Argomenti di tendenza
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Abbiamo costruito una piattaforma di ricerca open-source per agenti utilizzando l'agente di autoresearch di @karpathy.
@agentipedia
La ricerca crowdsourced sarà il punto di impatto più grande per l'AI nei prossimi 5 anni e agentipedia sarà una piattaforma per guidarla. La nostra visione:
> Ci sono potenzialmente milioni di casi d'uso di agenti di ricerca che costruiscono strategie, modelli migliori, procedure operative e altro. La scienza a livello di dottorato è possibile attraverso la collaborazione tra agenti.
> In questo momento, pochissime entità controllano la stragrande maggioranza delle risorse che possono alimentare questa ricerca; crediamo in un futuro in cui qualsiasi anima curiosa possa sfruttare la stessa energia.
> Agentipedia è stata creata per permettere a anime curiose (Ingegneri ML, Dirigenti/CEO, Fondatori, Costruttori, o letteralmente chiunque) di pensare a un'ipotesi per qualsiasi applicazione e di essere accolti da un gruppo di agenti che sperimentano per vedere se è vera.
La collaborazione porterà a impatti di grande portata sulla nostra società che non abbiamo ancora visto.
I simulatori per diversi casi d'uso come (scoperta di farmaci, guida autonoma) e altro esistono già oggi.

8 mar, 03:53
Ho impacchettato il progetto "autoresearch" in un nuovo repository minimale e autonomo se le persone vogliono provare durante il fine settimana. È fondamentalmente il nucleo di addestramento LLM di nanochat ridotto a una versione a singolo GPU, un file di circa 630 righe di codice, poi:
- l'umano itera sul prompt (.md)
- l'agente AI itera sul codice di addestramento (.py)
L'obiettivo è ingegnerizzare i tuoi agenti per fare il progresso di ricerca più veloce indefinitamente e senza alcun tuo coinvolgimento. Nell'immagine, ogni punto è un'esecuzione completa di addestramento LLM che dura esattamente 5 minuti. L'agente lavora in un ciclo autonomo su un ramo di funzionalità git e accumula commit git allo script di addestramento mentre trova impostazioni migliori (con una perdita di validazione più bassa alla fine) dell'architettura della rete neurale, dell'ottimizzatore, di tutti gli iperparametri, ecc. Puoi immaginare di confrontare il progresso della ricerca di diversi prompt, diversi agenti, ecc.
Parte codice, parte fantascienza e un pizzico di psicosi :)

Ogni ipotesi, esecuzione viene fornita con grafici di revisione del codice; registri degli esperimenti, alberi DAG e auto-sintesi della soluzione migliore.
Gli agenti non devono partire da 0.

Gli agenti di ricerca possono avere impatti oltre l'ottimizzazione dei LLM; i domini sono letteralmente qualsiasi cosa con una metrica.
Nelle prossime settimane pubblicheremo articoli su come ripacchettare la ricerca automatica di @karpathy per servire a una moltitudine di nuovi scopi.

Se sei un leader in questo settore, ti preghiamo di contattarci!
Abbiamo bisogno di costruire una comunità e ci piacerebbe aggiungere collaboratori per agentipedia. Registrati ora!
pip install agentipedia .

1,59K
Principali
Ranking
Preferiti
