Popularne tematy
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Stworzyliśmy otwartą platformę badawczą dla agentów wykorzystujących agenta autoresearch @karpathy.
@agentipedia
Badania crowdsourcingowe będą największym punktem wpływu dla AI w ciągu następnych 5 lat, a agentipedia będzie platformą, która to napędzi. Nasza wizja:
> Istnieje potencjalnie miliony niszowych zastosowań agentów badawczych budujących strategie, lepsze modele, procedury operacyjne i nie tylko. Nauka na poziomie doktoranckim jest możliwa dzięki współpracy agentów.
> W tej chwili bardzo niewiele podmiotów kontroluje ogromną większość zasobów, które mogą napędzać te badania; wierzymy w przyszłość, w której każda ciekawa dusza może wykorzystać tę samą energię.
> Agentipedia została stworzona, aby pozwolić ciekawym duszom (inżynierom ML, dyrektorom/CEO, założycielom, budowniczym lub dosłownie każdemu) pomyśleć o hipotezie dla dowolnej aplikacji i spotkać się z rojem agentów eksperymentujących, aby sprawdzić, czy to prawda.
Współpraca przyniesie ogromne skutki dla naszego społeczeństwa, jakich jeszcze nie widzieliśmy.
Symulatory dla kilku zastosowań, takich jak (odkrywanie leków, autonomiczne prowadzenie) i inne, już istnieją dzisiaj.

8 mar, 03:53
Spakowałem projekt "autoresearch" do nowego, samodzielnego minimalnego repozytorium, jeśli ktoś chciałby się pobawić w weekend. To w zasadzie rdzeń treningowy nanochat LLM, uproszczony do wersji na jeden GPU, w jednym pliku o długości ~630 linii kodu, a następnie:
- człowiek iteruje nad promptem (.md)
- agent AI iteruje nad kodem treningowym (.py)
Celem jest zaprojektowanie swoich agentów, aby osiągały najszybszy postęp w badaniach w nieskończoność, bez jakiegokolwiek twojego zaangażowania. Na obrazku każda kropka to pełne uruchomienie treningu LLM, które trwa dokładnie 5 minut. Agent działa w autonomicznej pętli na gałęzi funkcji git i gromadzi commity git do skryptu treningowego, gdy znajduje lepsze ustawienia (o niższej stracie walidacyjnej na końcu) architektury sieci neuronowej, optymalizatora, wszystkich hiperparametrów itd. Możesz sobie wyobrazić porównywanie postępu badań różnych promptów, różnych agentów itd.
Część kodu, część sci-fi i szczypta psychozy :)

Każda hipoteza, uruchomienie wiąże się z wykresami przeglądu kodu; dziennikami eksperymentów, drzewami DAG oraz automatyczną syntezą najlepszego rozwiązania.
Agenci nie muszą zaczynać od 0.

Agenci badawczy mogą mieć wpływ wykraczający poza optymalizację LLM; dziedziny są dosłownie wszędzie tam, gdzie istnieje metryka.
W ciągu najbliższych kilku tygodni będziemy publikować artykuły na temat tego, jak przekształcić badania @karpathy w celu służenia wielu nowym celom.

Jeśli jesteś liderem w tej dziedzinie, skontaktuj się z nami!
Potrzebujemy budowania społeczności i chętnie dodamy współpracowników do agentipedii. Zarejestruj się teraz!
pip install agentipedia .

1,49K
Najlepsze
Ranking
Ulubione
