Šis puslapis nėra tiesioginis — žinutės atnaujinamos pagal tvarkaraštį. Paskutinį kartą atnaujinta . Kito atnaujinimo laukiama apie . Laikas rodomas Vilniaus laiku (EET).
Atlikta. Ištrintos jūsų išsaugotos žinutės: 9 ir prisijungimo įrašai: 1 (BDAR 17 str. - teisė ištrinti). Kartu užfiksuotas jūsų sutikimo atšaukimas (BDAR 7 str. 3 d.).
Ką tai pasiekia iš karto: boto duomenų bazę - jūsų žinučių kopijas ir prisijungimo įrašus.
Ko dar nepasiekia tą pačią sekundę: viešas puslapis https://grupe.aimastermind.lt atnaujinamas atskirai. Jūsų vardas ir žinutės iš jo pašalinami per artimiausią svetainės perkūrimą; jei norite greičiau arba norite patvirtinimo - parašykite [el. paštas paslėptas].
Telegram grupės istorija nekeičiama - jos valdo ne mes, o Telegram; narį iš grupės pašalinti gali administratorius.
Žinutės · AI Mastermind LT
AI Mastermind LT bendruomenės pokalbių archyvas: žinutės, nuorodos ir failai vienoje vietoje.
Atlikta. Ištrintos jūsų išsaugotos žinutės: 9 ir prisijungimo įrašai: 0 (BDAR 17 str. - teisė ištrinti). Kartu užfiksuotas jūsų sutikimo atšaukimas (BDAR 7 str. 3 d.).
Ką tai pasiekia iš karto: boto duomenų bazę - jūsų žinučių kopijas ir prisijungimo įrašus.
Ko dar nepasiekia tą pačią sekundę: viešas puslapis https://grupe.aimastermind.lt atnaujinamas atskirai. Jūsų vardas ir žinutės iš jo pašalinami per artimiausią svetainės perkūrimą; jei norite greičiau arba norite patvirtinimo - parašykite [el. paštas paslėptas].
Telegram grupės istorija nekeičiama - jos valdo ne mes, o Telegram; narį iš grupės pašalinti gali administratorius.
Žinutės · AI Mastermind LT
AI Mastermind LT bendruomenės pokalbių archyvas: žinutės, nuorodos ir failai vienoje vietoje.
Tai visa chata padaryti į 3-4 grupes, naujienos, modeliai, chatas, ir privati grupė, kairėje atsiras pasirinkimas kur bendrauti nori :) o prie privačios pridedi tik tam tikrus narius :) į naujienas įmeti kas kiekviena diena top 5 briefus rinktu geriausiu naujienu ir viskas :)
Toks ir tikslas, kad klausimus užduot gali ar dalintis info gali ir pažengę, ir pradedantys, o kas nenori jungtis irgi turi galimybę būti sraute..
❤1
👏1
Ups.. 🙂
AI aprašymas Vaizdas rodo žinutės programos ekrano nuotrauką, kurioje matomas pranešimas apie vartotojo pašalinimą iš grupės bei įprasti žinutės įvedimo ir valdymo mygtukai.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Claude sesijos tarpusavy kalbasi.. 🙂 Bendradarbiauja jei tiksliau =)
AI aprašymas Ekrano nuotraukoje matomas programos Zed terminalo langas, kuriame vyksta pokalbis su dirbtinio intelekto asistentu apie Telegram boto ir svetainės atnaujinimus, o kairėje pusėje pateikiamas projekto kanalų sąrašas.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
muse tikrai neduoda dar, nes prisieta prie facebook ecosistemos kaip anti abuse mechanizmas, buvo kam pavyko anksti su invite kodais, bet jų mažai buvo ir greit sutvarkė
👍1
nors spark duoda per opencode naudoti, jei nors karta iš proxy/vps kitur pasinaudojęs
👍1
gaila visi tokie region lockai, bet jiem atsibodo į teismą eit pastoviai ir taip :D
Puikią įžvalgą pateikė vienas podcasteris.
Geri devai (ir brangūs) tai žurnalistiniai įgūdžiai bus svarbūs. Yra produktas, formatas ir skaitytojas (LLM). Tradicinis Geras žurnalistas yra retenybė, o Geras devas bus dar didesnis.
Wow. Jūsų podcastas tampa flagmaninis. Muse kaip devaisas pirmas užtiktas čia. Po to tik pasipylė visur. Pagarba.
Šiaip Aš domiuosi smart glasais, bet diopterios apsunkina įsigijimą. Bet vis dar domina, gal tik laukiu googlės atsigavimo (samsung).
tam daug kur lešius specialiai nusipirkt gali beveik visiem modeliam kur su akiniais nebepatogu
AI aprašymas Tai prekės aprašymo puslapis, kuriame siūlomi individualiai pagaminti receptiniai lęšiai, skirti virtualios realybės šalmui, su nurodyta kaina, suderinamumu ir informacija apie gamybos bei pristatymo terminus.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Build your own harness.
This is a seriously good paper from NVIDIA on self-improving agent harnesses.
The paper is called SoL-Pi, out of NVIDIA, NTU and MIT.
Every coding agent runs inside a harness. That's the layer that reads files, runs commands, manages memory and talks to the model, Humans tune it by hand, reading long execution logs and turning what they notice into code changes.
They handed the job to an AI instead.
A research AI watched a coding agent work, proposed changes to the harness, tested them, and kept only what saved tokens without hurting results. It ran about 150 research directions across roughly 500 environments, more than 3,000 runs and over 60,000 agent-environment interactions.
Four fixes survived.
- The agent edits a file and runs the test in one call instead of two.
- It compresses its memory when a subtask finishes, and only if that's cheaper than keeping everything.
- It sends big tool outputs in full twice, then swaps them for a 1KB excerpt with a handle to pull the rest on demand.
- A cheap model summarizes build and test logs, and a verifier rejects the summary if it drops evidence.
None of that touches the model. It's all in the software around it.
On EdgeBench, a 51-task benchmark, token traffic dropped 44.7 to 49% and API cost fell by about a third against Pi, the harness it was built on. Against the native harnesses it came in 50% cheaper than Codex on GPT-5.6 Sol and 54.3% cheaper than Claude Code on Opus 5. Scores held at roughly 94% of the baseline.
They built all of it on GPT-5.6 Sol, then dropped it onto Opus 5 with zero changes. It still used 44.7% fewer tokens.
The cost conversation so far has been about cheaper models. This paper says a big chunk of the waste sits in the software around the model, and an AI finds it faster than we do.
Their next move is running the search again with the cheaper harness, so a cheaper agent funds the search for an even cheaper one.
SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
As coding agents move from supervised code completion to unattended, around-the-clock exploration, their work expands from isolated predictions into long trajectories of reasoning, tool use, and feedback. Token efficiency therefore becomes important for scaling recursive self-improvement. We take an RSI-inspired approach at the harness layer, scaling auto-research loops across increasingly numerous and diverse environments for harness rollouts. At this scale, the process yields reusable improvements that transfer beyond their development setting, moving automated harness discovery toward production-level outcomes. Four mechanisms survive selection and form SoL-Pi, spanning action execution, context compaction, observation handling, and delegated reading. On the 51-task EdgeBench evaluation, SoL-Pi achieves performance comparable to Pi across GPT-5.6 Sol and Opus 5 while reducing recorded token traffic by 44.7-49.0% and API cost by about one third. In other words, estimated hourly savin
arXiv.orgPerskaityta
👍1
Rodoma paskutinė surinkta leidžiama būsena; pašalinimų suderinimas nebaigtas. Visas pokalbis — Telegram grupėje.