Riset & sumber terbuka
Kami meneliti pertanyaan di balik produk dan alat produksi yang lebih baik. Jelajahi konsep serta metode riset AI spesialis kami, bersama eksperimen publik dan alat sumber terbuka.
AI Spesialis · Riset Terapan
Kami meneliti AI spesialis yang bekerja dengan pengetahuan bidang dan bukti. Eksperimen menghubungkan pengambilan dokumen serta kode, pelatihan dan inferensi model, serta alat evaluasi, dengan dokumentasi peningkatan maupun batas kegagalan.
Riset internal berjalan · Konsep dan metode dibagikan secara publik
Sejauh mana bukti di balik jawaban dapat ditelusuri?
Kami mempelajari pengambilan dokumen dan kode, memeriksa kutipan terhadap sumbernya. Pengetahuan yang berubah tetap tersedia lewat pengambilan, dengan penanganan jelas untuk bukti yang hilang dan tindakan berisiko.
Bisakah alur diagnosis yang dipelajari mempertahankan penilaian yang tepat?
Kami meninjau contoh terstruktur dari model pengajar dan bereksperimen dengan fine-tuning serta distilasi model pelajar. Data pelatihan dan evaluasi dipisahkan, dengan perbandingan sebelum serta sesudah pelatihan dan antarformat penerapan.
Apakah peningkatan yang terlihat justru menimbulkan kegagalan baru?
Kasus terpisah, contoh penyangkal, dan pemeriksaan regresi menguji ketepatan bukti serta penanganan ketidakpastian. Metode evaluasi kami menahan kandidat dari promosi jika syarat keselamatan gagal, meskipun skor keseluruhan meningkat.
Ketertelusuran bukti, tanggung jawab tiap peran, dan kriteria evaluasi menjawab pertanyaan yang juga muncul dalam sistem produksi. Tidak semua model riset dan alur eksperimen terintegrasi dalam produk yang dirilis.
Implementasi dan data riset tetap privat. Ini riset terapan menggunakan model yang ada; eksperimen individual tidak membuktikan keunggulan umum atau kesiapan komersial.
Peran dan validasi dalam sistem produksiDalam eksplorasi
Alat ini mengurai struktur jurnal KahaDB (batch, header rekaman, amplop perintah, dan checksum) serta menghubungkan bukti terkait. Buka beberapa penyimpanan dalam tab, bandingkan snapshot A/B, telusuri satu JMSMessageID persis di seluruh bukti, simpan catatan insiden, tinjau retensi jurnal, dan ekspor bundel bukti yang disunting untuk menyembunyikan data.
Mengapa penting
Alat membaca penyimpanan tanpa membukanya untuk penulisan, memuat JAR produk, atau memulai pemulihan maupun pemadatan. Ini menjaga bukti yang dapat berubah jika penyimpanan broker dibuka dengan runtime atau jalur pemulihan yang salah. CLI hanya terikat ke 127.0.0.1 dan tidak memiliki endpoint unggahan.
Status saat ini
Versi 0.4.0 tersedia di GitHub dan mencakup penelusuran JMSMessageID persis. Matriks kompatibilitas mencatat versi ActiveMQ serta skenario yang diuji; periksa sebelum menggunakan alat pada format penyimpanan lain.
Dalam eksplorasi
Bagaimana satu RTX 5090 mendukung pengembangan lokal dengan model bahasa besar? Kami mempelajari kecepatan inferensi, konteks panjang, dan alur pemrograman menggunakan Qwen3.8-27B.
Mengapa penting
Angka decode sebelumnya menggambarkan konfigurasi dan beban kerja saat itu. Angka tersebut bukan pengukuran kinerja pengaturan DFlash2 200k saat ini. Dalam pengembangan harian, kami menilai waktu respons, penanganan konteks, dan kualitas hasil akhir bersama-sama.
Status saat ini
Pengaturan konteks 200k dan penggunaan harian tidak membuktikan benchmark mendalam. Pengujian ketepatan konteks panjang yang sebanding dan pengukuran pemrograman menyeluruh untuk konfigurasi saat ini masih perlu diselesaikan.
Dalam eksplorasi
Bisakah alat penulisan menjaga karakter, kejadian sebelumnya, dan aturan dunia tetap konsisten selama banyak episode? Kami mengembangkan sistem yang memeriksa teks baru terhadap status cerita tercatat sebelum meneruskannya ke episode berikutnya.
Mengapa penting
Model bahasa tidak memiliki ingatan dunia cerita yang permanen. Setelah beberapa adegan, kepribadian bergeser, penyelesaian sebelumnya terlupakan, dan kesinambungan ruang atau waktu rusak. Menjaga status dunia yang besar dan konsisten dalam jendela konteks terbatas sambil menghasilkan prosa alami adalah bagian tersulit.
Status saat ini
Ini riset aktif, bukan produk yang dirilis. Kami akan membagikan lebih banyak pendekatan setelah cukup stabil untuk dijelaskan secara akurat.
Dalam eksplorasi
Bisakah model kecil lokal membantu teknisi menafsirkan log sistem pesan tanpa menyarankan perubahan yang belum terverifikasi atau merusak? Kami menguji metode pelatihan dan evaluasi untuk tugas ini.
Mengapa penting
Broker pesan perusahaan mengalami rangkaian kegagalan kompleks: kehabisan thread pool, batas penyimpanan broker, indeks persistensi rusak, dan timeout berantai. Model bahasa kecil cenderung mengarang konfigurasi yang terdengar masuk akal atau menyarankan operasi administratif berbahaya tanpa mengisolasi akar penyebab.
Status saat ini
Ini riset terapan privat. Eksperimen data publik dan kalibrasi dipisahkan dari sumber privat, dengan hasil evaluasi terbatas pada data serta kondisi yang digunakan.
Dalam eksplorasi
Pengembangan mencakup penjelajahan berkas dan folder, unggahan per bagian, unduhan, pencarian, dan tautan berbagi. Hak akses, pengelolaan sampah, serta administrasi penyimpanan termasuk dalam proyek yang sama agar pengelolaan berkas dan pemeliharaan penyimpanan dapat ditangani bersama.
Mengapa penting
Bento berjalan pada server yang dikelola operatornya. Operator memilih penyimpanan dan mengelola akses, pembaruan, serta cadangan. Mode pemeliharaan hanya-baca dirancang untuk menghentikan perubahan berkas saat pekerjaan penyimpanan; penggunaan normal mencakup unggahan dan pengelolaan berkas.
Status saat ini
Bento tersedia secara publik dengan MIT License dan masih dalam pengembangan awal. Rilis v0.1.0 menandai dasar kesiapan sumber terbuka, menyatukan sumber, panduan kontribusi, dan dokumentasi pemeliharaan. Ini tidak disajikan sebagai layanan penyimpanan terkelola yang sudah selesai.
Teknologi produksi internal kami
Kami juga mengembangkan sistem produksi internal untuk produk sendiri, menghubungkan perencanaan, rekayasa, pembuatan 2D dan 3D, verifikasi, serta operasi.
Jelajahi sistem produksi kami
