home.social

#superagi — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #superagi, aggregated by home.social.

  1. RedPacket Security @[email protected] ·

    CVE Alert: CVE-2026-6615 - TransformerOptimus - SuperAGI - redpacketsecurity.com/cve-aler

    #OSINT #ThreatIntel #CyberSecurity #cve-2026-6615 #transformeroptimus #superagi

    #osint #threatintel #cybersecurity #cve #transformeroptimus #superagi
  2. RedPacket Security @[email protected] ·

    CVE Alert: CVE-2026-6582 - TransformerOptimus - SuperAGI - redpacketsecurity.com/cve-aler

    #OSINT #ThreatIntel #CyberSecurity #cve-2026-6582 #transformeroptimus #superagi

    #osint #threatintel #cybersecurity #cve #transformeroptimus #superagi
  3. Habr @[email protected] ·

    AGI: от идеи к реализации, часть 3: архитектура трансформер и идеи для улучшения

    Для понимания структуры и процессов в AGI системе, давайте рассмотрим решения на текущий момент: LLM - большая языковая модель, архитектура трансформер. Трансформер представляет собой преобразователь текста: входной текст преобразуется в наиболее вероятный токен (часть слова) предсказанный моделью. Информация основана на подробном разборе кода трансформера GPT2 и DeepSeekV3. Подробная формула: Input - вход или промпт. Tokens = Tokenize(Input) , Output = Ptokens = Attention(Tokens) + FeedForward(Tokens) . Здесь мы видим что преобразование задается функцией! Т.е оно линейно. Наиболее вероятный токен затем выбирается с помощью случайного значения если задана температура. Т.е здесь случайность влияет в конце и только на выбор токена. Поэтому температура при больших значениях может иметь непредсказуемый результат. Внутри функции Attention: есть матрицы Wq, Wk, Wv и FeedForward: Wa, Wb которые подбираются таким образом чтобы ошибка предсказанного значения имела минимальное значение. Как это делается? Мы видим что само преобразование задается математической функцией и задача в том чтобы найти такие значения матриц чтобы результирующая функция потерь LOSS имела меньшее значение чем текущее. Как же это делается? Это называется backpropagation и вычисляется через градиент функции. Для этого все слои Attention, FeedForward представляются в виде вычислительного графа который называется TensorFlow. Вершины графа — это операции, ребра это входные значения. Каждой вершине соответствует некоторая функция. Для примера рассмотрим такую функцию:

    habr.com/ru/articles/930202/

    #agi #superagi #llm

    #agi #superagi #llm
  4. Habr @[email protected] ·

    AGI: от идеи к реализации, часть 2: От Линейного Преобразования к Живому Мышлению

    Предисловие : вот и прошел этап критики и самоопределения после публикации моей первой статьи. Теперь это уже вторая. Хотел бы сказать что первая статья не была научной публикацией и сведением графиков по GPT. Это было исследованием экспериментом таким: если человек не может изобрести AGI, то почему бы не попросить об этом LLM? Вот это как раз сейчас и делается в данной работе. Результат смотрите сами. И да это не очередной RAG как приводилось в комментариях, это становится новой парадигмой. 🧠 От Линейного Преобразования к Живому Мышлению: Критика LLM и Архитектура AGI как Субъекта Автор : [Твоё имя или псевдоним] Версия : 1.0 | Июль 2025

    habr.com/ru/articles/925832/

    #agi #new_features #ideas #superagi #gpt #neural #stochastic_processes

    #agi #new_features #ideas #superagi #gpt #neural