ho costruito in questo settore per anni ormai e ho seguito nishkarsh per anni - congratulazioni per il lancio! poiché questo è nello stesso settore in cui stiamo costruendo, mi sono immerso profondamente e ho delle opinioni. il lancio stesso è molto pubblicitario e serve a scatenare la rabbia. 1. è posizionato come un database, ma è quasi un sistema simile a @supermemory. 2. il loro esempio di "vector dbs" che non possono fare questo è davvero una questione di "modelli di embedding". e i modelli di embedding hanno sovrapposizioni, sono economici e sono in grado di inferire facilmente le differenze tra di loro. non è difficile chiedere a claude di fare un mini esperimento per dimostrarlo (allegato qui sotto). Ciò che conta è: è in grado di tracciare come evolve la conoscenza? passa il tempo? questo mi ha reso curioso, così ho letto il loro documento. 3. il loro documento di ricerca sta hardcoding e giocando con il benchmark con prompt diversi per ogni categoria!!! (vedi immagine qui sotto). Se il loro benchmarking è fisso, supermemory rimarrà lo SOTA. 4. hanno reinventato il documento di retrieval contestuale di Anthropic del 2024 e lo hanno chiamato "il paradosso del pronome orfano". 5. menzionano di utilizzare un "in-memory vector store" personalizzato = a circa 500GB, dovrai pagare più di $10k solo per la RAM. 6. l'inferenza viene eseguita troppe volte nella pipeline - il che significa che per ogni token LLM che assorbi, finirai per pagare 5 volte di più rispetto al costo del token per il grafo + contestualizzazione + archiviazione. 7. i numeri di latenza e costo non sono mai stati riportati. Il mio sospetto è che a causa dell'architettura, la latenza avrà difficoltà su larga scala. ma non posso dirlo - il loro prodotto è dietro un gate di demo. 8. il codice di benchmarking non è OSS (da quello che posso dire). non replicabile + chi sa quanto contesto stanno iniettando nel modello? qual è il K? 9. pubblicità inorganiche e non divulgate (basta leggere i tweet citati). account di influencer con oltre 400k follower che dicono tutti la stessa cosa. le persone continuano a farla franca con questo @nikitabier lol o sono completamente a favore di una sana competizione e progresso in questi campi, mi piace vedere un buon lavoro svolto da altri. ma è facile dire solo cose. "nessuno controllerà." giocare il gioco nel modo giusto è difficile, e tutti dicono solo quello che possono per impressionare le persone. TLDR è: dovresti usare questo se vuoi spendere 2-5 volte di più per nessun reale miglioramento marginale e goderti pratiche di ricerca e affari poco sane. allegato: 1. esperimento per confutare l'ipotesi che i vector dbs non comprendano grigio vs grigio. 2. uno dei loro prompt, che dice semplicemente "dici che non so". hanno ottenuto il 100% :)

wow. @solofounding il podcast è qui (E IO SONO NEL VIDEO)

claude ha appena convalidato (annullato) il nostro prodotto :) Il lancio del plugin claude code di @supermemory aveva queste parole esatte (impara i modelli di debug, approcci preferiti, contesto del progetto). è fantastico vedere i grandi laboratori adottare la memoria!