🚨 Birisi yapay zeka ajanlarındaki en büyük darboğazı çözdü. Ve bu 12MB ikili bir dosya. Adı Pinchtab. Herhangi bir yapay zeka ajanına sade bir HTTP API aracılığıyla tam tarayıcı kontrolü sağlar. Bir çerçeveye bağlı değil. SDK'ya bağlı değil. Her ajan, herhangi bir dil, hatta kıvrılma bile. Yapılandırma yok. Hazırlık yok. Bağımlılık yok. Sadece tek bir Go ikili dosyası. İşte mevcut tüm çözümlerin neden bozuk olduğu: → OpenClaw tarayıcısı? Sadece OpenClaw içinde çalışıyor → Oyun yazarı MCP? Çerçeve kilitli → Tarayıcı Kullanımı? Kendi yığınına bağlı Pinchtab, bağımsız bir HTTP sunucusudur. Ajanınız HTTP istekleri gönderiyor. Hepsi bu. Bu şeyin yaptığı şöyle: → Kendi Chrome örneklerini başlatır ve yönetir → Kararlı eleman referanslarıyla erişilebilirlik öncelikli bir DOM ağacı ortaya çıkarır → Tıkla, yaz, kaydır, gez. Hepsi basit HTTP çağrılarıyla → Büyük sitelerde bot algılamayı atlayan yerleşik gizlilik modu → Sürekli seanslar. Bir kez giriş yaparsan, yeniden başlatma halinde giriş kalır → Gerçek zamanlı bir dashboard ile çoklu örnek orkestrasyon → Başsız ya da başsız çalışır (insan 2FA yapar, ajan devralır) İşte en çılgın kısım: Tam sayfa snapshot, Pinchtab'ın /text uç noktasıyla ~800 token tutar. Aynı sayfa ekran görüntüleri mi? ~10.000 jeton. Bu 13 kat daha ucuz. 50 sayfalık bir izleme görevinde, $0.01 yerine $0.30 ödüyorsunuz. Akıllı diferensial modu bile var. Sadece son anlık görüntüden beri değişenleri geri döndürüyor. Temsilciniz her aramada sayfayı tekrar okumayı bırakıyor. 1.6K GitHub yıldızı. 478 taahhüt ediyor. 15 sürüm. Aktif olarak bakıma devam ediyor. %100 Açık Kaynak. MIT Lisansı.

🚨 Alibaba'nın Qwen Ekibi, yapay zeka eğitimini 8 kat daha verimli hale getiren bir çerçeve yayınladı. Buna OPUS deniyor Her yapay zeka laboratuvarının sessizce paniklediği sorunu çözüyor: Veri Duvarı. Yüksek kaliteli kamuya açık metin tükeniyor. Tahminler, 2026–2028 yılları arasında bu durumun ortadan kalkacağını söylüyor. OPUS daha fazla veri bulamıyor. Her eğitim aşamasında doğru veriyi seçiyor. İşte nasıl çalışıyor: → Her optimizer adımında, OPUS eğitim örneklerinden oluşan bir aday tampon puanları alır → Her örneğin etkili güncellemesini optimize edicinin gerçek geometrisine yansıtır (AdamW, Muon) → Her örneklemin hedef kıyaslamada performansı ne kadar iyileştireceğini ölçür → Çeşitliliği korumak ve tekrarı önlemek için Boltzmann örneklemesini kullanır → Güncelleme için yalnızca en yüksek fayda sağlayan tokenları seçer İşte en çılgın kısım: GPT-2 XL'i 30B jetonlarla eğitti ve 200B jetonlarla eğitilen modelleri geride bıraktı. Bu yazım hatası değil. 30B, 200B'yi yendi. Qwen3-8B'de OPUS, tam eğitimi sadece 0.5B jeton kullanarak 3B jetonlarla eşleştirdi. 6 kat veri verimliliği artışı. Bilimsel alanlarda devam eden ön eğitimde. Daha da çılgın: OPUS'a kasıtlı olarak daha düşük kaliteli veri verdiler (FineWeb-Edu puanı 3), temel veriler ise yüksek kaliteli bölüm üzerinde eğitim aldı (puanlar 4–5). OPUS yine de kazandı. Daha düşük kaliteli veriler, dinamik olarak seçilmiş, yüksek kaliteli veriyi statik olarak filtreleyen verileri geride bırakmıştır. Tüm bunlar sadece %4,7 ek hesaplama yükü ile sağlanıyor. Önceki dinamik seçim yöntemleri, ham gradyanlar kullanarak veri puanlardı — ki bu da SGD'yi varsayıyordu. Ama artık kimse SGD ile antrenman yapmıyor. Herkes AdamW veya Muon kullanır. Bu optimizatörler, momentum, adaptif ölçeklendirme ve matris ortogonalizasyonu yoluyla gradyanları yeniden şekillendirir. OPUS, optimize edicinin gerçek güncelleme alanında veri puanlayan ilk çerçevedir. Eğimin işaret ettiği yer değil. Parametrelerin gerçekten hareket ettiği yer. SJTU, Alibaba'nın Qwen Takımı, UW–Madison, UIUC ve Mila'dan. Makale: "OPUS: LLM Ön Eğitiminde Verimli ve Prensipli Veri Seçimine Doğru"

BREAKING: Yapay zeka artık Deloitte danışmanları gibi vergi stratejisi planlayabiliyor (ücretsiz). İşte 15.000 dolarlık vergi danışmanlık projelerinin yerini alan 15 çılgın Claude önerisi (Daha sonra için saklayın)