与「Loco」相关的搜索结果

🔴 Antes de mudarte al extranjero, JAMÁS elijas: 🥉 NI LOCO ・Canadá 🇨🇦 → alquiler por las nubes ・Emiratos Árabes 🇦🇪 → calor extremo 🥈 MEJOR NO ・Reino Unido 🇬🇧 → cuarto compartido por años ・Australia 🇦🇺 → lejos de tu familia 🥇 LOS PAÍSES TOP ↓↓

NO PUEDE SER, ESTO ES UNA AUTÉNTICA BARBARIDAD 😭💀 Han conseguido transformar POKÉMON ROJO FUEGO EN UN JUEGO COMPLETAMENTE EN 3D. Han recompilado el código original de GBA, lo han reescrito en RUST y lo han combinado con los gráficos y animaciones de Pokémon Let's Go. ¿LO MÁS LOCO? Los combates, la IA y las interacciones siguen funcionando con el código original de Rojo Fuego, pero ahora tenemos CÁMARA LIBRE Y UN MUNDO 3D AMPLIADO. ESTO ES LITERALMENTE EL REMAKE QUE TODOS QUEREMOS 😭

现在的个人 Agent 做记忆检索，我们平常都会认为这对于用户任务的完成质量会提高，但是并非如此，不仅没提高还下降了。 记忆检索绝不只是一个单纯的信息召回（Recall）管道，它本质上是 Agent 认知里的一条长期控制通道与信任边界。一旦一段看似相关、但情境完全错位的记忆被无脑召回，它就会变成一个隐形的方向盘，悄悄篡改模型的推理、语气甚至工具参数。 浙大、上海 AI Lab 等团队的这篇 Beyond Similarity: Trustworthy Memory Search for Personal AI ，给个性化记忆冷静一下降降温。 团队在主流记忆框架以及具有真实工具调用能力的个人 Agent 上做了系统测试，发现了几个荒诞的隐患： 1. 第一给是污染问题：用户私下聊过的病历或家庭琐事，因为词汇重合，在写工作邮件时被顺手召回并引用了进去。 2. 第二个是对于工作中的事情变成了阿谀奉承：长记忆里记下了用户的片面偏见或抱怨，导致模型在面对客观事实时，选择无脑顺着用户的错误认知往下编，顺从率从无记忆时的 19.3% 飙升到 40%+。 3. 第三个就是工具调用出现了大问题：用户在闲聊时随口提过一句“我这人急性子，讨厌等待”，结果 Agent 在调用生产环境的安全运维工具时，竟然把超时熔断阈值给调低了。 此外这篇论文提出了 MemGate，做法非常轻巧：它在向量库与 LLM 之间插进了一个只有 9M 参数的轻量神经门控插件。 它的核心思想很简单，把“无条件相似度检索”变成“基于任务情境的记忆准入控制”： 输入 Query 和候选记忆向量后，MemGate 通过一个小型 MLP 直接预测门控掩码，有选择性地衰减有害或不相关的特征维度，只放行对当前任务合法、安全的证据。 实测效果也非常的不错，在 OpenClaw 配合 GPT-4o-mini 的真实评测中： * 信息泄露问题从 27.0% 断崖式降到 3.5%； * 并且记忆诱发的越狱成功率从 16.8% 降到 4.4%； * 安全性的大幅提升并不是靠“阉割记忆能力”换来的在 LoCoMo 记忆基准测试中，它的有效效用得分反而从 38.9 涨到了 40.8； arxiv：

Jev-Mem：结合了Jev的记忆系统 思路很好，充分利用了Jev的快速分类能力。 现在的 AI 助手在处理长期任务时，需要记住用户的喜好、历史聊天和背景知识。以往的做法主要依赖大语言模型自己去逐字阅读、归纳和检索历史。这种方式不仅反应慢、花费高，而且面对海量信息时，大模型还容易找错重点。 Jev-Mem把记忆管理分成了两套系统： 快思考，使用Jev（系统一）：负责干杂活与快速决策。 它专注于做打标签、连线分类和打分筛选。比如新存入一句话时，它会快速判断这是日常事件还是用户偏好，并自动把相关联的时间、因果关系串起来；查找时，它会快速判断该去哪类记录里找、找到多少线索就可以停手，全程不需要大模型慢吞吞地逐字生成文字。 慢思考，使用LLM（系统二）：负责最终的深度推理。 昂贵的大模型只在最后一步登场，直接拿“快思考”整理好的精准证据来组织语言、给出最终回答。 Jev-Mem 在长对话测试（LoCoMo）中取得了明显优势： 建立长期记忆的速度比现有的同类记忆系统快了 6.6 倍，耗时大幅缩减。 回答问题时的检索延迟降低了三分之一以上，平均响应只需 0.93 秒。 在复杂多步骤推理以及识破误导性问题的测试中，回答准确率超过了对比的其他主流记忆方案。 Github：

En 2008, Elon Musk estaba a 12 días de la quiebra. De pie en un salón de Hollywood, intentaba vender un auto de $109,000 dólares a gente que pensaba que estaba loco. Su propio Roadster estaba aparcado afuera, como si fuera una simple bicicleta. Empezó hablando de dinero: El Congreso había aprobado 25.000 millones para fabricar autos eficientes. 
Los Big Three volaron a Washington y lo pidieron… para pagar sueldos de sus gasolina-devoradores. El Congreso dijo que sí. 
“Eso les da hasta febrero”, dijo Musk. Tesla pidió del mismo fondo… pero para lo que realmente se había creado: un auto más barato. Y entonces soltó la frase que nadie en la sala registró: Tesla no paga dividendos.
Nunca lo hará. 
Cada dólar de cada Roadster de 109.000 va directo al siguiente auto más barato. Su sueldo: el mínimo legal. No les dijo que la empresa tenía días de caja. 
Ni que si no cerraban una ronda de emergencia antes de Nochebuena… se acababa todo. Habló de celulares. 
De cómo los primeros costaban una fortuna. 
De que no se llega al barato sin vender primero el caro. 100 autos fabricados. 
El número 100 salía el martes. 
Y él mismo entregaría las llaves. Seis meses después, GM se declaró en quiebra. El tipo del sueldo mínimo… no.

HAN LANZADO GUEOGUESSER PERO VIAJANDO EN EL TIEMPO Te sueltan en cualquier parte del mundo y en cualquier momento de la historia Tienes que adivinar dónde estás y en qué año → Nueva York 1827 → Japón feudal 1751 → Hiroshima 1945 Lo más loco: tiene entornos 360 generados con GPT Image 2 Te puedes mover y explorar como si estuvieras ahí 100% gratis y acaba de salir Enlace abajo 👇

🚂Steam Train Fest has pulled into the station!🚂 Live now until July 27, check out all sorts of train games including everything from steam locomotives to high-speed bullet trains. Mysteries on a train? Check. Murderous trains? Check. Rail network simulators? Also check!