Kinetic Painter : on vire la latence
Une discussion avec Jev me donne envie de me remettre à Kinetic Painter.
Lynn Cole / Laboratoire
Expériences, notes de recherche, science folle et travaux en cours.
Une discussion avec Jev me donne envie de me remettre à Kinetic Painter.
Un petit run d’entraînement sur Qwen pour voir si le jeu, la critique et la révision peuvent modifier le goût en ingénierie tout en préservant la justesse. Les résultats orientent le prochain run de réplication.
Construire un jeu de données de play-training prend plus de temps que ce que prévoyait mon plan tout propre. Voici le décompte des défis, les trajectoires de solution et les signaux d’entraînement pour l’instant.
Hubnot ajoute une structure aux tickets, un historique de révision explicite, la gestion des tentatives et des vérifications de mises à jour obsolètes, tout en séparant l’assignation de l’autorité d’exécution.
Nano-Kitty combine la planification de Spec Kitty avec un harnais d’agent permanent, pour mener des travaux complexes bien au-delà d’une session unique.
Nano-Kitty isole les worktrees et les processus parallèles tout en tendant vers un système d’agents à long horizon et agnostique vis-à-vis des modèles.
Une expérience de self-play prévue utilise la vérification par compilateur et plusieurs réviseurs pour transformer un petit modèle Qwen en un développeur Go plus costaud.
Une expérience de génération vidéo organise le travail autour de livrables plutôt que de rendus isolés, tandis que l’optimisation révèle la structure du pipeline du modèle.
Intégrer Glamin dans une pile d’inférence locale transforme les changements d’état dans l’espace vectoriel en une interface possible pour les outils, la mémoire et les petites applications.
Une comparaison du workflow de code entre Agents A1 et Qwen révèle des modes de panne différents sur Go, Zig et Next.js, ainsi qu’une réponse utile aux retours de QA.
Un exercice Zig délibérément vague pousse Qwen à travers la planification, l’implémentation et le mur de la complexité. L’échec fait partie de l’évaluation.
L’upscaling par IA peut améliorer des images d’archives, mais rend les vidéos nettes cireuses. Ma prochaine expérience consiste à dégrader volontairement la source avant la restauration.