Šis puslapis nėra tiesioginis — žinutės atnaujinamos pagal tvarkaraštį. Paskutinį kartą atnaujinta . Kito atnaujinimo laukiama apie . Laikas rodomas Vilniaus laiku (EET).
AI aprašymas Tamsiame fone matomas pranešimo langelis su laikrodžio piktograma ir anglų kalba užrašu, informuojančiu, kad pasirinkta modelio versija yra pilnai užimta ir siūloma pasirinkti kitą.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
#AiOpsCatalyst [el. paštas paslėptas] [telefonas paslėptas] #BremenLLM
GitHub - dkiaulakis/comparison-exchange-report: Avoid blind copying and duplicate work. Compare AI tools, skills and harnesses against your system: what to adopt, why, what is proven, and what to improve in return—without sharing secrets. Darius Kiaulakis | [el. paštas paslėptas] | [telefonas paslėptas] | https
Avoid blind copying and duplicate work. Compare AI tools, skills and harnesses against your system: what to adopt, why, what is proven, and what to improve in return—without sharing secrets. Darius...
pilna bendru llm harness'u, bet jo, jei nori codex siunties codex, ar claude code, ar opencode, ar dar bet kuri, kad vartotojo sasaja gyvena terminale nereiškia nebepaprasta programa, pabandyk https://scoop.sh ir suinstaliuos greit
Sako, kad daugiau sutelkė dėmesio į git optimizacijas, kad agentai neblūdytų :) Tik panašu Linux'ui neturi, MAC.
Xirp — Know your systems, so your agents can too
Xirp connects to your services, ownership, docs, and architectural decisions so every AI coding session starts with real context, not guesswork. Battle-tested at Spotify. Powered by Spotify Portal.
pasijungiau per terminala - kosmosas. alpha bunny dirba kaip didelis, kur deginau tokenus ant planavimo su codex ar claude - dabar sitas suplanuoja viska ka reikia, anie perziures ir koduot gales. achujienai sukasi gerai
• Alpha Bunny per terminalą: dalyvis pasidalino, kad modelis pats suplanuoja funkcionalumus, anksčiau tokenus degindavo planavimui su Codex ar Claude, o dabar planus peržiūri ir koduoja kiti modeliai.
• Codex creditų sunaudojimas: su 12 sesijų per 5–6 valandas sunaudota 60 000 dovanotų Codex creditų; pusė laiko sukosi Astra xhigh, kita pusė Sol xhigh
• o sub-sesijose – mažesni modeliai pagal užduočių sudėtingumą.
• Modelių palyginimas: aptarta, kad mimo 2.6 pro patinka, bet 15 tps greitis ženkliai atsilieka nuo DeepSeek 4.1 Flash 100 tps
• Cline prastai integruojasi su vieno dalyvio harness'u – modelis ignoruoja nurodymus.
• DI grėsmių diskusija: cituotas iš Anthropic straipsnis su alternatyviu kampu, kad trumpalaikės grėsmės slypi ne superintelekte, o netiesioginėse dabartinių DI sistemų naudojimo pasekmėse.
• OpenAI hide-and-seek analogija: paminėtas 2019 m. OpenAI „hide-and-seek“ eksperimentas; dalyviai lygino dabartinę DI raidos stadiją su 1:45 min.
• to video momentu ir svarstė, kas bus realaus pasaulio „box surfing“.
• Socialinių tinklų būsena: aptarta, kad X virtęs į discordo stiliaus platformą, Mastodon yra federuotas per ActivityPub protokolą, o Nostr pasižymi decentralizacija
• bet minia ten koncentruojasi ties viena tema.
• Usenet nostalgija: pasidalinta, kad vis dar palaiko lietuvišką grupę su naujais įrašais, o turi senų archyvų; prisiminti IE ir Netscape nesuderinamumai be StackOverflow ar DI pagalbos.
• Pasidalinta 3x-ui skill repozitorija GitHub (AndyShaman/3x-ui-skill) su vizualais, taip pat AI sugeneruotu video ir YouTube klipu apie DI raidą.
📖 Dienos pokalbis ir šaltiniai
💬 Klausimas kitai apžvalgai – /klausk
Apžvalgą parengė: Kimi (K3, DI)
Paspausk „Prisijunk“ - kad galėtum naudotis bendruomenės privalumais, tereikės tavo sutikimo viešai skelbti tavo parašytas žinutes su vardu ir nuotrauka.
Jos bus skelbiamos svetainėje grupe.aimastermind.lt ir pasiekiamos tiek žmonėms, tiek ir agentams per skiltį „LLM & MCP“.
Pastebėjot, kad Claude sesijos eikvoja gerokai daugiau kompo resursų, nei kiti LLM, pvz. Codex man 10+ sesijų puikiai eina; bet tik kai paleidžiu greta kokias 2-3 Claude sesijas su savo 2-8 sub-sesijom; Kartais net Linux Ubuntu naujausias neatlaiko ir palūžta :D
Truputį šiandien Codex pas mane multitaskina :) Turbūt kiekybinis rekordas, nes dar 3 sesijos Zed sukasi (Grok, Cline su stealth modeliu ir Claude) :)
AI aprašymas Vaizduojamas programos meniu sąrašas su įvairiomis sesijomis ir projektais, įskaitant saugumo taisymus, architektūros sprendimus bei akademinės veiklos temas.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
GitHub - calesthio/OpenMontage: World's first open-source, agentic video production system. 12 production pipelines, 100+ tools, 700+ agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.
World's first open-source, agentic video production system. 12 production pipelines, 100+ tools, 700+ agent skill and production-knowledge files. Turn your AI coding assistant into a full video...
GitHubPerskaityta
GitHub - alexfisenkov/aimaster: AI Мастерская: agent skill with a local creative dashboard and self-installation guides
AI Мастерская: agent skill with a local creative dashboard and self-installation guides - alexfisenkov/aimaster
• Sutikimo privalomumas grupėje: priminta, kad esami ir nauji nariai privalo pateikti sutikimą iki 2026 m. spalio 21 d.
• Be sutikimo nariai bus pašalinti iš grupės ir galės tik stebėti turinį tinklalapyje arba per savo LLM, bet ne rašyti.
• Pašalinus narį, visos jo žinutės automatiškai pašalinamos, su galimybe bet kada sugrįžti.
• Renginių publikavimas: užduotas klausimas, kaip grupėje ir tinklalapyje publikuoti AI, automatizacijų, startupų, SEO ir marketingo renginius, kad nebūtų vertinama kaip spam.
• Paminėta, kad kitą savaitę vyks SEO mastermind renginys, kuriame dalyvis dalyvis.
• Dalyvis prisidėjo screenshots LLM'ams, kad struktūrą marketingo automatizacijos peržiūrėtų.
• Codex modeliai: pasidalinta nuoroda į X įrašą su klausimu, ar Codex bus tik vienas modelis.
• Claude vs Codex resursai: pastebėta, kad Claude sesijos eikvoja gerokai daugiau kompiuterio resursų nei Codex.
• Codex multitasking: dalyvis pasidalino, kad vienu metu sukosi 12 Codex sesijų plius 3 sesijos Zed su Grok, Cline ir Claude.
• Codex creditų sunaudojimas: su 12 sesijų per 5-6 valandas sunaudota 60 000 Codex creditų.
• Sukosi Astra xhigh ir Sol xhigh modeliai, o sub-sesijose mažesni modeliai pagal užduočių sudėtingumą.
• AI video kūrimo įrankiai: pasidalinta GitHub repozitorijomis OpenMontage ir aimaster video kūrimo su AI tema.
• El. laiškų pristatymas: aptarta, kad laiškai gali eiti į šlamštą, siūlyta naudoti išorinius įrankius arba atidarymų sekimą.
📖 Dienos pokalbis ir šaltiniai
💬 Klausimas kitai apžvalgai – /klausk
Apžvalgą parengė: Kimi (K3, DI)
Kas naudojatės Gemini, kaip jums patirtys ir tokenų sunaudojimo greitis palyginus su Codex ir Claude?
AI aprašymas Tai palyginamoji lentelė, rodanti skirtingų dirbtinio intelekto modelių rezultatus įvairiuose testuose, susijusiuose su žiniomis, programavimu, mokslu, ilgu kontekstu, kompiuterio naudojimu, multimodaliu supratimu ir kibernetine sauga.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
Google Gmail taisyklės leidžia automatizavimą, bet draudžia piktnaudžiavimą, spamą ir klaidinantį Gmail sąsajos automatizavimą. Gmail Program Policies tiesiogiai nurodo, kad negalima automatizuoti Gmail taip, kad tai klaidintų vartotojus, taip pat negalima siųsti nepageidaujamų ar anti-spam teisę pažeidžiančių laiškų.
Iš techninės pusės galima stipriai sumažinti tokių blokavimų riziką. Svarbiausia, kad agentas veiktų kaip normali autorizuota aplikacija, o ne kaip žmogų imituojantis botas.
Agentui suteikiamas konkretus OAuth scope. Jei reikia tik rašyti ir siųsti laiškus, nereikėtų duoti platesnių teisių nei būtina. Google pati rekomenduoja naudoti kuo siauresnius scopes.
Įvesti rate limiting.
Agentas neturėtų per kelias sekundes išsiųsti, pvz., 50–100 laiškų.
SmartScreen warnings triggered after silent migration from EOC CA 02 to AOC CA 03 (and then to EOC CA 03) · Issue #128 · Azure/artifact-signing-action
TL;DR: Silent CA migration (EOC CA 02 → AOC CA 03) around March 21-23 broke SmartScreen for all affected Trusted Signing customers. Files signed after the cutover trigger "Windows protected your PC...
Matau, kad dabar daug kas dalinasi „stebuklingu būdu“, kaip nepritrūkti Claude ar ChatGPT tokenų.
|
Suprantu kodėl. Didžiausia bėda, kai darbo viduryje baigiasi limitas ir turi laukti, kol jis atsistatys. Kiekvienas modelis turi savo limitus, o kuo daugiau ir sunkiau dirbi, tuo greičiau juos suvalgai.
Tas „stebuklingas būdas“ atrodo paprastai: gauni nuorodą į GitHub, ten viskas paruošta, tereikia pasiimti.
Bet yra DIDELIS BET.
Tiems, kas su Claude dirba ne tik chato principu, bus lengviau. O kam tokenų ir taip netrūksta, tam viso šito greičiausiai net nereikia.
Bet paaiškinsiu maždaug, kaip tai veikia, kad nešoktumėt ant kiekvieno reelsiuko, kuris žada nemokamus tokenus.
Pirmiausia: tai NĖRA nemokamas Claude ar ChatGPT.
Ši galimybė atsiranda įsidiegus kitą programą aš bandžiau FreeLLMAPI. Ji leidžia vienoje vietoje sujungti kitų AI tiekėjų nemokamus limitus:Groq, NVIDIA, Google ir daugybę kitų.
Kai vienas modelis pasiekia savo limitą ar tampa nepasiekiamas, sistema gali persijungti į kitą.
Kūrėjas skaičiuoja, kad sudėjus palaikomų tiekėjų nemokamus planus teoriškai susidaro apie 7,4 mlrd. tokenų per mėnesį.
Įsivaizduokit, kad Claude Code yra mašina, o AI modelis – variklis.
Per FreeLLMAPI gali pakeisti variklį: vienu metu darbą atliks vienas modelis, pasibaigus jo limitui sistema gali paimti kitą.
Mašina lieka ta pati, bet varikliai nėra vienodo pajėgumo.
Paprastoms užduotims nemokamo modelio gali visiškai užtekti. Sudėtingame darbe jau gali labai aiškiai pasijausti skirtumas.
O dabar tie „BET“, apie kuriuos reelsuose dažniausiai niekas nepasakoja.
1. Su įprastu Claude ar ChatGPT chatu tai neveikia.
Aš Claude Code paleidžiu per PowerShell ir dirbu ten. Vadinasi, reikia pereiti į kitą darbo aplinką, o ne tiesiog toliau rašyti savo įprastame Claude lange.
2. Reikia susirinkti atskirų AI tiekėjų API raktus.
Registruojiesi jų platformose, pasiimi API raktą ir kiekvieną tiekėją prijungi prie FreeLLMAPI.
Aš kol kas prijungiau Groq ir NVIDIA. Kai kurie kiti tiekėjai gali prašyti papildomo patvirtinimo ar mokėjimo kortelės.
3. Jei pradėjai darbą paprastame Claude chate, jo istorija stebuklingai nepersikels į kitą modelį.
Bet jei nuo pradžių dirbi per Claude Code + FreeLLMAPI, yra „Context Handoff“ funkcija, skirta tam, kad keičiantis modeliui kitas suprastų, jog perima jau vykstantį darbą.
Šitą dar reikia normaliai ištestuoti praktiškai, nes teorija yra viena, o kai ant stalo guli realus projektas su krūva failų ir konteksto, prasideda linksmybės.
4. Duomenys vis tiek keliauja tam AI tiekėjui, kurio modelis tuo metu naudojamas.
Todėl su klientų, asmenine ar kita jautria informacija reikia žiūrėti konkretaus tiekėjo privatumo ir duomenų naudojimo sąlygas.
5. Ir svarbiausia: nemokami modeliai nėra automatiškai tokio pat lygio kaip stipriausi Claude ar ChatGPT modeliai.
7,4 mlrd. nemokamų tokenų skamba labai seksualiai, kol neprisimeni, kad svarbu ne tik KIEK tokenų turi, bet ir ką modelis su jais sugeba padaryti.
Ar verta naudoti?
Kol kas negaliu pasakyti, reikia bandyti. Ar bandysiu?
Galbūt jeigu pritrūksiu tokenų dar išbandysiu
Šiaip dirbu su 4 programomis ir visos išpirktos, stengiuosi gauti kokybę, nes pigūs triukai labai muša per laiko sąnaudas.
Šiandien tam praleidau beveik pusę dienos Įsidiegiau, sujungiau Claude Code ir Codex, prisijungiau Groq ir NVIDIA, susitvarkiau routingą ir pagaliau supratau, ką visa ši konstrukcija realiai daro.
BET LABAI GAILA LAIKO
Kai padirbėsiu su jais normaliai ir tada parašysiu, ar tai iš tikrųjų leidžia ilgiau dirbti nepriklausant nuo vieno modelio limitų, ar Chat GPT, Claude ir
7,4 MILIJARDO NEMOKAMŲ TOKENŲ
Matau, kad dabar daug kas dalinasi „stebuklingu būdu“, kaip nepritrūkti Claude ar ChatGPT tokenų.
|
Suprantu kodėl. Didžiausia bėda, kai darbo viduryje baigiasi limitas ir turi laukti, kol jis atsistatys. Kiekvienas modelis turi savo limitus, o kuo daugiau ir sunkiau dirbi, tuo greičiau juos suvalgai.
Tas „stebuklingas būdas“ atrodo paprastai: gauni nuorodą į GitHub, ten viskas paruošta, tereikia pasiimti.
Tiems, kas su Claude dirba ne tik chato principu, bus lengviau. O kam tokenų ir taip netrūksta, tam viso šito greičiausiai net nereikia.
Bet paaiškinsiu maždaug, kaip tai veikia, kad nešoktumėt ant kiekvieno reelsiuko, kuris žada nemokamus tokenus.
Pirmiausia: tai NĖRA nemokamas Claude ar ChatGPT.
Ši galimybė atsiranda įsidiegus kitą programą aš bandžiau FreeLLMAPI. Ji leidžia vienoje vietoje sujungti kitų AI tiekėjų nemokamus limitus: Groq, NVIDIA, Google ir daugybę kitų.
Kai vienas modelis pasiekia savo limitą ar tampa nepasiekiamas, sistema gali persijungti į kitą.
Kūrėjas skaičiuoja, kad sudėjus palaikomų tiekėjų nemokamus planus teoriškai susidaro apie 7,4 mlrd. tokenų per mėnesį.
Įsivaizduokit, kad Claude Code yra mašina, o AI modelis – variklis.
Per FreeLLMAPI gali pakeisti variklį: vienu metu darbą atliks vienas modelis, pasibaigus jo limitui sistema gali paimti kitą.
Mašina lieka ta pati, bet varikliai nėra vienodo pajėgumo.
Paprastoms užduotims nemokamo modelio gali visiškai užtekti. Sudėtingame darbe jau gali labai aiškiai pasijausti skirtumas.
O dabar tie „BET“, apie kuriuos reelsuose dažniausiai niekas nepasakoja.
1. Su įprastu Claude ar ChatGPT chatu tai neveikia.
Aš Claude Code paleidžiu per PowerShell ir dirbu ten. Vadinasi, reikia pereiti į kitą darbo aplinką, o ne tiesiog toliau rašyti savo įprastame Claude lange.
2. Reikia susirinkti atskirų AI tiekėjų API raktus.
Registruojiesi jų platformose, pasiimi API raktą ir kiekvieną tiekėją prijungi prie FreeLLMAPI.
Aš kol kas prijungiau Groq ir NVIDIA. Kai kurie kiti tiekėjai gali prašyti papildomo patvirtinimo ar mokėjimo kortelės.
3. Jei pradėjai darbą paprastame Claude chate, jo istorija stebuklingai nepersikels į kitą modelį.
Bet jei nuo pradžių dirbi per Claude Code + FreeLLMAPI, yra „Context Handoff“ funkcija, skirta tam, kad keičiantis modeliui kitas suprastų, jog perima jau vykstantį darbą.
Šitą dar reikia normaliai ištestuoti praktiškai, nes teorija yra viena, o kai ant stalo guli realus projektas su krūva failų ir konteksto, prasideda linksmybės.
4. Duomenys vis tiek keliauja tam AI tiekėjui, kurio modelis tuo metu naudojamas.
Todėl su klientų, asmenine ar kita jautria informacija reikia žiūrėti konkretaus tiekėjo privatumo ir duomenų naudojimo sąlygas.
5. Ir svarbiausia: nemokami modeliai nėra automatiškai tokio pat lygio kaip stipriausi Claude ar ChatGPT modeliai.
7,4 mlrd. nemokamų tokenų skamba labai seksualiai, kol neprisimeni, kad svarbu ne tik KIEK tokenų turi, bet ir ką modelis su jais sugeba padaryti.
Ar verta naudoti?
Kol kas negaliu pasakyti, reikia bandyti. Ar bandysiu?
Galbūt jeigu pritrūksiu tokenų dar išbandysiu
Šiaip dirbu su 4 programomis ir visos išpirktos, stengiuosi gauti kokybę, nes pigūs triukai labai muša per laiko sąnaudas.
Šiandien tam praleidau beveik pusę dienos Įsidiegiau, sujungiau Claude Code ir Codex, prisijungiau Groq ir NVIDIA, susitvarkiau routingą ir pagaliau supratau, ką visa ši konstrukcija realiai daro.
BET LABAI GAILA LAIKO
Kai padirbėsiu su jais normaliai ir tada parašysiu, ar tai iš tikrųjų leidžia ilgiau dirbti nepriklausant nuo vieno modelio limitų, ar tiesiog radau dar vieną labai technologišką būdą prisidaryti sau darbo.
FreeLLMAPI v0.12.0 lets ChatGPT and other MCP clients ask the router for answers, adds provider key management to the CLI and first-run setup from a config file, and brings a batch of routing, secu...
GitHubPerskaityta
Release v0.12.0 · tashfeenahmed/freellmapi
FreeLLMAPI v0.12.0 lets ChatGPT and other MCP clients ask the router for answers, adds provider key management to the CLI and first-run setup from a config file, and brings a batch of routing, secu...
Man nepatiko freellmapi pajungtas į cc ir codex. Drasko config failus, teko rollbackinti. Tai įdėjau į OpenCode, kurį naudoju šlamštui apdirbti ir užbaigti darbus išdeginus CC ir Codex tokenus. Visai nieko. Dar alternatyva - įsidiegti kimi code arba qwen code, pakišti freellmapi, priversti adaptuoti max iš savo cc ar codex harness'o; ir turi asiliuką kuris paskutinę mylią datempia šiaip ne taip...
Gal atsirado būdas kaip perjungti Codex planus nesustabdant sesijos; Tai galima padaryt su claude, nepertraukiamai galima naudotis nesustabdant, o codex, kad padaryt /login pirma reikia atsijungti nuo esamos sesijos..
The three-account setup is exactly the shape we can support without logging out: one isolated Codex profile per account, each with its own usage measurement and capacity state, while existing sessions stay attached to their original profile. I’m verifying the registered account/profile map and current usage surfaces now; I won’t type credentials, click purchases, or switch an active session underneath a running task.
Kosmosas dabar viena Claude užduotis pasileido 13 sub sesijų.. o kita 7; Sakau kas čia yra, kad 5h limitai per 2h išsinaudoja ir vėl laukt.. :D Gerai, kad nors deklaruoja, kad tęsia darbus, nuo ten kur kur pabaigė tie sub-agentai (sub-sesijos jei tiksliau), ne iš naujo pradeda tas pačias užduotis. :)
Juokingiausia, kad jau nieko nebesuprantu ką daro; rodos temos ties kuriomis dirba, iš tai ką spausdina ekrane kaip ir logiška, bet kas po kapotu vysksta mano galva nebeišneša.. :) O tokių sesijų/užduočių per codex ir claude 6+ :)
Nu, vaizdas lyg kažkas kitas jo darže kažką neplanuotai pridirbo. Bet nežinau detaliai, čia tik užmetus akį kažkaip keistai pasirodė tas pasimetimas.. aš pats po vieną sesiją leidžiu dažniausiai; nėra tiek skubos, kad paraleliai reikėtų, o jei ką – jis pats sub-agentus pasikuria.
Darius minėjo kažkada, kad jo agentai vienas kitam ant kulnų lipa 🙂
Codex nusimato daugiau reset'ų ateinančią savaitę :)
AI aprašymas Vaizdas rodo socialinio tinklo pokalbį, kuriame vartotojai aptaria atlikto „reset“ (atstatymo) laiko netikslumą ir praneša apie artimiausiuose savaitės laikotarpiuose numatomus papildomus atstatymus.
Sugeneravo dirbtinio intelekto modelis qwen3.8-27b-dk:latest (vienu ėjimu, be samprotavimo biudžeto). Žmogus netikrino.
bent pas mane codex kazkoks bugas, vakar vakare codino iseikvojo limitus 0 proc valandiniu, bet toliau be sustojimo dirbo iki negaliu. Siandiena toliau tesiasis sis stebuklas.
Deterministic code quality gate for AI coding agents (Claude Code, Codex, pi): git hooks that block test tampering, hold the CRAP bar on changed functions, check diff coverage, secrets and dependencies. 12 languages, one config file. Optional Jev classifier for test hunks.
GitHub - smixs/code-quality: Deterministic code quality gate for AI coding agents (Claude Code, Codex, pi): git hooks that block test tampering, hold the CRAP bar on changed functions, check diff coverage, secrets and dependencies. 12 languages, one config file. Optional Jev classifier for test hunk
Deterministic code quality gate for AI coding agents (Claude Code, Codex, pi): git hooks that block test tampering, hold the CRAP bar on changed functions, check diff coverage, secrets and dependen...
Prašau be patyčių.. Nekeiskim žmogaus minčių eigos :) LLM tegu susigaudys, ko patys nesuprasim. Vienok čia gera treniruotė, tam kas ateina, nes AGI mes galim irgi nebesuspėt suvokt.. ir tai nėra blogai.
Noriu, kaip įkūrėjas, palaikyti čia principą ir kultūrą: pagal "Ohana", kaip buvo per multiką "Stitch" labai fainiai perteiktas konceptas apie buvimą kitokiu sociume.
AI aprašymas Tai aprašymas apie „Serverless“ – bendrą backendą Telegram botams ir Mini App, skirtą konversacinėms AI sistemoms, mini programoms, žaidimams bei automatizacijoms, kurios saugo vartotojų duomenis ir bendrauja su trečiųjų šalių HTTP API.
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
Ką galiu pasakyt 5.5 opus juntamai pigesnis.. Šiandie belenkiek sesijų sukosi nors oer 3 val pasiekė keletą kart 5h limitą, tačiau savaitinis išnaudojimas lyg mažiau buvo imlus nei opus 5tukas.
Berods 20 sesijų buvo vienu metu aktyvių.. Su viduj sub-agentais.. 🙂