KevinSimback

Чую багато людей, які кажуть, що ми "обмежені обчислювальними ресурсами", бо саме це ми відчуваємо останнім часом при використанні моделей
Але справжня проблема полягає у фізичній роботі, яка відбувається між замовленням GPU і виробництвом токенів
Затримки та скасування дата-центрів:
- Пам’ятаєте Stargate? Оголошено 10 ГВт у січні 2025 року, і ~200 МВт у реальності через 14 місяців, а розширення Abilene на 600 МВт, ймовірно, скасовано
- З приблизно 16 ГВт оголошених потужностей дата-центрів для ШІ у США 2026 року, лише близько 5 ГВт у процесі будівництва
- Половина будівництв дата-це

Режим няні - що робити?
Останнім часом я помітив, що моделі (Claude, GPT, GLM) всі здається, частіше ніж раніше, припиняються перед завершенням.
Вони зупиняються і чекають мого підтвердження, коли це не потрібно.
Тому мені доводиться більше "доглядати", щоб просто сказати "продовжуй".
Я вважаю, що це навмисна поведінка для обмеження через зростаючий попит, я розумію, але це дратує.
Чи хтось ще помічає це частіше, і які інструменти/запити ви використовуєте, щоб уникнути режиму няні?

Це досить очевидно, що Anthropic масштабує продукт швидше, ніж може масштабувати обчислювальні ресурси
Я вважаю це хорошим — це ускладнює для однієї компанії надто сильно випередити у гонці за AGI

Чи хтось ще розчарований досі Opus 4.7?
Потрібно дати йому більше завдань, перш ніж робити висновки, але ранній прогноз не обіцяє великого підйому
Можливо, я просто очікую занадто багато після слуху про Mythos

3 теми в межах штучного інтелекту, які зараз мене дуже цікавлять:
1. Локальні моделі для оптимізації витрат на використання моделей
Чому -> не вважаю, що ми довго зможемо отримувати найкращі моделі з майже необмеженим використанням за $200/місяць
Писано на стінах, великі лабораторії не можуть дозволити собі довше субсидувати
Тому насолоджуйтеся Claude Max, поки можете, але скоро кожна компанія та потужний користувач навчаться ефективно маршрутизувати між різними моделями для конкретного завдання і між хмарою та локальним зберіганням, і локальне — це ключ
2. Виявлення захисних мурів у а

LLM-wiki — це зібрана база знань — це чудово і має свою ціль
Але це не «другий мозок»
LLM-wiki фіксує те, що ви досліджували і можливо прочитали
Але воно не фіксує, що ви думаєте про те, що прочитали, і саме в цьому вся суть

Люди змагаються
Нам подобається змагатися, нам подобається дивитися, як змагаються інші, і нам подобається робити ставки на результати змагань інших, що є самою формою змагання
Штучні інтелектуальні агенти відкривають полотно для цілком нового жанру змагань
Чекаю на змагання моїх агентів

🚀 Хочете БЕЗКОШТОВНІ моделі, які можна підключити до OpenClaw або Hermes?
Ось 9 ресурсів, які ви можете використовувати для безкоштовного доступу до API моделей
Без локальної налаштування, без кредитної картки, лише чисті хмарні API з сумісними з OpenAI кінцевими точками
Ви не можете отримати безкоштовну якість Opus (ще), але всі ці сервіси мають справжні безкоштовні рівні прямо зараз (можливі обмеження швидкості) і вони достатньо хороші для початку, якщо ви не хочете витрачати гроші на агентів
1️⃣ Безкоштовні моделі OpenRouter
(Gemma 4 31B/26B, NVIDIA Nemotron 3 Super 120B MoE, MiniMax M2.5,

Найміть колегу, а не інструмент — це майбутнє агентного ШІ для підприємств
Більшість компаній хочуть ШІ-агентів, які просто виконують хорошу роботу — їм не потрібно занурюватися у технічні нюанси налаштувань і вибору моделей
Вони просто хочуть обрати агента з меню, озброїти його будь-якими додатковими навичками, що потрібні, і потім безпечно використовувати його у своїй компанії
3 кліки — і агент готовий до роботи, його можна швидко запустити або зупинити так само легко

Налаштування «AI maxxing»:
> Запуск передових відкритих моделей вдома на споживчому обладнанні ( кілька варіантів: Mac Mini 64GB, ПК з 3090/4090/5090)
> Запуск Tailscale або LM Studio з Tailscale для безпечного віддаленого доступу
> Доступ до моделей через телефон/ноутбук будь-де для приватного безкоштовного виведення результатів

Є реальна можливість для амбіційного дослідника штучного інтелекту:
- створити рамкову систему для оцінювання систем агентів, таких як Openclaw, Hermes та всі інші «claws»
- розширити оцінювання на різні інструменти / конфігурації, щоб зрозуміти, як змінюється продуктивність при різних налаштуваннях
- проводити надійні оцінювання для різних моделей, включаючи локальні та API
- створювати бенчмарки та публікувати результати, а потім оновлювати їх у міру розвитку агентів і моделей
Мета — стати головним джерелом об’єктивних бенчмарків агентів
Можливо, хтось уже займається цим, і я просто не знаю?