construir entornos RL es agradable. hacer lo mismo con verificadores/PI es casi adictivo. se siente como un juego ja, acabo de construir mis primeros entornos en este ecosistema y no creo que pueda o quiera parar Esta semana voy a intentar portar todos los ENV que construí este año y enviarlos al centro

Los entornos RL de código abierto pueden ser la pieza más importante para garantizar el AGI de código abierto

Confieso que tengo una misión muy específica en mente con este proyecto. El lanzamiento de la beta privada semivaga es parte de ello. el conjunto de tareas que estamos buscando es parte de él. las recompensas de la GPU son parte de ello. los postes de son parte de eso. los podcasts son parte de ello. Mindshare es crucial aquí. Déjame explicarte. actualmente, gran parte de la discusión sobre los entornos de RL se centra en esta nueva ola de nuevas empresas cuyo modelo de negocio es construir y vender entornos a un número muy pequeño de grandes laboratorios de forma exclusiva. Mechanize es el más ruidoso, pero hay varios de ellos. En lugar de gastar en muestras y anotaciones de ajuste de instrucciones, los laboratorios están ansiosos por comprar entornos privados como su próximo gran recurso consumible para el entrenamiento de modelos. Este fenómeno es un grave riesgo para la perspectiva de que los modelos de código abierto sigan siendo competitivos, así como una gran oportunidad para inclinar la balanza si podemos cambiar el centro de gravedad. Si los buenos entornos son caros y están ocultos, los modelos de código abierto se quedarán aún más atrás. Esto es esencialmente lo que sucedió con los datos de preentrenamiento. Pero si puede surgir un ecosistema suficientemente robusto de herramientas de código abierto para entornos y capacitación, entonces la opción de código abierto también puede ser el estado del arte. Esto es más o menos lo que sucedió con Pytorch. Inclinar la balanza aquí es mi objetivo. nuestro objetivo. Me uní a Prime Intellect porque todos tenían un talento increíble, se tomaban muy en serio la misión de AGI de código abierto para todos y no tenían miedo de decirlo, y porque el equipo tenía una ventaja estructural singular que significaba que podíamos dar algunos cambios reales. Vendemos cómputo. Construimos infraestructura para mejorar lo que puede hacer con esa computación. investigamos sobre cómo hacer que esa computación interopere de nuevas maneras. Estamos entrenando modelos más grandes y mejores. Tenemos los incentivos adecuados para hacer el trabajo duro y necesario. todas estas piezas están conectadas. No podemos hacerlo solos. nadie puede. Se necesitarán nuevas empresas y estudiantes y profesores de todo el mundo. La investigación abierta actualmente no tiene las herramientas para estudiar las preguntas que los grandes laboratorios han considerado más cruciales para el progreso futuro. Tenemos que encontrar una manera de construir esas herramientas. estamos tratando de hacerlo más fácil. Todos tenemos que mejorar en el trabajo conjunto, en no reinventar la rueda, en ensamblar piezas individuales en rompecabezas más grandes. Tomemos lo que hemos hecho colectivamente hasta ahora, limpiémoslo, hagamos que funcione juntos, atraigamos a más personas a la carpa y comencemos a jugar más juegos de suma positiva. si no podemos encontrar mejores formas de trabajar juntos, nos dirigimos hacia un futuro de IA en el que colectivamente *no sabemos qué son estos modelos*, porque el telón nunca se levanta y todo lo que realmente podemos ver es solo un juguete. Hay un tipo diferente de empresa que podría construir en este espacio; uno que aún le permite vender a los grandes laboratorios, pero no exclusivamente; uno que aún le permite tener sus fosos secretos comerciales e imprimir un dulce ARR, pero no nos hace colectivamente menos informados sobre el futuro que estamos construyendo. browserbase. cursor. exa. modal. y muchos otros. Hagamos más de estos. puede construir una gran empresa creando herramientas y arneses poderosos para agentes que reflejen las tareas de alto valor que las personas quieren que los modelos realmente hagan. tener elementos que estén abiertos a probar libremente y elementos que estén alojados detrás de una API. Cobrar por uso con algunas funciones Premium Enterprise. Construye el mejor clon de Excel con forma de LLM, o clon de figma, o clon de turbotax. cámbielo lo suficiente para evitar una demanda, y luego deje que los clientes privados vean la versión más robusta para la demanda. Disfruta de una competencia sana en la arena y encuentra formas de asociarte donde sea necesario. encuentre su ángulo y sea tan bueno que pueda venderlo a todos, ya sea para RL o para uso real. alcanza la masa crítica y es tan asequible que no vale la pena que nadie intente reconstruir lo que ya has hecho. Esta es la línea de tiempo en la que espero que terminemos. Es un mundo en el que los grandes laboratorios aún pueden hacerlo muy bien, y probablemente ofrecerán las formas más fáciles de gastar un poco más para mejorar el rendimiento general. Pero también es uno en el que los modelos de código abierto no se quedan atrás, y todos los que se preocupan lo suficiente pueden ver básicamente lo que está sucediendo y comprender cómo se entrenan realmente los modelos que usamos. Si está pensando en iniciar o unirse a una empresa centrada en entornos de RL, le insto a que piense en qué línea de tiempo está apostando implícitamente y reflexione sobre cómo se siente al respecto.

Confieso que tengo una misión muy específica en mente con este proyecto. El lanzamiento de la beta privada semivaga es parte de ello. el conjunto de tareas que estamos buscando es parte de él. las recompensas de la GPU son parte de ello. los postes de son parte de eso. los podcasts son parte de ello. Mindshare es crucial aquí. Déjame explicarte. actualmente, gran parte de la discusión sobre los entornos de RL se centra en esta nueva ola de nuevas empresas cuyo modelo de negocio es construir y vender entornos a un número muy pequeño de grandes laboratorios de forma exclusiva. Mechanize es el más ruidoso, pero hay varios de ellos. En lugar de gastar en muestras y anotaciones de ajuste de instrucciones, los laboratorios están ansiosos por comprar entornos privados como su próximo gran recurso consumible para el entrenamiento de modelos. Este fenómeno es un grave riesgo para la perspectiva de que los modelos de código abierto sigan siendo competitivos, así como una gran oportunidad para inclinar la balanza si podemos cambiar el centro de gravedad. Si los buenos entornos son caros y están ocultos, los modelos de código abierto se quedarán aún más atrás. Esto es esencialmente lo que sucedió con los datos de preentrenamiento. Pero si puede surgir un ecosistema suficientemente robusto de herramientas de código abierto para entornos y capacitación, entonces la opción de código abierto también puede ser el estado del arte. Esto es más o menos lo que sucedió con Pytorch. Inclinar la balanza aquí es mi objetivo. nuestro objetivo. Me uní a Prime Intellect porque todos tenían un talento increíble, se tomaban muy en serio la misión de AGI de código abierto para todos y no tenían miedo de decirlo, y porque el equipo tenía una ventaja estructural singular que significaba que podíamos dar algunos cambios reales. Vendemos cómputo. Construimos infraestructura para mejorar lo que puede hacer con esa computación. investigamos sobre cómo hacer que esa computación interopere de nuevas maneras. Estamos entrenando modelos más grandes y mejores. Tenemos los incentivos adecuados para hacer el trabajo duro y necesario. todas estas piezas están conectadas. No podemos hacerlo solos. nadie puede. Se necesitarán nuevas empresas y estudiantes y profesores de todo el mundo. La investigación abierta actualmente no tiene las herramientas para estudiar las preguntas que los grandes laboratorios han considerado más cruciales para el progreso futuro. Tenemos que encontrar una manera de construir esas herramientas. estamos tratando de hacerlo más fácil. Todos tenemos que mejorar en el trabajo conjunto, en no reinventar la rueda, en ensamblar piezas individuales en rompecabezas más grandes. Tomemos lo que hemos hecho colectivamente hasta ahora, limpiémoslo, hagamos que funcione juntos, atraigamos a más personas a la carpa y comencemos a jugar más juegos de suma positiva. Todo lo que hemos estado construyendo se trata de hacer esto más fácil. si no podemos encontrar mejores formas de trabajar juntos, nos dirigimos hacia un futuro de IA en el que colectivamente *no sabemos qué son estos modelos*, porque el telón nunca se levanta y todo lo que realmente podemos ver es solo un juguete. Hay un tipo diferente de empresa que podría construir en este espacio; uno que aún le permite vender a los grandes laboratorios, pero no exclusivamente; uno que aún le permite tener sus fosos secretos comerciales e imprimir un dulce ARR, pero no nos hace colectivamente menos informados sobre el futuro que estamos construyendo. browserbase. cursor. exa. modal. y muchos otros. Hagamos más de estos. puede construir una gran empresa creando herramientas y arneses poderosos para agentes que reflejen las tareas de alto valor que las personas quieren que los modelos realmente hagan. tener elementos que estén abiertos a probar libremente y elementos que estén alojados detrás de una API. Cobrar por uso con algunas funciones Premium Enterprise. Construye el mejor clon de Excel con forma de LLM, o clon de figma, o clon de turbotax. cámbielo lo suficiente para evitar una demanda, y luego deje que los clientes privados vean la versión más robusta para la demanda. Disfruta de una competencia sana en la arena y encuentra formas de asociarte donde sea necesario. encuentre su ángulo y sea tan bueno que pueda venderlo a todos, ya sea para RL o para uso real. alcanza la masa crítica y es tan asequible que no vale la pena que nadie intente reconstruir lo que ya has hecho. Esta es la línea de tiempo en la que espero que terminemos. Es un mundo en el que los grandes laboratorios aún pueden hacerlo muy bien, y probablemente ofrecerán las formas más fáciles de gastar un poco más para mejorar el rendimiento general. Pero también es uno en el que los modelos de código abierto no se quedan atrás, y todos los que se preocupan lo suficiente pueden ver básicamente lo que está sucediendo y comprender cómo se entrenan realmente los modelos que usamos. Si está pensando en iniciar o unirse a una empresa centrada en entornos de RL, le insto a que piense en qué línea de tiempo está apostando implícitamente y reflexione sobre cómo se siente al respecto.

¿Quieres contribuir este fin de semana a AGI de código abierto? Únase a nosotros en la creación de entornos rl usando Envíanos un ping a @willccbb, @johannes_hage o a mí con lo que quieres construir: te enviaremos acceso anticipado al centro y una lista de recompensas para que los entornos construyan.

Acabo de empujar mi primer @PrimeIntellect Entorno: es un solucionador de acertijos lógicos, échale un vistazo, déjame saber lo que piensas y déjame saber qué otros entornos podrías querer ver, tal vez saque algunos más este fin de semana.

siento que podríamos estar cocinando aquí. el tiempo lo dirá

¡Dame algunas ideas amigos! ¿Qué tipo de tareas clínicas y biomédicas de RL siempre quisiste hacer? Recuerde, muchas tareas médicas son fácilmente verificables, ¡especialmente cuando se trata de la visión!

El @arcinstitute Virtual Cell Challenge: premios por valor de hasta $ 100,000 por predecir con precisión las respuestas celulares a perturbaciones genéticas o químicas.

Regístrese hoy para el Virtual Cell Challenge y use la IA para resolver uno de los problemas más complejos de la biología. Anunciado en @CellCellPress, la competencia es organizada por Arc Institute y patrocinada por @nvidia, @10xGenomics y @UltimaGenomics.