Topik trending
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
CodecFlow
Lapisan eksekusi untuk Operator AI dan Robotika di @Solana
CA: 69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump
VLA masih sangat baru dan banyak orang merasa sulit untuk memahami perbedaan antara VLA dan LLM.
Berikut adalah penyelaman mendalam tentang bagaimana sistem AI ini berbeda dalam penalaran, penginderaan, dan tindakan. Bagian 1.
Mari kita uraikan perbedaan utama dan bagaimana agen AI yang dibungkus di sekitar LLM berbeda dari agen operator yang menggunakan model VLA:
1. Rasa: Bagaimana mereka memandang dunia
Agen (LLM): Memproses teks atau data terstruktur misalnya JSON, API, dan terkadang gambar. Ini seperti otak yang bekerja dengan input yang bersih dan abstrak. Pikirkan membaca manual atau mengurai spreadsheet. Bagus untuk lingkungan terstruktur tetapi dibatasi oleh apa yang diumpankan ke dalamnya.
Operator (VLA): Melihat piksel mentah dan real-time dari kamera, ditambah data sensor (misalnya, sentuhan, posisi) dan proprioception (kesadaran diri akan gerakan). Ini seperti menavigasi dunia dengan mata dan indera, berkembang dalam pengaturan yang dinamis dan berantakan seperti UI atau ruang fisik.
2. Bertindak: Bagaimana mereka berinteraksi
Agen: Bertindak dengan memanggil fungsi, alat, atau API. Bayangkan sebagai manajer yang mengirimkan instruksi yang tepat seperti "pesan penerbangan melalui Expedia API." Ini disengaja tetapi bergantung pada alat yang dibuat sebelumnya dan antarmuka yang jelas.
Operator: Menjalankan tindakan tingkat rendah yang berkelanjutan, seperti menggerakkan kursor mouse, mengetik, atau mengontrol sambungan robot. Ini seperti pekerja terampil yang secara langsung memanipulasi lingkungan, ideal untuk tugas-tugas yang membutuhkan presisi waktu nyata.
3. Kontrol: Bagaimana mereka membuat keputusan
Agen: Mengikuti perulangan reflektif yang lambat: rencanakan, panggil alat, evaluasi hasilnya, ulangi. Ini terikat token (dibatasi oleh pemrosesan teks) dan terikat jaringan (menunggu respons API). Ini membuatnya metodis tetapi lamban untuk tugas waktu nyata.
Operator: Beroperasi, membuat keputusan bertahap dalam lingkaran umpan balik yang ketat. Anggap saja seperti seorang gamer yang bereaksi langsung terhadap apa yang ada di layar. Kecepatan ini memungkinkan interaksi yang lancar tetapi menuntut pemrosesan real-time yang kuat.
4. Data untuk Dipelajari: Apa yang mendorong pelatihan mereka
Agen: Dilatih pada corpora teks, instruksi, dokumentasi, atau himpunan data RAG (Retrieval-Augmented Generation) yang luas. Itu belajar dari buku, kode, atau FAQ, unggul dalam penalaran daripada pengetahuan terstruktur.
Operator: Belajar dari demonstrasi (misalnya, video manusia melakukan tugas), log teleoperasi, atau sinyal hadiah. Ini seperti belajar dengan menonton dan berlatih, sempurna untuk tugas-tugas di mana instruksi eksplisit langka.
5. Mode Kegagalan: Di mana mereka rusak
Agen: Rentan terhadap halusinasi (mengarang jawaban) atau rencana jangka panjang rapuh yang berantakan jika satu langkah gagal. Ini seperti ahli strategi yang terlalu memikirkan atau salah membaca situasi.
Operator: Menghadapi pergeseran kovariat (ketika data pelatihan tidak sesuai dengan kondisi dunia nyata) atau kesalahan majemuk dalam kontrol (bola salju kesalahan kecil). Ini seperti pengemudi yang kehilangan kendali di jalan yang tidak dikenal.
6. Infra: Teknologi di balik mereka
Agen: Mengandalkan prompt/router untuk memutuskan alat mana yang akan dipanggil, registri alat untuk fungsi yang tersedia, dan memori/RAG untuk konteks. Ini adalah pengaturan modular, seperti pusat komando yang mengatur tugas.
Operator: Memerlukan alur penyerapan video, server tindakan untuk kontrol waktu nyata, perisai pengaman untuk mencegah tindakan berbahaya, dan buffer pemutaran ulang untuk menyimpan pengalaman. Ini adalah sistem berkinerja tinggi yang dibangun untuk lingkungan dinamis.
7. Di Mana Masing-masing Bersinar: Sweet spot mereka
Agen: Mendominasi alur kerja dengan API yang bersih (misalnya, mengotomatiskan proses bisnis), penalaran atas dokumen (misalnya, meringkas laporan), atau pembuatan kode. Ini adalah pilihan Anda untuk tugas tingkat tinggi yang terstruktur.
Operator: Unggul dalam lingkungan yang berantakan dan tanpa API seperti menavigasi UI yang kikuk, mengontrol robot, atau menangani tugas seperti game. Jika melibatkan interaksi real-time dengan sistem yang tidak dapat diprediksi, VLA adalah raja.
8. Model Mental: Perencana + Pelaku
Pikirkan Agen LLM sebagai perencana: ia memecah tugas kompleks menjadi tujuan yang jelas dan logis.
Operator VLA adalah pelakunya, melaksanakan tujuan tersebut dengan berinteraksi langsung dengan piksel atau sistem fisik. Pemeriksa (sistem atau agen lain) memantau hasil untuk memastikan keberhasilan.
$CODEC
18,29K
Codecflow Optr menawarkan pendekatan terpadu untuk membangun agen yang melihat, bernalar, dan bertindak di lingkungan digital dan fisik. Baik mengotomatiskan alur kerja desktop, mengontrol lengan robot, atau menguji dalam simulasi, ini menggunakan model mental dan primitif yang sama.
21 Agu, 04.10
Penurunan di pasar bullish dimaksudkan untuk dibeli, terutama pada proyek dengan katalis besar
Kita semua tahu bahwa AI adalah narasi dari siklus ini, yang dimulai oleh ai16z dan Virtuals tahun lalu.
Taruhan saya adalah bahwa pasar akan fokus pada teknologi yang lebih kompleks dan canggih seperti VLA, dan izinkan saya memberi tahu Anda alasannya.
LLM (Model Bahasa Besar) terutama membaca dan menulis teks: mereka hebat dalam menjelaskan, merencanakan, dan menghasilkan instruksi, tetapi mereka tidak dengan sendirinya mengontrol motor atau berinteraksi dengan dunia fisik (seperti yang mungkin Anda alami dengan chatgpt).
VLA (model Vision Language Action) berbeda dari LLM karena merupakan sistem multimodal yang melihat sesuatu (visi), memahami instruksi (bahasa), dan secara langsung menghasilkan tindakan. Ini seperti menyuruh robot untuk mengambil cangkir merah dan kemudian menggerakkan lengannya untuk melakukannya.
VLA dilatih pada contoh yang memasangkan gambar/video + instruksi + jejak aksi nyata (bagaimana robot benar-benar bergerak), dan mereka harus berjalan cepat dan aman secara real time. LLM di pihak mereka dilatih pada koleksi teks besar dan fokus pada penalaran dan tugas bahasa.
TL; DR LLM berpikir dan berbicara dengan VLA melihat, beralasan, dan bertindak.
Seperti yang Anda lihat, VLA adalah tambahan utama untuk LLM dan terutama akan memungkinkan inovasi 0 banding 1 berikutnya dalam ekonomi keseluruhan yang akan menjadi robotika. Mayoritas dana investasi mengalokasikan sebagian besar investasi mereka ke sektor ini, dipandang sebagai evolusi logis berikutnya dalam industri AI.
Saya sudah membuat posting beberapa waktu yang lalu tentang pemimpin saat ini di pasar kripto, @codecopenflow, yang tidak mengumpulkan modal (peluncuran yang adil) namun mengirimkan produk mutakhir dan saat ini berada di $23 juta FDV.
Sebagai informasi, pesaing kripto lainnya mengumpulkan $20 juta (@openmind_agi) dengan harga $200 juta hingga $300 juta ++ FDV sementara belum ada produk atau komunitas yang dibangun dan dikirim.
Apa yang membuat Codec menjadi proyek terkemuka di sektor ini adalah bahwa mereka mengatasi kemacetan penting dalam robotika dan AI, yaitu kesulitan untuk membuat semua alat AI berinteraksi bersama. Izinkan saya menjelaskan.
Rilis terbaru mereka, OPTR (operator), adalah toolkit yang membantu membangun operator yang mampu berinteraksi di berbagai platform seperti robot, desktop, browser, atau simulasi. Tujuan operator adalah untuk melihat, bernalar, dan bertindak (VLA) di dunia digital (komputer) dan fisik (robot).
Toolkit ini berfungsi sebagai infrastruktur inti untuk tim robot yang bertujuan untuk menguji produk mereka dan meningkatkan keseluruhan proses dengan memberikan pengalaman terpadu, bukan pengalaman terpisah untuk browser web, simulasi, atau robot. Ini pada dasarnya membuat operator adaptif dan otonom terlepas dari lingkungannya.
Jadi Anda mengerti, itu akan menghemat banyak waktu bagi perusahaan dan pengembang yang sebelumnya harus melalui setiap langkah secara manual dan di mana Anda dapat menghemat waktu, Anda dapat menghemat uang.
Ini juga akan memungkinkan Codec untuk membangun proyek operator mereka sendiri dan meluncurkan kapasitas baru yang relatif cepat ke pasar, terutama melalui pasar mereka.
TL; DR: Anda mungkin pernah melihat video robot melipat tisu, menyortir kotak, atau melompat ke berbagai elemen. Mereka semua telah dilatih untuk kasus penggunaan yang sangat spesifik ini, dan sayangnya, satu keterampilan tidak dapat digunakan kembali di lingkungan lain seperti yang bisa dilakukan manusia. OPTR dari Codec memecahkan ini dengan membuat keterampilan dapat ditransfer antar lingkungan dan situasi, membuat pelatihan dan pengembangan jauh lebih cepat dan lebih murah bagi perusahaan.
Inilah sebabnya mengapa Codec sangat menarik dalam menyatukan dunia digital dengan dunia fisik.
$CODEC, Dikodekan.
2,25K
Perusahaan riset @epochbiz (oleh @ZoomerOracle) menerbitkan sebuah penelitian terperinci tentang CodecFlow.
Jangan lewatkan.
$CODEC
19 Agu, 21.07
$CODEC sedang menyiapkan untuk menjadi opsi terbaik sebagai permainan onchain untuk Robotika
Artikel penelitian tentang @codecopenflow sekarang ditayangkan 🤖
3,52K
Kami melihat peningkatan akun palsu yang mengklaim mewakili CodecFlow.
Satu-satunya X/Twitter resmi adalah @codecopenflow dan @RoboMove.
Semua saluran terverifikasi lainnya tercantum di situs web kami.
Hanya ada satu token, $CODEC.
Tetap waspada dan laporkan akun yang mencurigakan.
Silakan posting ulang dan bagikan untuk membantu menyebarkan berita.
3,19K
RoboMove adalah etalase yang sepenuhnya didukung oleh infrastruktur CodecFlow.
Tidak ada token terpisah. $CODEC adalah satu-satunya token dalam ekosistem.
@RoboMove hanyalah salah satu contoh dari apa yang mungkin dilakukan dengan Operator CodecFlow.
Segera, pengembang akan dapat membangun sistem canggih mereka sendiri di CodecFlow menggunakan SDK dan alat kami.
Platform ini sengaja terbuka dan dapat diperluas, memungkinkan kasus penggunaan tanpa akhir mulai dari kontrol robotik hingga otomatisasi GUI.
⚠️ Jangan tertipu oleh token atau peniru palsu. Selalu verifikasi dari sumber resmi.
3,72K
Kami senang melihat komunitas Tiongkok memperhatikan CodecFlow dan menyukai apa yang kami bangun.
Selamat datang. Kami baru saja memulai. Masih banyak lagi yang akan datang.
13 Jul 2025
Penjualan publik PUMP telah berakhir, awalnya saya juga dalam jumlah besar di Bybit, hanya 1/2 di rantai, dan pada akhirnya, hanya rantai yang berhasil, untungnya tidak ada lindung nilai sebelumnya ...
Baru-baru ini, ada banyak diskusi di komunitas AI tentang VLA (Vision-Language-Action)
Secara khusus, saya pergi untuk meneliti apakah ada orang yang melakukan proyek terkait VLA di rantai, dan saya melihat proyek CodecFlow@Codecopenflow ini dan membeli sedikit.
== Apa yang dilakukan CodecFlow ==
Pengantar singkat tentang VLA, arsitektur model yang memungkinkan AI tidak hanya "berbicara", tetapi juga "melakukan".
LLM tradisional (seperti GPT) hanya dapat memahami bahasa dan memberikan saran, tetapi tidak dapat melakukan hands-on, mengklik layar, atau mengambil objek.
Model VLA berarti mengintegrasikan tiga kemampuan:
1. Penglihatan: Pahami gambar, tangkapan layar, input kamera, atau data sensor
2. Bahasa: Pahami instruksi bahasa alami manusia
3. Tindakan: Hasilkan perintah yang dapat dieksekusi, seperti klik mouse, input keyboard, dan kontrol lengan robot
CodecFlow melakukan VLA pada rantai, dan semua proses juga dapat diunggah ke rantai, yang dapat diaudit, diverifikasi, dan diselesaikan.
Secara sederhana, ini adalah infrastruktur "bot AI".
== Mengapa saya memberikan perhatian khusus pada item ini? ==
Saya menemukan bahwa pengembang mereka adalah kontributor inti untuk LeRobot, proyek open source terpanas di ruang VLA!
LeRobot adalah basis teratas untuk membangun model VLA di dunia open source, termasuk VLA ringan yang dapat berjalan di laptop seperti SmolVLA.
Artinya, tim ini benar-benar memahami arsitektur dan Robot VlA.
Saya melihat bahwa mereka juga terus membangun, dan harga mata uang juga terus naik, saya sangat optimis tentang trek VLA, dan dari tren keseluruhan, VLA dan robot memang masa depan di pasar.
• Raksasa Web2 (Google, Meta, Tesla) sekarang berkomitmen penuh untuk pelatihan VLA & bot;
• Proyek Web3 langka dalam hal aplikasi VLA yang dapat melakukan tugas
• VLA memiliki peluang untuk memainkan peran besar dalam skenario seperti DePIN, Otomatisasi Web, dan eksekusi agen AI on-chain.
CA: 69LjZUUzxj3Cb3Fxeo1X4QpYEQTboApkhXTysPpbpump
Selalu DYOR。
3,98K
Teratas
Peringkat
Favorit