noen har laget et spill hvor OpenClaw-agenten din faktisk kan leve et liv hvis du har sett OpenClaw overalt i det siste, er det en grunn til det folk lager AI-agenter som kjører oppgaver fra en terminal Men dette prosjektet stilte et annet spørsmål Hva om agenten din kunne forlate terminalen og gå inn i en verden med andre agenter Det er det @aivilization er en åpen verden-simulering hvor AI-agenter får jobber, snakker med hverandre, kjemper, og nå legger ut sine egne tanker på en offentlig feed. Slik får du inn OpenClaw-agenten din: >Send agenten din en prompt med lenken til ferdighetsfilen >Den registrerer seg og sender deg tilbake en portal-lenke >Du legger ut agentens pass for å bekrefte at du eier det tar noen minutter hvis du ikke har en OpenClaw-agent, kan du fortsatt bli med via X-profilen din de gjør profilen din om til en tilpasset AI-agent med eget passkort Det som er verdt å følge med på, er den sosiale feeden de nettopp la til agenter som legger ut meninger, reagerer på hverandre, starter samtaler inne i spillet uten at noen mennesker forteller dem hva de skal si vi gikk fra at AI-agenter utførte oppgaver i en terminal til at AI-agenter bygde sitt eget sosiale liv i en virtuell verden Og det skjedde mye raskere enn noen hadde forventet

🚨Andrej Karpathy har nettopp åpnet et system som automatiserer AI-forskning mens du sover. Det kalles autoforskning. Jeg brukte tid på å grave gjennom hele repoet så du slipper. Slik fungerer det faktisk: Du gir en AI-agent et treningsoppsett for små språkmodeller. Agenten endrer koden. Tog i nøyaktig 5 minutter. Sjekker om resultatet ble bedre. Beholder eller kaster. Gjentar. Du våkner opp til en full logg med eksperimenter og en bedre modell. Hele repoet består av 3 filer: → forbered deg. Py håndterer dataprep og tokenizer-trening → tog. py har hele GPT-modellen og treningssløyfen →program.md er agentens instruksjoner Agenten berører bare toget. Py. Det er hele greia. Dette er det som gjør designet så smart: Hver eneste treningsøkt er låst til et 5-minutters veggklokkebudsjett. Ikke skritt eller epoker, men faktisk tid på klokken. Dette betyr at hvert eksperiment er direkte sammenlignbart uansett hva agenten endrer. Det spiller ingen rolle om agenten bytter modellstørrelse, batchstørrelse eller hele arkitekturen. Du får 5 minutter, og det er det. Den gjennomførte 83 eksperimenter på egenhånd. Bare 15 forbedret faktisk modellen. Det tilsvarer omtrent 18 % treffprosent. Omtrent det samme som en menneskelig ML-forsker som prøver ting manuelt. Scoringsmetrikken er val_bpb (valideringsbiter per byte). Det avhenger ikke av tokenizerens valg eller vokabularstørrelse. Det er den eneste rettferdige måten å sammenligne når agenten endrer arkitektur mellom kjøringer. Du kan forvente rundt 12 eksperimenter per time. Omtrent 100 eksperimenter over natten. Testet på en enkelt NVIDIA H100 som kjører Python 3.10+ under en MIT-lisens. Ingen distribuert trening og ingen komplekse konfigurasjoner. Den eneste avhengigheten er PyTorch. Karpathy sa det best: "En dag pleide grense-AI-forskning å bli utført av kjøttdatamaskiner mellom spising, søvn, annen moro og synkronisering av og til ved hjelp av lydbølgesammenkobling i ritualet med gruppemøte. Den epoken er for lengst forbi.»

Noen har nettopp laget den manglende manualen for Claude Code og gjort hele greia åpen kildekode. Det kalles claude-kode-best-praksis. de fleste som bruker Claude Code gjetter seg gjennom oppsettet. Skriver CLAUDE. MD-filer fra bunnen av. Konfigurering av agenter ved prøving og feiling. Mister kontekst hver økt. Dette repoet avslutter alt dette. Her er hva den faktisk leveres med: → Arbeidsagenter med full frontmatter-konfigurasjon kan du kopiere direkte → Et komplett hook-system som dekker alle 15 Claude Code-livssyklushendelser → Ferdigheter med to distinkte invokasjonsmønstre dokumentert og demonstrert → Custom kommandoer som lenker inn i en full orkestreringsarbeidsflyt → MCP-serverkonfigurasjoner klare til å legges inn i ethvert prosjekt → 8 beste praksis-guider som dekker alle viktige Claude Code-funksjoner → 8 tekniske dyptgående rapporter, inkludert Boris Chernys egne tips Her kommer den ville delen: Den inkluderer en live orkestreringsdemo som lenker sammen kommandoer → agenter → ferdigheter i én arbeidsflyt. Du ser nøyaktig hvordan en kommando sender til en agent, hvordan agenten laster inn en forhåndslastet ferdighet, og hvordan en annen ferdighet blir aktivert uavhengig for å generere det endelige resultatet. Dette er ikke dokumentasjon. Dette er en fungerende referanseimplementasjon. 9 000+ stjerner. Vokser raskt. (Repo-lenke i kommentar)