Hva er en $CODEC operatør? Det er her Vision-Language-Action-modeller endelig gjør AI nyttig for ekte arbeid. En operatør er en autonom programvareagent drevet av VLA-modeller som utfører oppgaver gjennom en kontinuerlig oppfatte-fornuft-handling-syklus. LLM-er kan tenke og snakke briljant, men de kan ikke peke, klikke eller ta tak i noe. De er rene resonneringsmotorer med null forankring i den fysiske verden. VLA-er kombinerer visuell persepsjon, språkforståelse og strukturert handlingsutgang i en enkelt foroverpassering. Mens en LLM beskriver hva som skal skje, får en VLA-modell det faktisk til å skje ved å sende ut koordinater, kontrollsignaler og kjørbare kommandoer. Arbeidsflyten for operatører er: - Oppfatning: tar skjermbilder, kamerafeeder eller sensordata. - Resonnement: behandler observasjoner sammen med instruksjoner på naturlig språk ved hjelp av VLA-modellen. - Handling: utfører beslutninger gjennom grensesnittinteraksjoner eller maskinvarekontroll – alt i én kontinuerlig sløyfe. Eksempler: LLM vs. operatør drevet av VLA-modell Planlegge et møte LLM: Gir en detaljert forklaring av kalenderadministrasjon, og skisserer trinn for å planlegge et møte. Operatør med VLA-modell: - Fanger opp brukerens skrivebord. - Identifiserer kalenderapplikasjonen (f.eks. - Navigerer til torsdag, oppretter et møte kl. 14 og legger til deltakere. - Tilpasser seg automatisk til endringer i brukergrensesnittet. Robotikk: Sortering av objekter LLM: Genererer presise skriftlige instruksjoner for sortering av objekter, for eksempel å identifisere og organisere røde komponenter. Operatør med VLA-modell: - Observerer arbeidsområdet i sanntid. - Identifiserer røde komponenter blant blandede objekter. - Planlegger kollisjonsfrie baner for en robotarm. - Utfører plukk-og-plasser-operasjoner, og justerer seg dynamisk til nye posisjoner og orienteringer. VLA-modeller bygger endelig bro over gapet mellom AI som kan resonnere om verden og AI som faktisk kan endre den. Det er de som forvandler automatisering fra skjør regelfølging til adaptiv problemløsning – intelligente arbeidere. "Tradisjonelle skript brytes når miljøet endres, men operatører bruker visuell forståelse for å tilpasse seg i sanntid, og håndtere unntak i stedet for å krasje på dem."

Vi introduserer Emerald Sub Cards: Én konto, ubegrenset antall kort Egendefinerte etiketter, individuelle grenser og utgiftssporing er alle tilgjengelige i ett

Teststedet er ute Til å begynne med tok det mye tid å bruke vercel underordnet kortnivå, men så var det mye lettere å bytte direkte til det underordnede cloudrun, og da vil jeg få muligheten til å lære deg hvordan du lar AI lære deg trinn for trinn for å fullføre skyen online APP-en din. Åpne de "3 dagene" med Free Trail for alle å teste og spille, brenne OpenAI API (jeg har et budsjett, ikke bruk det for voldsomt...), koble direkte til nettstedet og skriv inn informasjonen for å analysere, jeg håper at alle som har en test kan gi meg noen tilbakemeldinger, og Git Repo kan også hjelpe meg med å peke en stjerne 🙏 Test lenker: Git: Jeg må si at det er mange ting som kan endres i dette rammeverket, og innholdet i rapporten som produseres er ikke dårlig hvis du ser nøye (men jeg tester at effekten av noen små mynter er relativt dårlig, og det burde være at datakilden koblet til av den nåværende fellesskapsanalysen er relativt dårlig), og deretter koble til flere datakilder og legge til flere agenter bør gjøre effekten bedre, og kanskje du til og med kan koble MCP for å legge inn en bestilling direkte, og det er mange ting som kan spilles! Interessert i samarbeid eller sponsing er velkommen til DM!

Teststedet er ute Til å begynne med tok det mye tid å bruke vercel underordnet kortnivå, men så var det mye lettere å bytte direkte til det underordnede cloudrun, og da vil jeg få muligheten til å lære deg hvordan du lar AI lære deg trinn for trinn for å fullføre skyen online APP-en din. Åpne de "3 dagene" med Free Trail for alle å teste og spille, brenne OpenAI API (jeg har et budsjett, ikke bruk det for voldsomt...), koble direkte til nettstedet og skriv inn informasjonen for å analysere, jeg håper at alle som har en test kan gi meg noen tilbakemeldinger, og Git Repo kan også hjelpe meg med å peke en stjerne 🙏 Test lenker: Git: Jeg må si at det er mange ting som kan endres i dette rammeverket, og innholdet i rapporten som produseres er ikke dårlig hvis du ser nøye (men jeg tester at effekten av noen små mynter er relativt dårlig, og det burde være at datakilden koblet til av den nåværende fellesskapsanalysen er relativt dårlig), og deretter koble til flere datakilder og legge til flere agenter bør gjøre effekten bedre, og kanskje du til og med kan koble MCP for å legge inn en bestilling direkte, og det er mange ting som kan spilles! Interessert i samarbeid eller sponsing er velkommen til DM!

TradingAgents, et åpen kildekode-prosjekt med handels-AI, har steget til 13K de siste månedene La oss snakke om konklusjonen først: Opprinnelig kunne denne åpen kildekode TradingAgent bare analysere amerikanske aksjer, men jeg brukte mindre enn 3 timer på å endre kryptoversjonen av denne TradingAgent med AI Vibe-koding, og la til nettgrensesnittet, og jeg åpnet direkte kilden til programmet (lenke jeg la inn i meldingen). Denne TradingAgents er et rammeverk som bruker Multi-LLM-agenter for å lage en simulering av driften av ekte handelsinstitusjoner, for eksempel å skille analytikere, forskere, tradere, risikokontroll og investeringsansvarlige med AIAgent, og interaktivt analysere til slutten for å finne ut hvordan du skal legge inn en bestilling, PNL skrevet i papiret er bedre enn mange strategier, og selve testen er gjort, og hele prosessen er full av bra, og vil fange opp forskjellige datakilder for analyse, historiske priser , nyheter, samfunnssentiment, teknisk, grunnleggende og emosjonell analyse har også en arbeidsdeling. Opprinnelig støttet den bare amerikanske aksjer, men jeg ble med for å støtte Crypto (støtter for tiden noen store mynter), og fordi CLI-solen springer, la jeg direkte til et webgrensesnitt! Det vil være mer intuitivt å se det i en nettleser, og jeg vil distribuere det slik at alle kan teste og bruke det når jeg har tid senere (men API-nøkkelen bør utarbeides av deg selv). Jeg vil fortsette å oppdatere denne repoen, og så planlegger jeg å sakte prøve å legge til flere datakilder, og endre agentens ledetekst for å gjøre agentens kryptoanalyse mer sanntids og nøyaktig, og til og med gratis å legge til flere agenter, Defi-oppdrett og alfajeger bør også stå fritt til å bli med på dette rammeverket, ideelt sett håper jeg å kunne analysere til og med MEME, Hvis du er interessert i denne tingen og ønsker å samarbeide i utviklingen av den, kan du sende meg en DM. Nå ser det ut til at det fortsatt er mange som vil analysere om koden er skrevet av AI, Vibe Coding er den nåværende trenden, Microsoft google har allerede tatt grep for å si opp ansatte, og nå er effektiviteten til AI-utviklingen høy, og da vil jeg kringkaste Vibe Coding live på SIDEKICK når jeg har tid, du spiller hunder og spill, jeg vil ringe AI for å spille kode for å utvikle ting!

Jøss. Ganske kult å se solana-kunnskap være så utbredt at eksterne utviklere kan forgrene alt. Det er 3 faser i åpen kildekode: 1) Ingen bryr seg om koden din 2) Alle forgrener koden din, men returnerer ingen verdi oppstrøms 3) faktiske meningsfulle bidrag tilbake oppstrøms Det er ikke helt slik, men det er virkelig veldig vanskelig å få noen meningsfulle feilrettinger fra eksterne gafler. 1/20 suger ikke i utgangspunktet.