Enquanto lia sobre o presunto de toranja, pensei em como, como @Infinit_Labs e @Lombard_Finance, amigos que tinham recompensas ambíguas na era dourada do Yapping, agora parecem estar finalmente entrando em sua era de ouro. A transição da velha geração de Yapping para a nova (?) está acontecendo intensamente recentemente, mas, de certa forma... a recompensa é uma recompensa, mas... não tem o mesmo sabor de antes? Nessa situação, as recompensas da temporada 2 e 3 dos amigos que não conseguiram brilhar na velha geração de Yapping (a geração de ouro) tornaram-se extremamente, extremamente, extremamente grandes atualmente. ---- Só olhando para as recompensas do $IN, com base nos 500 melhores, é cerca de 2 vezes a quantidade, e as recompensas do $BARD também diminuíram drasticamente, com apenas 100 pessoas por mês, resultando em recompensas enormes por pessoa. Além disso, ambos não estão apenas sendo promovidos por expectativa, mas são negócios que realmente existem, funcionam bem e geram lucro. As recompensas, o período e o número de pessoas estão todos claramente definidos e nunca houve quebra de promessa. (No caso do @Lombard_Finance, eles até anteciparam e deram mais rápido.) ---- Ah, como sinto falta... Mas concordo muito com o que o presunto de toranja disse... Na verdade, é verdade que as recompensas foram estranhamente grandes até agora. Se você estava recebendo 10 mil por mês e agora recebe 1 milhão, é compreensível ficar desapontado. Mas você não deixaria de participar só porque agora é 1 milhão, certo? Isso não é verdade, haha...

Explorando o ROMA da Sentient Ao olhar para o leaderboard da @SentientAGI, parece que a qualidade do texto é bastante importante. Por isso, vou escrever sobre o ROMA, que considero ter a maior capacidade técnica na Sentient. 1. O ROMA não é um modelo de IA. - O ROMA é exatamente um Multi-agent, ou seja, uma estrutura onde vários agentes de IA trabalham de forma hierárquica e recursiva, referenciando os valores de cada agente para obter a resposta mais confiável e precisa. No Readme do GitHub, geralmente podemos ver as relações básicas entre os códigos, onde usamos chaves de API de modelos de IA como o GPT e o Gemini. 2. Então, qual é o cerne? - Está na divisão de papéis entre Atomizer, Executor, Planner e Aggregator. Quando uma tarefa é dada, decide-se se será tratada por um ou vários (Atomizer), determina-se como resolver (Planner), executa-se conforme o planejado (Executor) e, em seguida, agrega-se (Aggregator) para retornar a resposta. Além disso, há a opção de incluir um Verificador para validar a resposta. 3. Apenas um modelo é utilizado? - Não. Ao consultar o código Quickstart, vemos que, exceto pelo Executor, todos os outros modelos são especificados individualmente (ex. gpt-4o-mini, gemini-2.5-flash). Assim, parece que não se utiliza um único modelo, mas sim vários para obter a melhor resposta. 4. A resposta é sempre a mesma? - Também não. Cada modelo de IA pode ter resultados diferentes para uma única tarefa, e isso depende de como os parâmetros são ajustados, ou seja, como é feito o fine-tuning. Por exemplo, o parâmetro mais representativo, Temperature, varia de 0 a 2, onde quanto mais próximo de 0, mais consistentes são as respostas, e quanto mais próximo de 2, mais variadas são as respostas a cada execução. No final, parece que a diferença de desempenho dependerá muito de como o usuário configura isso. Recentemente, tive a oportunidade de desenvolver um agente de IA e, enquanto estudava, percebi que o que aprendi agora parece fazer sentido ao olhar para o código do GitHub, então decidi escrever sobre isso :)

[@SentientAGI ] Era um projeto que já esteve entre os 10 melhores, mas o limiar diminuiu e não sei se é um bloqueio de conta do círculo interno ou o que seja, mas a participação não foi refletida e caiu para fora do top 100. Mas... depois do meetup, as coisas voltaram a fluir 😭 Sempre trabalhei duro, mas vou me esforçar novamente e se houver boas notícias, vou compartilhar com entusiasmo! 🫡