Când am început să cercetez @OpenGradient și OpenGradient Chat, sincer, le-am folosit cu o mentalitate de genul „hai să văd cine e mai puternic”. După ce le-am folosit continuu două-trei zile, rulând de mai multe ori aceeași problemă cu combinații diferite de modele, am început încet-încet să-mi dau seama că ceva nu e în regulă. Nu era că multe ieșiri se terminau pur și simplu după ce erau generate, ci păreau „că încă stau suspendate” în sistem și continuau să influențeze raționamentul din etapele următoare. O dată chiar m-am simțit puțin ca și cum n-aș avea ce face, așa că am lăsat intenționat o bucată de demonstrație destul de neplauzibilă; inițial doar voiam să văd dacă va fi ignorată direct. Dar după câteva runde, când m-am întors s-o privesc din nou, ea fusese „cuplată” cu analiza de mai târziu și devenise un nou punct de plecare—în clipa aceea chiar am rămas uimit.#OPG
După aceea am început să reanalizez serios OpenGradient Chat. Nu are nicio legătură cu logica instrumentelor tradiționale cu mai multe modele, de tipul „folosește modelul care răspunde mai bine”. E mai degrabă ca și cum, într-un context continuu, diferite modele și niște Agent-i care colaborează lucrează împreună pe aceeași linie de raționament, ducând ideea mai departe, nu o iau de la zero de fiecare dată. Și mai important: aceste ramificații nu sunt tratate ca gunoi ca să fie șterse, ci sunt păstrate, chemate din nou și reorganizate în pașii următori—e ca atunci când ideile se rostogolesc mereu în fundal.#opg
Pe scurt, la început nici nu m-am prea uitat la mecanismele de confidențialitate; mi s-a părut doar o funcție standard. Dar cu cât am privit mai departe, cu atât am simțit că de fapt există o condiție de bază pe care încearcă s-o asigure: dacă aceste raționamente intermediare pot rămâne complet în sistem. Dacă ar fi filtrate din timp, toată colaborarea s-ar rupe—modelul și Agent-ii ar trebui să pornească de la zero de fiecare dată, iar asta ar elimina complet continuitatea.
Abia în momentul ăsta înțelegerea mea despre $OPG s-a schimbat și ea: nu e doar ceva care conectează modele sau care oferă un „entry point”; pare mai degrabă să susțină condiția de bază ca structura de colaborare continuă a OpenGradient să poată funcționa. Nu îndrăznesc să spun că am înțeles complet până la capăt, dar măcar în testele mele din câteva runde diferența asta—„cu cât o folosești mai mult, cu atât simți mai bine”—a fost destul de evidentă.
După aceea am început să reanalizez serios OpenGradient Chat. Nu are nicio legătură cu logica instrumentelor tradiționale cu mai multe modele, de tipul „folosește modelul care răspunde mai bine”. E mai degrabă ca și cum, într-un context continuu, diferite modele și niște Agent-i care colaborează lucrează împreună pe aceeași linie de raționament, ducând ideea mai departe, nu o iau de la zero de fiecare dată. Și mai important: aceste ramificații nu sunt tratate ca gunoi ca să fie șterse, ci sunt păstrate, chemate din nou și reorganizate în pașii următori—e ca atunci când ideile se rostogolesc mereu în fundal.#opg
Pe scurt, la început nici nu m-am prea uitat la mecanismele de confidențialitate; mi s-a părut doar o funcție standard. Dar cu cât am privit mai departe, cu atât am simțit că de fapt există o condiție de bază pe care încearcă s-o asigure: dacă aceste raționamente intermediare pot rămâne complet în sistem. Dacă ar fi filtrate din timp, toată colaborarea s-ar rupe—modelul și Agent-ii ar trebui să pornească de la zero de fiecare dată, iar asta ar elimina complet continuitatea.
Abia în momentul ăsta înțelegerea mea despre $OPG s-a schimbat și ea: nu e doar ceva care conectează modele sau care oferă un „entry point”; pare mai degrabă să susțină condiția de bază ca structura de colaborare continuă a OpenGradient să poată funcționa. Nu îndrăznesc să spun că am înțeles complet până la capăt, dar măcar în testele mele din câteva runde diferența asta—„cu cât o folosești mai mult, cu atât simți mai bine”—a fost destul de evidentă.