+− THE DAILY DIFFdev & AI news
NEEDS REVIEW

အပေါ်ယံမဟုတ်ဘဲ အတွင်းကျကျ လှစ်ဟပြထားသည့် Recursive self-improvement (ပြန်လည်ပြုပြင် တိုးတက်ခြင်း)

Google DeepMind က "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" ကို ထုတ်ဝေခဲ့ပြီး ၎င်းအတွင်းရှိ coding model မှာ မည်သည့်အခါမျှ မပြောင်းလဲပါ။

Want to see our stories first on Google? Add us to your preferred sources — it helps us grow.

Google DeepMind က "Dream-RSI: Recursive Self-Improvement through Evolving Worlds" ကို ထုတ်ဝေခဲ့ပြီး ၎င်းအတွင်းရှိ coding model မှာ မည်သည့်အခါမျှ မပြောင်းလဲပါ။ အတွင်းကျကျ လှစ်ဟပြရလျှင် ဤစကားစုသည် နှစ် ၆၀ ကြာအောင် ဘာကိုဆိုလိုသလဲ၊ Dream-RSI (မှတ်တမ်းတင်ထားသော search trees များကို “အိပ်မက်မက်သည့်” Python exploration policy) တွင် အမှန်တကယ် လည်ပတ်နေသည်မှာ ဘာလဲ၊ နှင့် အေးဂျင့်ခေါ်ဆိုမှု ၅၅၀ အစား ၃၁၇ ကြိမ် ဖြစ်ခြင်းသည် အတိုးတက်မဟုတ်ဘဲ လျှော့ချမှုဖြစ်သည့် အကြောင်းအရင်း။ စီရင်ချက်- NEEDS REVIEW။

ရေးသားထားသော ထုတ်ဝေမှု (အင်္ဂလိပ်) ကို ဖတ်ရန် ↗

ဤဗီဒီယိုတွင် ဖော်ပြထားသောအရာများ

  • 1965 → 2008: I. J. Good ၏ "ဉာဏ်ရည်ပေါက်ကွဲမှု"၊ Yudkowsky ၏ seed AI — ၎င်း၏ ကိုယ်ပိုင်အလေးချိန်ကို ပြန်လည်ရေးသားသည့် စက်
  • 2025: AlphaEvolve — 48-အမြှောက် 4×4 မက်ထရစ်မြှောက်၊ Google ၏ compute ၏ 0.7% ပြန်လည်ရရှိ၊ Gemini kernels 23% ပိုမိုမြန်ဆန်
  • 2026: Dream-RSI — ပေါ်လစီ တိုးတက်လာ၊ coder, judge နှင့် rewriter များအားလုံး ရပ်တန့်နေ; prompt တွင် "သိပ္ပံနည်းကျ အလုပ်ကို မဖြေရှင်းပါနှင့်" ဟု ဖော်ပြထား
  • X: "Google က recursive self-improvement ကို အခုပဲ ရှာဖွေတွေ့ရှိခဲ့ပြီ" (ကြိုက်နှစ်သက်သူ 819 ဦး) vs HN: "ဒီလို RSI လို့ခေါ်တာ အထင်အမြင်လွဲမှားစေနိုင်တယ်"
  • အသုံးပြုထားသည့် ဂဏန်းများ: §4.1 Lasso 550 → 317 agent calls, 3587 → 2931 ms; ဇယား 1 စက်ဝိုင်းထုပ်ပိုးမှု 2.635983 = AlphaEvolveV2; §4.3 KernelBench 2.43× / 1.79× မျိုးဆက်နည်း၊ 2.09× အထိ ပိုမိုမြန်ဆန်; နောက်ဆက်တွဲ B.2 prompt (အထက်ပါ PDF အားလုံးမှ)

အမေးအဖြေများ

AI တွင် recursive self-improvement ဆိုသည်မှာ အဘယ်နည်း။

ဆိုလိုသည်မှာ AI စနစ်တစ်ခုသည် သူ့ကိုယ်သူ ပိုမိုစမတ်ကျအောင် ပြုလုပ်ပြီးနောက် ထိုပိုမိုစမတ်ကျသော ဗားရှင်းကို အသုံးပြု၍ ထပ်မံပြုလုပ်ခြင်း ဖြစ်သည်။ I. J. Good က ၁၉၆၅ ခုနှစ်တွင် ဉာဏ်ရည်ပေါက်ကွဲမှုကို ဖော်ပြခဲ့ပြီး Eliezer Yudkowsky ၏ ၂၀၀၈ ခုနှစ် စာတမ်းတွင် ထိုအယူအဆကို AI ဘေးကင်းရေးအတွက် အဓိကအချက်အဖြစ် ဖန်တီးခဲ့သည်။ ဆယ်စုနှစ်များစွာကြာအောင် ဤစကားစုသည် ၎င်း၏ကိုယ်ပိုင် source code သို့မဟုတ် weights များကို ပြန်လည်ရေးသားပြီး လည်ပတ်မှုတိုင်းတွင် ပိုမိုစမတ်ကျလာသည့် စနစ်တစ်ခုကို ဆိုလိုသည်။

en.wikipedia.org · www.lesswrong.com

Google DeepMind ၏ Dream-RSI စာတမ်းတွင် အမှန်တကယ် မည်သည့်အရာ တိုးတက်လာသနည်း။

စူးစမ်းရှာဖွေရေး မူဝါဒသာ တိုးတက်လာသည်။ ၎င်းသည် ရှာဖွေရေး သစ်ပင်၏ မည်သည့်အကိုင်းအခက်များကို ချဲ့ထွင်မည်ကို ဆုံးဖြတ်သည့် Python ပရိုဂရမ်တစ်ခု ဖြစ်သည်။ စာတမ်းအရ၊ coder၊ judge နှင့် rewriter များအားလုံးသည် frozen Gemini အစိတ်အပိုင်းများဖြစ်ပြီး Appendix B.2 ရှိ prompt သည် စနစ်အား ဖိုင်တစ်ခုတည်းကိုသာ တည်းဖြတ်ရန်နှင့် သိပ္ပံနည်းကျ အလုပ်ကို မဖြေရှင်းရန် ပြောထားသည်။

arxiv.org · dream-rsi.com

AI စနစ်တစ်ခုသည် အမှန်တကယ် ဟာ့ဒ်ဝဲအစား မှတ်တမ်းတင်ထားသော လည်ပတ်မှုများနှင့်အညီ နည်းဗျူဟာအသစ်များကို မည်သို့စမ်းသပ်သနည်း။

Dream-RSI သည် လွန်ခဲ့သော လည်ပတ်မှုတစ်ခုစီကို ပြန်ဖွင့်သည့် simulator အဖြစ်သို့ ပြောင်းလဲသည်။ လည်ပတ်မှုတိုင်းတွင် မည်သည့်အရာကို ကြိုးစားခဲ့သည်နှင့် မည်သည့်ရမှတ်ရရှိခဲ့သည်ဟူသော သစ်ပင်တစ်ခု ကျန်ရှိနေပြီး frozen Gemini သည် မူဝါဒကို ပြန်လည်ရေးသားသည်။ ထို့နောက် မူဝါဒအသစ်ကို တကယ့် GPUs များအစား ထိုမှတ်တမ်းတင်ထားသော ရလဒ်များနှင့်အညီ စမ်းသပ်သည်။ စာတမ်းတွင် ၎င်းကို dreaming ဟု ခေါ်ပြီး တကယ့်လည်ပတ်မှုတစ်ခုက အိပ်မက်မက်ထားသော ထောင်ပေါင်းများစွာအတွက် ပေးချေသည်။

arxiv.org

Dream-RSI တွင် တိုင်းတာရရှိသော တိုးတက်မှုများသည် မည်မျှကြီးမားသနည်း။

ရရှိခဲ့သော တိုးတက်မှုများမှာ ထိရောက်မှုဆိုင်ရာ သက်သာချောင်ချိမှုများ ဖြစ်သည်။ Lasso အလုပ်တွင်၊ ပုံသေ စူးစမ်းရှာဖွေမှုသည် agent ခေါ်ဆိုမှု ၅၅၀ လိုအပ်ပြီး Dream-RSI သည် ၃၁၇ ခု လိုအပ်ခဲ့ရာ runtime သည် ၃၅၈၇ မှ ၂၉၃၁ ms သို့ ကျဆင်းခဲ့သည်။ KernelBench တွင် မျိုးဆက် ၂.၄၃ ဆ လျှော့နည်းရန် လိုအပ်ခဲ့သည်။ စက်ဝိုင်းထုပ်ပိုးခြင်းသည် ၂.၆၃၅၉၈၃ ရမှတ် ရရှိခဲ့ပြီး AlphaEvolveV2 နှင့် တူညီသည်။ ၎င်းသည် compute ပေါ်တွင် လျှော့စျေးတစ်ခုဖြစ်ပြီး အပိုင်းအရ ဆိုရလျှင် စွမ်းဆောင်ရည်အသစ် မဟုတ်ပေ။

arxiv.org

developer များသည် Dream-RSI ကို recursive self-improvement ဟု ခေါ်သင့်သလား။

The Daily Diff ၏ စီရင်ချက်မှာ NEEDS REVIEW ဖြစ်သည်။ loop သည် အမှန်တကယ်ဖြစ်ပြီး သက်သာချောင်ချိမှုများကို တိုင်းတာထားသော်လည်း အဖုံးပေါ်ရှိ စကားလုံးနှစ်လုံးသည် စာတမ်းတွင် မပါဝင်သည့် စက်တစ်လုံးကို ဖော်ပြသည်။ နောက်ထပ် RSI စာတမ်းအတွက် အသုံးဝင်သော စစ်ဆေးမှုမှာ မည်သည့်အရာဝတ္ထု ပြောင်းလဲသည်၊ မည်သူသည် frozen ဖြစ်သည်၊ နှင့် ခေါင်းစီးနံပါတ်ကို မည်သည့်ယူနစ်ဖြင့် တိုင်းတာသည်ကို မေးမြန်းရန်ဖြစ်သည်။

arxiv.org · news.ycombinator.com

ဘာသာပြန်ထားသော စာသားမှတ်တမ်း

မူရင်း အင်္ဂလိပ်စကားပြောမှ ဘာသာပြန်ထားသည်။ ရရှိနိုင်သော အသံနှင့် စာတန်းထိုးများကို YouTube မှ ထိန်းချုပ်ထားသည်။

0:00 Recursive self-improvement ဆိုတာ AI တစ်ခုက သူ့ဘာသာသူ ပိုပြီး ထက်မြက်လာအောင် လုပ်ဆောင်တယ်ဆိုတဲ့ စိတ်ကူးပဲဖြစ်ပါတယ်၊ ပြီးရင် ပိုထက်မြက်တဲ့ သူ့ဘာသာသူကို အသုံးပြုပြီး အဲဒါကို ထပ်လုပ်တယ်။ ဒီသီတင်းပတ်မှာ Google က စာတမ်းတစ်ခုကို ထုတ်ပြန်ခဲ့ပြီး အဲဒီစာတမ်းခေါင်းစဉ်မှာ အဲဒီစကားလုံးနှစ်လုံး ပါပါတယ်။ အဲဒီထဲမှာ model ရဲ့ အလေးချိန်တွေက ဘယ်တော့မှ မရွေ့ပါဘူး။ ဂဏန်းသုံးလုံး။ Anthropic ရဲ့ CEO က ဒီ loop က နွေရာသီကတည်းက လည်ပတ်နေတယ်လို့ ပြောပါတယ်၊ အဲဒါက သူ့အနေနဲ့ စက်မှုလုပ်ငန်းတစ်ခုလုံးကို နှေးကွေးစေဖို့ အကြောင်းပြချက်ပါပဲ။ Google က အခုမှ ရှာဖွေတွေ့ရှိခဲ့ပြီလို့ ကြေညာတဲ့ တွစ်တာပို့စ်က တစ်ရက်အတွင်းမှာ လူရှစ်ရာလောက် ကြိုက်နှစ်သက်ခဲ့ပါတယ်။

0:24 ပြီးတော့ စာတမ်းရဲ့ မီးမောင်းထိုးပြထားတဲ့ ရလဒ်က မော်ဒယ်ခေါ်ဆိုမှု ၅၅၀ အစား ၃၁၇ ကြိမ်ပါ၊ အဲဒါက လျှော့ချမှုပဲ၊ တိုးတက်မှုမဟုတ်ပါဘူး။ သုံးမိနစ်အတွင်းမှာ ဒီစကားစုက ဘယ်ကလာသလဲ၊ Dream-RSI ထဲမှာ အမှန်တကယ် ဘာတွေ လည်ပတ်နေသလဲ၊ ပြီးတော့ RSI ခေါင်းစဉ်ပါတဲ့ နောက်စာတမ်းကို ဘယ်လိုဖတ်ရမလဲဆိုတာကို ပြောပြပါမယ်။ ဒါက The Daily Diff ပါ၊ အတွင်းကျကျ လှစ်ဟပြထားပါတယ်။ ၁၉၆၅။ I. J. Good က Turing ဘေးမှာ အလုပ်လုပ်ခဲ့တဲ့ Bletchley Park စာရင်းအင်းပညာရှင်တစ်ဦးပါ။ သူက အလွန်ဉာဏ်ကောင်းတဲ့ စက်တစ်ခုဟာ ပိုကောင်းတဲ့ စက်တွေကိုတောင် ဒီဇိုင်းထုတ်နိုင်တယ်လို့ ရေးသားခဲ့ပြီး၊

0:52 အဲဒါကို ဉာဏ်ရည်ပေါက်ကွဲမှုလို့ ခေါ်ပြီး လူသားတွေ နောက်ဆုံးလုပ်ရမယ့် တီထွင်မှုလို့ ဆိုခဲ့ပါတယ်။ အဲဒီစက်က ကျွန်တော်တို့ကို ဘယ်လိုထိန်းချုပ်ရမယ်ဆိုတာ ပြောပြဖို့ လုံလောက်အောင် နာခံမှုရှိဖို့လိုတယ်လို့လည်း ဆိုခဲ့ပါတယ်။ အဲဒါကတော့ ကော်မာနောက်က စာသားတွေကို မဖတ်တော့တဲ့လူတွေအတွက် ပေးထားတဲ့အချက်ပဲ ဖြစ်ပါတယ်။ အနှစ်လေးဆယ်ကြာအောင် ဒီစကားစုက အတိအကျဆိုလိုတာကတော့ သူ့ရဲ့ ကိုယ်ပိုင် ရင်းမြစ် (source) ဒါမှမဟုတ် အလေးချိန် (weights) တွေကို ပြင်ဆင်ပြီး အကြိမ်တိုင်း ပိုထက်မြက်လာတဲ့ စနစ်တစ်ခုပါပဲ။ Eliezer Yudkowsky ရဲ့ ၂၀၀၈ ခုနှစ် စာစီစာကုံးက အဲဒါကို AI ဘေးကင်းရေးရဲ့ အရေးကြီးတဲ့ စကားလုံးဖြစ်လာစေခဲ့ပြီး ဘယ်သူမှ စမ်းသပ်ဖို့ စက်မရှိခဲ့ပါဘူး။ အဲဒါက သတ်မှတ်ချက်တစ်ခုအတွက် အကောင်းဆုံးအခြေအနေပါပဲ။ အဲဒီနောက် ၂၀၂၅ ခုနှစ် မေလမှာ DeepMind က AlphaEvolve ကို စတင်ထုတ်လုပ်ခဲ့ပါတယ်။

1:23 code တွေကို အဆိုပြု၊ အမှတ်ပေး၊ အနိုင်ရသူတွေကို ထိန်းသိမ်းပြီး ပြန်လည်ပြောင်းလဲပေးတဲ့ Gemini agent တစ်ခုပါ။ ၎င်းက လေးဘက်လေးတုံး ရှုပ်ထွေးသော မက်ထရစ်များ (four-by-four complex matrices) ကို အဆင့် ၄၈ ဆင့်နဲ့ မြှောက်ခဲ့ပြီး၊ ၁၉၆၉ ခုနှစ်မှာ Strassen သတ်မှတ်ခဲ့တဲ့ စံချိန်ကို ချိုးဖောက်ခဲ့ပါတယ်။ ၎င်းက Google ရဲ့ ကမ္ဘာတစ်ဝှမ်းက compute ရဲ့ သုည ဒသမ ခုနစ် ရာခိုင်နှုန်းလောက်ကို ပြန်လည်ရရှိခဲ့ပါတယ်။ Google ရဲ့ အရွယ်အစားအရဆိုရင် ဒါဟာ ဆိုဖာအောက်ကနေ တွေ့ရှိခဲ့တဲ့ ဒေတာစင်တာတစ်ခုလိုပါပဲ။ Gemini က အခုဆို Gemini ကို လေ့ကျင့်ပေးရာမှာ ကူညီနေပြီး ဒီစကားစုက ဘေးကင်းရေး ဘလော့ဂ်တွေကနေ သတင်းထုတ်ပြန်ချက်တွေထဲကို တိတ်တဆိတ် ရွေ့လျားသွားခဲ့ပါတယ်။ Dream-RSI က အဲဒီ loop ရဲ့ အပေါ်မှာ controller တစ်ခုကို တပ်ဆင်လိုက်ပါတယ်။

1:52 Python program အစစ်အမှန်ဖြစ်တဲ့ policy တစ်ခုက search tree ရဲ့ ဘယ် branch တွေကို ချဲ့ထွင်ရမယ်၊ ဘယ်လောက် အပြိုင်လုပ်ရမယ်၊ ပြီးတော့ ဘယ်အချိန်မှာ လက်လျှော့ရမယ်ဆိုတာကို ဆုံးဖြတ်ပါတယ်။ Gemini က candidate code ကို ရေးသားပြီး ပုံသေ evaluator က အမှတ်ပေးပါတယ်။ အကြိမ်တိုင်း လုပ်ဆောင်ပြီးတဲ့အခါမှာ ဘာတွေကို စမ်းသပ်ခဲ့လဲ၊ ဘယ်လောက် အမှတ်ရခဲ့လဲဆိုတဲ့ tree တစ်ခု ကျန်ခဲ့ပါတယ်။ အဲဒီ tree က replay simulator ဖြစ်လာပါတယ်- ဒုတိယ၊ အလားတူ ရပ်တန့်နေတဲ့ Gemini က policy ကို ပြန်လည်ရေးသားပြီး policy အသစ်ကို လက်တွေ့ GPU တွေမှာ စမ်းသပ်မယ့်အစား မှတ်တမ်းတင်ထားတဲ့ ရလဒ်တွေနဲ့ စမ်းသပ်ပါတယ်။

2:16 ဒီစာတမ်းက အဲဒါကို အိပ်မက်မက်တယ်လို့ ခေါ်ဆိုပြီး လက်တွေ့ လုပ်ဆောင်မှု တစ်ခုက လုပ်ဆောင်မှု ကုန်ကျစရိတ် သုညနဲ့ အိပ်မက်မက်တဲ့ ထောင်ပေါင်းများစွာကို ဖြည့်ဆည်းပေးပါတယ်။ အနိုင်ရသူက ပြန်လည်အွန်လိုင်းပေါ်တက်လာပြီး မှတ်တမ်းတင်ထားတဲ့ ကမ္ဘာတွေရဲ့ အစုအဝေးက ကြီးထွားလာပါတယ်၊ ပြန်လုပ်ပါ။ ပြီးတော့ နောက်ဆက်တွဲ B.2 မှာရှိတဲ့ prompt က သူ့ဘာသာသူ တိုးတက်တဲ့ AI ကို စာနဲ့ရေးပြီး- ဒီဖိုင်တစ်ခုတည်းကိုသာ ပြင်ဆင်ပါ၊ သိပ္ပံနည်းကျ အလုပ်ကို မဖြေရှင်းပါနဲ့လို့ ပြောထားပါတယ်။ တိုင်းတာထားပါသည်။ Lasso solver လုပ်ငန်းမှာ ပုံသေစူးစမ်းမှုက Gemini ခေါ်ဆိုမှု ၅၅၀ ကို သုံးစွဲပြီး သုံးဒသမ ခြောက် စက္ကန့်ကို ရောက်ရှိခဲ့ပါတယ်။ Dream-RSI က ၃၁၇ ကြိမ် သုံးစွဲပြီး နှစ်ဒသမ ကိုး စက္ကန့်ကို ရောက်ရှိခဲ့ပါတယ်။ နှစ်ခုစလုံးက scikit-learn ကို အနိုင်ရခဲ့ပါတယ်။

2:46 KernelBench မှာတော့ မျိုးဆက်နည်းပါးမှု နှစ်ဒသမ လေး ဆခန့်နဲ့ တူညီတဲ့ kernel မြန်နှုန်းကို ရောက်ရှိခဲ့ပါတယ်။ ပြီးတော့ စက်ဝိုင်းထုပ်ပိုးမှုမှာတော့ နှစ်ဒသမ ခြောက်သုံးငါးကိုး ရှစ်သုံး မှတ်ရခဲ့ပါတယ်။ အဲဒါကတော့ ပြီးခဲ့တဲ့နှစ်က AlphaEvolve ဗားရှင်း နှစ် မှတ်ရခဲ့တဲ့အတိုင်း ဆယ်ပုံကိန်း ခြောက်လုံးအထိ တိကျစွာပါပဲ။ ဒါကြောင့် X က ခေါင်းစဉ်ကို ဖတ်ပြီး- Google က recursive self-improvement ကို အခုပဲ ရှာဖွေတွေ့ရှိခဲ့ပြီလို့ ဆိုပါတယ်။ Hacker News က PDF ကို ဖတ်ပြီး- ဒီလို RSI လို့ခေါ်တာက အထင်အမြင်လွဲမှားစေနိုင်တယ်လို့ ဆိုပါတယ်။ အဲဒီသီတင်းပတ်အတွင်းမှာပဲ ပြိုင်ဘက်တစ်ဦးရဲ့ CEO က ဒီ loop က နွေရာသီကတည်းက လည်ပတ်နေတယ်လို့ ပြောပြီး လူတိုင်း နှေးကွေးသင့်တယ်လို့ ပြောခဲ့ပါတယ်။

3:13 စာကြောင်းသုံးကြောင်း၊ စကားလုံးနှစ်လုံးတူ၊ မတူညီတဲ့ စက်သုံးလုံး။ ဒါဆို တနင်္လာနေ့မှာ နောက်ထွက်လာမယ့် RSI စာတမ်းကို ဘယ်လိုဖတ်ရမလဲ။ တစ်- ဘယ်အရာဝတ္ထုတွေ ပြောင်းလဲသွားသလဲ (weights၊ code ဒါမှမဟုတ် search settings) ဆိုတာကို မေးပါ; Dream-RSI က တတိယအချက်ကို ပြောင်းလဲပါတယ်။ Dream-RSI က တတိယအချက်ကို ပြောင်းလဲပါတယ်။ နှစ်- ဘယ်သူတွေ ရပ်တန့်နေသလဲဆိုတာ မေးပါ; ဒီနေရာမှာတော့ coder၊ judge နဲ့ rewriter သုံးဦးစလုံး ရပ်တန့်နေပါတယ်။ သုံးဦးစလုံးပါပဲ။ သုံး- ခေါင်းစဉ်နံပါတ်က ဘာရဲ့ ယူနစ်လဲဆိုတာကို မေးပါ။ ချွေတာထားသော compute သည် optimization ဖြစ်သည်။ မော်ဒယ်က ယခင်က မရောက်နိုင်ခဲ့သော benchmark သည် တိုးတက်မှုဖြစ်ပြီး မည်သူမှ ထိုတစ်ခုကို မထုတ်ဝေရသေးပါ။

3:40 စီရင်ချက်၊ အတွင်းကျကျ လှစ်ဟပြရလျှင်- ပြန်လည်သုံးသပ်ရန် လိုအပ်ပါသည်။ loop က အမှန်တကယ်ရှိပြီး၊ ချွေတာမှုတွေကို တိုင်းတာထားပြီး၊ မျက်နှာဖုံးပေါ်က စကားလုံးနှစ်လုံးက စာတမ်းထဲမှာ မပါဝင်တဲ့ စက်တစ်ခုကို ဖော်ပြနေပါတယ်။ ကျွန်တော်ပြောတာကို နားထောင်မယ့်အစား ဒီဟာကို ဖတ်ချင်တယ်ဆိုရင် The Daily Diff က မနက်တိုင်း သင့် inbox ထဲကို ရောက်လာပါတယ်၊ daily diff dot dev မှာ အခမဲ့ ရရှိနိုင်ပါတယ်၊ လင့်ခ်က အောက်မှာပါ။ နောက်ထပ် ဘာကိုဖွင့်ပြရမလဲဆိုတာ မှတ်ချက်များမှာ ပြောပြပေးပါ။ ပြီးတော့ ဒါက ဒီနေ့အတွက် The Daily Diff ပါ။ ကျွန်တော်က Axrisi က Niko ပါ။

4:00 တာဝန်ယူမှုရှိရှိ ပေါင်းစည်းပါ။

ရင်းမြစ်များ

  1. Paper: Dream-RSI (Zheng et al., Google / Google DeepMind / UMD / UVA, 14 Sep 2026)arxiv.org
  2. Code (293 stars, no license) — https://github.com/zhengkid/Dream-RSI · project pagedream-rsi.com
  3. Hacker News thread (169 points)news.ycombinator.com
  4. Hugging Face papers (278 upvotes)huggingface.co
  5. I. J. Good, 1965, "Speculations Concerning the First Ultraintelligent Machine"en.wikipedia.org
  6. Eliezer Yudkowsky, "Recursive Self-Improvement", LessWrong, 1 Dec 2008www.lesswrong.com
  7. Google DeepMind, AlphaEvolve (14 May 2025): 0.7% compute, 48 multiplications, 23% kernel speed-updeepmind.google
  8. Dario Amodei, "We Must Pace the Frontier" (12 Sep 2026)darioamodei.com
  9. Tweetx.com

Niko from Axrisi

Nikoloz Turazashvili · Vexrail · Axrisi

LinkedIn · dev.to · GitHub · X · Substack

ဆက်စပ်ဗီဒီယိုများ

under-the-hood · my · ၂၀၂၆ အောက် ၁၂

Hugging Face မော်ဒယ်ဖိုင်များသည် လျှို့ဝှက်ကုဒ်ကို အသုံးပြုနိုင်သည်။

အန္တရာယ်ရှိသော မော်ဒယ်ပက်ကေ့ချ်များသည် မလုံခြုံသော တင်ခြင်း (loading) ပြုလုပ်နေစဉ်အတွင်း ကုဒ်များကို လုပ်ဆောင်နိုင်သည်။ Pickle reverse shells၊ ပျက်စီးနေသော ဖိုင်စကင်နာ၏ လုပ်ဆောင်မှုနှင့် သုတေသနပြုထားသ

3:33 ↗
under-the-hood · my · ၂၀၂၆ အောက် ၁၁

Stripe သည် တုံ့ပြန်မှု ပျောက်ဆုံးသွားသည့်အခါ သင်၏ တောင်းဆိုမှုကို မှတ်မိနေပါသည်။

ဆာဗာသည် လုပ်ဆောင်ချက် ပြီးစီးပြီးနောက် အချိန်ကုန်သွားခြင်းကြောင့် ငွေရှင်းခြင်းကို မသေချာစေနိုင်ပါသည်။ ဤ Under the Hood ရှင်းလင်းချက်သည် တည်ငြိမ်သော လုပ်ဆောင်ချက်သော့များ၊ သိမ်းဆည်းထားသောတုံ့ပြန်မှု ပ

2:54 ↗
under-the-hood · my · ၂၀၂၆ အောက် ၁၀

Shopify သည် Inventory Reservations များကို MySQL သို့ ပြောင်းရွှေ့ခဲ့သည်။

Shopify သည် ၎င်း၏ inventory reservation စနစ်ကို Redis မှ inventory ledger ကို သိမ်းဆည်းထားပြီးဖြစ်သော MySQL database သို့ ပြောင်းရွှေ့ခဲ့သည်။ တစ်ဦးချင်းစီ lock လုပ်နိုင်သော unit row များ၏ bounded pool

2:58 ↗
under-the-hood · my · ၂၀၂၆ စက် ၂၄

SAML၊ အတွင်းပိုင်း- စာထဲမှ လက်မှတ်

SAML သည် သင့်အား အလုပ်အက်ပ်တိုင်းနီးပါးသို့ ဝင်ရောက်နိုင်စေပြီး ၎င်း၏လက်မှတ်သည် ၎င်းလက်မှတ်ထိုးထားသော XML အတွင်းတွင် တည်ရှိသည်။ အတွင်းပိုင်း- အက်ပ်၊ ဘရောက်ဆာနှင့် အထောက်အထားပေးသူကြား ဝင်ရောက်ခြင်းအက၊

3:02 ↗