Hoy, el ranking de artículos de IA en primer lugar ha metido la auto-mejora recursiva dentro de un agente científico. La clave es lograr que el agente descomponga sus propios experimentos, escriba código para ejecutarlos y, luego, use los resultados para iterar y mejorar su propia estrategia, formando un bucle auto-cíclico de «experimento–retroalimentación–actualización». Con 17 votos, deja atrás a otras investigaciones por bastante.
Esta línea encaja naturalmente con los protocolos de agentes del ámbito de la criptografía: el agente puede evolucionar y autodesplegarse de forma estable, y el mercado de investigación on-chain junto con los protocolos de simulación de experimentos pueden conectarse directamente. El agente puede programar el uso de fondos para ejecutar hipótesis, verificar conclusiones y subir los resultados a la cadena. <c-1/>$FET </c-1/> es un protocolo veterano para coordinar agentes, <c-1/>$TAO </c-1/> es el mercado del subred de aprendizaje automático; ambas direcciones coinciden con la lógica de auto-evolución del agente que se describe en el artículo.
Más abajo, modelos de contexto largo de 200K se pueden ejecutar en portátiles comunes, lo que significa que los nodos individuales también pueden ejecutar inferencia de modelos grandes. Además, el umbral de hardware para la inferencia descentralizada vuelve a bajar otro escalón. Otro artículo en curso sobre un sistema multiagente de largo recorrido para pruebas de estrés se enfoca en el mismo tipo de problema que la auto-mejora recursiva de hoy: si el agente puede soportar la acumulación de fallos durante tareas de larga duración.
#AI代理 #科学智能体 #AI
Esta línea encaja naturalmente con los protocolos de agentes del ámbito de la criptografía: el agente puede evolucionar y autodesplegarse de forma estable, y el mercado de investigación on-chain junto con los protocolos de simulación de experimentos pueden conectarse directamente. El agente puede programar el uso de fondos para ejecutar hipótesis, verificar conclusiones y subir los resultados a la cadena. <c-1/>$FET </c-1/> es un protocolo veterano para coordinar agentes, <c-1/>$TAO </c-1/> es el mercado del subred de aprendizaje automático; ambas direcciones coinciden con la lógica de auto-evolución del agente que se describe en el artículo.
Más abajo, modelos de contexto largo de 200K se pueden ejecutar en portátiles comunes, lo que significa que los nodos individuales también pueden ejecutar inferencia de modelos grandes. Además, el umbral de hardware para la inferencia descentralizada vuelve a bajar otro escalón. Otro artículo en curso sobre un sistema multiagente de largo recorrido para pruebas de estrés se enfoca en el mismo tipo de problema que la auto-mejora recursiva de hoy: si el agente puede soportar la acumulación de fallos durante tareas de larga duración.
#AI代理 #科学智能体 #AI
