Когда я смотрел на пост о грейпфрутовом хаме, мне пришло в голову, что друзья, которые были неясно вознаграждены в золотую эпоху Япинга, как @Infinit_Labs и @Lombard_Finance, возможно, сейчас наконец-то достигнут своего расцвета. Смена поколений от старого Япинга к новому (?) в последнее время активно происходит, но, как бы это сказать... вознаграждение есть, но... в ситуации, когда нет того самого вкуса из прошлого? На самом деле, вознаграждения для друзей, которые не смогли проявить себя в старом Япинге (золотом поколении), сейчас стали очень-очень-очень большими в сезонах 2 и 3. ---- Если посмотреть только на вознаграждение $IN, то по сравнению с верхними 500 людьми это примерно в 2 раза больше, а вознаграждение $BARD также значительно уменьшилось до 100 человек в месяц, в результате чего вознаграждение на человека стало огромным. Причем оба проекта не просто искусственно раскручиваются из-за ожиданий, а действительно имеют продукт, который работает и приносит прибыль. Вознаграждение, сроки и количество людей четко определены, и обещания никогда не нарушались. (Наоборот, в случае с @Lombard_Finance они даже выдали вознаграждение быстрее.) ---- Ах, как же я скучаю... Но я также очень согласен с тем, что сказал грейпфрутовый хам... На самом деле, до сих пор вознаграждения были необычно большими. Когда давали 10 миллионов в месяц, а теперь 1 миллион, это вызывает недовольство, но разве не будут участвовать, если предложат 1 миллион в месяц? Это тоже не так, ха-ха...

Разбор ROMA от Sentient Смотрю на лидерборд @SentientAGI, и кажется, что качество текста тоже довольно важно. Поэтому я напишу о ROMA, который, по моему мнению, обладает наивысшей технологией в Sentient. 1. ROMA не является AI моделью. - ROMA — это точно Multi-agent, то есть несколько AI-агентов, которые иерархически и рекурсивно ссылаются на значения друг друга, чтобы получить наиболее надежный и точный ответ. В Readme на GitHub обычно можно увидеть основные взаимосвязи кода, и мы используем API ключи таких AI моделей, как GPT, Gemini. 2. Так в чем же суть? - Суть заключается в разделении ролей на 4 части: Atomizer, Executor, Planner, Aggregator. Когда возникает задача, сначала решается, будет ли она обрабатываться одной или несколькими частями (Atomizer), затем определяется, как ее решить (Planner), после чего выполняется план (Executor), и в конце собирается ответ (Aggregator). Дополнительно можно выбрать этап проверки ответа (Verifier) как опцию. 3. Используется ли только одна модель? - Нет. Если посмотреть на код Quickstart, то, кроме Executor, все модели указаны отдельно (например, gpt-4o-mini, gemini-2.5-flash). Таким образом, используется не одна модель, а несколько, чтобы получить наилучший ответ. 4. Будет ли ответ всегда одинаковым? - Тоже нет. У каждой AI модели результаты выполнения одной и той же задачи различаются, и это зависит от того, как настраиваются параметры, то есть от fine-tuning. Например, самый известный параметр Temperature имеет значения от 0 до 2, где чем ближе к 0, тем более последовательные ответы, а чем ближе к 2, тем более разнообразные ответы на каждом запуске. В конечном итоге, как пользователь настроит это, так и будет разница в производительности. Недавно у меня была возможность случайно заняться разработкой AI агента, и тогда, изучая, как это работает, я понял, что теперь, глядя на код GitHub, это кажется более понятным, поэтому я и написал об этом:)

[@SentientAGI ] Это был проект, который когда-то входил в десятку лучших, но порог снизился, и не знаю, связано ли это с блокировкой аккаунта в Инерсакле или чем-то другим, но доля мнений не была учтена, и он выбыл из сотни. Но... после митапа снова все наладилосьㅠㅠ Я всегда усердно работал, но снова постараюсь, чтобы если будут хорошие новости, я их активно распространю! 🫡