CHROMA ĐÃ CÓ MẶT TRÊN GITHUB. BẠN CÓ THỂ CLONE, CHẠY BỘ QUÉT VÀ XEM CÁCH NÓ HOẠT ĐỘNG. Tôi đã công bố CHROMA v0.2: một công cụ nghiên cứu Solana mã nguồn mở với quét thị trường trực tiếp, tám kiểm tra có thể giải thích, hàng đợi mục tiêu được xếp hạng và lịch sử sự kiện cục bộ. https://t.co/2tmx1901C4 Bao gồm ba chế độ: → DEMO - hướng dẫn ngoại tuyến với các mục tiêu giả lập → SCAN - dữ liệu DEX Screener trực tiếp, xếp hạng ứng cử viên và quan sát lặp lại → TRADE - báo giá từ Jupiter, mô phỏng giao dịch và thực hiện hoán đổi được xác nhận rõ ràng Tám kiểm tra bao gồm: khả năng sẵn có giá, thanh khoản, khối lượng, hoạt động, áp lực mua, ổn định giá, tuổi cặp và tỷ lệ luân chuyển. Các ngưỡng được hiển thị và có thể cấu hình. Điểm số là bộ lọc nghiên cứu, không phải đảm bảo rằng token an toàn hoặc sinh lời. Mỗi quan sát được lưu giữ các phép đo, ngưỡng và thay đổi trạng thái cùng nhau. Bạn có thể xem lại lịch sử, thêm ghi chú và xuất bản ghi dưới dạng JSON hoặc Markdown. Việc quét yêu cầu Node.js 22+, không cần ví, khóa API hay cài đặt gói nào. Giao dịch có các phụ thuộc và thiết lập ví riêng. Việc quét không bao giờ đặt lệnh tự động; việc thực hiện yêu cầu một lệnh riêng biệt và xác nhận từng lệnh. Kho lưu trữ bao gồm hướng dẫn thiết lập, phương pháp, cấu hình, kiểm thử và ghi chú bảo mật. Giấp phép MIT. Hãy thử quy trình làm việc, xem xét các quy tắc và mở vấn đề nếu cần sửa đổi. Việc triển khai hiện đã công khai, bao gồm cả những phần đáng được đặt câu hỏi.

SỔ ĐIỆN TỬ TRÊN MÀN HÌNH CỦA CHROMA ĐÓNG Ở MỨC +28,64 SOL. 13 VỊ THẾ ĐÃ THANH TOÁN. 5 ỨNG VIÊN ĐÃ LỌC BỎ. Tôi đã tạo CHROMA để kết nối việc phát hiện token, tám kiểm tra song song và nhật ký quyết định theo dõi từng ứng viên qua giai đoạn vào, theo dõi và ra. Các con số đóng trong video: → Sổ phiên: +28,64 SOL → Vị thế đóng cuối cùng, OPAL: +5,22 SOL → Tín hiệu được phân tích: 2.520 → Vị thế đã thanh toán: 13 → Ứng viên đã lọc bỏ: 5 Quy trình giữ lại cả ứng viên được chọn và bị loại bỏ trong cùng một lịch sử. Mỗi kết quả cần được liên kết trở lại với các kiểm tra và quyết định đã diễn ra trước đó. Đây là các con số được hiển thị trong hoạt họa, không phải thu nhập giao dịch đã xác minh. Để xác định lợi nhuận ròng thực hiện, cần có hồ sơ thực hiện bao gồm chi phí, phí và tổn thất. Mục tiêu là làm cho con số này có thể giải thích được: những vị thế nào đóng góp, cái gì bị loại bỏ và cái gì còn lại sau khi thực hiện.

LEOPARD SCAN: 277,78 SOL → 310 SOL. +32,22 SOL. TĂNG 11,6% SO VỚI SỐ DƯ HIỂN THỊ. Tôi đã tạo Leopard Scan để theo dõi cơ hội, ưu tiên các ứng cử viên và làm cho lịch sử đằng sau mỗi mục tiêu có thể truy xuất được. Phiên giao dịch được ghi lại trong video: → Số dư ban đầu: 277,78 SOL → Số dư cuối cùng: 310,00 SOL → Lợi nhuận phiên hiển thị: +32,22 SOL → Tăng số dư: +11,6% → Số lần ghi lại: 5 Quy trình hoạt động gồm bốn nhiệm vụ chính: → SCAN – xác định các ứng cử viên đáng theo dõi → TRACK – duy trì trạng thái của chúng khi điều kiện thay đổi → PRIORITIZE – sắp xếp hàng đợi mục tiêu → RECORD – lưu lại trình tự sự kiện và kết quả Chế độ xem năm mục tiêu kết hợp giá trị ước tính, trạng thái theo dõi và lịch sử hoạt động. Mục tiêu là cho thấy lý do tại sao một đối tượng trở thành mục tiêu và điều gì đã xảy ra sau đó, thay vì chỉ để lại biểu đồ số dư như bằng chứng duy nhất. Đây là các con số hiển thị trên màn hình, không phải hồ sơ giao dịch đã được xác minh. Lợi nhuận ròng thực tế cần tính đến chi phí thực hiện, phí, tổn thất và bất kỳ khoản nạp hoặc rút nào. Kho GitHub và bộ quét đang hoạt động sẽ ra mắt sớm. Phiên bản phát hành sẽ đưa dự án đến giai đoạn thử nghiệm công khai, nơi có thể kiểm tra cách triển khai và đánh giá trực tiếp kết quả. Một bộ quét nên giành vị trí của mình thông qua kết quả có thể lặp lại, chứ không phải chỉ qua một ảnh chụp màn hình thuyết phục.

Cách dễ nhất để phá hủy một nhân vật kỹ thuật số là di chuyển camera lại gần hơn. Ở kích thước hình thu nhỏ, nụ cười và đường viền mềm mại sẽ làm phần lớn công việc. Khi phóng to, mọi sự rút gọn đều trở nên rõ ràng: lông phẳng, các sợi giống hệt nhau, chiếc khăn quàng trông như dán chặt vào cơ thể. Nghiên cứu chấm này đặt những chi tiết đó dưới kính hiển vi. → Nhìn – kiểm tra hình dạng và bề mặt → Chải – xác định hướng của các sợi lông → Tập trung – làm nổi bật từng sợi lông riêng lẻ → Dòng chảy – thêm chuyển động vào bộ lông → Kiểm tra – đánh giá đường viền và ranh giới → Giữ – duy trì trạng thái cho lần tiếp theo Chi tiết hữu ích là có bao nhiêu điều xảy ra mà không thay đổi biểu cảm. Bộ lông bắt ánh sáng, các sợi lông lỏng lẻo phá vỡ đường viền, và chiếc khăn hồng mang đến cho sự mềm mại một kết cấu khác biệt để tương phản. Giao diện ghi nhận bộ lông có 168k sợi. Dữ liệu giám sát của nó mang tính minh họa, vì vậy những con số này không phải là tiêu chuẩn hiệu suất. Những cảnh phóng to mới là những gì người xem thực sự có thể đánh giá. Nhiều chi tiết hơn không tự động tạo ra sự thuyết phục hơn. Nếu mọi thứ uốn cong cùng nhau, bắt ánh sáng giống nhau và di chuyển với cùng tốc độ, nó vẫn trông như một vật thể nhựa đơn lẻ. Một nhân vật bắt đầu cảm thấy sống động khi những phần nhỏ nhất của nó ngừng trông giống nhau.

Sam Altman đang theo dõi các nhà sáng tạo biến các lời nhắc thành các đợt phát hành có trả phí với Fanvue + Higgsfield, trong khi bạn đang sửa bản thứ 7 của một email hai dòng trên ChatGPT

$15.728 → $23.831 trong một phiên giao dịch. Ví bạn đang sao chép có thể là một bot. Tôi đã tạo một công cụ theo dõi miễn phí, trực tiếp từ chuỗi, để cho bạn biết liệu có an toàn khi làm theo hay không. Nó có tên là WolfBrain. Bàn làm việc của tôi chỉ theo dõi các ví cũ, yên lặng và vượt qua mọi kiểm tra. Clip này là sổ sách ghi lại phiên giao dịch đó. +$8.153, +52% Mua lớn → được ghi vào khối → xuất hiện trên màn hình của tôi → tôi nhìn thấy ví đằng sau nó Dán bất kỳ ví nào, nó sẽ cho bạn biết: sniper, flipper, accumulator, whale hay bot. Các đánh giá đến từ TypeSafe Jev. Mã trích xuất dữ liệu thực tế, Jev phân tích và nói rõ mức độ chắc chắn. Không cần kết nối ví, không cần khóa, không cần đăng ký. Dán ví mà bạn đã sao chép. Tôi tò mò không biết nó sẽ gọi ví của bạn là gì.

Người từng giúp xây dựng ChatGPT vừa huy động được 40 triệu USD cho một mô hình không thể viết được một câu duy nhất. Diogo Almeida từng làm việc tại OpenAI cho ChatGPT và InstructGPT. Sau hai năm bí mật, ngày 15 tháng 9, anh ấy ra mắt Jev. ChatGPT dạy các mô hình cách nói chuyện. Jev hoàn toàn không thể tạo văn bản. Nó chỉ làm một việc: đưa ra quyết định. Có hay không. Chọn phương án nào. Mức độ khẩn cấp thế nào. 70-500ms mỗi quyết định. $0,042 mỗi triệu token. Bây giờ hãy mở tác nhân của bạn. Mỗi khi nó hỏi “Nguồn này có liên quan không?” hay “Người lao động nào tiếp theo?”, nó sẽ trả tiền cho một mô hình tiên tiến để suy nghĩ thành lời về câu hỏi có/không. Đó là điểm lọt thông tin. Một nhà phát triển đã phân loại 500 email với chi phí chỉ 3,5 cent. Tổng cộng. Không phải mỗi email. Một người khác tích hợp nó vào sổ lệnh Monad trực tiếp. Một lệnh thực tế mỗi 300 miligiây. Trong bài kiểm tra của chính họ, Jev đạt độ chính xác tương đương với sự đồng thuận của mô hình tiên tiến ở mức 67,8% với chi phí $0,0004 mỗi trường hợp. GPT-5.6 Terra đạt 67,9% với chi phí $0,0304. Độ chính xác giống nhau. Rẻ hơn khoảng 76 lần. Mô hình viết và mô hình đưa ra quyết định không cần phải là cùng một mô hình.

MY TERMINAL ĐÃ TĂNG TỪ $5.007 LÊN $8.625 CHỈ TRONG VÀI GIỜ. 25 dấu hiệu xuất hiện. Tôi chọn 12 và bỏ qua 13. Những cái tôi bỏ qua là những cái ồn ào. Những cái tôi chọn đã ngủ yên suốt một năm, một trong số đó ngủ đông 363 ngày, và chúng bắt đầu di chuyển trước khi bất kỳ nguồn tin nào nói một lời. Các clip được giữ nhỏ một cách chủ ý. Tác động giá dưới hai phần trăm, nên không hành động nào của tôi xuất hiện trên sách lệnh trước khi được thực hiện. 83 phần trăm các lệnh thực hiện đều mang lại lợi nhuận. Những lệnh trượt giá thì chi phí thấp vì kích thước không bao giờ là trọng tâm. Lợi thế không phải là nhìn thấy nhiều hơn, mà là theo dõi các ví mà không ai để ý kể từ năm ngoái.

VÒNG LẶP LUÔN LÀ CÂU TRẢ LỜI. KHÔNG AI NÓI VỚI BẠN RẰNG NÓ CÓ THỂ LÀM BẠN PHÁ SẢN. Tôi đã nói điều này từ ngày đầu tiên: bạn ngừng yêu cầu, bắt đầu chạy vòng lặp. Các tác nhân thực hiện, hành động, xác minh, ghi nhớ, chuyển giao — và không bao giờ chờ bạn. Phần mà tôi chưa thể trả lời cho đến tận bây giờ: một vòng lặp chạy trong 8 giờ sẽ chết vì hóa đơn token tăng theo hàm bậc hai ngay từ giờ thứ hai. Mỗi bước đều đọc lại tất cả các bước trước đó. Bản ghi chép mới là thủ phạm. @Marko_Poly vừa mới viết ra giải pháp. Cùng nhiệm vụ, cùng mô hình: 1.062.387 token với toàn bộ lịch sử, chỉ 65.408 token với tệp trạng thái. Rẻ hơn 16 lần – và đạt điểm cao hơn. Bạn không chiến thắng trong thời đại vòng lặp bằng cách dùng mô hình lớn hơn. Bạn chiến thắng bằng cách trả tiền cho trạng thái, chứ không phải bản ghi chép. Vòng lặp của bạn đang trả tiền cho cái nào?

166.700 tế bào não ruồi giấm vừa điều khiển một chiếc drone FPV đâm vào tường. Cùng bộ não mô phỏng đó từng gõ FizzBuzz. Lần này, nó được trang bị bộ điều khiển. Nó gọi là FPV PILOT. NeuroMechFly đặt con ruồi lên một bộ điều khiển kiểu DJI. Các nơ-ron thị giác đọc tín hiệu từ drone – mắt trái ở 177 Hz, mắt phải ở 129 Hz. Các nơ-ron điều hướng đẩy cần điều khiển. Tốc độ tiến về phía trước: 1,49 m/s qua một thị trấn sa mạc bị phá hủy. Mỗi lần rẽ được giải mã trực tiếp từ các tế bào kích hoạt – 6.588 xung firing ở chế độ巡航. Sau 8,8 giây: một bức tường. Tại thời điểm va chạm, bộ não bùng sáng. 15.628 tế bào hoạt động, nhiều hơn gấp đôi so với chế độ巡航. Sau đó, tín hiệu chuyển sang đen ngòm. Mất tín hiệu. Tiến về phía trước: 0,00 m/s. Quay: 0,00 rad/s. 100 triệu năm tiến hóa để tránh vỗ ruồi. 9 giây trước một bức tường gạch.