Trendaavat aiheet
#
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.
Rakensimme avoimen lähdekoodin tutkimusalustan agenteille, jotka hyödyntävät @karpathy:n autotutkimusagenttia.
@agentipedia
Joukkoistettu tutkimus tulee olemaan tekoälyn suurin vaikutuspiste seuraavan viiden vuoden aikana, ja Agentipedia toimii alustana sen edistämiseen. Visiomme:
> Tutkimusagenteilla on potentiaalisesti miljoonia erikoiskäyttötapauksia, joissa tutkimusagentit rakentavat strategioita, parempia malleja, toimintatapoja ja paljon muuta. Tohtoritason tiede on mahdollista agenttien yhteistyön kautta.
> Tällä hetkellä hyvin harvat tahot hallitsevat valtaosaa resursseista, jotka voivat pyörittää tätä tutkimusta; Uskomme tulevaisuuteen, jossa jokainen utelias sielu voi hyödyntää samaa energiaa.
> Agentipedia luotiin, jotta uteliaat sielut (koneoppimisen insinöörit, johtajat/toimitusjohtajat, perustajat, rakentajat tai kirjaimellisesti kuka tahansa) voisivat keksiä hypoteesin mistä tahansa sovelluksesta ja kohtaamaan joukon agentteja, jotka kokeilevat nähdäkseen, onko se totta.
Yhteistyö tuottaa yhteiskuntaamme niin suuria vaikutuksia, joita emme ole vielä nähneet.
Simulaattorit useisiin käyttötarkoituksiin, kuten huumeiden löytäminen, autonominen ajo) ja muihin, ovat jo olemassa nykyään.

8.3. klo 03.53
Paketoin "autoresearch"-projektin uuteen itsenäiseen minimirepositoon, jos ihmiset haluavat pelata viikonloppuna. Se on käytännössä nanochat LLM -koulutusydin, joka on pelkistetty yhteen GPU:hun, yhteen tiedostoversioon ~630 koodirivistä, sitten:
- ihminen iteroi kehotteen (.md) mukaisesti
- tekoälyagentti iteroi koulutuskoodia (.py)
Tavoitteena on suunnitella agenttisi tekemään nopeinta tutkimusedistystä loputtomasti ilman omaa osallistumistasi. Kuvassa jokainen piste on täydellinen LLM-harjoitus, joka kestää tasan 5 minuuttia. Agentti toimii autonomisessa silmukassa git-ominaisuushaarassa ja kerää git-commit-yhdisteitä koulutusskriptiin, kun se löytää parempia asetuksia (pienempi validointihäviö lopussa) neuroverkkoarkkitehtuurille, optimoijalle, kaikille hyperparametreille jne. Voit kuvitella vertailevasi eri promptien, eri agenttien ym. tutkimuksen edistymistä.
Osa koodia, osittain scifiä ja ripaus psykoosia :)

Jokainen hypoteesi sisältää koodin tarkistuskaaviot; kokeilulokit, DAG-puut ja parhaiten suoritetun ratkaisun automaattinen synteesi.
Agenttien ei tarvitse aloittaa nollasta.

Tutkimusagenteilla voi olla vaikutuksia LLM-optimoinnin ulkopuolelle; Verkkotunnukset ovat kirjaimellisesti mitä tahansa, jossa on mittari.
Seuraavien viikkojen aikana julkaisemme artikkeleita siitä, miten @karpathy:n autotutkimus voidaan paketoida uudelleen palvelemaan monia uusia tarkoituksia.

Jos olet tämän alan johtaja, ota rohkeasti yhteyttä!
Tarvitsemme yhteisön rakentamista ja haluaisimme lisätä agentipedialle yhteistyökumppaneita. Rekisteröidy nyt!
PIP-asenna Agentipedia.

1,51K
Johtavat
Rankkaus
Suosikit
