看着柚子火腿的文章，我想到了 像@Infinit_Labs @Lombard_Finance这样的朋友们，在雅平黄金时代的奖励模糊不清， 反而现在似乎要迎来他们的全盛期。 旧雅平->新雅平的世代交替(?)最近正在紧锣密鼓地进行中， 怎么说呢……奖励确实是奖励，但……以前的那种味道没有了？ 反而是那些在旧雅平（黄金世代）中没有施展拳脚的朋友们的第二季、第三季奖励，现在变得非常非常非常庞大。 ---- 仅从$IN的奖励来看，按照前500名的标准，大约是数量的2倍， 而$BARD的奖励也因为每月的样本数减少到100人，结果每个人的奖励变得非常大。 甚至这两者都不是因为期待而强行宣传，而是有实际产品，运作良好，并且在盈利的业务。 奖励、期限、人数都明确规定，没有违约的情况， （反而@Lombard_Finance的情况是更快地给了奖励。） ---- 啊啊，我好怀念…… 但是我非常同意柚子火腿所说的…… 其实到现在为止，奖励确实大得有些不正常。 每月给一千万，突然变成每月一百万，当然会觉得失落， 但每月给一百万就不做了吗？ 那又不是这样啊，哈哈……

深入探讨 Sentient ROMA 在查看 @SentientAGI 的排行榜时，我发现文章的质量似乎也非常重要。因此，我想写一下我认为在 Sentient 中技术实力最强的 ROMA。 1. ROMA 不是 AI 模型。 - ROMA 精确来说是一个多智能体（Multi-agent）框架，即多个 AI 代理以层次化、递归的方式参考各自的值，从而得出最可信、准确的答案。在 GitHub 的 Readme 中，通常可以看到这些代码的基本有机关系，我们常见的 AI 模型如 GPT、Gemini 等的 API 密钥也可以在这里输入使用。 2. 那么核心是什么？ - 就在于 Atomizer、Executor、Planner、Aggregator 四个角色的分工。当某项任务被给出时，首先决定是单独处理还是多个处理（Atomizer），然后决定如何解决（Planner），接着按照计划执行（Executor），最后进行汇总（Aggregator）并返回答案。此外，还可以选择通过验证者（Verifier）来验证答案的阶段。 3. 只使用一个模型吗？ - 不是的。参考 Quickstart 代码可以看到，除了 Executor，其他都明确指定了各自的模型。（例如：gpt-4o-mini，gemini-2.5-flash）因此，这并不是使用一个模型，而是使用多个模型来得出最佳答案。 4. 答案总是一样吗？ - 也不是。每个 AI 模型在执行同一任务时的结果都不同，参数的调整方式，即微调（fine-tuning）也会有所不同。例如，最典型的 Temperature 参数范围是 0-2，越接近 0 的时候，答案越一致；越接近 2 的时候，每次的答案会有更多的变化。最终，用户如何设置这些参数将会导致性能差异很大。 最近我偶然有机会开发 AI 代理，那时我不断地运行 AI 学习的内容，现在看 GitHub 代码似乎有些眉目了，所以写下来了:)

[@SentientAGI ] 曾经是前10的项目，但 阈值降低了， 不知是内圈账户锁定还是其他原因， 心智份额没有反映，导致跌出前100。 但是……自从见面会后又恢复了活力呢ㅠㅠ 一直努力奔跑，但会再接再厉， 如果有好消息会努力传播的！ 🫡