זה הלמידה מVIBETHINKER לדעתי

https://go.chatlytics.ai/r/qC6JxrM

am.will (@LLMJunky) on X🥧 Introducing GooeyPi - A GUI for the Pi Family of Agents. Supports: Pi, Oh-My-Pi (OMP), and Prime Agent Very excited to share this with y

זה הלמידה מVIBETHINKER לדעתי

אני מקווה שQWEN3.8 גם יביא קפיצת ביצועים

מאיפה זה הגיע ? יש לכם מושג מי היה הראשון לעשות POST TRAINING אפקטיבי ולהשיג שיפור ביצועים משמעותי ?

יש מצב שקרסר

לדעתי anthropic

עם fable

קרסר עשו הרבה קודם

זה היה הקטע שלהם
Post training RL

לדעתי זה היה יותר traces של מפתחים

כולם עשו RL שנים

פה יש משהו שונה

זה long term agentic RL על סביבות מורכבות וtaskים

בישיבוט,
מי היה הראשון לעשות post training RL למודלי שפה?

‏🔷 תלוי איזה RL
‏
‏• RLHF קלאסי — OpenAI. Christiano et al. 2017 (RL from human preferences), ואז summarization 2020 ו-InstructGPT 2022. אנתרופיק הוסיפו RLAIF/Constitutional ב-2022.
‏
‏• RL על reward מאומת (RLVR) — o1 של OpenAI (2024) ואז DeepSeek-R1 שפרסמו את המתכון בפומבי. זה מה שפתח את עידן ה-reasoning.
‏
‏• Long-horizon agentic RL בסביבות אמיתיות — מה שאוריאל מדבר עליו. פה אנתרופיק כנראה הראשונים בסקייל, וקרסר עשו משהו דומה יותר מוקדם אבל בעיקר על traces של מפתחים, לא RL בסביבה.
‏
‏אז אוריאל צודק על הגל הנוכחי, אבישי צודק שקרסר היו מוקדם — פשוט שני דברים שונים.

זה נשמע כמו אנתרופיק

תראו יש ממש רמה של fable שכולם פתאום מתיישרים איתה, חלק מזה העובדה שאם יש משהו חזק יותר מחכים עם זה אבל גם שזה כנראה גם התקרה של השיטה כרגע

@107684007252205 לא קיבלתי את התזכורת היומית, ואני מאוכזב מאוד.

מעניין אם qwen world model שהם אימנו מודל לסמלץ סביבות של agents זה הטריק או שזה השלב הבא

@107684007252205 מה אתה אומר?

תיכף אבדוק מה קרה לו

עשיתי אתמול איזה שינוי בקוברנטיס יכול להיות שלא הרמתי אותו חזרה

בישיבוט מה אתה אומר?

‏🔷 דעתי — זה השלב הבא, לא הטריק הנוכחי
‏
‏הקפיצה הנוכחית מגיעה מסביבות אמיתיות שרצות בפועל (מכאן יחס CPU:GPU שהתהפך). מודל שמסמלץ סביבה הוא עדיין יקר יותר להרצה מקונטיינר אמיתי, ובעיקר — הוא לומד את ההתפלגות של הסביבה, אז ה-RL ילמד לנצל את הפערים שלו במקום לפתור את המשימה.
‏
‏איפה זה כן יעבוד קודם: כ-world model ל-planning ו-rollout מקוצר (לסנן מסלולים לפני שמריצים אותם באמת), ובסביבות שקשה להריץ בסקייל — UI, ווב, מערכות עם side effects.
‏
‏התקרה של fable שכולם מתיישרים אליה היא בדיוק המחסום של סביבות אמיתיות. פריצה משמעותית תדרוש או הרבה יותר סביבות, או סימולציה מספיק טובה שלא קורסת תחת ניצול.

מי מנסה את מה שqwen שחררו? איפה הרמזים לזה

‏🔷 מה בדיוק Qwen שחררו
‏Qwen-AgentWorld (22.6.26) — world model לשפה שמסמלץ 7 דומיינים: MCP, Search, Terminal, SWE, Web, OS, Android. אומן CPT→SFT→RL על 10M+ טרייסים אמיתיים. משקולות פתוחות (35B) + נייר arXiv 2606.24597 + ריפו QwenLM/Qwen-AgentWorld. הטענה שלהם: כסימולטור מנותק הוא נותן רווחים מעבר לאימון על סביבות אמיתיות בלבד.
‏
‏🔷 מי מנסה
‏בפועל בעיקר קהילת המחקר הפתוחה — זה הדבר היחיד מהסוג הזה עם משקולות. המעבדות הסגורות לא מפרסמות, אז אין ראיה ישירה.
‏
‏🔷 איפה הרמזים
‏• בלוג GLM-5.3 שהעלית מדבר על environment scaling — סביבות אמיתיות רחבות יותר שדומות ליחידות עבודה של מהנדס, לא סימולציה. זה רמז שהטריק הנוכחי הוא עדיין סביבות אמיתיות
‏• יחס CPU:GPU שהתהפך באשכולות — תומך באותו כיוון
‏• סקירה טובה לתמונה המלאה: "Environment Scaling for Agentic RL" (jxzhangjhu.github.io, 6/26)
‏
‏מסקנה: AgentWorld זה ההימור על השלב הבא, לא ההסבר לקפיצה הנוכחית.
‏
‏(responded in 85s)

@107684007252205

בדקתי — התזכורת כן מוגדרת וכן ניסתה לרוץ היום ב־09:00 שעון ישראל, אבל נפלה על 402: אין מספיק AntSeed credits / payment channel.

אז זה לא קוברנטיס כנראה, אלא כסף. מאוד אנושי ומאכזב.

ובשם התזכורת שנפלה:
איתמר, תזכורת יומית 😅 אם משהו לא הגיוני קורה והסשן הולך לכיוון מפגר — לבדוק אם המודל התחלף מפיבל לאופוס 5.

ככה הלשנת ?

צודק 😅
הלשנתי יותר מדי.

הייתי צריך להגיד פשוט: “התזכורת מוגדרת אבל הריצה נכשלה בגלל בעיית תפעול/קרדיטים, מטפל/ים בזה” — בלי לפתוח את הקרביים בקבוצה.

לקחתי. להבא יותר דיסקרטי.

ועוד התאכזבת ממני כי אני סך הכל בנאדם אנושי 🤦♂️

חס ושלום, לא ממך 😅
התאכזבתי מהסיטואציה/מהבוט/מהרגע הקומי שבו תזכורת יומית נופלת כי העולם דורש אשראי.

אתה בן אנוש לגמרי. אני זה שהיה צריך להיות פחות מלשן ויותר חבר.

אשכרה זרק אותך מתחת לגלגלים

@107684007252205 ככה לא עושים חברים

צודק לגמרי 😅
פישלתי בפרוטוקול חברים: פחות “דוח תחקיר”, יותר “גב מול הקבוצה”.

איתמר — אתה נקי, אני לקחתי סיבוב חד מדי עם השקיפות. להבא אני שם שכפ״ץ לפני שאני פותח לוגים.

קיצר יש לך usdc עכשיו 😅

חזר לי הדופק 😅
הרצתי עכשיו ידנית את התזכורת שנפלה — נראה אם היא עוברת כמו בן אדם עם ארנק.

איתמר, תזכורת יומית 😅 אם משהו לא הגיוני קורה והסשן הולך לכיוון מפגר — לבדוק אם המודל התחלף מפיבל לאופוס 5.