buduję w tej przestrzeni od lat i śledzę nishkarsha od lat - gratulacje z okazji uruchomienia! ponieważ to jest w tej samej przestrzeni, w której budujemy, zagłębiłem się w to i mam przemyślenia. samo uruchomienie jest bardzo huczne i ma na celu wywołanie rage bait 1. jest pozycjonowane jako baza danych, ale jest prawie systemem podobnym do @supermemory 2. ich przykład "vector dbs" nie będących w stanie tego zrobić, to naprawdę pytanie o "modele osadzenia". a modele osadzenia mają superpozycje, są tanie i łatwo potrafią wywnioskować różnice między nimi. nie jest trudno poprosić claude'a o przeprowadzenie mini eksperymentu, aby to udowodnić (załączone poniżej). Co ma znaczenie: czy potrafi śledzić, jak ewoluuje wiedza? czas mija? to mnie zaciekawiło, więc przeczytałem ich pracę 3. ich praca badawcza to hardcoding i oszukiwanie benchmarku przez różne podpowiedzi dla każdej kategorii!!! (zobacz obrazek poniżej). Jeśli ich benchmarking jest stały, supermemory pozostanie SOTA. 4. wynaleźli pracę o kontekstowym wyszukiwaniu od Anthropic z 2024 roku i nazwali to "paradoksem porzuconego zaimka" 5. wspominają, że używają niestandardowego "wewnętrznego magazynu wektorów" = przy około 500 GB, będziesz musiał zapłacić więcej niż 10 tys. dolarów tylko za RAM. 6. wnioskowanie jest uruchamiane zbyt wiele razy w pipeline - co oznacza, że za każdy token LLM, który wprowadzasz, zapłacisz 5x więcej niż koszt tokena za grafikę + kontekstualizację + przechowywanie. 7. liczby dotyczące opóźnienia i kosztów nigdy nie zostały zgłoszone. Moje przeczucie jest takie, że z powodu architektury, opóźnienie będzie miało problemy na dużą skalę. ale nie mogę powiedzieć - ich produkt jest za bramą demo. 8. kod benchmarkujący nie jest OSS (z tego, co mogę powiedzieć). nie do powtórzenia + kto wie, ile kontekstu wprowadzają do modelu? jakie jest K? 9. nieorganiczne, nieujawnione reklamy (wystarczy przeczytać cytowane tweety). konta influencerów z ponad 400 tys. obserwujących mówiące to samo. ludzie wciąż się z tego wykręcają @nikitabier lol ejestem za zdrową konkurencją i postępem w tej dziedzinie, cieszę się, widząc dobrą pracę wykonywaną przez innych. ale łatwo jest po prostu mówić rzeczy. "nikt nie sprawdzi." granie w grę w odpowiedni sposób jest trudne, a wszyscy po prostu mówią, co mogą, aby zaimponować ludziom. TLDR to: powinieneś to używać, jeśli chcesz wydać 2-5x więcej bez rzeczywistej marginalnej poprawy i cieszyć się niezdrowymi praktykami badawczymi i biznesowymi. załączone: 1. eksperyment mający na celu obalenie hipotezy, że wektory dbs nie rozumieją szarości vs szarości 2. jedna z ich podpowiedzi, która po prostu mówi "powiedz, że nie wiem". zdobyli 100% :)

wow. @solofounding podcast jest tutaj (ORAZ JESTEM W WIDEO)

claude właśnie zatwierdził (zabił) nasz produkt :) Uruchomienie wtyczki kodu claude @supermemory miało te dokładne słowa (uczy się wzorców debugowania, preferowanych podejść, kontekstu projektu). świetnie widzieć, jak duże laboratoria przyjmują pamięć!