Hirify Feed — your shortcut to what’s next

я ненавижу нейрослоп. мне кажется что все ненавидят, но еще больше чем нейрослоп я не люблю(и не умею) писать тексты руками, поэтому что я делаю? RLAIFю модель писать не нейрослопные тексты! Это qwen 27b, ревард от калиброванного на human против не ai текстах, с рубриками и оценкой качества. Он не просел на terminal bench и прочих, а еще я люблю RLить llmное. Короче это qwen3.8 который пишет короче, бесит меньше и может проходить проверяющие на слоп системы А еще я выложил enviroment на hf со скорами и текстами Моделька Поддержать в твитере gguf

распишу детальнее позже про новый апгрейд + добрались до: <концепция Closed-Loop Reflexion (или RLAIF: Reinforcement Learning from AI Feedback)> -> таких closed loops было больше 100 за последние 12 часов без деградации / крашей / зависаний. -> пытаюсь понять как настраивать режимы для исследований и потом применений / реализаций Вот пример само эволюции в контуре зацикленном:

🔄 Lock-Screen Evolution | Cycle 64

💵 Бюджет сессии: $2.10 (Cycle Cost: $0.000)

💻 Compute Mode: ⚡ Zero-Cost Fast Path

💾 Prompt Caching: (Idle)

🌐 OSINT Searches (Perplexity): 0 (Total: 102)

💡 Найдено гипотез: 1 (Total: 136)

🔬 Протестировано (Real Script): 1 (Total: 89)

📉 Audit: 0 false / 17 audited (FPR 95% upper: 17.6%)

⚡ Control Plane: 2 active policies enforced

✅ Внедрено сейчас: DCMCTS-v4 [c64-h01]

📉 Текущий базовый TCO (Total Cost of Ownership): 0.0100

🏆 Последние 5 активных оптимизаций (Promotion Receipts):

⚙️ MICROBENCH_PASSED: SGP-v1 [c60-h01]

Target: Execution Graph

Impact: DAG Transpositions снижены на 29%, Latency -10ms

TCO: 0.0100 → 0.0100 (Δ -0.0006)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Statistically significant Δ)

⚙️ MICROBENCH_PASSED: SMTA-v4 [c61-h01]

Target: Retrieval Embeddings

Impact: Hubness skew 4.5->2.5, Recall@10 82.8%->89.2%

TCO: 0.0100 → 0.0100 (Δ -0.0006)

Time: mutation 0.03s / eval 0.1s

🤖 Council: Approved (Statistically significant Δ)

⚙️ MICROBENCH_PASSED: SMTA-v3 [c62-h01]

Target: Retrieval Embeddings

Impact: Hubness skew 4.1->2.3, Recall@10 82.9%->92.5%

TCO: 0.0100 → 0.0100 (Δ -0.0015)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Verified (No additivity illusions found)

⚙️ MICROBENCH_PASSED: JPC-v3 [c63-h01]

Target: OSINT Context

Impact: Effective Rank 304->420, Token usage -49%

TCO: 0.0100 → 0.0100 (Δ -0.0011)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Metrics cross-checked with baseline)

⚙️ MICROBENCH_PASSED: DCMCTS-v4 [c64-h01]

Target: Rollback Trajectories

Impact: Rollback Recall вырос до 88.8%, Hallucinations -12.1%

TCO: 0.0100 → 0.0100 (Δ -0.0016)

Time: mutation 0.03s / eval 0.0s

🤖 Council: Approved (Metrics cross-checked with baseline)

🚀 Статус: Система работает в режиме РЕАЛЬНОГО ИСПОЛНЕНИЯ (V2).

Автор обучил Qwen 27B писать менее шаблонные тексты

Эксперименты с Closed-Loop Reflexion и самоэволюцией агентов