постов, которые уже исследовал и написал. Там достаточно материала, чтобы превратить его в видео. Он объединяет AI-редактор, генератор видео и создателя аватара в одном чат-ориентированном приложении. ИИ автоматизирует сложные задачи производства, а вы вносите точные правки через простые запросы. Я намного предпочитаю попросить его сократить вступление, чем тратить весь послеобеденный час на разбор того, как это сделать. Именно этот диалог делает создание видео похожим на vibe coding. Мы уже видели это с акриловыми красками, Photoshop, Canva и генерацией изображений с помощью ИИ: чем ниже барьер, тем больше людей пробуют создавать что-то самостоятельно. Videoclaw приносит это же в мир видео для основателей, разработчиков, маркетологов и всех остальных, кто хочет что-то поделиться. Вы можете «говорить» видео, даже не имея времени, навыков или команды для самостоятельной обработки. «Content engineer» может стать совершенно обычной должностью для следующего поколения создателей. Скачайте приложение для Mac по ссылке https://t.co/I7KYl3p1mA, подключите ChatGPT или Claude и начните давать запросы. В ближайшее время появятся и другие платформы. Публичная бета-версия бесплатна и включает $10 кредитов на генерацию ИИ. Первым 300 пользователям дают $50 кредитов.

Генеральный директор Replit, Амджад Масад: «Мы замкнули цикл: внутри Replit есть агент, который постоянно совершенствует Replit Agent». Каждую ночь этот агент анализирует трассировки пользователей Replit и открывает запрос на слияние с изменениями в промптах для выявленных ошибок и проблем с тональностью. Каждый запрос на слияние запускается как A/B-тест, и результат определяет, выпустит ли Replit это изменение или отредактирует его. 46 минут с Джейсоном Лемкином из SaaStr, чей агент 10K самостоятельно отправил письма 331 инвестору. Посмотрите это, затем скопируйте общий шаблон цикла из руководства ниже

Подросток учится водить за несколько десятков часов. Это работает, потому что он всю жизнь наблюдал, как предметы падают и сталкиваются друг с другом. Многие роботы начинают без этого и осваивают каждую задачу на основе тысяч повторяющихся демонстраций, что команда Odyssey называет методом «грубой силы». Odyssey-3 от @odysseyml учится больше похоже на подростка. Это модель мира, обученная на огромном объеме визуальных данных из реального мира, поэтому она сначала учит причинно-следственные связи и поведение людей. Затем несколько часов данных от конкретного устройства достаточно, чтобы научить ее управлять им. В превью одна модель управляет гуманоидом, контролирует роботизированные руки, ведет автомобиль, управляет дроном, играет в видеоигры и обучает другие ИИ. Они называют это физическим агентом, и он выйдет в публичный доступ в ближайшие недели. Если этот подход окажется устойчивым, его преимущества выйдут далеко за рамки демонстраций. Машины смогут брать на себя задачи, связанные с риском для людей, и помогать с повседневными делами, которые становятся трудными с возрастом или инвалидностью. Я буду следить за тем, как он справится, когда люди вне команды получат к нему доступ.

Инженер LangChain: «Если вы используете 100 000 токенов, даже если они закэшированы, это всё равно 100 000 токенов». 50 минут на то, почему одна небольшая задача агента постоянно повторно отправляет один и тот же контекст в каждом запросе. Manus вызывает около 50 инструментов за один запуск, и результаты каждого из них передаются вместе со следующим вызовом. Кэширование снижает скорость потребления токенов, но не уменьшает их общее количество. Следите за этим, затем прочитайте руководство ниже о ценообразовании одной завершённой задачи.

Я заметил аккаунт karpathy в списке участников EvoMap AutoResearch. То, что привлекло мое внимание в релизе EvoMap, — как сбои в тестах повлияли на следующую попытку агента. https://t.co/7qWbs9v0xx

Большинство стейкингов предполагают блокировку с дополнительными шагами. Cosmos Hub требует ожидания 21 дня для разблокировки. Очередь выхода валидаторов ethereum достигала нескольких недель, когда множество пользователей одновременно решали выйти. Sui использует 24-часовые эпохи. Стейкайте сейчас — награды начнутся после следующей эпохи. Разблокируйте — SUI станет ликвидным после следующей эпохи. Примерно день в обе стороны. Это самый короткий цикл, который я видел на крупной PoS-цепочке, и это меняет расчеты для небольших позиций. Минимальный стейк — 1 SUI. APR сети сейчас около 1,47% и колеблется в зависимости от условий в цепочке. Стейкинг Sui является некастодиальным. Ваши ключи остаются в вашем кошельке, делегирование происходит на цепочке, и никто, кроме вас, не может перемещать ваши SUI. Таким образом, единственное реальное решение — выбрать, какому валидатору вы делегируете свой стейк. Валидатор, который выходит из сети или подвергается штрафу, лишает вас наград. @HashKeyCloud управляет валидаторами более чем на 40 цепочках в рамках HashKey Group, лицензированной в Гонконге. Более 5 лет в работе, 99,9% времени безотказной работы, 0 штрафов. Их комиссия за Sui составляет 8%, против среднерыночных 9%, поэтому вы сохраняете больше наград, чем при использовании типичного валидатора. Если хотите попробовать: 1. Откройте кошелек Sui (Slush или любой другой популярный) 2. Перейдите в раздел «Зарабатывать», затем «Стейкинг», выберите валидатора 3. Найдите HashKey Cloud 4. Введите сумму и подтвердите Награды начнутся после следующей эпохи — примерно через день. Общая сумма стейка, текущий APY и количество делегаторов доступны здесь: https://t.co/Oreh2KZX0J