Trend-Themen
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.

jason liu
Unabhängiger KI-Berater, A16Z Scout, Schöpfer des Instruktors
vorherige @stitchfix @meta
3 Dinge, wie man Halluzinationen in der Produktion erkennt
1. Echtzeit-Halluzinationsdetektoren erstellen
Lernen Sie, Überwachungssysteme zu implementieren, die KI-Fehler in Echtzeit in Live-Produktionsumgebungen erfassen.
2. Produktionsfehler von KI-Agenten debuggen
Verstehen Sie, wie man defektes Agentenverhalten identifiziert und mit realen Debugging-Techniken behebt.
3. Überwachung mit minimalem Code bereitstellen
Meistern Sie das Hinzufügen von Erkennungssystemen zu bestehenden KI-Workflows mit nur wenigen Zeilen praktischen Codes.

1,38K
Ich sehe das Windsurf-Marketingteam darin.

Cognition24. Juli, 02:01
MCP ist da! Sie können Devin jetzt Zugriff auf Ihre Lieblingsserver über den MCP-Marktplatz gewähren. Denken Sie an Datadog, Linear, Sentry, Figma und Tausende mehr.
Demos von unserem Team + Erste Schritte 👇
5,02K
jason liu erneut gepostet
GLiClass-V3: Eine Familie von nur-Encoder-Modellen, die in der Nullschussgenauigkeit mit DeBERTa-v3-Large übereinstimmen oder diese übertreffen, während sie bis zu 50× schnellere Inferenz liefern.
Kern-Design:
- Einzelpass-Inferenz: Keine Cross-Encoder-Paarung erforderlich. Ein Vorwärtsdurchlauf verarbeitet alle Labels.
- LoRA-Adapter: Feinabgestimmt auf logische Aufgaben (z. B. formale logische Schlussfolgerungen, Commonsense QA) für symbolische Generalisierung ohne katastrophales Vergessen.
- Edge-ready: gliclass-edge-v3.0 erreicht 97 ex/s auf A6000, ideal für mobile und IoT.
GLiClass-V3-Varianten (gliclass-*):
(Basiert auf DeBERTa, ModernBERT und Ettin für Edge-Deployment)
- large-v3.0: 70,0% durchschnittlicher F1 (beste)
- base-v3.0: 65,6%
- modern-large: 60,8%
- edge-v3.0: 48,7% (schnellste, Ettin-basiert)
- x-base: 57% F1 (EN), 42% (mehrsprachig) für robuste mehrsprachige Nullschuss-Generalisierung.
Benchmarks (Nullschuss, kein Feintuning):
- CR, SST2, IMDb: ~0,93–0,94 F1
- Übertrifft GLiClass-v2 und Cross-Encoder (z. B. DeBERTa-v3-Large, RoBERTa)
- Skaliert auf 128+ Labels mit massivem Geschwindigkeitszuwachs (DeBERTa-Large: 0,25 ex/s vs GLiClass: 82,6)
Anwendungsfälle:
- Mehrfach-Label-Klassifikation (z. B. Thema, Stimmung, Spam)
- RAG-Reranking
- Datenschutzsichere On-Device-NLP
Basiert auf DeBERTa und ModernBERT. Vollständig Open Source.
pip install gliclass


3,23K
Top
Ranking
Favoriten
Onchain-Trends
Im Trend auf X
Aktuelle Top-Finanzierungen
Am bemerkenswertesten