看著柚子火腿的文章，浮現的想法是 像@Infinit_Labs @Lombard_Finance這樣在黃金時代獎勵模糊的朋友們， 反而現在似乎要迎來他們的全盛期了。 舊的亞平->新的亞平世代交替(?)最近正在激烈進行中， 怎麼說呢...獎勵雖然是獎勵，但...卻沒有以前的那種味道？ 反而是舊的亞平（黃金世代）中未能發揮的朋友們的第二季、第三季獎勵，現在變得非常非常非常龐大。 ---- 僅看$IN的獎勵，根據前500名的標準，大約是數量的兩倍， $BARD的獎勵也因為每月的樣本數減少到100人，結果每人的獎勵變得非常大。 甚至這兩者都不是因為期待而強行推銷，而是有實際的產品，運作良好，並且在賺取收益的業務。 獎勵、期間、參與人數都明確確定，從未違反過承諾。 （反而是@Lombard_Finance的情況更快給予了獎勵。） ---- 啊啊，真懷念... 但我非常同意柚子火腿的話... 其實到目前為止，獎勵的確是異常之大。 每月給十萬，現在變成每月給一百萬，讓人感到失落， 難道說每月給一百萬就不做了嗎？ 那又不是這樣的，哈哈...

探討 Sentient ROMA 在 @SentientAGI 的排行榜上，我發現文章的質量似乎也相當重要。因此，我想寫寫我認為在 Sentient 中技術實力最強的 ROMA。 1. ROMA 不是 AI 模型。 - ROMA 精確來說是 Multi-agent，即多個 AI 代理層次性、遞歸性地參考各代理的值，從而引導出最可信、準確的答案的框架。在 GitHub 的 Readme 中，通常可以看到這些代碼的基本有機關係，我們常見的 AI 模型如 GPT、Gemini 等的 API 金鑰會被輸入來使用。 2. 那麼核心是什麼？ - 就是 Atomizer、Executor、Planner、Aggregator 四種角色分工。當有任務時，決定是用一個還是多個來處理（Atomizer），然後決定如何解決（Planner），接著按照計劃執行（Executor），最後再進行匯總（Aggregator）以返回答案。此外，還可以選擇通過驗證者（Verifier）來驗證答案的步驟作為選項。 3. 只使用一個模型嗎？ - 不是的。參考 Quickstart 代碼可以看到，除了 Executor，其他都明確指定了各自的模型。（例如：gpt-4o-mini，gemini-2.5-flash）這樣看來，並不是使用一個模型，而是使用多個模型來得出最佳答案。 4. 答案會一直相同嗎？ - 這也不是。每個 AI 模型對於同一任務的執行結果都不同，並且如何調整參數，即如何進行微調，也會有所不同。例如，最具代表性的 Temperature 參數範圍是 0-2，越接近 0 的話，答案越一致；越接近 2 的話，每次執行會給出不同的答案。最終，使用者如何設置這些參數將會對性能產生很大的影響。 最近我偶然有機會開發 AI 代理，當時不斷運行 AI 進行學習的內容，現在看 GitHub 代碼似乎有些眉目了，所以寫下來了:)

[@SentientAGI ] 曾經是一個進入前10的項目， 但由於臨界值降低， 不確定是內圈帳號鎖定還是其他原因， 導致心智分享未能反映，結果掉出了前100名。 不過... 自從見面會後又重新恢復了活力呢ㅠㅠ 一直努力奔跑，但會再接再厲， 如果有好消息會努力分享的！ 🫡